Stimmen aus dem Nichts: Google lässt KI-Sprecher per Textbeschreibung entwerfen

Berlin, 24. September 2026 – Eine Stimme war bislang entweder eine Aufnahme oder eine Auswahl aus vorgefertigten Bausteinen. Google will das ändern: Zwei neue Sprachmodelle sollen Sprecherinnen und Sprecher allein aus einer Textbeschreibung heraus erschaffen – und aus einem 30-sekündigen Sample klonen.

Zwei Modelle für zwei Zielgruppen

Google stellt mit Gemini 3.8 Flash TTS und Flash-Lite TTS zwei Modelle zur Sprachgenerierung vor, die mehr als 100 Sprachen unterstützen. Flash TTS ist für kreative Projekte gedacht – Game-Charaktere, Hörbücher und Podcasts –, während Flash-Lite TTS auf kostengünstige Sprachgenerierung in großem Maßstab für Synchronisation, Audioinhalte und Sprachagenten zielt.^[The Decoder – Google's new Flash TTS models let you design AI voices from scratch using text descriptions – url: https://the-decoder.com/googles-new-flash-tts-models-let-you-design-ai-voices-from-scratch-using-text-descriptions/]

Mit Flash TTS lassen sich Stimmen von Grund auf entwerfen. Ein Text-Prompt kann laut Google Rolle, Akzent und stimmliche Merkmale über eine breite Auswahl an Sprachen und Dialekten festlegen. Wer nicht bei null beginnen will, greift auf eine Bibliothek mit mehr als 2000 vorgefertigten Stimmen zurück – darunter regionale Varianten wie mexikanisches Spanisch, Quebec-Französisch oder schottisches Englisch.^[The Decoder – Google's new Flash TTS models let you design AI voices from scratch using text descriptions – url: https://the-decoder.com/googles-new-flash-tts-models-let-you-design-ai-voices-from-scratch-using-text-descriptions/]

Klonen mit Einwilligung und Wasserzeichen

Eine Voice-Cloning-Funktion kann aus einem 30-sekündigen Sprachsample ein Stimmprofil erstellen. Damit das nicht missbraucht wird, muss die Person, deren Stimme geklont wird, eine gesprochene Einwilligung aufnehmen, und die Stimme in dieser Aufnahme muss zum Sample passen. Zusätzlich trägt jeder Clip, den die Gemini-Audiomodelle erzeugen, ein unhörbares SynthID-Wasserzeichen, um KI-generierte Sprache erkennbar zu machen.^[The Decoder – Google's new Flash TTS models let you design AI voices from scratch using text descriptions – url: https://the-decoder.com/googles-new-flash-tts-models-let-you-design-ai-voices-from-scratch-using-text-descriptions/]

Beide Modelle erlauben es, für jede Zeile Regieanweisungen zu schreiben oder die Deutung dem Modell zu überlassen – auch zwei Stimmen aus einem einzigen Skript sowie nonverbale Laute wie Lachen und Seufzen lassen sich ansteuern. Google zufolge erzeugen die Modelle stundenlange Audiodateien mit minimalem „Speaker Drift", also kaum verändertem Klang über die Zeit. Eine angekündigte Funktion namens „Voice Remixing" soll Timbre, Tonhöhe, Tempo und Akzent von Bibliotheksstimmen anpassen lassen, ist aber noch nicht verfügbar.^[The Decoder – Google's new Flash TTS models let you design AI voices from scratch using text descriptions – url: https://the-decoder.com/googles-new-flash-tts-models-let-you-design-ai-voices-from-scratch-using-text-descriptions/]

Was der Praxistest zeigt

Die The-Decoder-Redaktion hat die Modelle selbst getestet. Mit einer voreingestellten Stimme und einem Stil-Prompt, der einen genervten Berliner nachahmen sollte, der mit dickem deutschem Akzent Englisch spricht, produzierte die Steuerung überzeugenden Akzent und Intonation – allerdings mit einem hochfrequenten Hintergrundgeräusch an manchen Stellen; in einem Test veränderte sich die Stimme zudem am Ende des Clips.^[The Decoder – Google's new Flash TTS models let you design AI voices from scratch using text descriptions – url: https://the-decoder.com/googles-new-flash-tts-models-let-you-design-ai-voices-from-scratch-using-text-descriptions/] Google zufolge führen die Modelle die meisten Kategorien von Hume AIs Text-to-Speech-Benchmark an.^[The Decoder – Google's new Flash TTS models let you design AI voices from scratch using text descriptions – url: https://the-decoder.com/googles-new-flash-tts-models-let-you-design-ai-voices-from-scratch-using-text-descriptions/]

Bezahlt wird nach Token: Ein Text-Token für die Eingabe, ein Audio-Token für die Ausgabe. Eine Sekunde generiertes Audio entspricht 25 Audio-Tokens, eine Stunde also 90.000 Tokens. Damit kostet eine Stunde Audioausgabe bis Ende 2026 rund 0,81 Dollar mit Flash TTS und 0,54 Dollar mit Flash-Lite TTS; zum 1. Januar 2027 steigen die Preise auf 1,62 beziehungsweise 1,08 Dollar. Daten aus der kostenlosen Stufe nutzt Google zur Produktverbesserung, Daten der bezahlten Stufe nicht.^[The Decoder – Google's new Flash TTS models let you design AI voices from scratch using text descriptions – url: https://the-decoder.com/googles-new-flash-tts-models-let-you-design-ai-voices-from-scratch-using-text-descriptions/]

Der Haken: Immer bessere Fälschungen

Beide Modelle rollen über die Gemini API und Google AI Studio aus; Flash TTS erscheint auch in Gemini Notebook, Flash-Lite TTS in Google Vids, Enterprise-Zugang soll folgen. Plattformen wie Agora, LiveKit, Pipecat und Vercel unterstützen die Integration bereits.^[The Decoder – Google's new Flash TTS models let you design AI voices from scratch using text descriptions – url: https://the-decoder.com/googles-new-flash-tts-models-let-you-design-ai-voices-from-scratch-using-text-descriptions/]

Mit den neuen Stimmen wächst zugleich der Druck auf die Plattformen, Fälschungen zu erkennen. YouTube etwa weitet seine Gesichtserkennung auf Spracherkennung aus, um Deepfakes zu bekämpfen, und arbeitet an KI-gestützter Live-Übersetzung und automatischer Synchronisation von Streams in andere Sprachen.^[Ars Technica – YouTube promises custom feeds and a lot more AI later this year – url: https://arstechnica.com/gadgets/2026/09/youtube-promises-custom-feeds-and-a-lot-more-ai-later-this-year/] Die technische Hürde, eine überzeugende fremde Stimme zu erzeugen, sinkt damit weiter – erkennbar ist die Fälschung nur noch für jene, die gezielt danach suchen.