Azures veröffentlichte Text-to-Speech-Tabelle listet 82 verschiedene Sprachcodes, etwa 1,1% der 7.170 Sprachen, die Ethnologue heute als verwendet zählt (82 / 7.170). Die Dokumentation von Gemini 3.8 Flash TTS nennt über 130 Sprachen, und das Forschungsprojekt MMS erreichte 1.107, doch dieses breiteste Modell wird unter einer nicht kommerziellen Lizenz ausgeliefert. Die Tiefe ist dünner als die Breite: US-Englisch hat in der Azure-Tabelle 118 Einträge, Amharisch 2. Wir haben Daten von Ethnologue, Microsoft, Google, Amazon, Apple, Meta und aus begutachteter Sprachforschung zusammengeführt und jede Herstellerseite am 31. Oktober 2026 gelesen. Diese Zusammenstellung behandelt nur die Synthese; für die Erkennungsseite derselben Lücke siehe unsere Statistiken zur Abdeckung der Spracherkennung bei ressourcenarmen Sprachen.
TL;DR
- 7.170 Sprachen sind weltweit in Gebrauch, und 4.153 davon haben ein entwickeltes Schriftsystem (Ethnologue 2026).
- 128 von 7.829 Sprachcodes erreichten die beiden obersten Stufen der digitalen Unterstützung, rund 1,6% (Simons, Thomas und White, COLING 2022).
- Über 130 Sprachen werden für Gemini 3.8 Flash TTS angegeben, die breiteste kommerzielle Angabe, die wir gelesen haben (Google, Herstellerdokumentation).
- 82 Sprachcodes in 154 Locales stehen in der Stimmentabelle von Azure Speech (Microsoft, Herstellerdokumentation, eigene Zählung).
- 25 Sprachen und 42 Varianten stehen in der Tabelle von Amazon Polly, davon 2 Varianten mit Langform-Stimmen (Amazon, Herstellerdokumentation, eigene Zählung).
- 1.107 Sprachen haben MMS-Synthesemodelle, rund 15,4% der verwendeten Sprachen (Meta AI, MMS-Paper 2023).
- 945 dieser 1.107 Modelle erreichten eine Zeichenfehlerrate von 5 oder weniger, doch Afrika blieb mit 76% zurück (Meta AI, MMS-Paper 2023).
- 41 von 90 Aura-2-Stimmen sind Englisch (Deepgram, Herstellerdokumentation, eigene Zählung).
- 18 der 22 offiziell gelisteten Sprachen Indiens stehen in Apples Liste der Sprachausgabe für Bedienungshilfen, gegenüber 1 bei Polly (Apple und Amazon, Herstellerdokumentation, eigene Erhebung).
- 1.704 Stunden von 10.496 Sprechern decken inzwischen alle 22 offiziell gelisteten Sprachen Indiens für die Sprachsynthese ab (AI4Bharat, IndicVoices-R 2024).
1. Die Bezugsgröße: 7.170 Sprachen, und nicht alle geschrieben
Jede Abdeckungsangabe braucht eine Bezugsgröße, und die Synthese hat eine härtere, als die meisten annehmen. Text-to-Speech liest Text, daher liegen 3.017 Sprachen ohne entwickeltes Schriftsystem außerhalb des normalen Eingabewegs, noch bevor ein Modell trainiert wird.
Die Bevölkerung erzählt eine freundlichere Geschichte, und beide Sichtweisen sollten nie vermischt werden. Eine Plattform kann die meisten Menschen bedienen und dabei weniger als 3% der Sprachen listen, denn über 88% der Menschen sprechen eine von nur 200 Sprachen als Muttersprache, und 200 / 7.170 sind 2,8%. Keine der gelesenen Herstellerseiten nennt, welchen Anteil der Menschen ihr Katalog erreicht, daher lässt sich die Reichweite nicht direkt vergleichen.
| Metrik | Wert | Quelle |
|---|---|---|
| Weltweit verwendete Sprachen | 7.170 | Ethnologue, How Many Languages 2026 |
| Sprachen mit entwickeltem Schriftsystem vs ohne | 4.153 (57,9%) vs 3.017 (42,1%, aus 7.170 - 4.153, eigene Rechnung) | Ethnologue-FAQ, 29. Ausgabe 2026 |
| Menschen, deren Muttersprache eine der 200 größten Sprachen ist | Über 88% | Ethnologue 200, 2026 |
| Sprachcodes auf den beiden obersten Stufen der digitalen Unterstützung (Vital und Thriving) | 128 von 7.829 (95 + 33), oder 1,6% | Simons, Thomas und White, COLING 2022 |
| Sprachcodes auf der niedrigsten Stufe der digitalen Unterstützung (Still, Wert 0) | 3.996 von 7.829, oder 51,0% | Simons, Thomas und White, COLING 2022 |
| Sprachcodes auf den beiden mittleren Stufen der digitalen Unterstützung (Emerging, Ascending) | 3.304 und 401 | Simons, Thomas und White, COLING 2022 |
Aktuellste verfügbare Daten zu den Stufen der digitalen Unterstützung: Simons, Thomas und White, 2022. Die Studie hat Listen unterstützter Sprachen von 143 digitalen Werkzeugen ausgelesen, und Sprachverarbeitung ist eine ihrer sieben Werkzeugkategorien. Die Gesamtzahlen stammen aus der Sprachzählung von Ethnologue und ihrer FAQ zu Schriftsystemen.
2. Kommerzielle Kataloge im Vergleich
Dies sind Zählungen aus der Herstellerdokumentation: der Primärnachweis dafür, was jede Plattform auflistet, kein unabhängiger Qualitätsbeleg. Der Abstand zwischen dem längsten und dem kürzesten Katalog dieser Tabelle reicht von über 130 Sprachen bis 9.
Die Einheit zählt ebenso wie die Zahl. Ein Locale ist eine Sprache plus eine Region, also zählen Spanisch für Mexiko und Spanisch für Spanien als zwei Locales, aber als eine Sprache. Die Übersichtsseite von Azure sagt “über 100 Sprachen und Locales”, was beides vermischt; die Azure-Speech-Sprachtabelle selbst löst sich in der Zeile unten auf.
Länger heißt auch nicht, dass der Katalog eine Obermenge des kürzeren ist. Die Gemini-TTS-Sprachtabelle hat keine Zeile für Ukrainisch, Urdu oder Zulu, die alle drei bei Azure gelistet sind.
| Metrik | Wert | Quelle |
|---|---|---|
| Gemini 3.8 Flash TTS | Über 130 Sprachen angegeben; 132 Tabellenzeilen, gelesen am 31. Oktober 2026 | Google, Dokumentation zur Sprachgenerierung der Gemini API, Stand 28. Oktober 2026 (Herstellerangabe) |
| Eleven v4 / Eleven v3 / Flash v2.5 / Multilingual v2 | 90+ / 70+ / 32 / 29 Sprachen | ElevenLabs, Modelldokumentation (Herstellerangabe) |
| Vorgefertigte Stimmen von Azure Speech | 82 Sprachcodes in 154 Locales; Englisch, Spanisch und Arabisch machen 52 der 154 aus (33,8%) | Microsoft, Sprachunterstützungstabelle, Stand 22. Oktober 2026 (Herstellerdokumentation, eigene Zählung) |
| Apple VoiceOver, Live Speech und Read & Speak | 75 Spracheinträge unter iOS 27 | Apple, Funktionsverfügbarkeit von iOS (Herstellerdokumentation) |
| Stimmentabelle von Google Cloud Text-to-Speech | 53 Sprachcodes, 61 Sprach-und-Region-Codes; allein Chirp 3: HD deckt 47 Sprachen in 53 Locales ab | Google Cloud, Stimmenliste und Dokumentation zu Chirp 3: HD (Herstellerdokumentation, eigene Zählung) |
| Sonic 3.6 | 44 Sprachen | Cartesia, Dokumentation der TTS-Modelle (Herstellerangabe) |
| Amazon Polly | 25 Sprachen, 42 Varianten, 123 Stimmeneinträge | Amazon, verfügbare Stimmen von Polly (Herstellerdokumentation, eigene Zählung) |
| IBM Text to Speech | 9 Basissprachen, 15 Spracheinträge, 48 Stimmen | IBM-Cloud-Dokumentation, Stand 4. Juni 2026 (Herstellerdokumentation, eigene Zählung) |
Wer für eine andere Sprache als Englisch einen KI-Stimmengenerator auswählt, sollte die Liste pro Locale öffnen, nicht die Schlagzeilenzahl auf der Produktseite.
3. Stimmentiefe: Wo die Stimmen tatsächlich liegen
Dass eine Sprache gelistet ist, sagt wenig darüber, wie viele Stimmen sie bekommt. US-Englisch hat in der Azure-Tabelle 118 Einträge, während Amharisch, Afrikaans und Zulu je 2 haben, ein Verhältnis von 59 zu 1. Für einen Produzenten können 2 Stimmen bedeuten, dass es keine Auswahl bei Alter, Ton oder Charakter gibt.
Das Muster wiederholt sich bei jeder Kataloggröße. Polly, Aura-2 und das offene Kokoro-Modell legen zwischen 28,5% und 51,9% ihrer Stimmen auf Englisch. Ein Teil des Unterschieds ist strukturell: Tabelleneinträge können dieselbe Persona über Qualitätsstufen hinweg wiederholen, es handelt sich also um Eintragszählungen, nicht um einzelne Sprecher.
| Metrik | Wert | Quelle |
|---|---|---|
| Einträge in der Azure-Stimmentabelle: US-Englisch vs Mandarin vs Deutsch vs Hindi | 118 vs 59 vs 23 vs 17 | Microsoft, Sprachunterstützungstabelle (Herstellerdokumentation, eigene Zählung) |
| Einträge in der Azure-Stimmentabelle für Amharisch, Afrikaans, Ägyptisch-Arabisch und Zulu | je 2 | Microsoft, Sprachunterstützungstabelle (Herstellerdokumentation, eigene Zählung) |
| Polly-Stimmeneinträge in englischen Varianten | 35 von 123 (28,5%) | Amazon, verfügbare Stimmen von Polly (Herstellerdokumentation, eigene Zählung) |
| Aura-2-Stimmen: Englisch vs Spanisch vs Französisch | 41 vs 17 vs 2, von 90 in 7 Sprachen | Deepgram, Dokumentation der TTS-Modelle (Herstellerdokumentation, eigene Zählung) |
| Kokoro-82M-Stimmen in amerikanischem und britischem Englisch | 28 von 54 (51,9%), gegenüber 1 für Französisch | Hexgrad, Stimmenliste von Kokoro-82M (Projektdokumentation) |
| Google-Cloud-Einträge für Hindi (Indien) vs Isländisch | 46 (30 Chirp 3: HD, 4 Neural2, 6 Standard, 6 WaveNet) vs 1 Standard-Stimme | Google Cloud, Stimmenliste (Herstellerdokumentation, eigene Zählung) |
| Eingebaute OpenAI-Stimmen am Sprach-Endpunkt | 13, die die Dokumentation als “derzeit für Englisch optimiert” bezeichnet | OpenAI, Text-to-Speech-Leitfaden (Herstellerangabe) |
Die Stimmenliste von Cloud zeigt, warum auch die Stufen eine Rolle spielen: Die 30 Chirp-3:-HD-Einträge für Hindi stammen aus einem gemeinsamen Stimmensatz, und Sprachen außerhalb dieses Satzes behalten ältere Stimmtypen. Die Polly-Zählung stammt aus der Stimmentabelle, in der sich 4 Namen wiederholen, weil sie zweisprachig sind, sodass 119 verschiedene Namen bleiben.
4. Funktionsstufen: Gelistet heißt nicht gleichwertig
Die Katalogsumme ist die breiteste Zahl, die ein Hersteller nennen kann, und jede Premiumfunktion liegt auf einer kleineren Teilmenge. Pollys generative Engine erreicht 25 von 42 Varianten, und Mandarin, Japanisch, Arabisch und Russisch gehören zu den 17, die fehlen.
Azure zeigt dieselbe Verengung. Die 154 Locales schrumpfen auf 102 Einträge für Visemen (Mundformdaten zur Animation eines Gesichts) und auf 42 für sprachübergreifende Übertragung (eine benutzerdefinierte Stimme eine zweite Sprache sprechen lassen). Teams, die einen mehrsprachigen Rollout planen, sollten die Funktion prüfen, nicht die Sprache. Geschwindigkeit und Preis je Modell sind eine eigene Frage, die unsere Statistiken zu den Inferenzkosten von TTS behandeln.
| Metrik | Wert | Quelle |
|---|---|---|
| Azure-Locales nach Funktion: vorgefertigte Stimmen / Visemen-Einträge / professionelle benutzerdefinierte Stimme / persönliche Stimme / Quelle für sprachübergreifende Übertragung | 154 / 102 / 68 / 65 / 42 | Microsoft, Sprachunterstützungstabelle (Herstellerdokumentation, eigene Zählung) |
| Polly-Varianten mit mindestens einer generativen Stimme vs mindestens einer Langform-Stimme | 25 von 42 (59,5%) vs 2 von 42 (US-Englisch, Spanisch für Spanien) | Amazon, verfügbare Stimmen von Polly (Herstellerdokumentation, eigene Zählung) |
| Polly-Varianten, die nur die Standard-Stimmen-Engine anbieten | 6 von 42, darunter Russisch, Rumänisch und Isländisch | Amazon, verfügbare Stimmen von Polly (Herstellerdokumentation, eigene Zählung) |
| Gemini-Tabellenzeilen, die Flash TTS vs Flash-Lite TTS unterstützen | 132 vs 103; Finnisch, Schwedisch, Thailändisch und Suaheli gehören zu den 29, die bei Flash-Lite fehlen | Google, Dokumentation zur Sprachgenerierung der Gemini API (Herstellerdokumentation, eigene Zählung) |
| Sprachen von Apple Personal Voice vs Einträge der Liste der Sprachausgabe für Bedienungshilfen | 3 vs 75 unter iOS 27 | Apple, Funktionsverfügbarkeit von iOS (Herstellerdokumentation) |
Apples Lücke ist die schärfste: Die Seite zur Funktionsverfügbarkeit listet Personal Voice nur für US-Englisch, Festland-Mandarin und mexikanisches Spanisch.
5. Offene Modelle: Große Reichweite, mit Bedingungen
Die offene Seite hält die breiteste Zahl dieser Zusammenstellung. MMS-TTS erreichte 1.107 Sprachen, etwa das 8,5-Fache der für Gemini angegebenen 130 (1.107 / 130) und rund das 11-Fache der etwa 100 Sprachen, die Sprachtechnologie zuvor abdeckte (1.107 / 100).
Die Breite hatte ihren Preis. Das MMS-Paper trainierte pro Sprache ein eigenes VITS-Modell, meist aus Einzelsprecher-Aufnahmen religiöser Texte, und seine Modellkarte nennt eine nicht kommerzielle Lizenz. Das nützlichste Ergebnis ist regional: Die Qualität fiel in Afrika am stärksten ab, was die Autoren “zum Teil” den Schriftsystemen zuschreiben.
Zeichenfehlerrate bedeutet hier, dass ein Spracherkenner das synthetische Audio transkribiert und die Fehler gezählt werden, niedriger ist also besser. Sie misst, ob Wörter erhalten bleiben, nicht ob die Sprache natürlich klingt; zu dieser Seite siehe unsere Statistiken zu Prosodie und Intonation bei neuronalem TTS.
| Metrik | Wert | Quelle |
|---|---|---|
| Sprachabdeckung und Lizenz von MMS-TTS | 1.107 Sprachen (15,4% von 7.170), CC-BY-NC 4.0 | Pratap et al. (Meta AI), MMS-Paper 2023; Modellkarte auf Hugging Face |
| MMS-Sprachen mit einer Zeichenfehlerrate von 5 oder weniger bei synthetischer Sprache | 945 von 1.107 (85%) | Pratap et al. (Meta AI), MMS-Paper 2023 |
| Anteil der MMS-Sprachen, die diese Schwelle erreichen, nach Region | Afrika 76% (277 von 363), Asien 88%, Nordamerika 87%, Pazifik 90%, Südamerika und Europa 95% | Pratap et al. (Meta AI), MMS-Paper 2023 |
| MMS-Zeichenfehlerrate, synthetische vs menschliche Referenzsprache; mittlere Meinungsnote (1 bis 5) bei 61 Sprachen | 3,5 ±0,2 vs 2,2 ±0,1; 3,52 für synthetisch vs 3,33 für menschliches Referenzaudio außerhalb der Trainingsdaten, ein Abstand, den die Autoren verrauschten Referenzaufnahmen zuschreiben | Pratap et al. (Meta AI), MMS-Paper 2023 |
| Zielsprachen von SeamlessM4T: Sprachausgabe vs Textausgabe | 36 vs 96 | SEAMLESS Communication Team (Meta), Nature 2025 |
| Regelbasierter Synthesizer eSpeak NG | Mehr als 100 Sprachen und Akzente | README des Projekts eSpeak NG |
| Piper-Stimmenliste | 37 Sprachen, 42 Locale-Einträge; Repository am 6. Oktober 2025 archiviert | Rhasspy, Piper VOICES.md |
| Chatterbox Multilingual vs XTTS-v2 | 23+ vs 17 Sprachen | Resemble AI, Chatterbox-Repository; Coqui, Modellkarte von XTTS-v2 |
Aktuellste verfügbare Daten zur Synthesequalität auf Sprachebene: Pratap et al., 2023. Neuere offene Modelle in dieser Tabelle listen deutlich weniger Sprachen. Das SeamlessM4T-Paper zeigt dieselbe Asymmetrie innerhalb eines einzigen Modells: Es liest und schreibt weit mehr Sprachen, als es spricht.
6. Afrika und Indien: Wo die Lücke konkret wird
Regionale Zählungen zeigen, was globale Summen verbergen. Geminis Tabelle enthält 22 Sprachen aus Afrika, die von Azure 5, und Polly und Apple listen außer südafrikanischem Englisch keine, obwohl allein Afrika südlich der Sahara über 2.000 verschiedene Sprachen beherbergt (Google Research, WAXAL 2026).
Yoruba zeigt, dass die Lücke nicht nur eine Frage der Daten ist. Es steht in den offenen Korpora WAXAL und BibleTTS, hat aber keinen Eintrag in den gelesenen Tabellen von Azure, Polly, Chirp 3: HD oder Gemini. Dass öffentliche Daten existieren, heißt nicht, dass eine Plattform eine Stimme ausgeliefert hat.
Indien erzählt eine bessere Geschichte, weil ein Datensatz eine bekannte Lücke geschlossen hat. Frühere Datensätze hörten laut dem IndicVoices-R-Paper bei 14 der 22 offiziell gelisteten Sprachen auf, oft mit 1 oder 2 Sprechern pro Sprache. Kleine Gemeinschaften brauchen vielleicht weniger als erwartet: Pine und Kollegen stellten die Annahme infrage, dass neuronale Synthese große Datensätze erfordert.
| Metrik | Wert | Quelle |
|---|---|---|
| Sprachen aus Afrika ohne arabische Varietäten: Gemini Flash TTS / Gemini Flash-Lite TTS / Azure / Chirp 3: HD / Polly / Apple | 22 / 13 / 5 / 1 / 0 / 0 | Kataloge von Google, Microsoft, Amazon und Apple (Herstellerdokumentation, eigene Erhebung) |
| Sprachen und aufgenommene Stunden von WAXAL-TTS | 17 Sprachen; über 180 Stunden laut Datensatzkarte, über 235 im Paper, über 565 im Blogbeitrag | Google Research, Datensatzkarte, Paper und Blog von WAXAL, 2026 |
| BibleTTS-Aufnahmen in Studioqualität für afrikanische Synthese | 10 Sprachen, bis zu 86 Stunden pro Sprache bei 48 kHz | Meyer et al., Interspeech 2022 |
| Von Indiens 22 offiziell gelisteten Sprachen enthalten: Apple / Gemini Flash TTS / Azure / Chirp 3: HD / Polly | 18 / 17 / 13 / 10 / 1 | Kataloge von Apple, Google, Microsoft und Amazon (Herstellerdokumentation, eigene Erhebung) |
| Frühere Synthesedaten für Indien: IndicTTS | 284 Stunden, 27 Sprecher, 14 Sprachen | AI4Bharat, IndicVoices-R-Paper 2024 |
| Sprachsynthese-Korpus IndicVoices-R | 1.704 Stunden, 10.496 Sprecher, 22 Sprachen | AI4Bharat, IndicVoices-R-Paper 2024 |
| Sprachkorpus in Kanien’kéha nach einer Entscheidung der Gemeinschaft, Aufnahmen verstorbener Sprecher auszuschließen | 3,46 Stunden behalten von 24 aufgenommenen | Pine et al. 2022, berichtet von Nigatu et al. 2024 |
| FastSpeech2-Modell mit 1 Stunde Englisch vs Tacotron2 mit 10 Stunden | Vergleichbare Natürlichkeit | Pine et al., ACL 2022 |
Aktuellste verfügbare Daten zu BibleTTS und zu den Ergebnissen von Pine et al.: 2022. Die Zahl zu Kanien’kéha wird von Nigatu et al. wiedergegeben und ist die nützlichste dieser Tabelle: Die Grenze dieses Korpus war die Einwilligung, nicht die Technik.
Zusammenfassung: Sprach- und Stimmenabdeckung bei Text-to-Speech in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Weltweit verwendete Sprachen | 7.170 | Ethnologue, How Many Languages 2026 |
| Menschen, deren Muttersprache eine der 200 größten ist | Über 88% | Ethnologue 200, 2026 |
| Sprachcodes auf den beiden obersten Stufen der digitalen Unterstützung | 128 von 7.829 | Simons, Thomas und White, COLING 2022 |
| Sprachen von Gemini 3.8 Flash TTS | Über 130 angegeben | Google, Dokumentation der Gemini API (Herstellerangabe) |
| Sprachen von Eleven v4 | 90+ | ElevenLabs, Modelldokumentation (Herstellerangabe) |
| Azure-Sprachcodes und -Locales | 82 und 154 | Microsoft, Sprachunterstützungstabelle (eigene Zählung) |
| Apples Liste der Sprachausgabe für Bedienungshilfen | 75 Einträge | Apple, Funktionsverfügbarkeit von iOS |
| Sprachen und Varianten von Amazon Polly | 25 und 42 | Amazon, verfügbare Stimmen von Polly (eigene Zählung) |
| Azure-Stimmeneinträge: US-Englisch vs Amharisch | 118 vs 2 | Microsoft, Sprachunterstützungstabelle (eigene Zählung) |
| Aura-2-Stimmen, die Englisch sind | 41 von 90 | Deepgram, Dokumentation der TTS-Modelle (eigene Zählung) |
| Polly-Varianten mit generativer Stimme | 25 von 42 | Amazon, verfügbare Stimmen von Polly (eigene Zählung) |
| Sprachen von MMS-TTS | 1.107 | Pratap et al. (Meta AI), MMS-Paper 2023 |
| Afrikanische MMS-Sprachen mit Zeichenfehlerrate von 5 oder weniger | 277 von 363 (76%) | Pratap et al. (Meta AI), MMS-Paper 2023 |
| Kokoro-82M-Stimmen in amerikanischem und britischem Englisch | 28 von 54 | Hexgrad, Stimmenliste von Kokoro-82M |
| Korpus IndicVoices-R | 1.704 Stunden, 22 Sprachen | AI4Bharat, IndicVoices-R-Paper 2024 |
| Sprachkorpus in Kanien’kéha behalten vs aufgenommen | 3,46 vs 24 Stunden | Pine et al. 2022, berichtet von Nigatu et al. 2024 |
Methodik und Quellen
Alle Herstellerseiten wurden am 31. Oktober 2026 gelesen. Als “eigene Zählung” oder “eigene Erhebung” gekennzeichnete Zahlen sind unsere eigenen Zählungen veröffentlichter Tabellen; sie bleiben Herstellerangaben darüber, was angeboten wird, keine unabhängigen Tests, dass jede Stimme gut funktioniert.
- Ethnologue (SIL Global): How Many Languages, Ethnologue 200, FAQ zu ungeschriebenen Sprachen.
- Simons, Thomas und White: Assessing Digital Language Support on a Global Scale, COLING 2022.
- Microsoft: Sprach- und Stimmenunterstützung von Azure Speech, Übersicht zu Text-to-Speech.
- Google: Sprachgenerierung der Gemini API, Stimmenliste von Cloud, Chirp 3: HD, WAXAL-Blog, WAXAL-Paper, WAXAL-Datensatzkarte.
- Amazon: Verfügbare Stimmen von Polly.
- Apple: Funktionsverfügbarkeit von iOS.
- Herstellerdokumentation: ElevenLabs-Modelle, TTS-Modelle von Cartesia, TTS-Modelle von Deepgram, IBM-Stimmen, Text-to-Speech-Leitfaden von OpenAI.
- Meta: MMS-Paper, Modellkarte von MMS-TTS, SeamlessM4T in Nature.
- Offene Projekte: Kokoro-82M-Stimmen, Piper-Stimmen, eSpeak NG, Chatterbox, XTTS-v2.
- Forschung: BibleTTS, Meyer et al., IndicVoices-R, Pine et al., ACL 2022, Nigatu et al., Zeno’s Paradox of Low-Resource Languages.
- Daten-Hinweis: Herstellerkataloge ändern sich ohne Ankündigung, daher ist jede Zählung als Momentaufnahme zu verstehen. Azure-Einträge wiederholen Personas über Qualitätsstufen hinweg, und die Gruppe für US-Englisch enthält Einträge mit mehreren Sprechern, die nach Französisch und Chinesisch benannt sind. Die Gemini-Tabelle hat 132 Zeilen, aber 5 Sprachen erscheinen je nach Schrift doppelt, sodass 127 Namen bleiben, und wir sahen auf der Seite keine Qualitätsdaten pro Sprache. Suaheli steht in der Tabelle von Chirp 3: HD, doch in der breiteren Stimmenliste fanden wir es nicht, sodass die Zählung von 53 Codes um eins zu niedrig sein könnte. Die Schriftsystem-FAQ von Ethnologue nennt unter einem Verweis auf die 29. Ausgabe eine Zahl der 28. Ausgabe, und Simons et al. verwenden 7.829 ISO-Codes statt 7.170 lebender Sprachen, daher sind die beiden Bezugsgrößen nicht austauschbar. Die drei WAXAL-Quellen widersprechen sich (27 Sprachen und über 565 Stunden im Blog, 24 Sprachen und über 235 Stunden im Paper, 17 Synthesesprachen und über 180 Stunden auf der Karte). Das SeamlessM4T-Paper nennt in seinen Ergebnissen 36 Sprachen für Sprachausgabe, in den Methoden aber “35 in Sprachform”. Der OpenAI-Leitfaden nennt sowohl 11 als auch 13 eingebaute Stimmen und führt seine aktuellen Sprachmodelle als zum 6. Januar 2027 abgeschaltet auf. Apples Liste fasst drei Funktionen unter einer Überschrift zusammen. Unsere regionalen Zählungen sind Abgleiche von Sprachnamen, keine linguistischen Prüfungen, und die Vergleiche von 8,5x und 15,4% beruhen auf der Gesamtzahl 7.170 und einer Angabe von über 130, sind also beide ungefähr.
Zuletzt aktualisiert: 31. Oktober 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn Ethnologue seine 30. Ausgabe veröffentlicht.