KI-Stimme klonen: aufnehmen, bereinigen und nutzen

Aus der Aufnahme einer Person entsteht eine synthetische Stimme, die wie sie klingt. Ab dann schreibst du einen Text, und die Stimme liest ihn vor. Du musst nicht noch einmal aufnehmen.

Ein Tool zum Stimmklonen kopiert Merkmale, keine Sätze. Zum einen das Timbre, an dem du jemanden am Telefon nach zwei Wörtern erkennst. Zum anderen die Sprechweise: Akzent, Tempo, wie die Betonung steigt und fällt, wie viel Energie in jedem Satz steckt. Für beides genügen ein paar Sekunden sauberes Audio.

Deshalb erbt der Klon die ganze Aufnahme, Fehler inklusive. Nimmst du müde auf, klingt er müde. Hat der Raum ein Echo, wird das Echo Teil deiner Stimme. Das meiste entscheidet sich beim Aufnehmen, lange bevor du auf die Schaltfläche klickst.

Du brauchst kein Studio. Ein aktuelles Smartphone nimmt mehr als genug auf, wenn du es richtig nutzt, und am stärksten wirken sich Raum und Sprechweise aus.

• Eine Aufnahme von 15 bis 60 Sekunden, in der nur eine Person spricht: du oder jemand, der dir schriftlich die Erlaubnis gegeben hat.
• Eine MP3-, WAV- oder M4A-Datei. Wenn deine Stimme in einem Video steckt, extrahiere zuerst das Audio: Hochgeladen wird der Ton, nicht das Video.
• Ein ruhiger Raum mit Möbeln, Vorhängen oder aufgehängter Kleidung, die das Echo schlucken.
• Gekaufte Credits: Das Klonen kostet 199 Credits, und die Gratis-Credits des Monats gelten dafür nicht.

Nimm 15 bis 60 Sekunden durchgehende Sprache auf, in einem Raum ohne Echo, eine Handbreit vom Mikrofon entfernt und so gesprochen, wie du später klingen willst. Das ist die Kurzfassung, die Details stehen unten.

Du brauchst weniger Audio, als man meist denkt. Mit 10 bis 20 sauberen Sekunden einer einzelnen Person ist die Ähnlichkeit da, und weitere 20 oder 60 Sekunden verbessern sie nicht.

Hast du nur die Tonspur eines alten Videos oder aus einem Raum mit Echo, kannst du sie vor dem Klonen mit der Option „Aufnahme verbessern“ bereinigen, die Hintergrundrauschen und Raumecho entfernt.

Die naheliegende Frage ist, ob das Bereinigen der Stimme nimmt, was sie zu deiner macht. Nein: Sie bleibt als deine erkennbar, und je schmutziger die Aufnahme, desto mehr gewinnt sie.

Klingt deine Aufnahme schon sauber, lass es: Es gibt nichts zu reparieren, und es kann die Ähnlichkeit mindern. Es kostet 99 Credits extra, und Voizum sagt dir in beiden Fällen Bescheid: wenn es Rauschen hört, das sich zu entfernen lohnt, und wenn die Aufnahme schon in Ordnung ist.

Es dauert ein paar Minuten, die meiste Zeit davon wartest du:

1. 1Öffne „Stimmen“ und klicke auf „Neue Stimme klonen“. Du kannst eine Datei hochladen oder direkt im Browser aufnehmen: Die Aufnahme stoppt nach einer Minute von selbst.
2. 2Höre dir die Sprachprobe an. Erscheint ein Hinweis auf Rauschen, Übersteuerung oder niedrige Qualität, nimm vor dem Weitermachen einen neuen Take auf.
3. 3Gib ihr einen Namen, den du wiedererkennst, etwa „Meine Stimme, Erzählung“. Die Beschreibung ist optional.
4. 4Entscheide, ob du sie verbesserst (nur bei Rauschen oder Echo) und ob du den Modus ohne Akzent aktivierst (nur, wenn du sie vor allem in einer anderen Sprache nutzt).
5. 5Bestätige, dass es deine Stimme ist oder dass du die Erlaubnis des Inhabers hast, und klicke auf „Stimme erstellen“. Eine Sprache musst du nicht wählen: Sie wird aus der Aufnahme erkannt.
6. 6Du kannst den Tab schließen, während die Stimme vorbereitet wird. Wenn sie fertig ist, erscheint sie unter deinen Stimmen mit einer Hörprobe.

Die Hörprobe auf der Stimmenkarte ist ein erster Filter, aber der echte Test ist ein Text von dir. Erstelle einen Absatz aus deinem nächsten Skript, keinen einzelnen Satz, und höre ihn mit Kopfhörern an.

• Ähnlichkeit: Spiele deine Aufnahme und das erzeugte Audio hintereinander ab. Wenn jemand aus deinem Umfeld nicht auf Anhieb sagen kann, was was ist, passt es.
• Energie: Klingt es flacher als du, war die Aufnahme fast immer flach. Nimm noch einmal mit mehr Ausdruck auf.
• Rauschen oder Echo im Ergebnis: Das steckte schon in der Probe. Verbessere sie oder nimm in einem anderen Raum auf.
• Seltsame Wörter: Beträge, Datumsangaben, Uhrzeiten und Preise werden von allein gut gelesen, Kürzel, Abkürzungen und Symbole dagegen so, wie sie geschrieben stehen. Willst du eine bestimmte Lesart, schreib sie, wie sie klingt („Ze-O-Zwei“, „dreimal“ statt „3x“).

Deine geklonte Stimme spricht alle 7 Sprachen von Voizum: Deutsch, Englisch, Spanisch, Französisch, Portugiesisch, Italienisch und Russisch. Die Sprache jedes Audios ergibt sich aus dem Text, den du schreibst. Du kannst also auf Deutsch aufnehmen und ein englisches Skript erstellen.

Beim vollständigen Klon spricht deine Stimme Englisch mit deinem Akzent, so wie du es selbst tun würdest. Für einen deutschen Kanal mit einzelnen englischen Videos ist das meist das Natürlichste. Wenn du vor allem in einer anderen Sprache veröffentlichst und nicht willst, dass man den Akzent hört, erstelle eine zweite Version deiner Stimme im Modus ohne Akzent.

Deine eigene Stimme zu klonen ist legal. Die Stimme einer anderen Person zu klonen ist nur mit deren Erlaubnis zulässig, und sie so zu verwenden, dass es aussieht, als hätte sie etwas gesagt, was sie nicht gesagt hat, kann je nach Land und Verwendung strafbar sein. Bei Voizum darfst du nur deine eigene Stimme oder die einer Person klonen, die es dir erlaubt hat. Stimmen von Prominenten und das Ausgeben als jemand anderes sind nicht erlaubt.

Bei Voizum nicht: Das Klonen kostet 199 Credits und setzt voraus, dass du schon einmal gekauft hast. Die Gratis-Credits jeden Monat mit Google (600 Credits, etwa 10 Minuten) sind zum Erstellen von Audios mit den über 300 Stimmen der Stimmbibliothek da, nicht zum Klonen.

Außerhalb von Voizum gibt es zwei Wege. Open-Source-Modelle klonen eine Stimme aus wenigen Sekunden und laufen auf deinem Rechner, brauchen aber eine leistungsstarke Grafikkarte und technische Erfahrung, und die Qualität hängt davon ab, wie du sie einrichtest. Videoschnitt- und Sprach-Apps mit Klonfunktion behalten sie meist den Bezahlplänen vor oder erlauben nur sehr wenige Nutzungen im Monat.

Wenn du nur eine Stimme brauchst, die dein Skript vorliest, und es nicht deine eigene sein muss, brauchst du nicht zu klonen: Eine Stimme aus der Bibliothek mit den Gratis-Credits des Monats kann für den Anfang reichen.

• Das Audio eines Videos mit Hintergrundmusik verwenden. Die Musik sickert in die Stimme. Nimm separat auf oder verbessere die Aufnahme zuerst, wenn es keine andere gibt.
• Im Bad aufnehmen, „weil es gut klingt“. Es klingt wegen des Halls gut, und dieser Hall wird mitgeklont.
• Hastig lesen, um schneller fertig zu sein. Der Klon wird in all deinen Audios hastig sprechen.
• Zwei Sitzungen oder zwei Mikrofone in einer Probe mischen. Nimm einen einzigen durchgehenden Take.
• Die Aufnahme mitten im Wort statt in einer Pause abschneiden.
• Den Modus ohne Akzent aktivieren, um die Stimme in deiner eigenen Sprache zu nutzen: Du verlierst Ähnlichkeit und gewinnst nichts.
• Eine Aufnahme verbessern, die schon sauber war.
• Den Klon an einem einzigen Satz beurteilen. Teste einen langen Absatz aus einem echten Skript.