KI-Dialoggenerator

Dialog ist keine Untertitelspur

Die meisten Tools, die von „KI-Dialog“ sprechen, meinen Untertitel: Text, den du über einen Clip klebst. Hier wird die Zeile gesprochen. Das Videomodell erzeugt Bild und Ton in einem Durchgang, sodass der Mund der Figur den Satz in dieser Sprache und diesem Tempo formt – es gibt keine nachträglich angeklebte separate Audiodatei und keinen Lippensynchronisations-Durchgang, der schiefgehen kann.

Daraus ergibt sich eine Konsequenz, die du verstehen solltest, bevor du etwas schreibst: Die Länge einer Zeile bestimmt die Länge einer Einstellung. Sprich sie laut aus und stoppe die Zeit – genau das macht die Pipeline.

Auf einen Blick

Warum die Timing-Regel wichtiger ist, als sie klingt

Eine Zeile mit achtzehn englischen Wörtern braucht etwa sechs Sekunden Bildschirmzeit. Gibst du einem Videomodell eine viersekündige Einstellung mit achtzehn Wörtern, passiert eines von zwei Dingen: Die Sprechweise wird zu unverständlichem Gehetze, oder das Modell lässt die zweite Satzhälfte stillschweigend weg. Keiner der Fehler macht sich bemerkbar – du merkst es erst, wenn du den Schnitt ansiehst.

Deshalb berechnet die Einstellungsliste die Mindestlänge aus der Zeile selbst und schreibt diesen Wert in die Einstellung. Addieren sich die Einstellungen eines Segments zu mehr, als das Segment fassen kann, wird das Segment an einer Einstellungsgrenze geteilt, statt komprimiert zu werden. Du kannst jede Dauer manuell überschreiben; die Rechnung sorgt dafür, dass die Standardeinstellung nie in die Richtung falsch ist, die eine Aufnahme ruiniert.

Spielanweisungen: Regie, nicht Bühnengeschäft

Jede Zeile trägt eine kurze Anmerkung in Klammern – die Art, wie ein Regisseur sie am Tisch sagt, nicht das Adverb eines Romanautors. „Flach, bereits entschieden.“ „Versucht, nicht zur Tür zu blicken.“ Diese erreichen das Modell als Spielanweisung und verändern die Lesart merklich. Zwei Regeln, die die Pipeline durchsetzt, damit sie nützlich bleiben:

• Die Anmerkung wiederholt die Zeile nicht. Eine Anmerkung, die den Satz umschreibt, fügt nichts hinzu und frisst die Aufmerksamkeit des Modells.
• Off-Screen-Markierungen stehen zuerst. Ist die Zeile ein Voice-Over, eine Stimme am Telefon oder ein innerer Gedanke, wird das vor jeder anderen Anweisung genannt – weil es entscheidet, ob sich ein Mund überhaupt bewegt, und ein Fehler hier macht den Unterschied zwischen einem Telefonat und einer Figur, die vor der Kamera mit sich selbst redet.

Wenn das Modell Zeilen ohne Anmerkungen zurückgibt – was unvorhersehbar vorkommt –, füllt ein separater kleiner Durchgang nur die fehlenden aus, ohne die Zeilen selbst zu berühren.

Ein Projekt, eine Dialogsprache

Die Dialogsprache ist eine Projekteinstellung, keine Einstellung pro Zeile, und wird vor der Analyse gewählt, weil sie verändert, was geschrieben wird, nicht nur, wie es gerendert wird. Ein chinesischer Webroman mit englischer Dialogeinstellung erzeugt englische Zeilen mit englischem Rhythmus – keine übersetzten chinesischen Sätze. Namen und Schauplätze passen sich an, wenn du auch eine Zielregion festlegst.

Was sich nicht ändert, ist der Preis: Ein Segment kostet in jeder Sprache gleich viele Credits, und die Arbeitsdokumente, die du liest, werden kostenlos übersetzt. Details findest du in dem Leitfaden zur Dialogsprache; nativer Dialog vs. Synchronisation erklärt, warum dies kein Synchronisationsdurchgang ist.

Was es nicht tut

• Keine Stimme klonen. Stimmen stammen aus einer voreingestellten Bibliothek oder deinem eigenen hochgeladenen Sample. Es gibt hier keinen Weg, die Stimme einer anderen Person zu reproduzieren.
• Keine Lippensynchronisation für hochgeladenes Material. Sprache wird gemeinsam mit dem Bild erzeugt. Dies ist kein Tool, um einem vorhandenen Clip neue Worte in den Mund zu legen.
• Keine eingebrannten Untertitel. Gesprochener Dialog ist Audio. Plattformuntertitel werden nach dem Export hinzugefügt.
• Keine Vier-Personen-Unterhaltung in einer Einstellung. Zweiergespräche funktionieren zuverlässig; darüber hinaus wird die Abdeckung in Einstellungen geschnitten – so wie es ein echter Schnitt ohnehin machen würde.

Was es kostet

Dialog ist kein separater Posten – er wird von den beiden kostenpflichtigen Stufen geschrieben, die du ohnehin durchläufst. Die Skriptanalyse kostet 4 Credits pro 3,333 Zeichen englischen Text; die Einstellungsliste jeder Episode kostet 1 Credit pro 333 Zeichen dieser Episode. Das Umschreiben einer Zeile ist kostenlos; das Neuerendern des Segments, das sie enthält, kostet den Videopreis des Segments, ab 10 Credits pro Sekunde (ca. $0.06/s im niedrigster Credit-Preis). Stimmenabgleich kostet nichts. Neue Konten starten mit 50 Credits und einer kostenlosen Vorschau von bis zu 5 Sekunden – genug, um eine Zeile gesprochen zu hören, bevor du etwas bezahlst. Die vollständige Tabelle findest du auf der Preisseite.

Häufig gestellte Fragen

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