Text-to-Speech auf Chinesisch: Töne und polyphone Zeichen

Text-to-Speech auf Chinesisch ist schwierig, weil die Stimme Schriftzeichen in Laute umwandeln muss, und diese Umwandlung steckt voller Fallen: Viele Zeichen haben mehr als eine Lesung, Töne verändern sich je nach Nachbarsilbe, und geschriebenes Chinesisch hat keine Leerzeichen zwischen den Wörtern. Moderne Mandarin-Stimmen lesen Alltagstexte gut; die Fehler häufen sich bei polyphonen Zeichen, Namen, Zahlen und kurzen Texten mit wenig Kontext. Du behebst sie, indem du der Stimme mehr Kontext gibst, umformulierst oder die Aussprache des Problemworts einmal festlegst.

Woher weiß Text-to-Speech, wie chinesische Zeichen auszusprechen sind?

Eine englische Stimme kann sich auf die Schreibung stützen, so unregelmäßig sie auch ist. Eine chinesische Stimme kann das nicht: Ein Zeichen buchstabiert seinen Klang nicht. Bevor ein Wort gesprochen wird, muss das System mehrere Dinge tun, ob in getrennten Schritten oder innerhalb eines einzigen neuronalen Modells:

1. Den Text in Wörter zerlegen. Chinesisch wird ohne Leerzeichen geschrieben, also entscheidet die Stimme, wo jedes Wort beginnt und endet.
2. Für jedes Zeichen eine Lesung wählen. Hat ein Zeichen mehrere, entscheiden das Wort und der Satz, welche gilt.
3. Tonwechsel anwenden. Manche Töne ändern sich je nach der folgenden Silbe.
4. Die Phrasierung planen. Wo pausiert wird, welche Wörter betont werden und wie sich die Tonhöhe über den Satz bewegt.

Das klassische Beispiel dafür, warum Schritt 1 wichtig ist, ist 南京市长江大桥. Auf die eine Weise getrennt, ist es Nánjīng shì / Chángjiāng dàqiáo, „die Jangtse-Brücke von Nanjing“. Auf die andere Weise getrennt, ist es Nánjīng shìzhǎng / Jiāng Dàqiáo, „der Bürgermeister von Nanjing, Jiang Daqiao“. Das Zeichen 长 wird in der ersten Version cháng gelesen, in der zweiten zhǎng. Eine falsche Trennung, und sowohl die Bedeutung als auch die Aussprache ändern sich.

Warum sind Töne bei Mandarin-Text-to-Speech so wichtig?

Mandarin hat vier Töne plus einen leichten neutralen Ton, und der Ton gehört zum Wort. Das Lehrbuchbeispiel:

Eine Stimme, die den Ton falsch trifft, klingt nicht nur fremd; sie kann ein anderes Wort sagen. In der Praxis liegen moderne Stimmen beim Grundton eines häufigen Zeichens selten falsch. Das Problem sind die Regeln, die Töne im Kontext verändern.

Tonsandhi-Regeln, die eine Stimme anwenden muss

• Zwei dritte Töne hintereinander: Der erste wird zu einem steigenden zweiten Ton. 你好 wird nǐ hǎo geschrieben, aber ní hǎo gesprochen.
• 一 (eins): wird yī gesprochen beim Zählen oder als Ordnungszahl (第一, dì yī), yí vor einem vierten Ton (一个, yí gè) und yì vor den anderen Tönen (一天, yì tiān).
• 不 (nicht): normalerweise bù, aber bú vor einem vierten Ton (不是, bú shì; 不要, bú yào).

Pinyin zeigt in der Regel die ursprünglichen Töne, nicht die veränderten. Eine auf korrekter Sprache trainierte Stimme muss diese Regeln also lernen, statt sie von der Seite abzulesen.

Neutraler Ton und Erhua

Manche Wörter ändern ihre Bedeutung, wenn die zweite Silbe leicht ist. 东西 dōngxi heißt „Ding“, dōngxī dagegen „Ost und West“. 地道 dìdao heißt „authentisch“, dìdào dagegen „Tunnel“. Nordmandarin fügt manchen Wörtern außerdem einen „r“-Laut an (Erhua): 哪儿 nǎr (wo), 一点儿 yìdiǎnr (ein bisschen). Das in Taiwan gesprochene Mandarin verwendet deutlich weniger Erhua und weniger neutrale Töne, derselbe Text kann also für ein Publikum richtig klingen und für ein anderes leicht daneben.

Was sind polyphone Zeichen, und warum lesen Stimmen sie falsch?

Polyphone Zeichen (多音字, duōyīnzì) haben zwei oder mehr Lesungen, meist mit unterschiedlichen Bedeutungen. Sie sind die häufigste Fehlerquelle bei Text-to-Speech auf Chinesisch.

In einem gebräuchlichen Wort ist die Lesung festgelegt, und Stimmen treffen sie richtig. Fehler treten auf, wenn das Zeichen allein steht, in einem seltenen Wort oder einem Namen vorkommt oder in einem Satz, in dem beide Lesungen plausibel sind.

Ein Beispiel aus der Praxis

Nimm einen Einstiegssatz für einen Schulungskurs in einer Bank: 欢迎参加银行业务培训。本课程重点讲解重新开户的流程。 („Willkommen zur Schulung zum Bankgeschäft. Dieser Kurs konzentriert sich auf den Ablauf bei der Wiedereröffnung eines Kontos.“)

Zwei Zeichen brauchen Aufmerksamkeit. 行 muss in 银行 (Bank) háng sein. 重 muss in 重点 (Schwerpunkt) zhòng und in 重新 (erneut) chóng sein, zwei verschiedene Lesungen in einem Satz. Nimm nun 行长 (Bankpräsident) hángzhǎng dazu: Beide Zeichen nehmen ihre seltenere Lesung an. Sagt die Stimme xíngcháng, fällt es den Hörern sofort auf.

So korrigierst du ein falsch gelesenes Zeichen

1. Gib Kontext. Ein einzelnes Wort in einer Überschrift ist der schwierigste Fall; ein ganzer Satz behebt das meist.
2. Formuliere um. Wenn 还 immer wieder falsch herauskommt, nimmt ein Synonym wie 归还 (guīhuán, zurückgeben) die Mehrdeutigkeit weg.
3. Lege die Aussprache einmal fest. Trag für Namen und wiederkehrende Begriffe einen Eintrag in die Ausspracheliste ein, damit jedes Vorkommen gleich gelesen wird. Die Hilfeseite zur Aussprache erklärt, wie.

Mandarin, Kantonesisch oder Taiwan-Mandarin: Welches Chinesisch brauchst du?

„Chinesisch“ umfasst mehrere gesprochene Sprachen, und die Schrift, in der du schreibst, entscheidet nicht über den Akzent.

• Festland-Mandarin (Putonghua) ist der Standard auf dem chinesischen Festland und die übliche Wahl für ein breites chinesischsprachiges Publikum.
• Taiwan-Mandarin verwendet traditionelle Zeichen und hat teils andere Lesungen und einen anderen Wortschatz. 垃圾 (Müll) ist auf dem Festland lājī und in Taiwan oft lèsè; Software heißt auf dem Festland 软件 ruǎnjiàn und in Taiwan 軟體 ruǎntǐ; Taxi heißt auf dem Festland 出租车 und in Taiwan 計程車.
• Kantonesisch wird in Hongkong, Macau und Guangdong gesprochen. Es hat sechs Haupttöne (traditionell werden neun gezählt) und eigene umgangssprachliche Zeichen wie 嘅, 冇 und 佢. Für Text-to-Speech ist es praktisch eine andere Sprache, kein Mandarin-Akzent.

Auf der Seite mit den chinesischen Stimmen hörst du, welche Varianten und Akzente verfügbar sind. Schreibe das Skript mit dem Wortschatz des Publikums, das du erreichen willst.

Wie schreibst du Zahlen, Daten und englische Wörter für Text-to-Speech auf Chinesisch?

• Zwei: 二 (èr) beim Zählen oder in Daten (二月, èryuè, Februar), aber 两 (liǎng) vor einem Zählwort (两个人, liǎng gè rén, zwei Personen).
• Telefon- und Zimmernummern: Die 1 wird oft yāo gelesen, 110 ist also yāo yāo líng.
• Jahreszahlen: Sie werden Ziffer für Ziffer gelesen, 2026年 ist also èr líng èr liù nián.
• Große Zahlen: Chinesisch gruppiert nach Zehntausend (万, wàn) statt nach Tausend, 120.000 ist also 十二万 (shí'èr wàn). Die Stimme muss Ziffern, die nach westlicher Art gruppiert sind, neu gruppieren.
• Prozentangaben: 50 % ist 百分之五十 (bǎi fēn zhī wǔshí).
• Englische Wörter: Chinesische Geschäftstexte sind voll davon (App, PPT, Markennamen). Manche Stimmen lesen sie englisch, manche in einer chinesischen Annäherung. Hör dir jedes einzeln an.

Wenn eine Zahl auf eine bestimmte Weise gelesen werden muss, schreibe sie in Zeichen aus.

Wie bekommst du natürliches Text-to-Speech auf Chinesisch?

1. Wähl die Variante und die Stimme passend zu deinem Publikum.
2. Verwende Satzzeichen in Vollbreite (，。？！、). Chinesische Kommas sind die Stellen, an denen die Stimme Luft holt. Ein Satz mit 60 Zeichen ohne Kommas klingt gehetzt.
3. Erzeuge und hör Zeile für Zeile, mit einem Auge auf polyphonen Zeichen, Namen und Zahlen. Im Leelo-Studio kannst du eine einzelne Zeile neu erzeugen und mehrere Takes zum Vergleichen behalten.
4. Korrigiere Lesungen durch Umformulieren oder mit der Ausspracheliste.
5. Passe Tempo und Pausen an, wo der Vortrag flach wirkt. Siehe die Anleitung zum Steuern der Sprechweise.
6. Lass es von einem Muttersprachler prüfen, besonders bei Sprachlerninhalten, wo ein falscher Ton das falsche Wort beibringt.

Das ist am wichtigsten bei E-Learning, wo Stunden an Vertonung es unpraktisch machen, jede Zeile einzeln zu prüfen, und bei der Synchronisation von Videos ins Mandarin, wo das übersetzte Skript geprüft werden sollte, bevor die Stimme erzeugt wird.

Häufig gestellte Fragen

Kann KI-Text-to-Speech Mandarin-Töne korrekt aussprechen?

Bei gebräuchlichen Wörtern in vollständigen Sätzen ja. Moderne Stimmen beherrschen die Grundtöne und die wichtigsten Tonsandhi-Regeln gut. Fehler entstehen meist durch polyphone Zeichen, Namen und sehr kurze Texte, nicht durch die Töne selbst.

Funktioniert Text-to-Speech auf Chinesisch mit traditionellen Zeichen?

Schrift und Akzent sind zwei getrennte Dinge. Eine Stimme kann traditionellen oder vereinfachten Text lesen, aber Akzent, Wortwahl und Lesungen wie lājī gegenüber lèsè folgen der Variante, für die sie gebaut wurde. Wähl die Stimme passend zu deinem Publikum, nicht zur Schrift.

Gibt es Text-to-Speech auf Kantonesisch?

Es gibt kantonesische Stimmen, aber Kantonesisch ist eine eigene gesprochene Sprache mit sechs Haupttönen und einer eigenen umgangssprachlichen Schreibweise. Sieh in der Stimmenliste nach, was verfügbar ist, und schreibe das Skript auf Kantonesisch, wenn es wie natürliches Kantonesisch klingen soll.

Wie korrigiere ich ein Zeichen, das falsch ausgesprochen wird?

Gib ihm zuerst mehr Kontext oder formuliere den Satz um. Kommt das Wort wiederholt vor, etwa ein Name oder ein Produkt, lege seine Aussprache in der Ausspracheliste fest, damit jedes Vorkommen gleich gelesen wird.

Kann ich ein englisches Video auf Mandarin synchronisieren?

Ja. Die Video-Synchronisation übersetzt das Gesprochene und erzeugt Mandarin-Audio, bezahlt mit denselben Credits wie alles andere. Prüfe das übersetzte Skript auf polyphone Zeichen und Namen, bevor du veröffentlichst.