Vollständige Anleitung
Was ein Google AI Studio Hörbuch sein kann und was nicht
Ein Google AI Studio Hörbuch ist Do-it-yourself: Sie fügen Text in Googles Sprach-Playground ein, eine Gemini-TTS-Stimme liest ihn vor, und Sie laden den Clip herunter. Die Stimmen gehören zu den besten verfügbaren, die kostenlose Stufe kostet nichts, und für eine Kurzgeschichte oder ein Beispielkapitel kann das alles sein, was Sie brauchen.
Bei einem ganzen Buch liegt die Arbeit in den Lücken. Gemini TTS vertont pro Anfrage höchstens zwei Sprecher, verarbeitet jeweils etwa 8k Token Eingabe und weiß nichts über Kapitel. Dieser Leitfaden behandelt die Schritte, die Grenzen aus Googles eigener Dokumentation mit Stand Oktober 2026, wie man sie umgeht, und einen Veröffentlichungsfehler, den ein beliebtes Tutorial macht.
Was die Sprachgenerierung in Google AI Studio leistet
Google AI Studio ist der Browser-Playground für die Gemini API, und sein Sprachmodus ist der schnellste Weg, Google AI Studio Text to Speech auszuprobieren; Googles Dokumentation empfiehlt, die Modelle dort zu testen, bevor man etwas baut. Sie listet vier TTS-Modelle auf: Gemini 3.8 Flash TTS und 3.8 Flash-Lite TTS (aktualisiert im September 2026) sowie 3.1 Flash TTS Preview und 2.5 Pro Preview TTS. 3.8 Flash deckt über 130 Sprachen ab und erkennt die Sprache Ihres Textes.
Die Sprechweise steuern Sie in einfachem Englisch. Eine Stilanweisung wie „cheerful and friendly“ gilt für einen Turn, und Google dokumentiert Inline-Vokalereignisse in spitzen Klammern wie <laugh>, <sigh> oder <whispering>. Es gibt 30 vorgefertigte Stimmen plus eine erweiterte Bibliothek, und AI Studio bietet auch Voice Design und Voice Replication, was ein buchorientiertes Tool möglicherweise nicht kann.
Schritt für Schritt: ein Kapitel in AI Studio
Teilen Sie das Kapitel zuerst auf. Jede Anfrage ist auf 8.192 Eingabe-Token und 16.384 Ausgabe-Token begrenzt, also zerschneiden Sie das Kapitel an Szenenwechseln in Stücke, die kurz genug für eine Anfrage sind; wenn ein Clip vorzeitig endet, machen Sie das Stück kürzer. Wählen Sie dann für jedes Stück Single-Speaker für die Erzählung, eine Stimme und eine Stilanweisung für den Erzähler, fügen Sie den Text ein, starten Sie die Generierung und laden Sie die Audiodatei herunter.
Führen Sie ein Protokoll über Modell, Stimme und Stilanweisung jedes Stücks. Die Ausgabe variiert von Lauf zu Lauf, sodass ein Erzähler, der in Szene eins warm klingt, in Szene drei schneller klingen kann, wenn nicht alle Einstellungen übereinstimmen. Hören Sie sich jeden Clip an, bevor Sie weitermachen: Ein zusammengesetztes Buch ist viel schwerer zu korrigieren als ein einzelner Clip.
Die Grenzen: zwei Sprecher, Eingabelänge, Tageslimits
Gemini Multi-Speaker-TTS ist der Punkt, an dem die meisten Romane an eine Wand stoßen, und Googles Dokumentation ist eindeutig: „Single-request multi-speaker generation … supports up to 2 speakers using prebuilt voices.“ Für mehr heißt es, jeden Turn jedes Sprechers einzeln zu synthetisieren. Eine Szene mit einem Erzähler und drei Charakteren sind bereits vier Stimmen, also wird der Großteil der Fiktion Turn für Turn generiert.
Tageslimits sind schwerer festzunageln. Die TTS-Modelle sind im Free-Tier kostenlos, aber Googles Rate-Limit-Seite sagt inzwischen nur noch, dass Ihre Limits in AI Studio sichtbar sind, und Community-Berichte aus 2026 nennen für einige TTS-Modelle ein kostenloses Kontingent von nur 10 Anfragen pro Tag. Eingaben und Ausgaben im Free-Tier werden zur Verbesserung von Googles Produkten verwendet, und die Preise für die 3.8-TTS-Modelle verdoppeln sich am 1. Januar 2027.
Kapitel zusammenfügen und mehr als zwei Charaktere besetzen
Um ein volles Ensemble manuell zu vertonen, gehen Sie das Kapitel Zeile für Zeile durch: Entscheiden Sie, wer jede Zeile spricht, generieren Sie die Zeilen jedes Sprechers mit dessen Stimme und setzen Sie die Clips dann in einem Audioeditor in der richtigen Reihenfolge zusammen. Google weist darauf hin, dass jede WAV-Antwort einen 44-Byte-Header enthält, den man vor dem Zusammenfügen im Code entfernen muss. Fügen Sie dann Kapitelmarker hinzu, gleichen Sie die Lautstärke an und exportieren Sie.
Diese Buchhaltung (wer spricht, welche Stimme, welche Reihenfolge, wo Kapitel beginnen) ist genau die Arbeit, für die Multi-Voice-Text-to-Speech-Tools existieren. Bei einem Roman mit Dutzenden Sprechrollen summiert sich das auf Hunderte oder Tausende Clips. Wenn Sie auch Chatbots abwägen, behandelt Kann ChatGPT ein Hörbuch erstellen, was sie mit einem Manuskript tun.
Veröffentlichung: Warum der ACX-Weg in YouTube-Tutorials gegen die Regeln verstößt
Das Top-Video für diese Suche, „Google AI Studio: Create an AI Audiobook and Publish It on Audible!“ (Juli 2025), ist eine hilfreiche Einführung in den Playground, aber der letzte Schritt weist die Zuschauer an, über ACX zu veröffentlichen. Dieser Schritt hält nicht stand. Die Audio-Einreichungsanforderungen von ACX vom 15. April 2026 besagen, dass ein Hörbuch „must be narrated by a human unless otherwise authorized“ und dass „unauthorized use of text-to-speech, AI, or automated recordings in ACX titles is prohibited.“
Audible erklärt auf derselben Seite, dass man daran arbeite, TTS-Inhalte von Drittanbietern zu akzeptieren, und werde den Zeitplan später mitteilen, sodass sich dies ändern kann. Bis dahin riskiert ein mit Gemini vertontes Buch, das bei ACX hochgeladen wird, Ablehnung oder Entfernung. Siehe ob Audible KI-Erzählungen akzeptiert für die aktuellen Regeln und Veröffentlichung auf Spotify für einen Weg, der digitale Sprachaufnahmen mit Offenlegung akzeptiert.
Dieselben Gemini-Stimmen mit automatischer Besetzung und M4B-Export
Wenn Sie ein Gemini-TTS-Hörbuch ohne Clip-Verwaltung möchten, beachten Sie: Die Standardstimmen von FullCastBook laufen auf Googles Gemini TTS, sodass der Klang derselben Familie entspricht, die Sie in AI Studio hören. Der Unterschied liegt in der Arbeit drumherum. Laden Sie eine EPUB-, DOCX-, PDF-Datei mit Textebene, TXT- oder Markdown-Datei hoch, und Kapitel und Sprecher werden für Sie erkannt. Jede Zeile wird mit der Stimme ihres eigenen Sprechers generiert, sodass das Limit von zwei Sprechern nie auftritt, und eine Regieanweisung wie [dry, unimpressed] wird als Stilvorgabe für die Zeile mitgeführt.
Sie hören im Browser zu, generieren einzelne Zeilen neu und exportieren ein M4B mit Kapitelmarkierungen, eine einzelne MP3 oder ein ZIP mit einer Datei pro Kapitel. Premium-Stimmen von ElevenLabs sind ebenfalls verfügbar, wenn Sie einen anderen Klang wünschen. Die Anmeldung ist kostenlos, und das Erstellen verbraucht Credits (ein Abo oder ein einmaliges Aufladen); pricing zeigt, was ein vollständiges Buch benötigt.
Quellen und Daten
Geprüft am 21. Oktober 2026: Googles Leitfaden zur Sprachgenerierung (aktualisiert am 12. Oktober 2026), die Modellseite Gemini 3.8 Flash TTS, die Preisseite der Gemini API (aktualisiert am 19. Oktober 2026), Ratenlimits (aktualisiert am 15. Oktober 2026) und API-Bedingungen (aktualisiert am 28. April 2026) sowie die Audio-Einreichungsanforderungen von ACX (15. April 2026). Die Links finden Sie unter der Vergleichstabelle. Google aktualisiert diese Modelle häufig, prüfen Sie die Limits daher erneut, bevor Sie ein Google-AI-Studio-Hörbuch beliebiger Länge starten.





