Ein Text aus dem Jahr 1617. Gedruckt in Fraktur. Gescannt, transkribiert, im Deutschen Textarchiv veröffentlicht. Und dann? Wie wird daraus in wenigen Sekunden verständliche Audioausgabe — ohne menschliche Nachbearbeitung?
Dieser Beitrag erklärt die zehn Verarbeitungsschritte der BiblioTTS-Pipeline, die jeden historischen Deutschtext in TTS-fähigen Input verwandeln.
Das Ausgangsproblem
Text-to-Speech-Systeme wie Google Neural2 oder Amazon Polly sind exzellent für modernes Deutsch. Sobald historische Texte ins Spiel kommen, stoßen sie an ihre Grenzen:
- Frakturtranskription: Das lange ſ wird oft als f transkribiert (ſein → fein), Ligaturen wie tz und ck werden mal aufgelöst, mal nicht
- Historische Orthographie: bey statt bei, giebt statt gibt, Gleichniss statt Gleichnis
- Lange Perioden: Verschachtelte Sätze über mehrere Zeilen, die TTS-Systeme in falsche Betonungsgruppen zerlegen
- Fremdsprachliche Einschübe: Lateinische Zitate mitten im deutschen Text
Die zehn Schritte der Normalisierungspipeline
1. Epochenerkennung — Anhand von Wortlisten und statistischen Merkmalen bestimmt die Pipeline, aus welcher Epoche der Text stammt: Frakturzeit (vor 1900), Übergangszeit oder modernes Deutsch.
2. Fraktur-Buchstabenersetzung — Systematische Ersetzung typischer Transkriptionsfehler: ſ → s, ꝛ → r, ij → y (kontextabhängig). Als Whitelist implementiert, um Fehlersätze zu vermeiden.
3. Historische Doppellaute — Ältere Schreibweisen wie seyn → sein. Hier ist Präzision entscheidend: nicht jedes ey ist ein historisches ei.
4. Historische Orthographie — 23 geprüfte Ersetzungsregeln: bey → bei, giebt/hingiebt → gibt/hingibt, Gleichniss → Gleichnis, Augenblik → Augenblick. Jede Regel als Regex mit Wortgrenzen.
5. Satzzeichen-Normalisierung — Historische Kommaregeln, überflüssige Semikola und OCR-Artefakte werden bereinigt. Ziel ist natürlicher Sprachfluss.
6. Abkürzungsauflösung — Häufige historische Kürzel (u., vgl., Jh.) werden ausgeschrieben.
7. Fremdsprachen-Handling — Erkannte Lateinpassagen werden markiert und je nach Konfiguration übersprungen oder separat vorgelesen.
8. Satzlängen-Optimierung — Sehr lange Perioden (über 80 Wörter) werden an semantisch sinnvollen Stellen aufgebrochen.
9. TTS-Readiness-Score — Jeder Text erhält nach der Normalisierung einen Score von 0–100. Er misst verbleibende TTS-Problemstellen. Unter einem Schwellwert wird der Text nicht produziert.
10. Segment-Selektion — Für Hörproben wählt BiblioTTS automatisch den optimalen Abschnitt: 130–160 Wörter (ca. 25 Sekunden), bevorzugt Kapitelanfänge mit hohem Readiness-Score.
Ein Beispiel aus der Praxis
Originaltext (Leichpredigt, Polycarp Leyser, 1620):
„Andächtige vnd Geliebte in dem HErren JEsu Chriſto: Es haben auch die vernünfftigen Heyden/ die jenigen vor kluge vnd verſtändige Leute gehalten/ welche ihre Sachen vnd alles Fürnehmen anfänglich wohl erwogen …"
Nach BiblioTTS-Normalisierung:
„Andächtige und Geliebte in dem Herrn Jesu Christo: Es haben auch die vernünftigen Heiden, die jenigen vor kluge und verständige Leute gehalten, welche ihre Sachen und alles Fürnehmen anfänglich wohl erwogen …"
TTS-Readiness-Score: 87/100. Ergebnis: natürliche, verständliche Audioausgabe.
Interesse an einem Pilotprojekt?
Wenn Sie eine Bibliothek, ein Archiv oder eine Forschungseinrichtung leiten und Ihren digitalisierten Bestand hörbar machen möchten, sprechen Sie uns an.