Text-to-Speech auf Arabisch: Was schwierig ist und was hilft

Text-to-Speech auf Arabisch ist vor allem deshalb schwierig, weil das alltägliche Arabisch ohne seine Kurzvokale geschrieben wird: Die Stimme muss aus dem Satz erraten, wie jedes Wort ausgesprochen wird. Dazu kommen die Trennung zwischen Modernem Hocharabisch und den gesprochenen Dialekten, grammatische Endungen, die den Klang von Wörtern verändern, und Zahlen, deren Form vom gezählten Nomen abhängt. Natürliches arabisches Audio bekommst du heute, wenn du eine Stimme wählst, die zu deinem Publikum passt, Vokalzeichen nur dort setzt, wo ein Wort mehrdeutig ist, und das Ergebnis Zeile für Zeile prüfst.

Warum ist Text-to-Speech auf Arabisch schwieriger als auf Englisch?

Die englische Rechtschreibung ist unregelmäßig, aber sie schreibt ihre Vokale aus. Das Arabische meistens nicht. Drei Dinge machen die Aufgabe schwer:

1. Kurzvokale fehlen meistens. Die Stimme muss herausfinden, ob drei Buchstaben „er schrieb“, „es wurde geschrieben“ oder „Bücher“ bedeuten.
2. Geschriebenes und gesprochenes Arabisch unterscheiden sich. Skripte sind meist auf Modernem Hocharabisch verfasst, im Alltag wird aber in Dialekten gesprochen, mit anderen Wörtern und Lauten.
3. Die Grammatik verändert Wortendungen. Kasusendungen, Zahlenkongruenz und die Regeln der gebundenen Rede bestimmen mit, was tatsächlich gesprochen wird.

Die Schreibrichtung von rechts nach links, der oft die Schuld gegeben wird, ist meistens nur ein Darstellungsproblem. Unicode speichert Arabisch in Lesereihenfolge, ein Text-to-Speech-System bekommt die Buchstaben also in der Reihenfolge, in der sie gesprochen werden. Probleme macht die Richtung nur in gemischtem Text: Ein arabischer Satz mit einem englischen Markennamen, einer URL oder einer Telefonnummer kann beim Kopieren zwischen Apps durcheinandergeraten. Prüf solche Zeilen, bevor du erzeugst.

Was passiert, wenn Arabisch ohne Diakritika geschrieben wird?

Die arabische Schrift schreibt Konsonanten und lange Vokale. Kurzvokale und weitere Aussprachehinweise sind kleine Zeichen über oder unter den Buchstaben, genannt Harakat oder Tashkil: Fatha (a), Kasra (i), Damma (u), Sukun (kein Vokal), Shadda (verdoppelter Konsonant) und Tanwin (die Endungen -an, -in, -un). Im Koran, in Kinderbüchern und in manchen Gedichten sind sie gedruckt. Zeitungen, Websites, E-Mails und fast jedes Skript, das du in ein Text-to-Speech-Tool einfügst, lassen sie weg.

Nimm die drei Buchstaben ك ت ب (k-t-b):

Ohne die Zeichen sind alle drei einfach كتب. Wer liest, Mensch oder Maschine, muss aus dem Rest des Satzes erschließen, welches gemeint ist.

Zwei weitere Beispiele:

• علم kann ʿilm (Wissen), ʿalam (Fahne), ʿalima (er wusste) oder ʿallama (er lehrte) heißen.
• ملك kann malik (König), malak (Engel), mulk (Herrschaft) oder malaka (er besaß) heißen.

Moderne neuronale Stimmen raten in gewöhnlichen Sätzen gut, denn sie haben aus großen Textmengen gelernt, welche Lesart zu welchem Kontext passt. Sie rutschen an vorhersehbaren Stellen aus: bei Überschriften und kurzen Beschriftungen ohne Kontext, bei Namen, seltenen oder fachlichen Wörtern, bei Gedichten und in Sätzen, in denen beide Lesarten grammatisch möglich sind.

Ein Beispiel im Detail

Ein Folientitel lautet تعلم اللغة العربية. Das erste Wort kann taʿallum („Arabisch lernen“, ein Nomen) oder taʿallam („Lerne Arabisch!“, ein Befehl) sein. In einem ganzen Absatz würde die Stimme vermutlich richtig wählen. Bei einem Titel aus vier Wörtern ist es ein Münzwurf. Mit تعلُّم, geschrieben mit Shadda und Damma, ist die Sache entschieden.

So korrigierst du einen falschen Vokal

Setz die Diakritika selbst, aber nur bei dem Wort, das falsch gelesen wurde. Du musst nicht das ganze Skript vokalisieren: Oft reicht eine einzige Shadda oder Fatha, damit die Stimme zur richtigen Lesart findet. Ein Wort, das oft vorkommt, etwa ein Produktname oder ein Personenname, trägst du einmal in die Ausspracheliste ein, statt jede Zeile zu korrigieren. Wie das geht, zeigt die Anleitung zur Aussprache.

Arabisches Voiceover: Modernes Hocharabisch oder Dialekt?

Das Arabische hat eine formelle Standardsprache, das Moderne Hocharabisch (Modern Standard Arabic, MSA, oder Fuṣḥā). Es wird für Nachrichten, Bücher, amtliche Dokumente und die meisten geschriebenen Inhalte in der ganzen arabischen Welt verwendet. Daneben sprechen die Menschen im Alltag regionale Dialekte. Muttersprachler wechseln ständig zwischen beiden, aber die Unterschiede sind groß genug, dass sich ein Skript in der einen Form nicht einfach in der anderen vorlesen lässt.

Auch die Laute ändern sich. Der Buchstabe ق (Qaf) ist im MSA ein tiefes „q“, in Kairo, Beirut und Damaskus aber meist ein Knacklaut, sodass aus qalb (Herz) ʾalb wird, und in weiten Teilen der Golfregion ein „g“: galb. Der Buchstabe ج ist im MSA ein „dsch“ (in der Umschrift „j“), im Ägyptischen ein „g“ (gamīl, schön) und im Levantinischen eher wie das „s“ im englischen „measure“ (ähnlich dem „g“ in „Garage“).

Eine praktische Faustregel:

• Nimm MSA für Nachrichten, Dokumentarfilme, E-Learning, Firmenschulungen, öffentliche Informationen und alles, was sich an mehrere arabische Länder gleichzeitig richtet.
• Nimm einen Dialekt für Werbung, Social-Media-Videos, Dialogfiguren und Kunden-Hotlines, die sich an ein einzelnes Land richten.

Schreib das Skript in der Sprachvariante, die du hören willst. Eine Stimme, die ägyptisch klingt, macht aus einem MSA-Skript noch kein ägyptisches Arabisch, denn die Wörter selbst sind andere. Dialekte haben außerdem keine feste Schreibweise. Rechne also damit, genauer hinzuhören und mehr Wörter zu korrigieren, wenn du in einem Dialekt arbeitest.

Wie verändern Kasusendungen und Pausen die arabische Aussprache?

Im formellen MSA tragen Nomen Kasusendungen: kitābun, kitāban, kitābin (ein Buch, in drei grammatischen Fällen). In der Pause fällt der letzte Kurzvokal weg, das Wort wird also kitāb gesprochen. Die meisten Nachrichtensprecher und Erzähler verwenden einen Mittelweg: Innerhalb einer Wortgruppe sprechen sie die Endungen aus, wo sie den Zuhörenden helfen, und lassen sie in Pausen weg. Text-to-Speech-Stimmen folgen im Allgemeinen diesem Mittelweg, den die meisten Zuhörenden erwarten.

Weitere Lautregeln, die die Stimme anwenden muss:

• Sonnenbuchstaben. Der Artikel al- verschmilzt mit bestimmten Konsonanten: الشمس heißt ash-shams (die Sonne), nicht al-shams, während القمر al-qamar (der Mond) bleibt.
• Verbindungs-Alif. Der Vokal von al- fällt nach einem Vokal weg: في البيت heißt fi l-bayt (im Haus).
• Ta marbuta. Die Endung ة wird allein als -a gesprochen, vor einem folgenden Nomen aber als -at: مدرسة ist madrasa, مدرسة البنات aber madrasat al-banāt (die Mädchenschule).

Gegen diese regelmäßigen Regeln verstoßen Stimmen selten. Fehler entstehen, wenn das Wort selbst falsch gelesen wird.

Brauchst du eine vollständig klassische Lesung, bei der jede Endung gesprochen wird, etwa im Grammatikunterricht oder bei Gedichten, liefere vollständig vokalisierten Text und prüf ihn genau. Die Koranrezitation folgt eigenen Tajwīd-Regeln, und ein menschlicher Rezitator bleibt die Norm.

Warum stolpern arabische Stimmen über Zahlen, Daten und englische Wörter?

Arabische Zahlwörter richten sich auf ungewöhnliche Weise nach dem Nomen: Von drei bis zehn hat die Zahl das entgegengesetzte Geschlecht des Nomens. Drei Bücher heißt ثلاثة كتب (thalāthat kutub), drei Mädchen aber ثلاث بنات (thalāth banāt). Um die Ziffer „3“ richtig zu lesen, muss die Stimme das Geschlecht des folgenden Nomens kennen.

Weitere typische Stolpersteine:

• Westliche Ziffern (0–9) und östlich-arabische Ziffern (٠١٢٣٤٥٦٧٨٩) kommen beide vor, manchmal im selben Dokument.
• Währungen können als „SAR 250“, „250 ر.س“ oder in Worten geschrieben sein.
• Daten können nach dem gregorianischen oder dem Hidschri-Kalender angegeben sein, und oft steht nicht im Text, welcher gemeint ist.
• Englische Markennamen und Fachbegriffe stehen in lateinischen Buchstaben mitten in arabischen Sätzen.

Wo es auf eine Zahl ankommt, etwa bei einem Preis in einer Anzeige oder einer Jahreszahl in einer Dokumentation, schreib sie in Worten aus. Bei englischen Namen probierst du die lateinische Schreibweise und eine Schreibweise in arabischer Schrift aus und behältst die, die richtig klingt.

Wie lässt du arabisches Text-to-Speech natürlich klingen?

1. Entscheide dich für die Sprachvariante. MSA oder ein bestimmter Dialekt, je nachdem, wer zuhört.
2. Wähl eine Stimme. Hör dir die Hörproben auf der Seite mit arabischen Stimmen an und nimm eine, deren Akzent und Tonfall zu deinem Publikum passen.
3. Bereite den Text vor. Verwende arabische Satzzeichen (، und ؟), damit die Stimme an den richtigen Stellen pausiert. Arabische Prosa reiht Teilsätze oft mit و (wa, „und“) aneinander. Für Audio zerlegst du lange Ketten in einzelne Sätze.
4. Erzeuge und hör Zeile für Zeile. Im Leelo-Studio wird jede Zeile einzeln erzeugt. Du kannst also eine Zeile neu erzeugen, ohne den Rest zu wiederholen, und mehrere Takes zum Vergleichen aufbewahren.
5. Vokale und Namen korrigieren. Setz Diakritika bei falsch gelesenen Wörtern und trag wiederkehrende Namen in die Ausspracheliste ein.
6. Regie führen. Passe Tempo, Tonhöhe und Pausen an, wo die Lesung gehetzt oder flach wirkt, wie es der Beitrag Regie über die Sprechweise beschreibt.
7. Lass jemanden zuhören, der Arabisch als Muttersprache spricht. Eine Prüfung von zehn Minuten findet, was keine Checkliste findet.
8. Exportiere als MP3 oder WAV.

Wo wird Text-to-Speech auf Arabisch eingesetzt?

• E-Learning und Schulungen, wo eine Erzählung in MSA einen Kurs in vielen Ländern nutzbar hält. Siehe E-Learning & Schulungen.
• Video, auch die Synchronisation bestehender englischer oder französischer Videos ins Arabische.
• Telefonmenüs, bei denen sich die Ansagen oft ändern und eine neue Aufnahmesession für jede Änderung zu langsam ist. Siehe Telefonansagen & IVR.
• Artikel und Barrierefreiheit, bei denen Lesende eine Audioversion geschriebener Inhalte bekommen.

Zu den Kosten: Leelo berechnet 1 Credit pro Wort bei einer Standardstimme und 1,5 Credits bei einer Premium-Stimme. Ein Kursmodul mit 2.000 Wörtern kostet etwa 2.000 Credits mit einer Standardstimme oder 3.000 mit einer Premium-Stimme. Der kostenlose Tarif enthält einmalig 1.000 Credits, genug, um ein paar Stimmen mit deinem eigenen Skript zu testen. Die Bezahltarife findest du auf der Preisseite.

Häufig gestellte Fragen

Kann Text-to-Speech Arabisch ohne Diakritika lesen?

Ja. Moderne arabische Stimmen sagen die fehlenden Kurzvokale aus dem Kontext voraus und lesen gewöhnliche Sätze meistens richtig. Fehler häufen sich bei kurzen Überschriften, Namen, seltenen Wörtern und wirklich mehrdeutigen Sätzen. Setzt du Diakritika nur bei genau diesen Wörtern, sind sie behoben.

Unterstützt arabisches Text-to-Speech Dialekte wie Ägyptisch oder Golfarabisch?

Das hängt von der Stimme ab. Hör dir die Hörproben an und wähl eine, deren Akzent zu deinem Publikum passt. Das Skript selbst schreibst du dann in diesem Dialekt. Eine Stimme kann MSA-Wortschatz nicht für dich in Dialektwortschatz umwandeln.

Kann ich arabisches Text-to-Speech für die Koranrezitation nutzen?

Es eignet sich nicht gut dafür. Die Rezitation folgt den detaillierten Regeln des Tajwīd und ist mit religiösen Erwartungen verbunden, auf die synthetische Stimmen nicht ausgelegt sind. Menschliche Rezitatoren bleiben der Maßstab.

Wie korrigiere ich einen arabischen Namen, den die Stimme immer wieder falsch ausspricht?

Trag den Namen mit der vollständig vokalisierten Schreibweise in die Ausspracheliste ein, oder mit einer anderen Schreibweise, die den richtigen Klang ergibt. Die Korrektur gilt dann überall im Projekt, wo der Name vorkommt, du musst also nicht jede Zeile einzeln korrigieren.

Was kostet es, ein Video ins Arabische zu synchronisieren?

Die Synchronisation wird mit denselben Credits bezahlt wie alles andere, und die App zeigt dir die Kosten, bevor du startest. Schlägt ein Job fehl, bekommst du die Credits zurück. Lass das übersetzte Skript vor der Veröffentlichung von jemandem prüfen, der Arabisch als Muttersprache spricht.