Das TTS, das deinen Text für gesprochene Sprache umschreibt

Wir haben diese Funktion wegen einer einzigen E-Mail von einem einzigen Nutzer entwickelt. Hier ist das Problem, das sie löst — zusammen mit fünf Audioclips, die den Unterschied besser zeigen als jedes Datenblatt.

Es begann mit einem Tutorial, das wir nie schreiben wollten

Wenige Wochen nach dem Start von ListenHub im Mai 2025 hatten wir mehr als 10.000 registrierte Nutzer.

Am meisten blieb mir ein älterer Herr in Erinnerung. Er hatte ListenHub online gefunden, kam mit der Bedienung nicht zurecht und fragte per E-Mail, ob es ein Tutorial gäbe.

Mein erster Gedanke war: Ein Tutorial? Für ListenHub? Es ist doch so einfach.

Genau darin lag die Lektion. Ein Produkt, das für Menschen selbstverständlich wirkt, die den ganzen Tag KI entwickeln, kann für alle anderen tatsächlich schwierig sein.

Also antwortete ich: „Noch haben wir keines, aber ich schreibe es jetzt“, öffnete Notion und verfasste das schlichteste Tutorial meines Lebens.

Aus diesem Entwurf wurde der Leitfaden, den wir bis heute als ListenHub 101 veröffentlichen.

Durch die folgenden E-Mails erfuhr ich, für wen ich ihn geschrieben hatte.

1957 diente Bill Vick als Force Recon Pathfinder im United States Marine Corps. Als er uns 2025 schrieb, war er Ende achtzig und kämpfte an einer anderen Front: Jahrelange idiopathische Lungenfibrose und vier Schlaganfälle hatten ihm die Fähigkeit zu sprechen genommen.

Der Marine in ihm machte trotzdem weiter. Er gründete PF Warriors, eine weltweite Unterstützungscommunity für Menschen mit dieser Krankheit, und nutzt ListenHub heute als seine Stimme. Er erzeugt Audio, um es mit der Community zu teilen und anderen in derselben Situation zu helfen.

Darum geht es bei der ganzen Arbeit: Dinge zu bauen, die echten Menschen helfen.

Podcasts sind eine Möglichkeit, gehört zu werden, aber nicht die einzige. Deshalb wollten wir eine universell einsetzbare KI-Stimme entwickeln, die eine Sendung moderieren, eine wissenschaftliche Arbeit erklären, eine Rede halten oder einen Roman lesen kann. Sie ist als ListenHub Text to Speech verfügbar.

Geschriebene und gesprochene Sprache sind nicht dasselbe

Eine berechtigte Frage: Es gibt bereits viele Text-to-Speech-Dienste. Warum noch einen bauen?

Weil Text, der sich gut liest, laut ausgesprochen oft schrecklich klingt — und natürliche Sprache auf der Seite selten richtig aussieht. Wissenschaftliche Arbeiten, Nachrichtenartikel, Chatbot-Antworten: All das ist zum Lesen konzipiert.

Die meisten TTS-Werkzeuge lesen einen Text genau so vor, wie er geschrieben ist. Das ist wie eine Präsentation, bei der jede Folie Wort für Wort vorgelesen wird. Formal ist der Stoff abgedeckt, aber niemand kann folgen.

ListenHub TTS ergänzt den Schritt, den alle überspringen: Es schreibt geschriebenen Text in gesprochene Sprache um und liest erst diese Version vor. Die Bedeutung bleibt gleich, die Struktur richtet sich jedoch an das Ohr statt an das Auge. Du kannst die Umschreibung auch abschalten und eine wortgetreue Lesung erhalten — genau das Richtige für einen Vertrag oder Haftungsausschluss.

Das klingt abstrakt. Lass stattdessen deine Ohren urteilen.

Fall 1: Gliederungen, die nicht mehr wie Gliederungen klingen

KI-Werkzeuge lieben Markdown. Überschriften, Aufzählungspunkte, verschachtelte Listen — auf dem Bildschirm nützlich, im Audio roboterhaft.

Hier ist der Testtext:

# Product Launch Core Outline

## Problem Background
- Spoken and written language are two different forms of expression
- Written text isn't always suitable for audio delivery
- Spoken words aren't always suitable for writing
- Papers, news, AI answers are designed for reading, not speaking

## Market Status
- Existing TTS services only read text literally
- Being "readable" doesn't make it "speakable"
- Lacks a conversion layer from written to spoken language

Steif, mechanisch und schwer zu verfolgen, wenn man nicht gleichzeitig mitliest. Nun derselbe Ausgangstext mit aktivierter Umschreibung:

Die Überschriften wurden zu Übergängen. Die Aufzählungspunkte wurden zu Sätzen. Du kannst mit geschlossenen Augen folgen.

Fall 2: Eine wissenschaftliche Arbeit, die man wirklich anhören kann

Wissenschaftliche Arbeiten sind absichtlich dicht geschrieben. Wortgetreu vorgelesen sind sie nahezu unhörbar.

Wir haben den Anfang von „Attention Is All You Need“ mit beiden Varianten verarbeitet.

Jeder Autorenname, jede Institution und jede Zitationsmarke, der Reihe nach. Nun mit aktivierter Umschreibung:

Es klingt wie ein Freund, der die Arbeit gelesen hat und dich durch den Inhalt führt. Präzise, ohne dass du zurückspulen musst.

Was Menschen sonst noch damit machen

Gutenachtgeschichten mit der eigenen geklonten Stimme. Ein Foliensatz, der in den dazugehörigen Vortrag verwandelt wird. Stand-up-Material. ASMR:

Kombiniere es mit deiner eigenen Stimme

Füge Voice Cloning hinzu, und die Ausgabe nutzt deine Stimme statt einer Standardstimme. Lies Romane, erkläre Arbeiten, nimm ein Podcast-Intro auf oder vertone ein Reel — ohne irgendetwas davon selbst aufnehmen zu müssen.

Cloning ist in jedem kostenpflichtigen Tarif enthalten: eine Stimme bei Basic, vier bei Pro und zwanzig bei Max. Die aktuellen Details findest du unter Preise. Alternativ kannst du den öffentlichen Stimmenkatalog durchsuchen, wenn du lieber eine fertige Stimme verwendest.

Warum es funktioniert

Drei Dinge leisten den größten Teil der Arbeit:

1. Kontextverständnis. Das Modell erfasst die Bedeutung, bevor es vorliest. So kann es bestimmen, was eine Passage tatsächlich aussagt und wie ein Mensch sie gegenüber einem Zuhörer formulieren würde.
2. Multimodale Eingabe. Es verarbeitet nicht nur Klartext, sondern auch Bilder und PDF-Dokumente.
3. Intelligentes Kürzen. Anzeigen, Codeblöcke, Navigationsreste und einzelne Störzeichen werden entfernt statt vorgelesen.

Außerdem wird gestreamt: Die Wiedergabe beginnt, während der Rest des Audios noch erzeugt wird. Du musst also nicht auf einen Fortschrittsbalken starren.

All das entstand aus dem, was unsere Produkt- und Engineering-Teams beim Aufbau von ListenHub gelernt haben — und aus viel direktem Nutzerfeedback. Danke dafür.

Für wen es gedacht ist

• Content-Creator, die Beiträge und Wissensdatenbanken ohne Aufnahmesitzung in Audio umwandeln.
• Hörbuchfans, die eine lebendigere Erzählstimme möchten.
• Unternehmensteams, die Schulungsmaterial, Produktführungen und Ankündigungen produzieren.
• Entwickler, die für Leser, die Audio benötigen oder bevorzugen, eine Audioversion ihrer Inhalte ergänzen.
• Lehrkräfte, die Vorlesungsnotizen, Lehrbücher und Arbeiten in Inhalte verwandeln, die Lernende tatsächlich zu Ende hören.

Probiere es aus

Es läuft im Browser unter Text to Speech: Text einfügen, einen Link hinzufügen oder eine Datei hochladen und auf Generieren klicken. Die Funktion ist auch in den ListenHub-Apps für iOS und Android verfügbar.

Du möchtest darauf aufbauen? Dieselben Stimmen stehen über unsere API zur Verfügung, einschließlich MCP- und Agent-Skills-Integrationen. Beginne mit der API-Dokumentation.

Und wenn du statt eines einzelnen Erzählers eine Sendung mit zwei Hosts möchtest, ist das AI Podcast — weiterhin der schnellste Weg von einem Link zu etwas, das sich anzuhören lohnt.