KI-Charakterstimmen

Wo die Stimme eigentlich herkommt

Die meisten KI-Video-Workflows behandeln Audio als zweite Aufgabe: Erst wird stilles Footage erzeugt, dann werden Zeilen synthetisiert, und dann kämpft man mit dem Lippensync. Die hier verwendeten Videomodelle erzeugen Audio und Bild in einem Durchgang — das macht den Kampf überflüssig, ändert aber, was eine „Stimmeinstellung“ ist. Es ist keine Text-to-Speech-Engine, der du ein Skript fütterst — es ist eine Referenz, auf die der Generierungsdurchgang konditioniert wird.

Was auch immer angehängt ist, wird konsistent verwendet: Dieselbe Figur spricht in jedem Segment und jeder Folge mit derselben Stimme — aus demselben Grund, aus dem ihr Gesicht gleich bleibt: Die Referenz wandert mit ihr mit.

Was wir nicht tun, und warum

Es gibt hier kein Tool, um eine Stimme aus einer Aufnahme einer anderen Person zu klonen. Das ist eine bewusste Lücke, kein Punkt auf der Roadmap: Die Veröffentlichung einer synthetischen Darstellung der Stimme einer echten Person ist in den meisten Märkten, die wir bedienen, ein Persönlichkeitsrechtsproblem — und ein Produkt, das das mit einem Klick ermöglicht, macht es zur Routine. Unsere eigene Compliance-Checkliste behandelt Ähnlichkeit — Gesicht wie Stimme gleichermaßen — als etwas, für das du vor der Veröffentlichung die Nutzungsrechte haben musst.

Zwei Dinge, die daraus folgen und klar gesagt sein sollten:

• Das Hochladen deiner eigenen Stimme ist in Ordnung. Das ist deine Ähnlichkeit, und der Upload-Pfad existiert genau dafür.
• Das Entwerfen einer Stimme aus einer Textbeschreibung ist hier nicht der Mechanismus. Dieser Weg wurde im August 2026 zugunsten der Zuordnung echter gesampelter Stimmen entfernt, weil eine aus Adjektiven entworfene Stimme zwischen Takes genauso driftet wie ein Gesicht, das mit Adjektiven beschrieben wird.

Sprache ist eine separate Einstellung

Die Dialogsprache wird in Schritt 1 gewählt und gilt für das gesamte Projekt: Die Zeilen werden in dieser Sprache in der Analysephase verfasst, wortgetreu in das Storyboard übernommen und darin gesprochen. Das ist keine Synchronisation über einem englischen Original — es gibt kein englisches Original. Besetzung, Namen und Schauplätze können über die Zielregion-Einstellung gleichzeitig an den passenden Markt angepasst werden. Fünfzehn Sprachen werden unterstützt, und das Argument gegen Synchronisation erläutert, warum das Erzeugen der Zeile besser ist als das Retimen.

Was es kostet

Stimmenabgleich ist ein kostenloser Modellaufruf — er verbraucht keine Credits und zählt nicht gegen dein Limit für gleichzeitige Aufgaben. Das Hochladen deines eigenen Samples ist kostenlos. Das Audio selbst ist Teil der Videogenerierung, die bei 10 Credits pro Sekunde Ausgabe beginnt (≈ $0.06/s bei der niedrigster Credit-Preis); es gibt keine separate Gebühr pro Wort oder pro Figur für Sprache. Siehe die Preisübersicht oder die Generator-Übersicht, wo die Stimme im Ablauf sitzt.

Was du noch nicht tun kannst

• Ein hochgeladenes Clips neu vertonen. Sprache wird mit dem Bild erzeugt; es gibt keinen Durchgang, der Audio auf bestehendes Footage ersetzt.
• Eine Zeile per Ohr regie führen. Der Vortrag wird durch die schriftlichen Notizen im Storyboard gesteuert — ein Hinweis in Klammern zu jeder Zeile — nicht durch einen Wellenform-Editor. Wenn eine Lesart falsch ist, änderst du die Notiz und regenerierst das Segment.
• Untertitel einbrennen. Untertitel für eine Plattform werden nach dem Export hinzugefügt; die Pipeline schreibt Text nur dann ins Bild, wenn die Geschichte es erfordert.

Jede Folge, in fünfzehn Sprachen

Die Dialogsprache wird einmal in Schritt 1 festgelegt, und der gesamte Lauf wird darin gesprochen — während die Zielregion-Einstellung Namen, Gesichter und Straßen gleichzeitig an diesen Markt anpasst. Jedes Sample unten wurde so erstellt, eines pro Sprache.

Häufig gestellte Fragen

Preise·Anleitungen·Beispiele·Support·Datenschutz·AGB·Rechtliches·Kontakt·© 2026 SceneMixer