SceneMixer
Deutsch
Kostenlos registrieren

KI-Text-to-Speech

Kurze Antwort: KI-Text-to-Speech (TTS) liest geschriebenen Text mit einer neuronalen Stimme vor. Das Modell berechnet, wie jeder Satz klingen soll, also Wörter, Betonung, Pausen und Tonhöhe, und erzeugt dann das Audio. Es klingt daher wie von einem Menschen gelesen und nicht wie aus aufgenommenen Silben zusammengesetzt. Wähle ein Tool nach den Sprachen und Stimmen, die du brauchst, nach der Kontrolle über Aussprache und Tempo und danach, ob du das Audio kommerziell nutzen darfst. Auf SceneMixer werden die Zeilen nicht nachträglich über ein Video gelesen: Jede Figur spricht sie im erzeugten Clip mit ihrer eigenen Stimme.
Standbild aus „Neon Debt“, einer vollständig von SceneMixer generierten AI-Kurzserie (7 Charaktere, 1 Episode)
BeispielNeon DebtSpielengine-Realismus1 EpisodeVollständig von SceneMixer aus dem Skript produziertEpisoden ansehen

So funktioniert KI-Text-to-Speech

Ein modernes Text-to-Speech-System läuft in drei Schritten ab:

  1. Textnormalisierung: Zahlen, Datumsangaben, Abkürzungen und Symbole werden zu Wörtern, und der Kontext entscheidet, wie: „Dr.“ wird vor einem Namen zu „Doktor“, „Str.“ nach einem Namen zu „Straße“.
  2. Aussprache und Prosodie: Die Wörter werden zu Lauten, und das Modell sagt Betonung, Pausen, Tonhöhe und Tempo aus dem ganzen Satz voraus. Deshalb steigt eine Frage am Ende an, und eine Aufzählung hat kleine Pausen.
  3. Audio: Ein neuronales Modell erzeugt die Wellenform, also den Klang selbst, entweder über ein Zwischenbild des Klangs, ein sogenanntes Spektrogramm, oder direkt.

Ältere Systeme klebten kurze Aufnahmen einer Sprecherin oder eines Sprechers zusammen, deshalb klangen sie an den Nahtstellen abgehackt. Neuronale Stimmen werden mit vielen Stunden aufgenommener Sprache trainiert und erzeugen jeden Satz neu. So liest dieselbe Stimme auch Text, den sie nie gehört hat, mit natürlichem Rhythmus.

KI-Text-to-Voice, KI-Stimmgenerator, TTS: was die Begriffe bedeuten

NameWas es meist bedeutetTypische Verwendung
Text-to-Speech (TTS)Text rein, gesprochenes Audio raus, mit einer fertigen StimmeErzählung, Barrierefreiheit, Artikel vorlesen
Text-to-VoiceEin anderer Name für dasselbeDasselbe
KI-StimmgeneratorText-to-Speech plus Stimmgestaltung: eine Stimme wählen oder beschreiben, oft klonenVoice-overs, Figuren, Werbung
Voice CloningEine neue Stimme, aus der Aufnahme einer echten Person gebautDeine eigene Stimme in großem Umfang, mit Einwilligung
KI-StimmwechslerSprache rein, Sprache raus: deine eigene Aufnahme mit neuer StimmeStreams, neue Vertonung einer Aufnahme

Ein Tool, das als KI-Stimmgenerator verkauft wird, ist meist Text-to-Speech mit größerer Bibliothek und mehr Kontrolle. Der Stimmwechsler fällt aus der Reihe: Er braucht eine Aufnahme als Ausgangspunkt, keinen Text.

So wählst du einen KI-Text-to-Speech-Generator

KI-Text-zu-Sprache kostenlos oder Text-zu-Sprache gratis: was kostenlose Tarife meist einschränken

Gratistarife eignen sich gut, um eine Stimme auszuprobieren. Meist begrenzen sie mindestens eines davon: Zeichen pro Monat, Anzahl der Stimmen, Downloads, kommerzielle Nutzung oder die Qualität der Datei. Manche kostenlosen Online-Vorleser spielen das Audio nur im Browser ab und lassen dich es nicht speichern. Bevor du ein Projekt auf einem Gratistarif aufbaust, prüfe, ob die gewählte Stimme auch im Tarif enthalten ist, für den du zahlen würdest, und lies die Lizenz für den Ort, an dem du veröffentlichst.

Text schreiben, der beim Vorlesen gut klingt

KI-Voice-over für Videos: darüber gelesen oder in der Szene gesprochen

Es gibt zwei Wege, eine KI-Stimme auf ein Video zu bringen. Der übliche ist ein Voice-over: Du erzeugst die Erzählung als Audio, legst sie im Schnittprogramm unter das Bild und kürzt das Bild passend. Das passt zu Erklärvideos, Tutorials und Dokumentationen, in denen niemand im Bild spricht.

Wenn eine Figur im Bild die Zeile sprechen muss, bedeutet eine separate Audiodatei, dass man die Lippen nachträglich synchronisieren muss. Neuere Videomodelle erzeugen die Sprache zusammen mit dem Bild, sodass Mund und Worte aus demselben Durchlauf kommen. Das passt zu Drama und Dialog, nicht zu Erzählung.

Eigene KI-Stimme erstellen: Cloning und Einwilligung

Voice Cloning baut eine Stimme aus einer Musteraufnahme; sauberes Audio ergibt meist eine bessere Ähnlichkeit. Klone nur deine eigene Stimme oder eine, für die du die Erlaubnis hast, bewahre diese Erlaubnis schriftlich auf und schreib in die Beschreibung, wenn eine Stimme synthetisch ist. Viele Dienste klonen bekannte Stimmen nicht, und Plattformen verlangen zunehmend, dass Urheber realistisch klingende synthetische Audios kennzeichnen.

Ein fünfminütiger Test, bevor du dich für eine Stimme entscheidest

  1. Wähle den Absatz deines Skripts, der einen Namen, eine Zahl und eine Frage enthält.
  2. Erzeuge ihn mit drei Stimmen und höre auf den Lautsprechern, die dein Publikum nutzt, etwa einem Handy.
  3. Korrigiere, wie Namen und Zahlen geschrieben sind, und erzeuge dann neu.
  4. Prüfe das Tempo gegen das Bild oder die Lesezeit, die du brauchst.
  5. Lies die Lizenz für den Ort, an dem du veröffentlichst, bevor du das ganze Skript erzeugst.
Erzählung über dem VideoSprache, die mit dem Bild erzeugt wird
Passt zuErklärvideos, Tutorials, DokumentationenDrama, Dialog, Figuren im Bild
LippenNiemand spricht im Bild, oder es wird nachträglich synchronisiertBewegen sich mit den Worten in derselben Einstellung
Eine Zeile ändernNeues Audio, dann den Schnitt neu bearbeitenDiese Einstellung neu erzeugen oder neu vertonen
Die StimmeJede Text-to-Speech-StimmeDie für diese Figur festgelegte Stimme

FAQ

Hat SceneMixer Text-to-Speech?

Nicht als separater Audiodownload. Auf SceneMixer werden die Zeilen jeder Figur im erzeugten Video gesprochen, mit der für diese Figur festgelegten Stimme, und die Lippen der sprechenden Figur bewegen sich zu den Worten.

Ist die Stimme auf SceneMixer kostenlos?

Die Stimme gehört zum Video und wird nicht separat berechnet. Ein neues SceneMixer-Konto startet mit 50 Credits, Video kostet auf dem Standardtarif 10 Credits pro Sekunde, und einer Figur eine Stimme zuzuordnen kostet nichts.

Wie wähle ich eine Stimme für eine Figur?

Auf SceneMixer bekommt jede Figur eine Stimme, die in Worten beschrieben wird, etwa Alter, Klangfülle und Tempo, oder eine Voreinstellung aus der Stimmbibliothek, die du vor der Wahl anhören kannst.

Kann ich meine eigene KI-Stimme erstellen?

Mit einem kostenpflichtigen SceneMixer-Tarif kannst du eine Aufnahme hochladen, deren Nutzung du erlaubt ist, und sie als Stimme einer Figur verwenden. Sie wird in jedem Segment verwendet, in dem diese Figur spricht.

Wie füge ich ein KI-Voice-over hinzu?

Beginne im SceneMixer-Storyboard die Notiz der Zeile mit (voice-over). Die Zeile ist dann in der Einstellung zu hören, und niemand im Bild bewegt die Lippen.

Kann eine Zeile wütend, müde oder geflüstert klingen?

Ja. Auf SceneMixer trägt jede Zeile eine Vortragsangabe in Klammern, etwa (leise, gleichmäßig), und sie wird so gesprochen.

Welche Sprache sprechen die Figuren?

Die Dialogsprache des Projekts, die du in Schritt 1 auf SceneMixer wählst. Schreib die Zeilen in dieser Sprache, denn sie ist es, die die Stimmen sprechen.

Kann ich eine Zeile ändern, nachdem das Video fertig ist?

Ja. Nachsynchronisation auf SceneMixer ersetzt eine Zeile in einem fertigen Clip, und die Option Originalstimme behält die Stimme der sprechenden Person aus diesem Clip bei.

Kann ich die Stimme einer Berühmtheit klonen?

Nein. SceneMixer nimmt nur deine eigene Stimme oder eine, für die du die Erlaubnis hast.

Ist das eine KI-Text-to-Speech-Software, die ich installiere?

Nein. SceneMixer läuft im Browser und auf Android als App. Die Stimmen werden zusammen mit dem Video auf den Servern erzeugt.

Lass deine Figuren ihre Zeilen sprechen

Schreib eine kurze Szene, gib jeder Figur eine Stimme und rendere ein Segment, um es zu hören.

Projekt starten

Aktualisiert am 20. November 2026