Hörbuch selbst vertonen: Was ich nach einer Woche mit kostenlosem TTS über Referenzaufnahmen weiß

Hörbuch selbst vertonen: Was ich nach einer Woche mit kostenlosem TTS über Referenzaufnahmen weiß

Mittwochabend, halb zehn. Meine Tochter steht mit dem Grüffelo im Arm an meinem Bett und sagt: „Papa, kann heute das Handy vorlesen? Du klingst so komisch.“

Komisch war freundlich formuliert. Ich hatte zwei Wochen lang jeden Abend vorgelesen, und meine Stimme war weg. Also dachte ich: Probierst du eben mal TTS online kostenlos aus. Meine Suche war denkbar simpel — Voice Cloning Deutsch kostenlos, ohne Anmeldung, am besten gestern.

Das erste Ergebnis … naja. Sie hörte zwei Sekunden zu, schob mir das Handy zurück und sagte: „Das bist nicht du.“

Es war meine Stimme. Aber irgendwie auch nicht. Es klang, als würde ich ein Protokoll vorlesen. Mit Maske.

Das Problem war nicht das Tool, sondern die Referenzaufnahme

Ich habe am Anfang eine kostenlose Stimmenklon-Seite benutzt, bei der man sich registrieren und die Handynummer angeben musste. Als Referenz habe ich eine WhatsApp-Sprachnachricht hochgeladen. Dreißig Sekunden, Inhalt: „Ja, schauen wir morgen noch mal drüber.“

Das Ergebnis war sauber ausgesprochen und völlig tot. Wie ein Praktikant nach zwei Tagen Sprechtraining.

Dann ging mir ein Licht auf: Eine WhatsApp-Nachricht ist komprimiert. Niedrige Abtastrate, Raumhall, dieses leichte Rauschen im Hintergrund. Damit ein Modell zu füttern ist, als würde man jemandem ein verwackeltes Foto geben und ein Porträt verlangen.

Genau da trennt sich, glaube ich, Erfahrung von Ahnungslosigkeit. Alle starren auf Modellgrößen und Parameter. Entscheidend sind die zwanzig Sekunden, die du vorher aufnimmst.

Als ich eigene Stimme klonen mit einer frisch aufgenommenen Referenz ausprobiert habe — gleiches Tool, gleiche Einstellungen —, klang das Ergebnis wie ein anderer Mensch. Also wie ich.

Wie du eine Referenzaufnahme aufnimmst, die nicht nach Roboter klingt

Ich habe vier Anläufe gebraucht. Hier ist, was ich gelernt habe.

Nicht im Wohnzimmer aufnehmen. Im Wohnzimmer brummt der Kühlschrank, draußen fährt ein Auto vorbei, und dein Gehirn filtert das automatisch weg. Ein Mikrofon tut das nicht. Ich bin irgendwann in den Kleiderschrank gekrochen — Klamotten schlucken Schall, das funktioniert erstaunlich gut. Kein Schrank? Dann eine Deckenburg bauen und das Handy mit reinlegen.

Fünfzehn bis dreißig Sekunden. Nicht mehr. Zu kurz, und das Modell bekommt deine Klangfarbe nicht zu fassen. Zu lang, und jedes Räuspern, jedes Seitenrascheln wird mitgelernt. Ich hatte einmal fast zwei Minuten aufgenommen. Danach hing am Ende jedes Satzes so ein Hauch von meinem Räuspern. Unheimlich.

Sprich nicht vom Blatt ab. Das ist der kontraintuitivste Punkt. Wenn du feierlich „Der Mond ist aufgegangen“ deklamierst, bekommst du eine Nachrichtensprecher-Stimme. Rede einfach so dahin: „Was wollen wir heute essen? Im Kühlschrank sind noch Erdbeeren, die müssen weg.“ Normales Tempo, ein bisschen Emotion, ruhig mal lachen. Das Modell lernt, wie du sprichst — nicht, wie du vorliest.

Eine Handbreit Abstand, leicht seitlich. Nicht direkt vor den Mund, sonst ploppt es. Nicht zu weit weg, sonst nimmt es den Raum mit auf.

Drei Takes, den besten nehmen. Klingt nach Aufwand, sind fünf Minuten. Ich stelle mich in den Schrank, sage drei verschiedene Sachen und höre danach durch, welcher Take am meisten nach „Papa liest abends vor“ klingt.

Noch ein Detail: vorher lauwarmes Wasser trinken, nichts Kaltes. Wenn die Stimme eng ist, wird sie flatterig — und das lernt das Modell dann mit.

Nebenbei: Ich habe diese Woche Text zu Sprache Deutsch kostenlos ohne Anmeldung benutzt. Einfach aufmachen, lostippen. Sprachausgabe ohne Registrierung ist für mich der Punkt, der alles andere schlägt. Ich habe andere Anbieter probiert und mitten im Registrierungsprozess aufgegeben — E-Mail bestätigen, Passwortregeln, Häkchen hier, Häkchen da. Meine Nachbarin wollte es neulich auch ausprobieren und hat nach zwei Minuten gemeint: „Nee, dafür ist mir das zu blöd.“ Ich verstehe sie. Ohne Anmeldung Text zu Sprache heißt: keine Hürde zwischen Idee und Ergebnis. Und ich bin bisher auch nicht an eine Obergrenze gestoßen, was bei Bilderbüchern mit zweitausend Zeichen wirklich zählt. Bei manchen Tools bist du nach einer Minute fertig und stehst in der Warteschlange.

Mein tatsächlicher Ablauf in dieser Woche

Montagabend habe ich drei Bilderbücher aus dem Regal gezogen und abgetippt. Beim Abtippen gleich ein paar Sachen erledigt:

• Zahlen ausgeschrieben: „3 kleine Schweinchen“ wird zu „drei kleine Schweinchen“, sonst liest es „three“
• Lange Sätze zerhackt, Kommas und Punkte dorthin gesetzt, wo ich atmen würde — Satzzeichen sind Pausen
• Schwere Wörter und Mehrdeutigkeiten vorher prüfen. „Ton“ und „Tonne“, „übersetzen“ und „übersetzen“ — bei sowas korrigiert dich das Kind sofort

Dann synthetisieren, anhören, unzufrieden sein, zurück zum Text und Satzzeichen ändern. Die ersten zwei Abende waren zäh. Ab dem dritten lief es, weil die Referenzaufnahme stand und nur noch Textarbeit übrig war. Eine KI Stimme erzeugen dauert ein paar Sekunden. Das eigentliche Zeitfressen ist das Manuskript.

Ehrlich: Dass kostenlose Vertonung in dieser Qualität möglich ist, hätte ich vor zwei Jahren nicht geglaubt. Damals war „kostenlos“ immer gleichbedeutend mit „drei Tage Testversion“ oder „Klang wie durch ein Telefon von 1998“. Ein kostenloser AI Sprecher, der tatsächlich brauchbar ist — das war für mich eine Überraschung. Ich habe sogar schon überlegt, später mal einen Sprachgenerator kostenlos per Schnittstelle anzubinden und daraus einen Vorleseroboter zu bauen. Aber das ist ein anderes Fass. Erst mal nicht.

Ein Ärgernis unterwegs: Ein Anbieter hat mit „Stimme klonen kostenlos“ geworben, und die Gratisversion konnte genau eine Minute ausgeben. Danach: Warteschlange. Ich saß mit halb fertigem Text da, das Kind wartete daneben. Peinlich. Also: bevor du dich festlegst, schau nach, ob wirklich keine Grenze im Kleingedruckten steht. Kostenlose Stimmenklon-Tools online gibt es viele, aber fast alle bauen irgendwo eine Schranke ein.

Kurz zum Datenschutz — der Punkt, der mich in Deutschland am meisten beschäftigt

Eine Stimmaufnahme ist kein beliebiges File. Sie ist ein personenbezogenes Datum, und je nachdem, wie detailliert sie ist, kann sie in die Nähe biometrischer Daten nach DSGVO rutschen. Wenn ich also meine Stimme hochlade, will ich zwei Dinge wissen: Wo steht der Server, und was passiert mit der Aufnahme danach?

Ich habe mir deshalb angewöhnt, vorher in die Datenschutzerklärung zu schauen. Nicht aus Paranoia — ich habe einfach keine Lust, in zwei Jahren meine eigene Stimme in irgendeinem Werbespot zu hören. Bei Anbietern mit Serverstandort in der EU fühle ich mich wohler, und Referenzaufnahmen, die ich nicht mehr brauche, lösche ich direkt wieder. Das kostet zwei Minuten und ist es wert.

Und noch etwas: Wenn du das Ergebnis veröffentlichen willst — Hörbuch, Podcast, Instagram Reel, YouTube —, dann klone nur deine eigene Stimme oder hol dir eine schriftliche Einwilligung. Bei fremden Stimmen hört der Spaß auf, und zwar zu Recht.

FAQ

Wie lang sollte die Referenzaufnahme sein?

Fünfzehn bis dreißig Sekunden, bei mir haben sich etwa zwanzig eingependelt. Unter zehn Sekunden wird die Klangfarbe wackelig. Über eine Minute steigt die Chance, dass Hintergrundgeräusche mit hineingeraten. Wenn du keinen ruhigen Raum findest, nimm lieber einen kurzen, sauberen Ausschnitt als einen langen mit Störgeräuschen.

Reicht das Handymikrofon?

Ja. Mein Handy ist drei Jahre alt, und ich höre im Vergleich zu einem externen Mikrofon kaum einen Unterschied. Entscheidend ist die Umgebung, nicht das Gerät. Im Kleiderschrank mit dem Handy aufgenommen klingt meistens besser als im Wohnzimmer mit Profi-Mikro.

Kann man die Stimme eines Kindes klonen?

Technisch geht das. Ich würde es trotzdem nicht machen. Erstens verändert sich die Stimme eines Kindes noch, die Klangfarbe ist instabil, und eine brauchbare Referenzaufnahme ist schwer hinzubekommen. Zweitens — wie soll ich sagen — ein Kind, das sich selbst beim Vorlesen zuhört, ist irgendwie seltsam. Ich bleibe bei meiner Stimme, auch wenn sie nicht perfekt ist.

Wenn du sehen willst, wie andere das angehen: unter mehr Tutorials liegen ein paar Beispiele. Ich habe einige davon gelesen, die Fehlerlisten sind ehrlich geschrieben.

Und jetzt?

Mein Sonntag sieht inzwischen so aus: zwanzig Minuten, fünf Bilderbücher für die kommende Woche synthetisieren, alles in einen Ordner. Das Kind sucht sich aus, was es hören will, und tippt selbst drauf. Wenn meine Stimme okay ist, lese ich trotzdem selbst vor — das kann keine Maschine ersetzen.

Aber an Abenden mit entzündetem Hals bricht die Geschichte nicht ab. Das ist mehr wert, als ich vorher gedacht hätte.

Wenn du es ausprobieren willst: fang nicht mit einem langen Text an. Nimm zwanzig Sekunden Referenz auf, lass einen einzigen Satz synthetisieren und höre zu, ob du dich erkennst. Wenn ja, mach weiter. Wenn nein, zurück in den Schrank. Zehn Minuten Arbeit — und sie entscheiden über alles danach.