Eine Küchenaufnahme, ein Dialekt, eine KI: Wie ich fast die Stimme meiner Oma ruiniert habe

Es war ein verregneter Sonntagnachmittag im November. Ich saß bei meiner Oma am Küchentisch, das Handy lag zwischen Keksdose und Kaffeetasse, und ich drückte auf Aufnahme. Im Hintergrund: der Geschirrspüler im Endprogramm, das Radio mit der Sonntagsmusik, und draußen fuhr alle paar Minuten der Bus vorbei.

Meine Oma ist 83. Sie spricht Schwäbisch, so wie man es heute fast nur noch bei den Älteren hört – mit diesem weichen, rollenden „sch" und den Endungen, die einfach verschluckt werden. Ich wollte ihre Stimme behalten. Nicht als Video, nicht als Foto. Als Ton. Ein Hörbuch aus ihren Geschichten, das ich jedes Jahr an Heiligabend abspielen kann.

Also habe ich eine halbe Stunde aufgenommen und die Datei in ein Klon-Tool geworfen.

Was danach aus den Lautsprechern kam … wie soll ich das beschreiben. Es klang wie meine Oma – aber mit einer dicken Erkältung, einem Bonbon im Mund und irgendwie aus einem leeren Schwimmbad heraus.

Erste Version: für die Tonne.

Nicht das Tool war schuld. Meine Aufnahme war es.

Meine erste Reaktion war typisch: anderes Tool suchen. Ich habe wirklich alles durchprobiert. Browser-Versionen, Programme zum Installieren, Anbieter, die mit stimme klonen kostenlos werben, dann wieder welche, bei denen man zahlen soll.

Und das Ergebnis war immer gleich. Immer dieser Hall, immer dieses Schwimmbad.

Irgendwann musste ich mir eingestehen: Das Problem war nicht das Modell. Das Problem waren die 30 Minuten Müll, die ich ihm gefüttert hatte. Das Modell sollte „die Stimme meiner Oma" lernen – aber in der Aufnahme war ihre Stimme vielleicht 30 Prozent. Der Rest war Geschirrspüler, Radio, Bus, klappernde Kacheln und dieser typische Küchenhall, den man nicht rausrechnen kann.

Ein KI-Modell lernt genau das, was du ihm gibst. Es hat den Geschirrspüler ehrlich für einen Teil meiner Oma gehalten.

Drei Fehler. Und ja, jeder war dümmer als der vorige.

Fehler eins: die Küche. Eine Küche ist akustisch eine Katastrophe – harte Fliesen, Fensterglas, Metalltöpfe. Der Schall springt hin und her. Und ein Dialekt lebt nun mal von feinen Tonhöhen und Melodien. Sobald Hall drüberliegt, verschmieren genau diese Details. Später habe ich gelernt: kleines Schlafzimmer, Fenster zu, Vorhang zu, eine Decke aufs Bett – das klingt zehnmal besser als jede Küche.

Fehler zwei: Oma ablesen lassen. Ich hatte einen selbst geschriebenen Brief ausgedruckt und sie gebeten, ihn vorzulesen. Sie hat es getan – langsam, steif, Wort für Wort, wie ein Kind in der Schule. So spricht man keinen Dialekt. Dieses Verschleifen, das Verschlucken von Silben, das Dehnen am Satzende – alles weg. Das geklonte Ergebnis klang dadurch furchtbar „korrekt". Korrekt war genau das Problem.

Fehler drei: viel hilft viel. Ich dachte, 30 Minuten Material seien sicherer als 5. Tatsächlich waren davon vielleicht 8 Minuten wirklich brauchbar. Der Rest: Stille, Räuspern, Nebengeräusche. Und weil das Handy mal näher, mal weiter weg lag, schwankte die Lautstärke ständig. Aus so einem Material lernt das Modell höchstens eine grobe Silhouette.

Der zweite Versuch – und was ich anders gemacht habe

Eine Woche später habe ich meine Oma zu meiner Schwester eingeladen, in das kleine Zimmer nach Norden. Diesmal wusste ich, was ich tue:

  • Handy auf ein Stativ, etwa 20 Zentimeter vom Mund, und dann nicht mehr anfassen
  • Fenster zu, Heizung aus, Vorhang zu, Flugmodus an
  • Kein Vorlesen mehr. Ich habe gefragt, sie hat erzählt – „Wie war das früher an Weihnachten?" „Wie hat dich deine Mutter damals geschimpft?"
  • Immer nur 5 bis 8 Minuten am Stück, sofort anhören, bei Störgeräuschen löschen und neu
  • Am Ende waren es rund 20 Minuten sauberes Material, in vier Sitzungen aufgenommen

Nebenbei habe ich den Brieftext vorher einmal durch einen sprachgenerator kostenlos laufen lassen, nur um das Timing zu prüfen. Einfach mal text zu sprache kostenlos ausprobieren kostet nichts – und man hört sofort, wo die Pausen hingehören. Und genau diese Kleinigkeiten – das „Ha no", das „Gell", das „Ja mei" – sind die Seele eines Dialekts. Die müssen an der richtigen Stelle sitzen.

Für die eigentliche Synthese habe ich die 20 Minuten hochgeladen und ein paar Minuten gewartet. Beim ersten Satz ist meiner Schwester das Lachen im Hals steckengeblieben.

Dieses eine „Komm her, du" – mit der fallenden Melodie am Ende, ein bisschen rau. Das war sie.

Und weil wir hier in Deutschland sind, ein Punkt, den ich anfangs komplett unterschätzt habe: Eine Stimme ist nach DSGVO ein biometrisches Datum. Bevor du also deine eigene Stimme klonst oder die eines Familienmitglieds, schau kurz, wo der Anbieter seine Server hat und was er mit den Aufnahmen macht. Bei meiner Oma habe ich sie vorher gefragt – das war mir wichtig, und das sollte selbstverständlich sein.

Und wie ist das Hörbuch geworden?

Ich habe das Ganze in 26 Abschnitte zerlegt, jeder ein bis zwei Sätze, von ihrer Kindheit bis zu der Zeit, in der sie mich großgezogen hat. Bei so vielen Abschnitten brauche ich ein Tool, das einfach durchläuft und nicht mittendrin abbricht. Bei VoxClone geht das ohne Anmeldung, Text zu Sprache ohne Registrierung, Seite auf, loslegen – kein Installieren, kein Download-Zirkus. Für meine Schwester war genau das der Punkt: Ihr Rechner hat nichts drauf, sie klickt den Link und kann zuhören.

Für eine kostenlose Vertonung reicht das allemal. Und wer ein Hörbuch selbst vertonen will – genau dafür ist es gemacht.

Noch ein Tipp: Jag nicht nach perfektem Klang. Ich habe gemerkt, dass ein bisschen Atmen, ein leichtes Schmatzen, das Ganze echter macht. Zu sauber klingt wie eine Nachrichtensprecherin – nicht wie deine Oma.

Und wenn der Dialekt sehr stark ist, hilft selbst sauberes Material nur begrenzt. Dann lieber nicht mit Gewalt dagegen ankämpfen: Nimm die Passagen, in denen sie am entspanntesten spricht, für das Training, und mische den Rest mit hochdeutschen Versionen. Für die Familie klingt das völlig in Ordnung.

Wer zum ersten Mal eine KI Stimme erzeugen möchte, ist übrigens mit voice cloning deutsch kostenlos mittlerweile wirklich gut bedient. Wenn es viele Abschnitte sind, kann man das auch über eine kostenlose Sprachsynthese-API laufen lassen und die Texte automatisch vertonen lassen. Für ein einmaliges Familienprojekt reicht aber die Web-Oberfläche völlig.

Häufige Fragen

Ich habe schon eine schlechte Aufnahme – kann man das retten?

Ein bisschen. Aber mach dir keine Illusionen. Du kannst sie durch eine Rauschunterdrückung laufen lassen oder in einem Schnittprogramm die lauten Störstellen rausschneiden und nur die sauberen Teile behalten. Wenn am Ende weniger als drei Minuten sauberes Material übrig bleiben: neu aufnehmen. Zwei Stunden neu aufnehmen ist besser als zwei Wochen Reparatur – und am Ende klingt es trotzdem nicht.

Warum ist Dialekt schwieriger zu klonen als Hochdeutsch?

Es liegt an der Datenmenge. Hochdeutsch hat jedes Modell millionenfach gehört, Dialekt kaum – vor allem, wenn es eine kleine regionale Mundart ist. Deshalb reagiert Dialekt-Klonen viel empfindlicher auf die Qualität deiner Aufnahme. Jede Sekunde muss „rein" sein. Dazu kommt: Dialekte haben teils Tonhöhen, die es im Hochdeutschen gar nicht gibt. Das Modell braucht mehr Beispiele, um sie zu erfassen. Lieber Alltagsgespräche aufnehmen als Vorlesen – hundertmal besser.

Wie weit kommt man mit kostenlosen Tools?

Kommt drauf an, was du willst. Für ein Familien-Hörbuch oder eine Dialekt-Stimme unter einem Video reicht es locker. Was kostenlose Stimmenklon online heute hinbekommen, hat mich ehrlich überrascht. Für Stapelverarbeitung kann man auch die Schnittstelle einer kostenlosen TTS-Sprachausgabe nutzen. Aber wenn du kommerzielles Voice-Over machst und extrem stabile lange Texte brauchst, dann kommst du um eine bezahlte Lösung nicht herum. Für den normalen Hausgebrauch reicht der kostenlose Weg völlig – und wenn es nichts kostet, ist auch das Ausprobieren kein Risiko. Mehr Anleitungen habe ich auf der dynamischen Seite gesammelt.

Warte nicht

Meine Oma ist vor zwei Jahren im Herbst gestorben.

Das Hörbuch liegt jetzt auf meinem Handy und in der Cloud. An Heiligabend habe ich es abgespielt. Meine Mutter hat geweint. Meine kleine Nichte hat gefragt: „Wer redet denn da?"

Sie versteht es nicht. Aber irgendwann werde ich es ihr erklären: Das ist die Stimme deiner Urgroßmutter. Das ist ihre Sprache.

Wenn du auch so jemanden in der Familie hast – warte nicht. Such dir einen ruhigen Nachmittag, mach die Heizung aus, stell das Handy hin und frag: „Wie war das damals, als du klein warst?" Den Rest erledigen die Tools. Und wenn du vorher wissen willst, wie das klingt, probier einfach Text zu Sprache kostenlos aus – kostet nichts, und du hörst sofort, ob die Richtung stimmt.