Sprachnachrichten im Telegram-Bot mit KI-Stimmen
Ein Bot, der mit einer Sprachnachricht antwortet, wirkt lebendig: eine vorgelesene Morgenübersicht, eine Antwort in der Stimme einer Figur, ein Aussprachebeispiel für Sprachlernende. Cloud-Sprach-APIs berechnen jede Nachricht und sehen jeden Text.
Die kostenlose SuperClonica-Engine vertont den Text des Bots auf Ihrem eigenen Server, mit natürlichen oder Figurenstimmen. Dieser Leitfaden zeigt, wie aus einer Antwort eine Telegram-Sprachnachricht wird, wie der Bot schnell bleibt und wie Sie Stimmen fair nutzen.
Was ein Sprach-Bot kann
Kurze Antworten funktionieren am besten: Eine Sprachnachricht aus wenigen Sätzen hört man leichter als einen langen Monolog.
- Fragen per Sprachnachricht beantworten statt mit einer Textwand.
- Nachrichten, Posts oder eine Tageszusammenfassung vorlesen.
- Als Figur in einem Spiel- oder Fan-Community-Bot sprechen.
- Sprachlernenden Beispielsätze in 31 Sprachen geben.
Die Stimmen gratis anhören
Geben Sie auf der Seite einer beliebigen Stimme eine typische Bot-Antwort mit 30 bis 100 Zeichen ein, wählen Sie die Sprache und klicken Sie auf die Schaltfläche zum Vertonen. In wenigen Sekunden hören Sie, wie Ihr Bot klingen würde, ohne Konto.
Text in eine Sprachnachricht verwandeln
Das WAV ist nur eine Zwischendatei; die Opus-Datei ist klein und spielt in jeder Telegram-App direkt im Chat.
- Installieren Sie die Engine einmal: python -m pip install superclonica-cpu.
- Erstellen Sie sie einmal, tts = Superclonica(), und vertonen Sie jede Antwort: audio, rate = tts.synthesize("Guten Morgen! Hier ist deine Übersicht für heute.", voice="F1", lang="de"); tts.save("reply.wav", audio).
- Telegram zeigt OGG-Dateien mit Opus-Codec als Sprachnachrichten an, also wandeln Sie mit ffmpeg um: ffmpeg -i reply.wav -c:a libopus -b:a 48k reply.ogg.
- Senden Sie die Datei mit der Sprachnachrichten-Methode Ihrer Bot-Bibliothek, die sendVoice der Telegram Bot API aufruft.
Den Bot schnell halten
Das Laden der Engine dauert einige Sekunden, jede weitere Antwort einen Sekundenbruchteil: In unseren Tests dauerte ein kurzer Satz 0,43 s auf vier CPU-Threads. Mit einer asynchronen Bibliothek wie aiogram oder python-telegram-bot lassen Sie die Synthese in einem eigenen Thread laufen, damit der Bot in anderen Chats weiter antwortet. Cachen Sie wiederkehrende Antworten, denn derselbe Text, dieselbe Stimme und derselbe Seed ergeben immer denselben Ton. Ist Ihr Bot nicht in Python geschrieben, betreiben Sie die Engine als lokalen HTTP-Dienst mit dem Docker-Image superclonica/superclonica:cpu und rufen POST /synthesize auf.
Stimmen, fair genutzt
Die zehn Standardstimmen des Modells, M1 bis M5 und F1 bis F5, sind kostenlos und passen zu jedem Bot. Figurenstimmen aus dem Katalog sind von Fans gemacht: Nutzen Sie sie für Spaß-Bots in Fan-Communitys, nicht um jemanden nachzuahmen oder offiziell zu wirken. Sagen Sie den Nutzern, dass die Stimme generiert ist, und trainieren Sie für eine Marke oder einen öffentlichen Bot mit vielen Nutzern eine eigene Stimme aus einer Aufnahme eines einverstandenen Sprechers oder bestellen Sie sie auf der Börse.