Text to Speech: Texte vorlesen lassen und KI-Stimmen erstellen
Mit dem Text-to-Speech-Tool von China AI wird aus deinem Skript eine Sprachaufnahme. Wähle eine Stimme aus der Bibliothek, klone eine Stimme anhand einer Aufnahme, entwirf einen neuen Klang oder verteile einen Dialog auf mehrere Personen. So bereitest du Sprechertexte für Lerninhalte, Tutorials, Geschichten und Videos vor – mit einer Stimme und einer Formulierung, die zu deiner Botschaft passen.
Welche KI-Stimme passt zu deinem Vorhaben?
Überlege zuerst, was die Aufnahme leisten soll. Für ein sachliches Tutorial reicht häufig eine gut verständliche Sprecherstimme; dafür musst du keine eigene Stimme entwickeln. Bei einer wiederkehrenden Figur kann dagegen ihr unverwechselbarer Klang entscheidend sein. Für eine Szene mit mehreren Figuren ist es sinnvoller, die einzelnen Sätze zu verteilen, als alles als durchgehenden Monolog auszugeben.
| Dein Ausgangspunkt | Passender Modus | Das bereitest du vor |
|---|---|---|
| Ein Text, der gesprochen werden soll | Text to Speech | Das Skript und eine passende Bibliotheksstimme |
| Eine Stimme, die du nachbilden möchtest | Stimme klonen | Eine klare Aufnahme einer Stimme, die du verwenden darfst |
| Eine Vorstellung vom Klang, aber keine Aufnahme | Stimme gestalten | Eine Beschreibung der Stimme und ein Beispieltext |
| Ein Gespräch zwischen Figuren | KI-Dialog | Die Gesprächsbeiträge und ihre Zuordnung zu den Sprechern |
Höre dir die Vorschauen an, bevor du das ganze Skript erzeugst. Eine Stimme, die bei einer kurzen Begrüßung angenehm wirkt, muss einen technischen Text mit Namen und Zahlen noch lange nicht überzeugend vorlesen. Teste einen typischen Ausschnitt: einen normalen Satz, eine schwierige Formulierung und einen Satzabschluss, wie er später vorkommt. Damit vergleichst du die Stimmen anhand deines tatsächlichen Inhalts statt anhand beliebiger Hörproben.
Der Modus bestimmt auch, welches Material du brauchst. Beim Klonen beginnt die Arbeit mit einer Aufnahme, beim Gestalten mit einer Beschreibung. Beides ist unnötig, wenn eine vorhandene Stimme bereits den passenden Ton trifft. Wähle den einfachsten Weg, der deine Anforderungen erfüllt, statt zusätzliche Vorbereitungsschritte nur wegen der verfügbaren Optionen einzubauen.
Aus einem Lesetext wird ein gut verständliches Voiceover
Ein Text für den Bildschirm braucht oft eine Überarbeitung, bevor er sich gut anhört. Beim Zuhören lässt sich der Anfang eines langen Satzes nicht so leicht nachlesen. Teile dichte Anweisungen in einzelne Handlungen auf, benenne Bezüge eindeutig und entferne Überschriften oder Anmerkungen, die nicht gesprochen werden sollen. So folgt die Aufnahme dem Verständnis des Publikums, nicht nur der Struktur des Dokuments.
Lies das Skript einmal laut. Wo du von selbst Luft holst, ist ein neuer Satz manchmal hilfreicher als ein weiteres Komma. Lege bei Daten, Abkürzungen und Produktnamen die gewünschte Aussprache fest. Aus „18. September“ kann im Sprechertext beispielsweise „achtzehnter September“ werden, wenn genau diese Lesart gemeint ist. Auf Folien und in Untertiteln bleibt die übliche Schreibweise; im Voiceover-Skript steht die gesprochene Form.
So gehst du bei der Umwandlung von Text in Audio vor:
- Wähle den Modus und die Stimme passend zur Aufnahme.
- Gib einen kurzen, typischen Ausschnitt deines Skripts ein.
- Erzeuge eine Hörprobe und prüfe Aussprache, Rhythmus und Tonfall.
- Überarbeite problematische Formulierungen und erstelle anschließend die vollständige Passage.
- Lade das Audio herunter und höre es zusammen mit den vorgesehenen Bildern oder Lernmaterialien an.
Bei einem Bildschirmtutorial sollte der Sprechertext zu den sichtbaren Handlungen passen. Lass dem Publikum Zeit, einen Button zu finden, bevor du den nächsten Schritt erklärst. Nenne bei einer Einleitung früh den Zweck des Videos, statt mit mehreren Sätzen Hintergrundwissen anzufangen. Ein besser sprechbares Skript verbessert den Nutzen des Voiceovers häufig stärker als ein ständiger Wechsel der Stimme.
Stimme klonen oder gestalten: Aufnahme und Beschreibung als Ausgangspunkt
Stimmenklonen ist sinnvoll, wenn bereits feststeht, wie die Stimme klingen soll. Nutze eine saubere Aufnahme mit einer einzelnen Person, gleichmäßiger Lautstärke und wenig Hintergrundgeräuschen. Unterstützt werden Referenzen von 3–30 Sekunden mit maximal 10 MB. Wähle eine Passage, die zur gewünschten Sprechweise passt: Für eine Lektion ist eine ruhige Erklärung hilfreicher als ein aus der Ferne aufgenommener Ruf.
Höre die Referenz vor dem Hochladen vollständig an. Musik, Raumhall, überlappende Stimmen und abgeschnittene Wörter erschweren die Beurteilung des eigentlichen Klangs. Eine längere Aufnahme ist nicht automatisch besser, wenn die zusätzlichen Sekunden Rauschen oder eine wechselnde Sprechweise enthalten. Nimm bei Bedarf in einer ruhigeren Umgebung neu auf und halte den Abstand zum Mikrofon möglichst konstant.
Voice Design ist die Alternative, wenn du eine neue Stimme entwickeln statt eine vorhandene nachbilden möchtest. Beschreibe hörbare Eigenschaften: warm oder zügig, gesprächsnah oder eher zurückhaltend erzählend. Die Beschreibung sollte in sich schlüssig bleiben. Widersprüchliche Richtungen machen nicht präziser, was du hören möchtest, sondern lassen den beabsichtigten Charakter der Stimme offen.
Jeder Durchlauf von Voice Design erzeugt eine neue Stimme. Gefällt dir ein Ergebnis, das du wiederverwenden möchtest, lade die Aufnahme herunter und nutze einen geeigneten Ausschnitt als Referenz beim Stimmenklonen. Bewahre sie beim Projekt auf. Spätere Aufnahmen beginnen dadurch mit demselben Klangbeispiel, nicht mit einer erneuten Interpretation der Beschreibung.
Mehrere Sprecher zu einem KI-Dialog zusammenstellen
KI-Dialog ordnet die Aufnahme nach Sprechern und Gesprächsbeiträgen. Das passt zu Inhalten, die vom Austausch leben: eine Frage im Unterricht, ein Streit zwischen Figuren oder ein Interview mit einem fiktiven Gast. Verteile zuerst die Sätze und prüfe dann, ob jede Figur eine klare Aufgabe in der Szene hat. So entsteht bereits im Skript ein nachvollziehbares Gespräch.
Kurze Wechsel lassen sich leichter verfolgen als abwechselnd vorgelesene Textblöcke. Gib einer Figur eine Frage oder Beobachtung, auf die der nächste Beitrag tatsächlich reagiert. Dadurch hat der Dialog eine Richtung. Einen Absatz nur auf verschiedene Stimmen aufzuteilen, schafft dagegen noch keine glaubwürdige Unterhaltung, auch wenn sich die Stimmen deutlich unterscheiden.
Im Dialogmodus lassen sich außerdem Tags für Sprechweise und Effekte verwenden. Setze sie dort ein, wo eine einzelne Zeile eine bestimmte Richtung braucht, und höre das Ergebnis im Zusammenhang. Eine Reaktion, die allein gut funktioniert, kann zwischen zwei ruhigen Sätzen übertrieben wirken. Diese Steuerung gehört zum Dialogablauf und ist kein Grund, jedes Text-to-Speech-Skript mit Anweisungen in Klammern zu versehen.
In einem Lerndialog gehören die sachlichen Informationen in die gesprochenen Sätze. Die Darbietung darf die Sprecher unterscheiden, die Erklärung sollte aber auch ohne dramatische Effekte verständlich bleiben. Wer zuhört, sollte beim ersten Durchgang erkennen können, welche Frage gestellt wurde und welcher Beitrag sie beantwortet.
Voiceovers für Unterricht, Anleitungen und Figurenszenen
Eine gesprochene Lektion braucht eine verständliche Reihenfolge: Begriff einführen, die einzelnen Aspekte erklären und mit dem Gedanken enden, der hängen bleiben soll. Fachausdrücke sollten im gesamten Skript gleich ausgesprochen werden. Wenn du einen Namen für die Aufnahme anders schreibst, nutze diese gesprochene Schreibweise auch in späteren Abschnitten, damit die Aussprache nicht mitten im Inhalt wechselt.
Eine Produktanleitung lebt von konkreten Handlungen und passendem Timing. Ersetze „Mach das als Nächstes“ durch den Schritt, der gerade gezeigt wird. Bleibe beim sichtbaren Bereich der Oberfläche. Gleiche die heruntergeladene Aufnahme anschließend im Videoeditor mit dem Bildschirmvideo ab: Die Spracherzeugung synchronisiert das Audio nicht automatisch mit einer vorhandenen Zeitleiste.
Bei einer Figurenszene zählen erkennbare Stimmen und glaubwürdige Antworten. Schaffe den Unterschied zwischen den Rollen zunächst durch Auswahl und Text, bevor du die Darbietung verstärkst. Eine Figur spricht vielleicht kurz und praktisch, die andere stellt offene Fragen. Dieser Kontrast bleibt auch bei zurückhaltendem Vortrag hörbar und muss nicht allein durch auffällige Effekte entstehen.
Für eine Serie speicherst du freigegebene Schreibweisen und Audioreferenzen beim Projekt. Einheitliche Namen, Einleitungen und Ausspracheentscheidungen erleichtern die nächste Folge. Neue Aufnahmen lassen sich dann mit einem klaren Vorbild vergleichen, statt dass du dich auf die Erinnerung an den Klang der letzten Produktion verlassen musst.
Vom Sprechertext zum sprechenden Avatar
Wenn du nur eine Tonspur brauchst, ist Text to Speech die passende Wahl. Soll eine sichtbare Person dieselbe Erklärung vortragen, geht es mit dem KI-Avatar-Videogenerator weiter. Dort wird ein Porträt mit einem Skript oder hochgeladenem Audio zu einem sprechenden Foto kombiniert.
Prüfe die Aufnahme, bevor du das Avatar-Video erzeugst. Ein unklarer Satz oder falsch ausgesprochener Name lässt sich in diesem Schritt gezielter korrigieren. Wenn die Botschaft akustisch funktioniert, verbindest du sie mit einem geeigneten Porträt und bewertest im Video sowohl die Darbietung als auch die Lippensynchronität.