Werbespots entstehen bis heute manuell: Sprecherbuchung, Studiotermin, Aufnahme und Schnitt. Eine Produktion kostet rund CHF 1'000 und steht bei kleinen Kampagnen in keinem Verhältnis zum Mediabudget, weshalb ein Teil der Kundschaft auf Radiowerbung verzichtet. Eine automatisierte Vertonung würde diese Kosten senken. Regionale Ausspielung setzt jedoch Schweizerdeutsch voraus, und die verfügbaren Dienste bilden die Stimme des eigenen Radio-Sprechers nicht ab. Die Arbeit untersucht deshalb, ob frei verfügbare und kommerziell nutzbare KI-Modelle beide Anforderungen erfüllen.

Zunächst überführt die Arbeit den heutigen Produktionsweg in Anforderungen sowie in Qualitäts- und Lizenzkriterien. Die Textstufe verbindet ein Sprachmodell, eine automatische Prüfung der Markennamen und eine menschliche Korrektur. Den Schwerpunkt bildet die Sprachsynthese: Drei offene Architekturen durchlaufen dieselbe Datenbasis in zwei Stufen, zuerst 46,9 Stunden öffentlich verfügbares Dialektmaterial aus dem Raum Zürich, danach 131 Minuten Aufnahmen des Radio-Sprechers. Aus rund 30 Trainingsläufen gehen vier Modellstände in einen blinden Hörtest mit 36 Werbespots ein.

Der Prototyp deckt die Kette vom hochdeutschen Text über die Korrektur der Zürichdeutsch-Fassung bis zum vertonten Spot ab. In der Übersetzungsstufe hat sich gpt-5.5 durchgesetzt; eine menschliche Korrektur bleibt nötig. In der Synthese haben sechs Zürichdeutsch sprechende Personen sechs Systeme blind auf Natürlichkeit, Fehlerfreiheit, Dialekt-Echtheit und Werbe-Tauglichkeit bewertet. In keinem der acht Vergleiche lag die nur für Forschung lizenzierte Referenzarchitektur vor der kommerziell nutzbaren; die lizenzkonforme Wahl bringt in den erhobenen Daten keinen Qualitätsnachteil. Alle vier eigenen Modelle haben ein instruiertes generisches Sprachmodell in der Dialekt-Echtheit übertroffen. Am tiefsten fiel die Fehlerfreiheit aus; genannt sind angehängte Wörter und abgeschnittene Enden. Ein kommerzielles Schweizerdeutsch-Produkt lag insgesamt vorn. Bei sechs Bewertenden sind das deskriptive Muster, keine Nachweise. Empfohlen ist, zuerst die frei nutzbare öffentliche Datenbasis auszuschöpfen und erst danach nachzulizenzieren; alternativ kann ein Anbieter die Stimme nachbilden. Alle Wege setzen geklärte Stimmrechte, Qualitätsprüfung, menschliche Abnahme und KI-Kennzeichnung voraus.