Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Narration und Audio-Inhaltserstellung

Lektion 11 von 14 Aktualisiert am 3. November 2026 Mittelstufe
Auf dieser Seite
  1. Text in professionelle Audioinhalte verwandeln
  2. Podcasts und Audio-Newsletter
  3. E-Learning und Schulung
  4. Sprachbenachrichtigungen und Alarme
  5. Hörbücher und lange Erzählungen
  6. Kernaussagen

Stand 3. November 2026, laut xAI Preisliste: Die Kosten für die Text-zu-Sprache-Umsetzung (TTS) betragen 15 USD pro Million Zeichen. Quelle: Preisliste.

Text in professionelle Audioinhalte verwandeln

Bis vor kurzem bedeutete die großflächige Audioerstellung ein Studio: eine Sprecherin oder ein Sprecher, ein Aufnahmeraum, ein Tontechniker und ein Preis, der den Einsatz von gesprochener Inhalte auf die Flaggschiff-Produktion beschränkte. Grok TTS verschiebt diese Grenze. Automatisierte Podcasts, vorgelesene Artikel, Schulungsmodule, Sprachbenachrichtigungen: Das Verhältnis von Qualität zu Kosten macht Projekte möglich, die früher sofort nach dem Angebot verworfen wurden.

Podcasts und Audio-Newsletter

Ein automatisierter Podcast-Ablauf besteht aus vier Schritten:

  1. Verfassen: Ihr LLM (Grok oder ein anderes) schreibt den Podcast-Skript, einschließlich ausdrucksstarker Tags
  2. Produktion: TTS generiert das Audio mit der von Ihnen gewählten Stimme und Effekten
  3. Nachbearbeitung: Hinzufügen eines Intro/Outro-Jingles, Normalisierung des Lautstärkenpegels
  4. Veröffentlichung: Hochladen auf Ihre Verteilungsplattform

Die Qualität des Ergebnisses wird fast ausschließlich im Schritt 1 bestimmt. Ein Skript, das wie ein Artikel geschrieben ist, klingt wie jemand, der einen Artikel vorliest; ein Skript, das für das Ohr geschrieben wurde, mit Atemzügen und Geschwindigkeitsänderungen, klingt wie eine Sendung. So sieht der Anfang eines annotierten Episoden aus:

[breath] Hi, everyone, and welcome to your weekly tech roundup. [pause]

We've got three topics on the agenda today. [long-pause]

<emphasis>First</emphasis>, the latest Grok API update. [pause]
<emphasis>Second</emphasis>, the new TTS features. [pause]
And <emphasis>third</emphasis>, lessons learned from running the Voice Agent in production. [long-pause]

<build-intensity>Let's jump right into the first topic.</build-intensity>

Ihre Wahl der Stimme bestimmt dann den Ton der Sendung. Rex eignet sich für einen professionellen Technik-Podcast, Eve für ein dynamisches, hochenergetisches Format, Ara für einen intimen, gesprächigen Ton und Leo für eine Bildungs-Sendung, bei der die Hörer auf eine ruhige Autorität zählen. Unter den neueren Stimmen führt xAI orion und lux für die Erzählung sowie cosmo für Podcasts auf. Hören Sie vor der Entscheidung drei oder vier Kandidaten vor, die denselben Absatz Ihres Skripts vorlesen: Bei 30 Sekunden echtem Text ist die richtige Wahl in der Regel offensichtlich.

E-Learning und Schulung

Jeder Lektionsinhalt in einem Kurs kann mit einer Audioversion versehen werden, sodass Lernende ihn „im Podcast-Stil” während der Fahrt oder beim Spaziergang verfolgen können. Die Wirtschaftlichkeit ist überzeugend: Ein Kurs mit 10.000 Wörtern, etwa 60.000 Zeichen, kostet etwa 0,90 USD für die Sprachaufnahme. Zu diesem Preis stellt sich die Frage nicht mehr, welche Module eine Audioversion verdienen, sondern ob es einen Grund gibt, sie nicht alle aufzunehmen.

Der nächste Schritt besteht darin, die beiden Bausteine zu kombinieren. TTS liest die Übungsinstruktionen, der Voice Agent hört die Antwort des Lernenden an, und das Modell bewertet diese und gibt sofortiges gesprochenes Feedback. Sie erhalten einen mündlichen Trainingspartner, der rund um die Uhr verfügbar ist, was besonders für Sprachen, Verkaufsgespräche oder Interviewvorbereitungen nützlich ist.

Dann gibt es die Barrierefreiheit, die oft eine rechtliche Anforderung ist und nicht nur ein Bonus. TTS macht Ihren geschriebenen Inhalt für Menschen mit eingeschränkter Sehkraft oder Dyslexie nutzbar, und eine Schaltfläche „Diesen Artikel anhören” auf Ihren Seiten generiert das Audio auf Abruf, ohne dass eine vorherige Produktion oder Speicherung erforderlich ist.

Sprachbenachrichtigungen und Alarme

Manche Nachrichten müssen Personen erreichen, die nicht auf einen Bildschirm schauen. Ein Serverausfall um 3 Uhr morgens löst eine Sprachalarmmeldung auf dem Handy des Bereitschaftsteams aus; ein Assistent liest die Termine des Tages vor; ein automatisierter Anruf bestätigt eine Bestellung, indem er die Details zusammenfasst.

Diese Nachrichten sind kurz, daher ist der HTTP-Modus mehr als ausreichend:

import requests

def generate_voice_alert(message, language="en"):
    response = requests.post(
        "https://api.x.ai/v1/tts",
        headers={"Authorization": f"Bearer {API_KEY}"},
        json={
            "text": message,
            "voice_id": "leo",
            "language": language,
            "output_format": {"codec": "wav", "sample_rate": 8000}
        }
    )
    return response.content  # raw audio bytes

WAV mit 8000 Hz ist keine Qualitätsentscheidung, sondern eine Kompatibilitätsentscheidung: Es ist das Format, das Telefonnetze erwarten, und die direkte Lieferung vermeidet einen Transkodierungsschritt, der das Signal verschlechtern würde.

Hörbücher und lange Erzählungen

Für ein Buch oder einen Bericht, der Dutzende von Seiten umfasst, wechseln Sie in den WebSocket-Modus. Das Verfahren: Teilen Sie den Text in Kapitel oder Abschnitte auf, senden Sie jeden Abschnitt mit text.delta, sammeln und fügen Sie die Audio-Blöcke, die Sie erhalten, zusammen, und fügen Sie Metadaten zur Enddatei hinzu, wie Kapitelmarkierungen und ein Inhaltsverzeichnis.

Stimmkonsistenz wird dann zu einem eigenständigen Thema, da die Hörer Stunden mit dem Erzähler verbringen und die geringste Unterbrechung bemerken. Verwenden Sie exakt dieselbe Stimme für denselben Erzähler von Anfang bis Ende. Fügen Sie [long-pause] zwischen den Kapiteln ein, um die Übergänge zu markieren, die das Auge früher aus dem Layout erhielt. Und variieren Sie das Tempo dort, wo die Bedeutung es erfordert: <slow> bei einem dichten Abschnitt, der Zeit zum Verarbeiten braucht, <fast> bei einem Übergang oder einer Nebensachliste.

Kernaussagen

  • TTS ermöglicht die großflächige Audioerstellung: Podcasts, E-Learning, Benachrichtigungen, Hörbücher
  • Ausdrucksstarke Tags bringen die Erzählung zum Leben mit Pausen, Geschwindigkeitsänderungen und Vokaleffekten
  • Bei 15 USD pro Million Zeichen (xAI-Preisliste vom 3. November 2026) sind die Kosten im Vergleich zur Studioaufnahme moderat
  • Kombinieren Sie TTS (Erzählung) und den Voice Agent (Interaktion) für vollständige Lernerlebnisse
  • Verwenden Sie für lange Texte den WebSocket-Modus und teilen Sie den Text in Abschnitte auf