Es war kurz nach elf an einem Dienstagabend, als mein Handy vibrierte. Eine WhatsApp-Sprachnachricht von Jonas. Acht Sekunden. Eine Frauenstimme las irgendeinen Produkttext vor – locker, fast beiläufig, mit einem hörbaren Atemzug mittendrin. Dann tippte er: „Sag mal, das ist doch eine echte Sprecherin, oder?“

War es nicht. Ich hatte die Aufnahme mit Stimme klonen kostenlos erzeugt. Zwei Minuten Arbeit, vielleicht.

Drei Sekunden Stille. Dann die Frage, mit der ich überhaupt nicht gerechnet hatte: „Und – exportierst du das als MP3 oder als WAV?“

… ehrlich? Diese Frage ist schwerer zu beantworten als „klingt das echt?“.

Wie ich überhaupt bei Dateiformaten gelandet bin

Jonas baut Produktseiten für einen mittelständischen Onlineshop. Seit ein paar Wochen lässt er sich Erklärtexte vorlesen – für die Produktvideos, die er sowieso schon dreht. Vorher hat er das extern vergeben: 30 Sekunden Sprecher, 80 Euro, jede Korrektur nochmal 30. Dann habe ich ihm einmal gezeigt, wie man mit einem kostenlosen AI Sprecher arbeitet. Text rein, Stimme raus, kein Download, keine Installation, keine Registrierung.

Er hat dreimal nachgefragt: „Wirklich dauerhaft kostenlos?“

Ich verstehe die Skepsis. Ich habe in den letzten Jahren bestimmt sieben oder acht Tools durchprobiert, die mit „Stimme klonen kostenlos“ geworben haben. Die meisten waren nach drei Exporten dicht, oder es lag ein Wasserzeichen drauf, oder man musste plötzlich doch ein Konto anlegen. Eine Sprachausgabe ohne Registrierung, die dann auch noch unbegrenzt läuft – das ist selten.

Und dann sitzt man vor dem Export-Button, sieht zwei Formate und ist plötzlich unsicher. Genau da verlieren viele Leute das, was sie sich vorher mühsam aufgebaut haben.

MP3 und WAV – es geht nicht um „besser“ oder „schlechter“

Räumen wir zuerst ein Missverständnis aus dem Weg.

WAV ist nicht „höhere Qualität“. WAV ist „unkomprimiert“. MP3 ist nicht „schlechter“, sondern „komprimiert, aber schlau komprimiert“. Das Verhältnis ähnelt dem zwischen RAW und JPEG in der Fotografie – nicht das eine ist edel und das andere billig, sie sind für unterschiedliche Dinge gedacht.

WAV speichert die rohen Abtastwerte. Eine Minute Audio bei 44,1 kHz und 16 Bit landet irgendwo bei 10 MB. Dieselbe Minute als MP3 mit 128 kbps: etwa 1 MB. Mit 320 kbps: ungefähr 2,4 MB.

Was bekommt man für die zusätzlichen Megabyte? Bearbeitbarkeit. Wenn du später durch ein Schnittprogramm gehst – Rauschen ziehen, Tempo ändern, mischen, aneinanderkleben – dann hält WAV das aus. MP3 verliert bei jedem Export ein bisschen Substanz. Nach drei Runden fangen die Zischlaute an zu kratzen.

Umgekehrt: Wenn die Datei sowieso nur in ein Reel, in eine WhatsApp-Gruppe oder in einen Webplayer wandert, dann sind 10 MB WAV reine Verschwendung. Instagram, YouTube und Co. kodieren ohnehin nochmal neu. Du machst dir Arbeit, die sofort wieder weggerechnet wird.

Wie ich es inzwischen mache

Nach ein paar Jahren Content-Produktion läuft das bei mir fast automatisch:

  • Alles, was später durch Audacity, Premiere oder DaVinci geht: WAV.
  • Alles, was direkt rausgeht – Kundenlieferung, Gruppe, Plattform: MP3 mit 320 kbps.
  • Wenn ich unsicher bin: erst WAV archivieren, bei Bedarf umwandeln.

Punkt drei kam nach einem Fehler. Ich hatte einem Kunden eine MP3 geliefert, er wollte „nur schnell die Hintergrundmusik leiser“ – also habe ich die MP3 nochmal durch den Schnitt geschickt. Die Stimme klang danach dumpf und belegt. Musste alles neu generieren. Seitdem archiviere ich grundsätzlich verlustfrei.

Apropos generieren: Der bequemste Weg ist sowieso, einmal zu erzeugen und beide Formate abzuspeichern. Bei einer kostenlosen Vertonung ohne Limit dauert ein zweiter Durchlauf keine Minute – da würde ich nie Speicherplatz gegen Qualität tauschen.

Und wer die Sprachausgabe programmatisch in eigene Anwendungen einbinden will, sollte ohnehin auf der Quellseite verlustfrei bleiben. Über die API von VoxClone landet das Audio direkt als WAV auf der Platte. Alles, was danach kommt, hat dann noch Luft. Das ist deutlich günstiger, als hinterher zu reparieren.

Kurze DSGVO-Notiz am Rande, weil das hier in Deutschland einfach dazugehört: Wenn du Kundenmaterial vertonst, achte darauf, wo der Anbieter die Daten verarbeitet. Bei internen Prototypen und eigenen Texten ist das meist unkritisch, bei personenbezogenen Inhalten würde ich vorher kurz prüfen, ob eine Auftragsverarbeitung nötig ist. Klingt sperrig, spart aber im Zweifel echte Probleme.

Fragen, die mir ständig gestellt werden

Klingt MP3 automatisch „nach KI“?

Nein. Das Format ist nicht der Grund. Eine Stimme wirkt künstlich, wenn die Satzzeichen im Text seltsam sitzen oder die Klangfarbe nicht zum Inhalt passt – Nachrichtenton für einen lustigen Werbetext zum Beispiel. Ob kostenloser AI Sprecher oder klassisches TTS online kostenlos: Die Natürlichkeit ist längst über den Punkt hinaus, an dem man es „sofort hört“. Über einen Handylautsprecher merkst du den Unterschied zwischen MP3 und WAV sowieso nicht.

Für Reels und Shorts – ist WAV nicht viel zu groß?

Ja. Die Plattformen haben unsichtbare Größenlimits und kodieren am Ende alles nochmal neu. Du lädst WAV hoch, das System macht daraus AAC. Für Social Media also direkt MP3, alles andere ist Selbstsabotage.

Kann ich die exportierte Datei später noch ändern?

MP3 geht, aber jeder Durchgang kostet. Stille am Anfang und Ende wegschneiden – kein Problem. Tempo, Tonhöhe oder Rauschen anpassen – dann lieber zurück zur Stimme klonen Seite und eine frische WAV erzeugen. Genau das ist der Vorteil, wenn man ohne Anmeldung Text zu Sprache nutzt: Der Aufwand ist so niedrig, dass man einfach nochmal anfangen kann.

Zum Schluss

Zurück zu Jonas. Mein Rat an ihn: Exportiere die Produkttexte einmal als WAV ins Archiv, dann als MP3 mit 320 kbps für die Auslieferung. Er hat kurz gelacht und gesagt: „Das hört man doch eh nicht.“ Stimmt. Aber in drei Monaten, wenn er den Text ändern muss, wird er den Unterschied merken.

Wenn du gerade an derselben Stelle hängst: Bleib nicht auf der Export-Seite sitzen und grübel. Nimm einen 30-Sekunden-Text, lass ihn zweimal über Text zu Sprache kostenlos laufen – einmal MP3, einmal WAV. Kopfhörer auf, beide anhören, dann einmal durch Audacity ziehen. Fünf Minuten, und du weißt mehr als nach zehn gelesenen Anleitungen.

Ein paar dieser Stolperfallen habe ich übrigens in den weiteren Tutorials schon aufgeschrieben – falls du dir die Runden sparen willst.