Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Text-to-Speech und individuelle Stimmen mit Voxtral TTS

Lektion 8 von 14 Aktualisiert am 2. November 2026 Anfänger
Auf dieser Seite
  1. Geben Sie Ihrem Text eine Stimme
  2. Zero-Shot Voice Cloning
  3. Umfassende mehrsprachige Fähigkeiten
  4. Verfeinern Sie Ihren Klon und Ihren Text
  5. Kernaussagen

Update vom 2. November 2026 — Le Chat ist jetzt Vibe. Seit dem 28. Mai 2026 wurde Le Chat in Vibe umbenannt (nach wie vor unter chat.mistral.ai): ein einziger Agent für Arbeit und Code, der Ihre Gespräche, Einstellungen und Abonnements übernimmt. Die klassische Le Chat-Erfahrung bleibt im Chat-Modus zugänglich; im Work-Modus sind Agenten zu Fähigkeiten (Skills) geworden, die mit @ aufgerufen werden, Memories dienen als Wissensbasis und die Deep Search ist nun die Fähigkeit Deep Research. Die Pläne werden jetzt Mistral Free, Pro, Team und Enterprise genannt. Diese Lektion verwendet den Namen Vibe; beachten Sie, dass einige hier beschriebene Menüs andere Namen oder Standorte haben können.

Geben Sie Ihrem Text eine Stimme

Text-to-Speech (TTS) ist exakt das Gegenteil der Transkription, die Sie in früheren Lektionen gelernt haben: Statt Sprache in Text umzuwandeln, verwandelt es Text in Sprache. Mit Voxtral TTS liefert Mistral eine bemerkenswerte Synthesequalität, die natürliche Intonationen reproduzieren, Emotionen vermitteln und sogar Ihre eigene Stimme klonen kann. Letzterer Punkt verdient besondere Aufmerksamkeit, da er die Natur der Aufgabe verändert: Sie wählen nicht nur mehr eine Stimme aus einem Katalog aus, sondern können Ihre eigene erstellen.

In Vibe ist Text-to-Speech nahtlos integriert: Der Assistent kann seine Antworten in einer natürlichen, ausdrucksstarken Stimme vorlesen. Je nach Ihren Einstellungen und der Plattform wird diese Wiedergabe im Sprachmodus automatisch ausgelöst oder auf Anforderung. Stellen Sie sich vor, Sie bereiten das Abendessen zu, während Vibe einen langen Artikel für Sie zusammenfasst: Sie hören die Zusammenfassung an, statt den Bildschirm zu lesen, und haben die Hände frei. Vibe bietet mehrere professionelle Stimmen an, die sich nach Geschlecht (männlich oder weiblich), Sprache (jede Stimme ist für eine oder mehrere Sprachen optimiert) und Tonfall unterscheiden; einige Stimmen klingen wärmer, andere neutraler oder formeller. Der beste Ansatz besteht darin, zwei oder drei Stimmen am gleichen Text zu testen: Eine warme Stimme eignet sich für Erzählungen, während eine neutrale Stimme für institutionelle Inhalte passt.

Zero-Shot Voice Cloning

Das beeindruckendste Merkmal von Voxtral TTS ist das Zero-Shot Voice Cloning: Das Modell kann aus nur 2 bis 3 Sekunden Ihrer Sprachaufnahme Sätze generieren, die wie von Ihnen klingen. „Zero-Shot” bedeutet, dass kein langwieriges Training erforderlich ist – eine einfache Probe reicht aus, wohingegen frühere Technologien Stunden in einem Tonstudio erforderten. Das Modell erfasst den Timbre, den Rhythmus und die einzigartigen Merkmale Ihrer Sprache und erzeugt oft ein überraschend genaues Ergebnis.

Sie erstellen diese Stimmen in Mistral AI Studio, der erweiterten Schnittstelle von Mistral, in vier Schritten:

  1. Gehen Sie zum Abschnitt Audio > Text to Speech
  2. Klicken Sie auf „Meine Stimmen” und dann auf „Neue Stimme hinzufügen”
  3. Benennen Sie Ihre Stimme und nehmen Sie eine Probe auf – entweder durch Hochladen einer Audio-Datei oder direkte Aufnahme über Ihr Mikrofon
  4. Verwenden Sie Ihre geklonte Stimme, um aus beliebigen Texten Sprache zu generieren

Ein zentraler Begriff, den Sie verstehen müssen, ist das Prinzip von „Voice-as-an-instruction”. Das Modell reproduziert nicht nur den Timbre der Referenzstimme, sondern kopiert auch die Emotion und die Intonation. Wenn Ihre Probe energisch und enthusiastisch ist, wird die generierte Stimme ebenfalls so sein; sprechen Sie ruhig und überlegt, übernimmt die Synthese diesen Tonfall. In der Praxis erhalten Sie so einen unerwarteten Einstellhebel: Für eine dynamische Erzählung nehmen Sie Ihre Probe mit Energie auf; für eine ruhige Dokumentarstimme lesen Sie sich langsam vor. Sie beeinflussen den Ausgangston einfach durch die Art und Weise, wie Sie sich selbst aufnehmen.

Umfassende mehrsprachige Fähigkeiten

Voxtral TTS unterstützt mehr als 9 Sprachen: Englisch, Französisch, Spanisch, Portugiesisch, Italienisch, Niederländisch, Deutsch, Hindi und Arabisch. Doch der wahre Wert liegt in zwei erweiterten Funktionen. Die erste ist das cross-lingual cloning: Sie können eine Sprachprobe in einer Sprache verwenden und Sprache in einer anderen Sprache generieren, während die ursprünglichen Stimmmerkmale erhalten bleiben. Eine französische Probe kann somit englische Sprache generieren – mit dem natürlichen französischen Akzent des Sprechers, was das Ergebnis glaubwürdig und persönlich macht. Betrachten Sie einen französischsprachigen Dozenten, der eine englische Version seines E-Learning-Moduls in seiner eigenen Stimme anbieten möchte: Dies ist genau dieser Anwendungsfall.

Die zweite Funktion ist das Code-Mixing: Das Modell verarbeitet Text, der mehrere Sprachen mischt, von Natur aus. Wenn Ihr Text zwischen französischen und englischen Passagen wechselt – beispielsweise eine Präsentation, die englische Fachbegriffe enthält – wechselt die Stimme zwischen ihnen, ohne den Rhythmus zu brechen.

Verfeinern Sie Ihren Klon und Ihren Text

Die Qualität der Ausgabe hängt direkt von der Qualität der Eingabe ab. Für die Sprachprobe zielen Sie auf eine saubere Aufnahme von 3 bis 30 Sekunden ohne Hintergrundgeräusche ab: Keine Musik, kein Geplapper, nur Ihre Stimme. Sprechen Sie natürlich und ausdrucksstark – eine flache, monotone Aufnahme wird eine roboterhafte Stimme erzeugen. Vermeiden Sie Füllwörter wie „äh”, „hm” oder andere Zögerungen, da das Modell diese in Ihre vokale Signatur integrieren wird. Schließlich erzielen Sie die besten Ergebnisse, wenn Sie in derselben Sprache aufnehmen wie der Zieltext, auch wenn das cross-lingual cloning funktioniert.

Auch der zu synthetisierende Text benötigt einige Vorbereitung. Schreiben Sie Zahlen vollständig aus – „drei tausend zweihundert” statt „3200” – und erweitern Sie Abkürzungen, indem Sie „Herr” statt „Mr.” verwenden, um Fehlpronunciation zu vermeiden. Entfernen Sie Emojis und komplexe Formatierungen, die keine mündliche Entsprechung haben. Halten Sie sich pro Anfrage unter 300 Wörter für optimale Qualität: Teilen Sie lange Dokumente in mehrere Passagen auf.

Praktische Anwendungsfälle sind zahlreich: Generieren Sie professionelle Voice-Overs für Ihre Videos ohne Tonstudio, machen Sie Ihre Artikel für sehbehinderte Nutzer zugänglich, prototypisieren Sie verschiedene Stimmen für einen virtuellen Assistenten vor der Integration, verwandeln Sie schriftliche Materialien in Audio-Kurse für E-Learning oder produzieren Sie Erzählungen für Ihre TikTok- und Instagram-Inhalte.

Kernaussagen

  • Voxtral TTS wandelt Text in natürliche Sprache in 9+ Sprachen um
  • Voice Cloning funktioniert mit nur 2-3 Sekunden Aufnahme
  • Die Emotion und Intonation der Referenzprobe beeinflussen die generierte Stimme
  • Cross-lingual cloning ermöglicht es Ihnen, eine andere Sprache in Ihrer eigenen Stimme zu sprechen
  • Für erfolgreiches Cloning: Saubere, natürliche Aufnahme zwischen 3 und 30 Sekunden