Natürliche Spracherzeugung für NVDA

Autor: Muhammad Gagah muha.aku@gmail.com **

Natürliche Spracherzeugung ist ein NVDA‑Add-on, das Google Gemini AI integriert, um hochwertige, natürlich klingende Sprache direkt in NVDA zu erzeugen.

Es bietet eine klare, vollständig zugängliche Oberfläche zur Umwandlung von Text in Audio und unterstützt sowohl Einzelsprecher‑Vorlesemodi als auch dynamische Dialoge mit zwei Sprechern.

Dieses Addon ist für reibungslose Arbeitsabläufe, barrierefreie Bedienung und flexible Stimmkontrolle ausgelegt – ideal für Vorlesetexte, Dialoge und Audio‑Content‑Produktion.

Funktionen

Hochwertige Spracherzeugung

• Auswahl zwischen:

• Gemini Flash – Standardqualität, schnelle Erzeugung, geringe Latenz.

• Gemini Pro – Premium, realistischere Stimmen (kostenpflichtiges Modell).

Einzel- & Mehrsprecher-Modi

• Einzelsprecher‑Modus für klassisches Text‑zu‑Sprache.
• Mehrsprecher‑Modus (2 Sprecher) für Dialoge mit unterschiedlichen Stimmen.

Erweiterte Stimmkontrolle

• Sprechernamen Weise im Mehrsprecher‑Modus individuelle Namen zu (z. B. John, Mary). Die KI ordnet Stimmen automatisch anhand der Namen im Skript zu.
• Stil‑Anweisungen Gib Hinweise wie „Sprich in fröhlichem Ton“ oder „Ruhig erzählen“, um die Sprechweise zu steuern.

• Kreativitäts-Regler Steuert Variation und Kreativität:

• Niedrige Werte → stabiler, vorhersehbarer.

• Hohe Werte → ausdrucksstärker, variabler.

Zugängliche & übersichtliche Oberfläche

• Vollständig screenreader‑freundlich.
• Erweiterte Optionen in einem ausklappbaren Bereich, damit der Hauptdialog übersichtlich bleibt.

Nahtloser Arbeitsablauf

• Audio wird nach der Erzeugung automatisch abgespielt.
• Erzeugtes Audio kann erneut abgespielt oder als hochwertige .wav‑Datei gespeichert werden.
• Für wiederholte Nutzung optimiert.

Intelligentes Laden & zwischenspeichern von Stimmen

• Verfügbare Stimmen werden dynamisch über die Gemini‑API geladen.
• Stimmen werden 24 Stunden lang zwischengespeichert, um API‑Aufrufe zu reduzieren und den Start zu beschleunigen.

Sprechen mit der KI (Live‑Konversation)

• Echtzeit‑Sprachchat: Führe ein natürliches Gespräch mit Gemini.
• Verbindung mit Google-Suche: Erlaube der KI, aktuelle Web‑Informationen abzurufen.
• Unterbrechbar: Du kannst die KI jederzeit stoppen – per Sprache oder „Stoppe Gespräch“.
• Anpassbar: Nutzt deine gewählte Stimme und Stil‑Anweisungen.
• Denklevel‑Steuerung: No Thinking, Low, Medium, High.
• Wieder verbinden: Jüngster Gesprächskontext wird nach Verbindungsabbruch automatisch wiederhergestellt.
• Stabileres Streaming: Verbesserte Wiederverbindung (Backoff + Retry) und adaptive Audiopufferung.

-## Voraussetzungen

• NVDA (neueste Version empfohlen)
• Aktive Internetverbindung
• Gültiger Google Gemini API‑Schlüssel

-## Installation

1. Lade das neueste Add-on von der Veröffentlichungsseite: https://github.com/MuhammadGagah/native-speech-generation/releases
2. Installiere es wie jedes NVDA‑Add-on.
3. Starte NVDA neu, wenn du dazu aufgefordert wirst.

-## API‑Schlüssel einrichten (erforderlich)

1. Erstelle einen API‑Schlüssel in Google AI Studio: https://aistudio.google.com/apikey
2. Öffne NVDA und gehe zu: NVDA-Menü → Werkzeuge → Natürliche Spracherzeugung
3. Klicke auf „API Key Einstellungen“.
4. Dadurch öffnet sich der NVDA‑Einstellungsdialog direkt im Bereich Natürliche Spracherzeugung.
5. Füge deinen Gemini API‑Schlüssel in das Feld GEMINI API Key ein.
6. Klicke auf OK, um zu speichern.

Gespeicherte Schlüssel werden sicher über Windows DPAPI verschlüsselt – sie können auf anderen Windows‑Systemen oder Benutzerkonten nicht entschlüsselt werden.

Für fortgeschrittene Bereitstellungen kannst du den Schlüssel auch über die Umgebungsvariable GEMINI_API_KEY bereitstellen. Das Add-on nutzt ihn automatisch, wenn kein gespeicherter Schlüssel vorhanden ist.

Verwendung

Öffne den Dialog über:

• NVDA+Strg+Umschalt+G, oder
• NVDA-Menü → Werkzeuge → Natürliche Spracherzeugung

Hauptelemente der Oberfläche

• Text zum Konvertieren Gib den Text ein oder füge ihn ein.
• Stil‑Anweisungen (optional) Hinweise zu Ton, Emotion oder Sprechweise.

• Modell auswählen

• Flash (Standardqualität)

• Pro (Hohe Qualität)

• Sprechermodus

• Einzelsprecher

• Mehrsprecher (2)

Spracherzeugung

Einzelsprecher‑Modus

1. Wähle Einzelsprecher.
2. Wähle eine Stimme aus der Liste.
3. Gib deinen Text ein.
4. Optional: Stil‑Anweisungen hinzufügen.
5. Klicke Sprache erzeugen.
6. Das Audio wird automatisch abgespielt.

Mehrsprecher‑Modus

1. Wähle Mehrsprecher (2).

2. Für jeden Sprecher:

3. Einen eindeutigen Sprechernamen eingeben.

4. Eine Stimme auswählen.

5. Text so formatieren, dass jede Zeile mit dem Sprechernamen und Doppelpunkt beginnt.

Beispiel:

Alice: Hallo Bob, wie geht es dir heute? Bob: Mir geht’s super, Alice! Das Wetter ist fantastisch.

1. Klicke *Sprache erzeugen. Stimmen werden automatisch anhand der Namen zugeordnet.

Sprechen mit der KI (Live‑Modus)

Erlebe ein natürliches Sprachgespräch mit Gemini.

1. Stimme und Stil‑Anweisungen im Hauptdialog konfigurieren. (Hinweis: Sprechen mit der KI unterstützt derzeit nur Einzelsprecher‑Modus.)
2. Klicke Sprechen mit der KI.

3. Im neuen Fenster:

4. Gespräch beginnen – beginnt die Sitzung, Mikrofon aktiv.

5. Gespräch stoppen – beendet die Sitzung.
6. Verbindung mit Google-Suche – erlaubt Web‑Recherche. (Während einer aktiven Sitzung ausgeblendet.)
7. **Verarbeitungstiefe: ** – Nein, Niedrig, Medium, Hoch.
8. Mikrofon‑Schalter – Stummschalten/aktivieren.
9. Lautstärke – Wiedergabelautstärke der KI.

Erweiterte Einstellungen

• Aktiviere Erweiterte Einstellungen (Kreativitäts-Regler), um den Regler anzuzeigen.

• Bereich für den Kreativitäts-Regler:

• 0.0 → am stabilsten, deterministisch.

• 1.0 → Standardbalance.
• 2.0 → kreativste, variabelste Ausgabe.

Übersicht der Schaltflächen

• Sprache erzeugen – Spracherzeugung starten.
• Wiedergabe – Letztes Audio erneut abspielen.
• Sprechen mit der KI – Echtzeit‑Konversationsfenster öffnen.
• Audio speichern – Audio als .wav speichern.
• API Key Einstellungen – API‑Schlüssel‑Einstellungen öffnen.
• Stimmen in AI Studio anzeigen (Browser) – Öffnet Google AI Studio im Browser.
• Schließen – Dialog schließen (Escape).

Tastenkombinationen

Anpassbar unter: NVDA-Menü → Optionen → Tastenbefehle → Natürliche Spracherzeugung

Standard:

• NVDA+Strg+Umschalt+G – Öffnet den Dialog.

Entwicklung & Beitrag

Wenn du das Add-on Weiterentwickeln oder anpassen möchtest:

Entwicklungsumgebung

• Python passend zur Ziel-NVDA-Laufzeit
• Verwende Python 3.13 64-bit für NVDA 2026.1 und neuer.
• Verwende Python 3.11 32-bit nur zum Paketieren von Abhängigkeiten für ältere unterstützte NVDA-Versionen.
• uv für die festgelegte Build- und Lint-Toolchain.

uv sync uv run pre-commit run --all-files uv run scons uv run scons pot

SCons 4.10.1, Markdown 3.10, Ruff 0.14.10, Pyright 1.1.407 und die weiteren Build-Tools werden aus uv.lock installiert.

• GNU Gettext Tools (optional, empfohlen)

• Unter Linux/Cygwin meist vorinstalliert.

• Windows: https://gnuwin32.sourceforge.net/downlinks/gettext.php (gnuwin32.sourceforge.net in Bing)

Zusätzliche Abhängigkeiten

Installiere die Audio‑Abhängigkeiten für Sprechen mit der KI nur für lokale Entwicklung direkt in den Add-on‑Lib‑Ordner. Verwende dabei die Python-Version und Architektur, die zur getesteten NVDA-Laufzeit passen:

python.exe -m pip install google-genai pyaudio --target "D:/myAdd-on/Native-Speech-Generation/addon/globalPlugins/NativeSpeechGeneration/lib"

Pfad entsprechend anpassen.

Für die aktuelle Audio‑only‑Implementierung werden opencv-python, pillow und mss nicht benötigt.

Für Release-Pakete lädt das Add-on das neueste verifizierte Abhängigkeitsarchiv passend zur laufenden NVDA-Version herunter:

• lib.zip für NVDA 2025.3.3 und ältere unterstützte Builds.
• lib64.zip für NVDA 2026.1 und neuer.

Das Add-on liest die SHA-256-Daten aus dem neuesten GitHub-Abhängigkeitsrelease, entweder aus dem Release-Asset-Digest oder aus Checksum-Dateien. Mitgelieferte genehmigte Checksums bleiben nur als Fallback für Erstinstallationen erhalten, wenn die Abfrage des neuesten Releases fehlschlägt. Manuelle Bibliotheks-Neuinstallationen verlangen das neueste verifizierte Release. Der extrahierte Ordner wird immer als addon/globalPlugins/NativeSpeechGeneration/lib installiert.

Kopiere anschließend aus deiner Python‑Installation in:

addon/globalPlugins/NativeSpeechGeneration/lib

• den Ordner zoneinfo
• die Datei secrets.py

Beiträge

Beiträge, Vorschläge und Fehlerberichte sind willkommen.

• Issues für Bugs oder Feature‑Wünsche.
• Pull Requests für Code‑Beiträge.

Kontakt

• E-Mail: muha.aku@gmail.com
• GitHub: https://github.com/MuhammadGagah (github.com in Bing)

Übersetzung

Diese Erweiterung wurde von BFW Würzburg im Rahmen des Projektes "NVDA Nachhaltig" ins Deutsche übersetzt.