KI-Stimmengenerator

Was einen KI-Stimmengenerator menschlich klingen lässt

Die meisten Menschen erkennen eine synthetische Stimme nach zwei Sätzen – und selten liegt es an der Klangfarbe. Es ist der Rhythmus: Jeder Satz landet mit demselben Gewicht, niemand atmet, und ein Witz wird vorgelesen wie ein Haftungsausschluss. Dieser KI-Stimmengenerator wurde gebaut, um genau diesen Rhythmus zu reparieren, statt einer etwas schöneren Klangfarbe hinterherzujagen.

Bei jedem ernstzunehmenden Stimmengenerator erledigen drei Dinge die meiste Arbeit. Erstens die Emotion: Im Automatikmodus liest das Modell jede Zeile und wählt den passenden Ton; muss ein Satz in jedem Fall traurig, überrascht oder ruhig klingen, legen Sie ihn von Hand fest. Zweitens nonverbale Laute: Wenn Sie (laughs), (sighs), (breath) oder (clear-throat) ins Skript schreiben, lacht, seufzt oder atmet die Stimme genau an dieser Stelle – das verwandelt eine Liste von Sätzen in jemanden, der spricht. Drittens das Timing: Eine Marke wie <#0.8#> erzwingt exakt diese Stille, und der Abstand zwischen Absätzen ist einstellbar, damit eine Pointe nach einer kurzen Pause sitzt, statt durchgehetzt zu werden.

Zeilenweise Bearbeitung: der Grund, warum Sie bleiben werden

Die häufigste Beschwerde über Text-to-Speech-Tools: Man muss einen ganzen Absatz neu erzeugen – und neu bezahlen –, weil ein einziges Wort falsch klang. In diesem KI-Stimmengenerator wird jeder Absatz als eigenständige Zeile erzeugt und gespeichert. Nach einem Durchgang erscheint jede Zeile unter dem Player in einem bearbeitbaren Feld. Sie ändern die fehlerhafte Zeile, klicken auf Aktualisieren, und nur diese Zeile geht zurück an die Stimme; alle anderen kommen kostenlos aus Ihrem vorherigen Durchgang. Ändern Sie nur die Pause zwischen den Zeilen, zahlen Sie gar nichts – das Audio wird einfach neu zusammengesetzt.

Damit werden auch lange Skripte handhabbar. Ein zehnminütiges Erklärvideo lässt sich in einem Zug schreiben, beim Anhören prüfen und Satz für Satz korrigieren – so wie ein Toningenieur im Studio einen Take ausbessert. Ein Stimmengenerator, der nur einmal durchläuft, kann das nicht.

Namen, Marken und Wörter, die immer falsch klingen

Öffnen Sie das Aussprache-Panel und bringen Sie es der Stimme einmal bei: Schreiben Sie das Wort, wie es im Skript steht, und wie es klingen soll. Sie können festlegen, dass „Nguyen“ wie „win“ gesprochen wird, dass ein Kürzel buchstabiert wird oder wo die Betonung Ihres Produktnamens liegt. Für exakte Kontrolle können Sie auch IPA in Klammern schreiben. Die Korrekturen gelten für jede Zeile des Durchgangs und bleiben aktiv, wenn Sie später Zeilen aktualisieren.

Stimmen, Sprachen und Ihre eigene Stimme

Die Bibliothek umfasst 118 Stimmen: 46 englische mit amerikanischem, britischem, australischem und indischem Akzent, zwölf japanische Figurenstimmen und Stimmen auf Deutsch, Spanisch, Portugiesisch, Französisch, Italienisch, Koreanisch, Mandarin, Kantonesisch, Hindi, Arabisch, Russisch, Indonesisch, Türkisch, Niederländisch, Polnisch, Vietnamesisch und Thailändisch. Alle sind in der Lautstärke angeglichen, sodass ein Dialog zwischen zwei Stimmen beim Sprecherwechsel nicht springt. Passt keine, beschreiben Sie die gewünschte Stimme – Alter, Akzent, Ton, Tempo – und der KI-Stimmengenerator gestaltet eine neue, oder klonen Sie aus einer kurzen Aufnahme eine Stimme, die Sie verwenden dürfen. Beides kostet extra; Stimmen aus der Bibliothek kosten nur die erzeugten Zeichen.

Das fertige Audio kommt mit Untertiteln. Jeder Durchgang erzeugt eine SRT- und eine VTT-Datei, die auf die tatsächliche Sprache getimt sind – bereit für YouTube, Premiere, CapCut oder eine Lernplattform, damit die Untertitel nie vom Voiceover abweichen.

Brauchen Sie eine Figur statt eines Erzählers, treibt dieselbe Engine spezialisierte Seiten an: einen Roboterstimmen-Generator, eine Trailer-Stimme, einen Generator für britischen Akzent und Anime-Stimmen, jeweils mit Voreinstellungen für genau diesen Klang.

Skripte schreiben, die gesprochen klingen, nicht vorgelesen

• Halten Sie Sätze unter etwa 25 Wörtern. Lange Sätze zwingen jeden Stimmengenerator, eine einzige Satzmelodie über zu viel Text zu halten.
• Schreiben Sie Zahlen so, wie Sie sie hören wollen: „zweitausendsechsundzwanzig“, „null eins sieben, zwölf vierunddreißig“.
• Beginnen Sie einen neuen Absatz dort, wo ein Mensch Luft holen oder das Thema wechseln würde – genau dort wollen Sie später auch korrigieren.
• Setzen Sie Laut-Tags sparsam ein. Ein (laughs) pro Minute klingt natürlich, drei hintereinander klingen gekünstelt.
• Lesen Sie Ihr Skript vor dem Erzeugen einmal laut vor. Wenn Sie stolpern, stolpert die Stimme wahrscheinlich auch.
• Legen Sie für Markennamen vor dem ersten Durchgang eine Aussprachekorrektur an, statt das Wort phonetisch zu schreiben.

Wenn der Stimmengenerator danebenliegt

Ein Wort wird falsch ausgesprochen

Fügen Sie es zu den Aussprachekorrekturen hinzu, bearbeiten Sie die Zeile (schon ein Leerzeichen zählt als Änderung) und aktualisieren Sie. Nur diese Zeile wird berechnet.

Der Vortrag klingt flach

Stellen Sie die Emotion von automatisch auf die gewünschte Stimmung um, oder teilen Sie den Absatz auf, damit jede Idee ihre eigene Satzmelodie bekommt.

Für ein Tutorial ist es zu schnell

Gehen Sie auf 0,9× herunter und lassen Sie 0,5 bis 0,8 Sekunden zwischen den Absätzen. Pausen helfen dem Verständnis mehr als langsames Sprechen.

Der Durchgang ist fehlgeschlagen

Ihre Credits werden automatisch zurückgebucht. Häufigste Ursache ist Text, den der Stimmanbieter nicht vorlesen will; formulieren Sie um und versuchen Sie es erneut.