AI-Sprachsynthese
Bei der Sprachsynthese geht es längst nicht mehr nur darum, möglichst menschlich zu klingen: Stimmenklonen, die Steuerung von Emotionen und Dialekten sowie paralinguistische Signale sind die Felder, auf denen sich TTS-Modelle heute messen – mit überprüfbaren Benchmarks und offenen Implementierungen.
Die Sprachsynthese hat 2026 sichtbar an Tempo gewonnen: Qwen3-TTS und GLM-TTS machten das Klonen aus drei Sekunden Audio zum Open-Source-Standard, und inclusionAI der Ant Group steuert mit dem neuen Ming-3.0-tts paralinguistische Signale wie Lachen und Seufzen über Textmarker und wechselt zwischen Sichuan-Dialekt und Kantonesisch. Entscheidend sind Aussprache-Robustheit, Sprachabdeckung und Inferenzkosten.
