Text in MP3 umwandeln
Stand: 1. November 2026
Aus einem geschriebenen Text wird mit Textinsprache.de in vier Schritten eine MP3-Datei: Text einfügen, Stimme wählen, anhören, herunterladen.
Je Umwandlung sind bis zu 3.000 Zeichen möglich. Zur Wahl stehen Stimmen von Amazon Polly, Microsoft Azure und Google sowie 13 KI-Stimmen von OpenAI. Die MP3 ist mono und bei Polly-Stimmen mit 48 kbit/s kodiert, bei allen übrigen mit 128 kbit/s. Am Tag stehen jedem Besucher 20.000 Zeichen mit Stimmen von Amazon Polly und Microsoft Azure (Neural) zur Verfügung, mit HD- und KI-Stimmen zusammen 1.500 Zeichen. Eine volle Umwandlung von 3.000 Zeichen ergibt nach unseren Messungen je nach Stimme 3 bis 4,5 Minuten Sprache, als MP3 rund 1,2 bis 4,3 MB.
Schritt 1: Den Text vorbereiten
Die Sprachausgabe liest genau das vor, was im Feld steht. Bereinigen Sie den Text deshalb vor dem Einfügen:
- Überschriften, Seitenzahlen und Fußnoten entfernen, wenn Sie Text aus einem PDF oder einer Webseite kopieren. Sonst hören Sie mitten im Satz „Seite 4“.
- Abkürzungen ausschreiben, die gesprochen anders klingen sollen: „zum Beispiel“ statt „z. B.“, „Prozent“ statt „%“.
- Absätze trennen. Eine leere Zeile zwischen zwei Absätzen erzeugt bei den Polly-Stimmen eine deutliche Pause.
- Satzzeichen prüfen. Ein Komma sorgt für eine kurze Pause, ein Fragezeichen hebt die Stimme am Satzende. Ohne Satzzeichen liest die Stimme ganze Passagen in einem Zug.
Mehr zu Zahlen, Namen und Fremdwörtern steht im Ratgeber Aussprache und Betonung steuern.
Schritt 2: Stimme und Tempo wählen
Wählen Sie zuerst die Sprache, dann die Stimme. Für deutsche Texte ist Vicki voreingestellt, eine Neural-Stimme aus Deutschland. Daniel ist ihr männliches Gegenstück. Hannah spricht Hochdeutsch mit österreichischer Färbung, Sabrina Hochdeutsch mit Schweizer Färbung. Mit dem Abspielknopf neben der Auswahl hören Sie vorher eine kurze Probe.
Für Deutsch gibt es außerdem weitere Neural-Stimmen von Microsoft Azure, darunter Jonas (Österreich) und Jan (Schweiz) als männliche Stimmen mit regionaler Färbung, sowie HD-Stimmen von Google und Microsoft. Pausen und Tempo funktionieren bei allen Stimmen gleich. Die KI-Stimmen von OpenAI erkennen die Sprache am Text; bei ihnen wählen Sie zusätzlich einen Sprechstil, etwa „Ruhig (Vorlesen)“ oder „Nachrichten“. Eine Übersicht aller Stimmen mit Hörproben steht unter Stimmen.
Das Tempo stellen Sie in fünf Stufen ein: sehr langsam (75 %), langsam (90 %), normal, schnell (115 %) und sehr schnell (130 %). Für Lernende und für Telefonansagen ist „langsam“ oft angenehmer, für kurze Hinweise in Videos meist „normal“. Wie schnell jede Stimme bei normalem Tempo spricht, zeigen unsere Messwerte.
Kapitel drei: Der Umzug.
Am Montag kamen die Möbelpacker um sieben Uhr. Bis zum Mittag war die Wohnung leer, nur die Lampe im Flur hing noch.
Schritt 3: Anhören, prüfen, herunterladen
Ein Klick auf „Vorlesen“ erzeugt die Sprachausgabe. Hören Sie das Ergebnis einmal vollständig an, bevor Sie es weiterverwenden. Typische Fehler sind falsch betonte Namen, buchstabierte Abkürzungen und fehlende Pausen. Korrigieren Sie in diesem Fall den Text und wandeln Sie ihn erneut um.
Ist alles in Ordnung, wählen Sie das Format und laden die Datei herunter. Der Dateiname enthält Datum und Uhrzeit, etwa textinsprache-2026-11-01-1430.mp3; aus Ihrem Text wird dafür nichts übernommen. Die Datei bleibt 24 Stunden abrufbar und wird danach gelöscht. Speichern Sie sie deshalb gleich auf Ihrem Gerät.
MP3 und die anderen Formate
MP3-Dateien sind klein und laufen auf Smartphones, Computern und in Präsentationsprogrammen. Daneben bietet das Werkzeug WAV, OGG, M4A und FLAC an. Alle Dateien sind mono, die Abtastrate beträgt 24 kHz bei Neural-, Azure-, HD- und KI-Stimmen und 22,05 kHz bei Standard-Stimmen.
Polly-Stimmen: Amazon Polly liefert die Sprachausgabe als MP3 mit 48 kbit/s; genau diese Datei erhalten Sie bei einer Polly-Stimme als MP3. Wenn Sie WAV oder FLAC wählen, wird diese Quelle verlustfrei verpackt: Die Datei wird größer, klingt aber nicht besser als die MP3. WAV brauchen Sie trotzdem, wenn ein Schnittprogramm oder eine Telefonanlage dieses Format verlangt. Azure-, HD- und KI-Stimmen werden dagegen verlustfrei erzeugt; ihre MP3 ist mit 128 kbit/s kodiert, WAV und FLAC enthalten die volle Qualität.
Welches Format für welchen Zweck passt, erklärt der Ratgeber Audioformate.
Lange Texte in Teilen umwandeln
Je Umwandlung sind 3.000 Zeichen möglich, das entspricht etwa einer gut gefüllten Textseite. Pausen-Marken wie [Pause 1s] zählen dabei nicht mit. Längere Texte teilen Sie an Absatz- oder Kapitelgrenzen und wandeln jeden Teil einzeln um. Nummerieren Sie die Dateien beim Speichern, etwa „01-Einleitung“, „02-Hauptteil“, dann bleibt die Reihenfolge erhalten.
Zu einer Datei zusammenfügen lassen sich die Teile in jedem gängigen Audio- oder Videoschnittprogramm. Verwenden Sie dabei für alle Teile dieselbe Stimme und dasselbe Tempo, damit der Übergang nicht auffällt.
Die 20.000 Zeichen am Tag mit Stimmen von Amazon Polly und Microsoft Azure (Neural) reichen für sechs volle Umwandlungen und einen Rest, gesprochen rund 22 bis 30 Minuten. Die Limits werden um Mitternacht erneuert.
Datenschutz und Nutzungsrechte
Ihr Text geht an den Sprachdienst der gewählten Stimme (Einzelheiten: Datenschutz). Wir speichern den Text nicht. Vertrauliche Daten gehören trotzdem nicht ins Textfeld.
Die erzeugten Dateien dürfen Sie privat und beruflich nutzen und auch veröffentlichen, etwa in Videos, Podcasts, im Unterricht oder als Telefonansage. Für den Inhalt des Textes sind Sie selbst verantwortlich. Bei KI-Stimmen weisen Sie Ihr Publikum darauf hin, dass die Stimme künstlich ist. Die genauen Regeln stehen in den Nutzungsbedingungen; auf Plattformen wie YouTube gelten zusätzlich deren Richtlinien.