Voicemaker SSML-Tags und Spracheinstellungen für natürliche Hörbücher und Voiceovers nutzen

Herkömmliche Text-to-Speech-Engines scheitern bei langen Texten häufig an ihrer mechanischen Monotonie. Menschliche Sprecher atmen zwischen den Gedankenpausen, nehmen das Tempo vor wichtigen Enthüllungen zurück, betonen Schlüsselwörter und trennen erzählende Passagen klanglich von den Dialogen der Figuren. In Voicemaker erfordert eine hochwertige, kommerziell verwertbare Sprachaufnahme das Zusammenspiel zweier Steuerungsstufen: den globalen Spracheinstellungen (Voice Settings) in der rechten Seitenleiste zur Definition der grundlegenden Sprecherpersönlichkeit und den SSML-Tags in Kombination mit der Funktion Custom Pauses im Editor zur präzisen Steuerung von Atempausen, emotionalen Akzenten und Fachbegriffen.

Dieser Leitfaden führt Schritt für Schritt durch die Optimierung von Voicemaker, um künstliche Starre zu überwinden und erstklassige Audioaufnahmen für Hörbücher, Podcasts und Videonarrative zu erstellen.

1. Engine-Wahl und Definition der akustischen Basis

Bevor Textmarkierungen eingefügt werden, muss das klangliche Fundament exakt abgestimmt werden.

• Die AI3-Neural-Engine auswählen: Ältere Synthesemodelle verfügen nicht über die prosodische Tiefe, die für eine lebendige Erzählung erforderlich ist. Wählen Sie für Hörbücher immer die AI3-Neural-Engine.
• Stimmen mit dem Suffix „E“ identifizieren: In Voicemaker unterstützen nur Stimmen mit dem Zusatz „E“ im Namen (z. B. Jony im US-Englisch unter AI3) ausdrucksstarke Voice Effects (Emotionsfilter) wie calm (ruhig), sad (traurig), happy (fröhlich) oder angry (wütend). Stimmen ohne diesen Zusatz sind auf einfache Tonhöhen- und Geschwindigkeitsanpassungen ohne emotionale Nuancen beschränkt.
• Globale Parameter (Voice Settings) kalibrieren:
  • Speed (Sprechgeschwindigkeit): Das voreingestellte Tempo ist für erzählerische Prosa oft zu hoch. Öffnen Sie die Spracheinstellungen in der rechten Leiste und reduzieren Sie den Geschwindigkeitsregler leicht. Ein gemächliches Tempo gibt dem Zuhörer Raum, der Handlung zu folgen.
  • Pitch (Tonhöhe): Ein minimal abgesenkter Tonhöhenwert verleiht der Erzählerstimme Wärme, Ruhe und Autorität. Sollten später jüngere Figuren vertont werden, lässt sich die Tonhöhe gezielt für deren Dialogzeilen anheben.
  • Volume (Lautstärke): Halten Sie den Ausgangspegel moderat, um Übersteuerungen (Clipping) zu vermeiden und ausreichend Dynamikspielraum für das anschließende Audio-Mastering in DAWs wie Audacity oder Reaper zu sichern.

2. Rhythmus und Atempausen: Pause-SSML versus Custom Pauses

Das auffälligste Merkmal künstlicher Stimmen ist das Fehlen natürlicher Atem- und Sinnpausen. Voicemaker bietet zwei Möglichkeiten, um Pausen harmonisch zu steuern.

Manuelle Pausen mit Pause-SSML setzen

Für gezielte dramaturgische Akzente nutzen Sie das Pause-Dropdown in der Menüleiste oder tippen das Tag <break time="..."/> direkt in den Text ein:

• Dialoganschluss-Pausen (200 ms – 400 ms): Zur Trennung von direkter Rede und Inquit-Formel (Beispiel: „Das glaube ich nicht“, <break time="300ms"/> flüsterte sie.).
• Szenenwechsel und Cliffhanger (1000 ms – 2000 ms): Größere Pausen zwischen Kapiteln oder vor überraschenden Wendungen, damit die emotionale Wirkung beim Hörer ankommt.

Rhythmus automatisieren mit Custom Pauses

In einem Skript mit mehreren tausend Wörtern manuell Dutzende von Break-Tags zu platzieren, ist zeitaufwendig und beeinträchtigt die Lesbarkeit des Textes. Nutzen Sie stattdessen die Funktion Custom Pauses:

1. Klicken Sie auf das Zahnradsymbol (Settings) oben rechts über dem Editor.
2. Wechseln Sie auf den Reiter Pauses und aktivieren Sie den Schalter Custom Pauses (ON).
3. Legen Sie Pausenzeiten in Sekunden für die wichtigsten Satzzeichen fest:
   • Punkt (.): Stellen Sie 0.7s bis 0.9s für einen natürlichen Satzabschluss ein.
   • Komma (,): Stellen Sie 0.25s bis 0.35s für flüssige Gliedsatzpausen ein.
   • Frage- und Ausrufezeichen (?, !): Wählen Sie 0.6s bis 0.8s, um der Intonation Nachhall zu geben.
4. Absatzpausen aktivieren (Between Paragraph): Wenn Sie eine Leerzeile zwischen Manuskriptabsätzen lassen, fügt Voicemaker automatisch eine definierte Pause (z. B. 1.5s) ein. Dies strukturiert den Handlungsablauf eigenständig.
5. Sonderzeichen-Trigger (@ und #): Belegen Sie im Menü Zeichen wie @ mit 0.5s oder # mit 1.2s. Ein einfacher Tastendruck im Text erzeugt an genau dieser Stelle die gewünschte Zäsur, ohne dass umfangreicher XML-Code das Manuskript verstellt.

3. Dynamische Betonung: Emphasis, Tonhöhe und Geschwindigkeitsmodulation

Eintönige Lautstärke ermüdet das Gehör. Durch punktuelle Nuancierungen erzeugen Sie die Lebendigkeit eines professionellen Sprechers.

Schlüsselbegriffe mit Emphasis-SSML hervorheben

• Markieren Sie das gewünschte Wort und öffnen Sie das Emphasis-Dropdown:
• Strong Emphasis: Erhöht die klangliche Durchsetzungskraft und das Gewicht des Begriffs. Sparsam anwenden – ideal für entscheidende Enthüllungen, Wendepunkte oder wütende Ausrufe. Zu häufige starke Betonungen wirken stakkatohaft.
• Reduced Emphasis: Senkt Lautstärke und Intensität ab. Perfekt für Einschübe in Klammern, innere Monologe oder vorsichtige Bemerkungen.

Feine Justierung von Pitch und Speed

Die SSML-Tonhöhen- und Temporegler in Voicemaker sind bewusst feinstufig ausgelegt, um unnatürliche Artefakte zu vermeiden:

• Pitch-Modulation: Markieren Sie Fragesätze oder Figurenrepliken und passen Sie den Schieberegler unter Pitch an. Ein leichtes Anheben zum Satzende erzeugt eine überzeugende Frageintonation; ein Absenken schafft eine düstere, bedeutungsschwere Stimmung.
• Speed-Modulation: Verlangsamen Sie das Tempo in spannungsgeladenen, kontemplativen Momenten und ziehen Sie es bei dynamischen Actionszenen behutsam an.

Voice Effects für Figurenrede nutzen

Bei Verwendung einer Stimme mit dem Suffix „E“:

1. Belassen Sie die allgemeinen Voice Effects in der rechten Leiste auf Default (damit der Erzähltonfall neutral bleibt).
2. Markieren Sie im Fließtext ausschließlich die wörtliche Rede einer Figur.
3. Wählen Sie über die Schaltfläche Voice Effect die passende Stimmung (whisper für Flüstern, calm für Gelassenheit, angry für Zorn).
4. Bei der Synthese bleibt der Erzähler sachlich, während die Figur die gewählte emotionale Färbung annimmt.

4. Präzise Aussprache dank Say-As-SSML

Hörbuchaufnahmen scheitern häufig daran, dass Synthesizer bei Jahreszahlen, Uhrzeiten, Maßeinheiten oder Abkürzungen stolpern. Die Say-As-Tags in Voicemaker schaffen hier verbindliche Klarheit:

• Say-As Date & Time: Verhindert, dass Datumsangaben wie 12.04.1980 oder 08:30 PM als Rechenaufgaben oder wirre Zeichenfolgen wiedergegeben werden.
• Say-As Cardinal & Ordinal: Unterscheidet zuverlässig zwischen Mengenangaben (Kardinalzahlen) und Rangfolgen bzw. Ordnungszahlen („Kapitel 1“ versus „1. / erstes Kapitel“).
• Say-As Spell-Out / Characters: Zwingt die Engine, Zeichen einzeln als Buchstabierfolge vorzulesen (say-as interpret-as="characters"). Unverzichtbar für Funk-Codes, Kennzeichen, Akronyme oder nicht-lexikalische Abkürzungen.
• Say-As Fraction & Unit: Stellt sicher, dass Brüche wie 1/2 als „ein Halb“ und Einheiten wie 25km sauber als „fünfundzwanzig Kilometer“ ausgesprochen werden.

5. Produktionspraxis: Manuskriptsegmentierung, Audioexport und Kontingentplanung

Für umfangreiche Hörbuchprojekte empfiehlt sich ein strukturierter Workflow:

Manuskript-Segmentierung (Chunking)

Fügen Sie niemals ein Manuskript mit zehntausenden Wörtern am Stück in den Editor ein.

• Teilen Sie den Text in szenische Abschnitte von 500 bis 2.500 Zeichen auf.
• Das erleichtert die Kontrolle der SSML-Tags, beschleunigt die Korrektur einzelner Fehlbetonungen und schont das Guthaben, falls eine Passage nachjustiert werden muss.

Audioeinstellungen für das Mastering

Klicken Sie über der Schaltfläche Convert to Speech auf Change neben Audio Settings:

• Dateiformat:
  • MP3: Gut geeignet für Podcasts, Web-Streaming und Vorab-Korrekturdurchläufe.
  • WAV: Pflichtformat für professionelle Hörbücher. Unkomprimiertes WAV bewahrt den vollen Dynamikumfang für die Weiterverarbeitung und Entrauschung in DAWs.
• Abtastrate (Sample Rate):
  • 44100 Hz (CD-Qualität) für gängige Audio-Plattformen.
  • 48000 Hz (Studioqualität) für professionelle Mastering-Vorgaben nach ACX- und Audible-Standards sowie für Videosynchronisationen.

Guthaben und gewerbliche Nutzung

• Voicemaker berechnet das Kontingent pro Konvertierungsvorgang (Convert), nicht pro Download. Jeder Klick verbraucht Zeichenpunkte (CJK-Zeichen zählen mit 2 Punkten pro Zeichen).
• Kostenlose Konten sind auf 250 Zeichen pro Konvertierung limitiert und enthalten keine kommerziellen Verwertungsrechte.
• Für Veröffentlichungen auf Hörbuchplattformen oder kommerzielle Kundenaufträge sind Tarife wie Starter ($5/Monat), Creator ($10/Monat), Pro ($20/Monat) oder spezielle Audiobook Creation Packs erforderlich, die kommerzielle Lizenzen und höhere Zeichenlimits pro Durchlauf bieten.
• Testen Sie schwierige Namen oder komplexe Pausenfolgen stets an kurzen 50-Zeichen-Proben, bevor Sie ganze Kapitel final rendern.

Checkliste für professionelle Sprachaufnahmen

1. Modell prüfen: Eine AI3-Neural-Stimme mit dem Suffix „E“ für Emotionsvielfalt wählen.
2. Grundstimmung setzen: In den Voice Settings das Sprechtempo leicht senken und die Tonhöhe erden.
3. Pausen automatisieren: Custom Pauses aktivieren (Komma ~0,3 s, Punkt ~0,8 s, Absatz ~1,5 s).
4. Feinheiten ausarbeiten: Wichtige Begriffe mit Emphasis hervorheben, Zahlen mit Say-As sichern und Dialoge mit Voice Effects färben.
5. Verlustfrei exportieren: Szenenweise als 48000 Hz WAV-Datei exportieren, um ein optimales Mastering zu ermöglichen.

Referenzen

• How to use Pause SSML?
• How to use Emphasis SSML?
• How to use Custom Pauses?
• How to adjust the Pitch of the Audio?
• How to use the Say as SSML tag?
• How to adjust the Speed of the Audio?
• How to adjust the Volume of the Audio?
• How to adjust export settings of your Audio?
• Plans & Pricing - Voicemaker