ElevenLabs Voiceover: so gelingt realistische KI-Vertonung

ElevenLabs ist ein KI-Audiounternehmen, das vor allem für natürlich klingende Text-to-Speech-Technik mit glaubwürdiger Betonung, Tempo und Emotion bekannt ist. Darum herum bietet es eine Bibliothek fertiger Stimmen, Werkzeuge zum Gestalten oder Klonen von Stimmen, einen Stimmwechsler, der eine Aufnahme in eine andere Stimme umwandelt, automatisches Dubbing in andere Sprachen, einen Editor für lange Texte wie Hörbücher und Podcasts, die Erzeugung von Soundeffekten und Speech-to-Text. Entwickler können dieselbe Technik über eine API nutzen, auch für Sprachagenten, die Gespräche führen.

Zu den typischen Nutzern zählen Videoproduzenten, die eine Erzählstimme brauchen, E-Learning-Teams, Marketingleute, die Werbespots und Erklärvideos produzieren, Spieleentwickler, die Figuren vertonen, Verlage, die Hörbücher erstellen, und Menschen, die synthetische Sprache als Barrierefreiheitshilfe nutzen.

Die Nutzung wird in Credits gemessen, die davon abhängen, wie viel Text Sie umwandeln und welche Funktionen Sie verwenden. Die Tarife unterscheiden sich in ihren Kontingenten und darin, welche Werkzeuge und Rechte enthalten sind; prüfen Sie daher die aktuelle Tarifseite, bevor Sie sich entscheiden.

ElevenLabs bietet mehrere Sprachmodelle. Manche legen den Schwerpunkt auf Ausdruck und Qualität, andere sind auf geringe Latenz in Echtzeitanwendungen abgestimmt. Für aufgezeichnete Voiceovers wählen Sie ein qualitätsorientiertes Modell; die schnellsten Modelle sind für Live-Einsätze gedacht, bei denen die Reaktionszeit wichtiger ist als Nuancen.

Schreiben Sie fürs Ohr, nicht für die Seite. Kurze Sätze klingen natürlicher als lange, und die Zeichensetzung formt den Vortrag: Kommas und Punkte erzeugen Pausen, Gedankenstriche und Auslassungspunkte verändern den Rhythmus, Fragezeichen heben die Intonation. Schreiben Sie Zahlen, Datumsangaben, Abkürzungen und Symbole so aus, wie sie gesprochen werden sollen, und geben Sie ungewöhnliche Namen phonetisch an, wenn die Stimme darüber stolpert. Für Markennamen und Fachbegriffe, die oft vorkommen, erspart ein Aussprachewörterbuch wiederholte Korrekturen.

Die Stimmeinstellungen erlauben Feinschliff. Geringere Stabilität ergibt einen ausdrucksstärkeren, abwechslungsreicheren Vortrag, höhere Stabilität klingt gleichmäßiger, kann aber flach wirken. Eine Ähnlichkeitseinstellung regelt, wie eng die Ausgabe an der Originalstimme bleibt, und Regler für Stil und Tempo passen Betonung und Geschwindigkeit an. Einige neuere Modelle nehmen außerdem kurze Hinweise in eckigen Klammern an, die den Vortrag beschreiben, etwa ein Flüstern oder ein Lachen. Erzeugen Sie bei kniffligen Zeilen zwei oder drei Takes und generieren Sie nur die Stellen neu, die es brauchen.

Die Stimmenbibliothek enthält eine große Sammlung von Stimmen, teils von ElevenLabs erstellt, viele von der Community geteilt. Sie können nach Sprache, Akzent, Geschlecht, Alter und Einsatzzweck filtern, etwa Erzählung, Gesprächston, nachrichtenartiges Vorlesen oder Figuren. Bevor Sie eine ganze Serie auf einer geteilten Stimme aufbauen, lesen Sie die Hinweise ihres Urhebers und bedenken Sie, dass eine geteilte Stimme später aus der Bibliothek entfernt werden kann.

Beim Voice Design entsteht aus einer schriftlichen Beschreibung eine neue synthetische Stimme. Sie könnten einen warmen, ruhigen Erzähler mit tiefer Lage und leicht rauem Klang verlangen oder eine helle, energiegeladene junge Moderatorin. Das Werkzeug erzeugt mehrere Hörproben, und Sie speichern die passende. Weil das Ergebnis keiner realen Person gehört, ist Voice Design ein guter Weg zu einer markanten Markenstimme, ohne jemanden zu klonen.

Bleiben Sie bei Ihrer Wahl konsequent. Verwenden Sie in einer Serie dieselbe Stimme, dasselbe Modell und dieselben Einstellungen, halten Sie diese schriftlich fest und testen Sie neue Skripte mit einer kurzen Probe, bevor Sie eine ganze Folge erzeugen.

Die mehrsprachigen Modelle von ElevenLabs können Dutzende Sprachen sprechen, und eine Stimme behält beim Sprachwechsel in der Regel ihren Charakter. Qualität und Akzent unterscheiden sich dennoch von Sprache zu Sprache. Lassen Sie daher vor der Veröffentlichung eine Muttersprachlerin oder einen Muttersprachler zuhören, besonders bei Werbung oder Lehrmaterial, wo eine falsche Betonung oder eine seltsame Formulierung das Vertrauen untergräbt.

Das Dubbing-Werkzeug nimmt eine Video- oder Audiodatei, transkribiert sie, übersetzt sie und vertont sie in der Zielsprache neu, wobei es versucht, Stimmcharakter und Timing jedes Sprechers zu erhalten. Prüfen Sie Transkript und Übersetzung vor dem endgültigen Rendern: Redewendungen, Produktnamen und Witze überstehen automatische Übersetzung selten unbeschadet.

Bedenken Sie beim Lokalisieren, dass dieselbe Botschaft in manchen Sprachen deutlich länger ausfällt als in anderen. Straffen Sie das übersetzte Skript bei Bedarf, damit die Vertonung zum Bild passt, statt die Stimme so lange zu beschleunigen, bis sie gehetzt klingt.

ElevenLabs bietet zwei Arten des Klonens. Ein Schnellklon entsteht aus einer kurzen Probe und erfasst den allgemeinen Klang einer Stimme. Ein professioneller Klon wird mit einer längeren Reihe hochwertiger Aufnahmen trainiert und klingt dem Original näher. Vor der Erstellung verlangt der Dienst eine Bestätigung, dass die Stimme Ihre eigene ist.

Die Einwilligung ist die unverhandelbare Regel. Klonen Sie nur Ihre eigene Stimme oder die einer Person, die Ihnen ausdrücklich und in Kenntnis der Sachlage zugestimmt hat, am besten schriftlich, und zwar dazu, was der Klon sagen wird, wo er eingesetzt wird, wie lange und zu welchen Bedingungen. Die Bedingungen von ElevenLabs verlangen, dass Sie für jede hochgeladene Stimme über die nötigen Rechte und Einwilligungen verfügen. Wer eine Berühmtheit, einen Politiker, eine Kollegin oder einen Verwandten ohne Erlaubnis klont, verstößt gegen diese Bedingungen, und das kann nach den Gesetzen zu Betrug, Verleumdung und Persönlichkeitsrechten rechtswidrig sein.

Auch bei der Arbeit mit Sprecherinnen und Sprechern ist dieselbe Sorgfalt nötig. Regeln Sie die Nutzung ihrer geklonten Stimme im Vertrag, beachten Sie Gewerkschafts- oder Agenturvorgaben und verwenden Sie den Klon nie für Inhalte, die sie nicht freigegeben haben. Für Ihren eigenen Klon nehmen Sie in einem ruhigen Raum in gleichbleibendem Abstand zu einem ordentlichen Mikrofon auf, ohne Musik oder Hall, in einem Sprechstil, der zu den geplanten Inhalten passt.

Sagen Sie Ihrem Publikum, wenn eine Stimme synthetisch ist, und zwar in Situationen, in denen es vernünftigerweise einen Menschen annehmen würde, etwa bei Werbung, Kundenservice-Hotlines, nachrichtenartigen Inhalten und allem, was Entscheidungen beeinflussen könnte. Viele Plattformen verlangen zudem Kennzeichnungen für realistische KI-generierte Medien.

Nutzen Sie eine synthetische Stimme nie, um jemanden zu imitieren, eine Empfehlung vorzutäuschen oder täuschende Anrufe zu tätigen. Betrügereien mit geklonten Stimmen, bei denen ein Anrufer ein Familienmitglied oder eine Führungskraft nachahmt und Geld verlangt, sind ein reales und wachsendes Problem. ElevenLabs hat Schutzmaßnahmen eingeführt und ein Werkzeug veröffentlicht, das dabei hilft, mit seinen Modellen erzeugtes Audio zu erkennen; Missbrauch kann zur Sperrung des Kontos und zu rechtlichen Folgen führen.

Es hilft außerdem, sich selbst und die eigene Familie zu schützen. Vereinbaren Sie ein privates Codewort für dringende Anfragen per Telefon und prüfen Sie jede unerwartete Geldforderung, indem Sie unter einer Nummer zurückrufen, die Sie bereits kennen.

Die kommerziellen Rechte hängen von Ihrem Tarif ab. Die kostenlose Stufe ist stärker eingeschränkt, zum Beispiel bei Namensnennung und kommerzieller Nutzung. Prüfen Sie daher die aktuellen Bedingungen, bevor Sie monetarisierte Videos, Werbung oder kostenpflichtige Kurse mit ElevenLabs-Audio veröffentlichen.

Ein verlässlicher Ablauf sieht so aus: Skript finalisieren, ein paar repräsentative Zeilen testen, die gesamte Vertonung abschnittsweise erzeugen und das Audio dann in einem Videoeditor oder einer Audio-Workstation bearbeiten. Lautheit normalisieren, Klicks und seltsame Atemgeräusche schneiden, Musik und Raumton ergänzen und vor dem Export noch einmal über Kopfhörer und über einen Smartphone-Lautsprecher anhören.

Führen Sie für jedes Projekt Aufzeichnungen zu Stimme, Modell, Einstellungen und, bei geklonten Stimmen, den Einwilligungsunterlagen. Sie erleichtern Überarbeitungen und geben Ihnen eine klare Antwort, falls ein Kunde oder eine Plattform einmal fragt, woher eine Stimme stammt.