Sprechende Charaktere
KI-Videos mit sprechenden Figuren
Aktualisiert 15. November 2026

| SceneMixer auf einen Blick | Das bekommst du |
|---|---|
| Videopreis | Ab 0,06 $ pro Sekunde (10 Credits) in der Standardstufe, bis zu 0,47 $ pro Sekunde in der obersten Stufe; jeder Preis wird angezeigt, bevor du auf den Button drückst |
| Clip-Länge | Bis zu 30 Sekunden pro generiertem Segment; eine Episode wird aus ihren Segmenten zu 1 Credit pro Sekunde zusammengesetzt |
| Eine Episode, durchgerechnet | Eine 60-Sekunden-Episode in der Standardstufe kostet etwa 660 Credits (Video plus Zusammensetzen), etwa 4,11 $ zum niedrigsten Credit-Preis; eine Serie aus 10 Episoden à 90 Sekunden aus einem Roman mit 30.000 Zeichen kostet etwa 10.026 Credits, etwa 62 $ |
| Dialog | Direkt im Video gesprochen, eine Stimme pro Figur, in einer von 15 Sprachen |
| Formate | 9:16 hochkant oder 16:9 quer; 480P bis 1080P, dazu eine 2K-Stufe |
| Kostenlos starten | 50 Credits bei der Anmeldung, 15 kostenlose Referenzbilder, ein kostenloses Storyboard für die erste Episode und eine kostenlose Videovorschau von 5 Sekunden |
| Wer es nutzt | 2.900+ Creator haben mit SceneMixer generiert (Konten mit mindestens einer Generierung, gezählt im November 2026) |
| Eingabe | Ein Drehbuch, ein Roman oder eine Idee in einem Satz; Uploads als .txt, .docx und .md |
Die Stimme entsteht im selben Generierungsdurchgang wie das Bild
Es gibt zwei Wege, einen Charakter auf dem Bild sprechen zu lassen. Der eine ist, ein stummes Video zu rendern und dann den Mund über eine Audiospur zu steuern – der Lippensynchron-Weg, der einen Gesichtsausschnitt und eine treibende Audiodatei braucht, ein korrekt bewegtes Gesicht erzeugt, aber einen Körper, der nicht mitspielt. Der andere ist, Bild und Ton gemeinsam zu generieren, sodass Darstellung und Mundbewegung eine einheitliche Entscheidung sind.
Die Pipeline von SceneMixer übernimmt das Zweite. Der Standard-Videotarif ist audiovisuell: Das Modell erhält die Zeile, wer sie spricht, wie sie gesprochen wird und eine Stimmreferenz, und liefert eine Einstellung mit der gesprochenen Zeile. Nachträglich wird nichts zusammengeschnitten.
Auf einen Blick
| Die Zeile | Wortgetreu, einmal. Genau so gesprochen, wie geschrieben – nicht umformuliert, nicht umgetimt. |
|---|---|
| Wer spricht | Namentlich genannt und an die Stimmreferenz dieses Charakters gebunden, sodass dieselbe Person über alle Episoden hinweg gleich klingt. |
| Wie es gesagt wird | Eine kurze Anweisung in Klammern – leise, noch lächelnd, gezwungen flach. Anweisung, nicht Untertitel. |
| Wer sonst noch im Bild ist | Mit „Lippen geschlossen“ markiert, damit Zuhörende nicht mitsprechen. |
| Sprache außerhalb des Bilds | Zuerst in der Klammer markiert – Voice-over, am Telefon, über die Sprechanlage –, danach werden alle sichtbaren Personen mit geschlossenem Mund beschrieben. |
| Timing | Eine Einstellung mit Dialog ist nie kürzer, als die Zeile braucht: im Englischen drei Wörter pro Sekunde, im Chinesischen fünf Zeichen pro Sekunde. |
Stimmen werden zugeordnet, nicht pro Charakter synthetisiert
Auf SceneMixer wird jeder Figur eine Stimme aus einer Bibliothek vorgefertigter Systemstimmen zugewiesen. Du hörst vor der Wahl eine drei- bis achtsekündige Probe, kannst neu abgleichen, im Auswähler eine andere wählen oder deine eigene Aufnahme hochladen. Der Grund für den Abgleich statt individueller Stimmgestaltung sind Kosten und Stabilität: Entworfene Stimmen driften zwischen den Generierungen und kosten pro Figur, während eine Bibliotheksstimme in Episode eins und Episode zwölf dieselbe ist.
Wenn einem Charakter keine Stimme zugewiesen ist, greift die Einstellung auf eine schriftliche Beschreibung der Stimme zurück – Alter, Klang, Stimmlage –, die das Modell interpretiert. Das ist der Standard für neue Projekte; das Zuweisen von Stimmen ist ein bewusster Schritt, nichts, was bei jedem Charakter automatisch im Hintergrund passiert.
Die Timing-Regel und warum es sie gibt
Eine Vier-Sekunden-Einstellung kann keine sechzehn englischen Wörter aufnehmen. Entweder wird die Sprechweise unverständlich gehetzt, oder die Zeile wird gekürzt. Deshalb haben die Dialogeinstellungen auf SceneMixer eine aus der Zeile abgeleitete Untergrenze: Wortzahl geteilt durch drei für Englisch, Zeichenzahl geteilt durch fünf für Chinesisch. Kurze Zeilen bekommen zusätzlich eine Pause, statt auf ihr theoretisches Minimum gequetscht zu werden. Einstellungen, die für ihre Zeile zu kurz ausfallen, werden markiert und korrigiert, bevor etwas gerendert wird. Das ist billiger, als es in der Ausgabe zu entdecken.
Sprache
Die Dialogsprache ist eine Projekteinstellung, die einmal gewählt wird, und sie wird dort angewendet, wo die Zeilen zuerst geschrieben werden, statt nachträglich übersetzt zu werden – also wird die Darstellung in dieser Sprache verfasst, statt eine Synchronisation zu sein. Es gibt fünfzehn Oberflächensprachen, und Dialog wird in allen unterstützt; bei einigen Sprachen kommt es auf der Standardmodellstufe gelegentlich zu Fehlaussprachen einzelner Wörter, und in der Auswahl wird darauf hingewiesen, wo das zutrifft. Die Seite zu Charakterstimmen behandelt das ausführlich.
Was es nicht tut
- Eine Stimme klonen, für die du keine Rechte hast. Du kannst deine eigene Aufnahme als Referenz für deine eigenen Figuren hochladen, und Redubs Originalstimme klont die Stimme einer Figur aus dem Clip selbst.
- Ein hochgeladenes Foto lippensynchronisieren. Die Sprache von SceneMixer stammt aus der Erzeugung, nicht aus dem Antreiben eines bestehenden Bildes; ein hochgeladenes Video bekommt neue Zeilen nur über Ersetzen bei einem Remake, das den geänderten Teil neu erzeugt.
- Eine exakte Laufzeit für eine Zeile treffen. Die Untergrenze wird erzwungen; die genaue Sprechlänge liegt beim Modell.
- Untertitel einbrennen. Es wird kein Text im Bild gerendert. Untertitel werden nach dem Export hinzugefügt.
- Perfekte Aussprache jedes Eigennamens garantieren. Vor allem erfundene Namen solltest du vor der Freigabe einer Episode vorhören.
Was es kostet
Sprache ist im Videopreis enthalten – es gibt keine separate Audiogebühr. Video kostet ab 10 Credits pro Sekunde Ausgabe (≈ 0,06 $/s im niedrigster Credit-Preis) und reicht bis 0,47 $/s auf der schärfsten Stufe; die Zusammenstellung kostet 1 Credit pro Sekunde. Die Stimmzuordnung aus der Bibliothek kostet nichts. Neue Konten erhalten 50 Credits und eine kostenlose Vorschau von bis zu 5 Sekunden – genug, um einen Charakter sprechen zu hören, bevor du dich entscheidest. Die Preise stehen auf der Preisseite.
Sprachen
Muttersprachliche Dialoge in 15 Sprachen
Jede Serie unten wurde mit derselben SceneMixer-Pipeline produziert, wobei die Darsteller die jeweilige Sprache auf muttersprachlichem Niveau sprechen: Oberfläche, Arbeitsdokumente und gesprochene Zeilen sind in einer Sprache, nichts ist synchronisiert. Öffne eine Serie, um es dir anzuhören.
A Carta de LisboaPortuguêsMuttersprachliche Dialoge
윈터 프라미스한국어Muttersprachliche Dialoge
El Secreto de CostaEspañolMuttersprachliche Dialoge
浪人の誓い日本語Muttersprachliche Dialoge
Ikrar JakartaBahasa IndonesiaMuttersprachliche Dialoge
Зимняя коронаРусскийMuttersprachliche Dialoge
L’Héritier du DéfiléFrançaisMuttersprachliche Dialoge
Il Tavolo dell'OlivaItalianoMuttersprachliche Dialoge
De Vuurtoren van de FjordNederlandsMuttersprachliche Dialoge
العهد الصحراويالعربيةMuttersprachliche Dialoge
Çantasındaki SözleşmeTürkçeMuttersprachliche Dialoge
Die Istanbul-TäuschungDeutschIn deiner Sprache
Останній сигналУкраїнськаMuttersprachliche Dialoge
問劍青雲繁體中文Muttersprachliche Dialoge
The Last EnvelopeEnglishMuttersprachliche Dialoge
In SceneMixer vs. Tools zusammenstückeln
Die meisten AI-Drama-Workflows bestehen aus fünf oder sechs Tools hintereinander. Hier siehst du, wo jeder Schritt in SceneMixer stattfindet und was er ersetzt.
| Schritt | In SceneMixer | Von Hand mit einzelnen Tools |
|---|---|---|
| Drehbuch und Episodenplan | Füge ein Drehbuch oder einen Roman ein oder tippe eine Zeile: Daraus werden eine Besetzung, Schauplätze, Requisiten und eine Episodenübersicht herausgelesen, die du bearbeiten kannst | Ein Chat-Modell schreibt das Drehbuch; du teilst es in Episoden auf und trägst den Text von Tool zu Tool |
| Gesichter der Figuren und Schauplätze | Jede Figur, jeder Schauplatz und jede Requisite wird einmal als Referenzbogen gezeichnet und jeder Einstellung beigefügt, in der sie vorkommt | Ein Bildmodell, ein Bogen nach dem anderen; die passende Referenz lädst du für jeden Clip selbst hoch |
| Einstellungen | Ein Storyboard pro Episode mit nummerierten Einstellungen und Sekunden; das Video wird Segment für Segment in 9:16 oder 16:9 anhand derselben Bögen generiert | Ein Videomodell, ein Clip pro Prompt, und dieselben Personen beschreibst du jedes Mal neu |
| Stimmen und Dialog | Die Zeilen werden im Video selbst gesprochen, eine Stimme pro Figur, in einer von 15 Sprachen | Ein Text-to-Speech-Tool für jede Zeile, danach eine Lippensynchronisation für jeden Clip |
| Eine Einstellung korrigieren | Den Text dieser Einstellung bearbeiten und nur das Segment neu generieren; der Rest der Episode bleibt unberührt | Den Clip neu generieren, dann die Timeline neu schneiden |
| Fertigstellung | Die Segmente werden mit der Musik zu einer Episodendatei zusammengesetzt; Mitglieder laden sie ohne AI-Kennzeichnung herunter | Ein Videoeditor, um die Clips zusammenzufügen, Musik und Untertitel hinzuzufügen und dann zu exportieren |
| Veröffentlichen | Du lädst die fertige Episode auf TikTok, YouTube, Instagram oder sonst wohin hoch; nichts wird für dich gepostet | Von Hand hochladen, genau wie hier |
Häufig gestellte Fragen
Ist das Lippensynchronisation?
Nein. SceneMixer erzeugt Bild und Sprache in einem Durchgang, sodass Mund und Darstellung dieselbe Entscheidung sind. Es gibt keine separate Tonspur, die zu einem stummen Render passt, und keine Möglichkeit, ein Foto oder ein hochgeladenes Video zu steuern.
Kann ich meine eigene Stimme verwenden?
Du kannst in SceneMixer eine Aufnahme als Stimmreferenz für eine Figur hochladen. Die Stimme einer anderen Person nur mit deren Erlaubnis.
Bewegen Zuhörende in der Einstellung den Mund?
Das sollten sie nicht. SceneMixer markiert jede nicht sprechende Figur im Bild ausdrücklich mit geschlossenen Lippen. Diese Anweisung verhindert, dass ein Zuhörer die Zeile mitformt.
Was passiert bei Voice-over und Telefonaten?
SceneMixer setzt die Off-Screen-Markierung zuerst in den Lieferhinweis und beschreibt dann jede sichtbare Person in der Einstellung mit geschlossenem Mund. So ist die Zeile zu hören, ohne dass jemand im Bild zu sprechen scheint.
Warum ist meine Dialogeinstellung länger, als ich sie geschrieben habe?
Weil die Zeile Zeit braucht. SceneMixer gibt Einstellungen mit Dialog eine Untergrenze von etwa drei Wörtern pro Sekunde auf Englisch und fünf Zeichen pro Sekunde auf Chinesisch, bei sehr kurzen Zeilen mit zusätzlicher Pause. Eine Einstellung, die für ihre Zeile zu kurz ist, wird vor dem Rendern korrigiert, nicht danach.
Höre einen Charakter, bevor du eine Episode freigibst
Die kostenlose Vorschau reicht für eine Dialogzeile.
SceneMixer kostenlos testenCredit-Pakete ab 1,49 $ · Pro 7,99 $/Monat · Keine Kreditkarte zum Start nötig