Erste Schritte mit Stimme klonen: Mein IVR-Desaster und wie ich es doch noch hinbekam

Erste Schritte mit Stimme klonen: Mein IVR-Desaster und wie ich es doch noch hinbekam

Letzte Woche wirft mir mein Chef einen Zettel auf den Tisch: „Unsere Hotline klingt wie ein kaputter Roboter. Mach das menschlicher, irgendwie freundlich.“ Ich denke mir, okay, ich nehm ein kostenloses Tool zum Stimme klonen, nehme meine Stimme auf, fertig. Wie schwer kann das schon sein?

Spoiler: Es war schwerer als gedacht – und ich bin zweimal auf die Schnauze gefallen.

Versuch Nummer 1: Ich dachte, KI kann zaubern. Stattdessen bekam ich Grusel-Audio

Ich öffne die Website zum Stimme klonen online, keine Registrierung nötig, super. Ich lade eine 20-Sekunden-Aufnahme von mir hoch, wie ich mit einem Kunden telefoniere – inklusive Räuspern, „Ähm“ und einem Hintergrundgeräusch vom Büro. Dachte: Je authentischer, desto besser.

Tja. Die erste Synthese für meine IVR-Ansage: „Guten Tag, willkommen bei der Firma Muster. Für den Kundenservice drücken Sie die 1, für Informationen die 2.“ – hörte sich an, als hätte ich drei Tage Grippe und jemand würgt mich beim Sprechen. Jedes Wort zog sich in die Länge, und dieser metallische Nachhall? Ich habe sofort abgebrochen.

Was war passiert? Die KI konnte nicht unterscheiden, was meine Stimme ist und was nur Rauschen. Sie hat einfach alles als Material genommen – und das Ergebnis klang wie aus dem Jenseits.

Versuch Nummer 2: Ich wurde schlauer, aber fast aufs „kostenlos“-Versprechen hereingefallen

Also gut, ich setze mich in einen ruhigen Raum, nehme mein Handy, nur 5 Sekunden: „Guten Tag, willkommen.“ Kein Schnickschnack. Das klang schon viel sauberer.

Aber dann kam der nächste Stolperstein: Die Text-zu-Sprache-Funktion erzeugte zwar eine verständliche Ansage, aber sie klang emotionslos, wie ein Nachrichtensprecher, der die Tagesschau liest. Ich dachte: Ist das wirklich das Beste, was ein kostenloser KI-Sprecher kann? Vielleicht lag es an mir – also habe ich weiter experimentiert.

Die wichtigsten Lektionen aus meinem Chaos

Aufnahme: Nicht lang, sondern sauber

Mein größter Fehler war die Annahme, dass mehr Material besser ist. Falsch. 5–10 Sekunden reichen völlig, wenn die Qualität stimmt. Kein Hall, keine Hintergrundmusik, keine anderen Stimmen.

Beim zweiten Versuch lag das Handy einen halben Meter entfernt – und hat das Tastaturgeklapper mit aufgenommen. Ich habe es dann auf ein Stativ gelegt, den Mund etwa 10 cm vom Mikrofon, und mit der Sprachmemo-App aufgenommen. Das hat alles verändert.

Text: Kurze Sätze, nicht endlose Bandwürmer

IVR-Sprache muss sofort verstanden werden. Also schreibe nicht: „Für die Bearbeitung Ihres Anliegens drücken Sie bitte die Drei, bei Notfällen die Neun.“ Besser: „Für Ihr Anliegen, drücken Sie die 3. Im Notfall, drücken Sie die 9.“

Die KI macht dann natürlichere Pausen – und es klingt nach einem Menschen, der atmet, nicht nach einem Roboter, der eine Checkliste abspult.

Tempo und Tonfall: Selbst einstellen

Die meisten Leute, mich eingeschlossen, denken: Stimme klonen, fertig, Text rein, fertig. Nein. In der Online-TTS-Software gibt es Regler für Tempo und Tonhöhe. Ich habe sie anfangs ignoriert – und meine Ansage klang wie ein Schnellzug.

Erst als ich das Tempo auf -2 gesetzt und die Tonhöhe leicht gesenkt habe, bekam ich einen normalen Sprechrhythmus. Und für „freundlich“ musste ich dem Text kleine Hinweise geben: Ein Komma nach „Guten Tag“ erzeugt eine Atempause. Ich habe sogar „Gerne“ eingefügt – klingt sofort netter.

Schneiden und Zusammenfügen: Nicht faul sein

Am Ende habe ich einen etwas umständlichen Weg gewählt: Ich habe den kompletten IVR-Text in 7–8 kurze Sätze zerlegt, jeden einzeln mit dem Stimme-klonen-Tool synthetisiert und dann mit einem einfachen Videoschnittprogramm zusammengesetzt.

Warum? Wenn du einen langen Text auf einmal generierst, passieren seltsame Dinge: Die KI zieht manche Silben in die Länge oder setzt den Akzent aufs falsche Wort. Bei einzelnen Sätzen hast du die Kontrolle. Zwischen den Sätzen habe ich 0,3 Sekunden Stille eingefügt – klingt wie normales Luftholen.

Ich habe auch die Funktion Text vorlesen lassen für den ganzen Text probiert, aber das Ergebnis war schlechter. Also: Nimm dir die Zeit, es lohnt sich.

Und am Ende?

Beim dritten Versuch habe ich eine 8-Sekunden-Aufnahme gemacht – nur „Guten Tag, willkommen.“ – und dann jeden Satz einzeln synthetisiert. Das Ergebnis? Immer noch ein Hauch von Elektronik, aber es klang wie ein Mensch. Meine Kollegin sagte: „Die Stimme erinnert mich an meinen Cousin.“ Das hat mich gefreut.

Achtung, DSGVO und die „kostenlos“-Falle

Ein Wort zur Datenschutz-Grundverordnung: Wenn du deine eigene Stimme für geschäftliche Zwecke klonst, musst du sicherstellen, dass das Tool die Daten nicht in Drittländer überträgt und du die Rechte an der Aufnahme hast. Bei Stimme klonen kostenlos auf der Plattform hier ist das unproblematisch, aber lies dir die AGB durch.

Und was das „kostenlos“ angeht: Viele Tools limitieren die Anzahl der Synthesen oder setzen ein Wasserzeichen drauf. Die Seite von VoxClone ist tatsächlich ohne Registrierung nutzbar, aber die Wartezeit kann mal zwei Minuten betragen. Für ein kleines Projekt völlig okay.

Kann man damit auch singen?

Kurze Antwort: Nein, nicht gut. Ich habe es ausprobiert – das klang wie mein Nachbar unter der Dusche, der versucht, Rammstein zu covern. Für IVR oder Hörbücher ist es super, aber für Gesang solltest du dir ein spezialisiertes Tool suchen.

Der Trick mit dem „Basis-Audio“

Falls deine Aufnahme trotzdem nicht sauber wird, gibt es einen Workaround: Nimm einen der vorgefertigten Stimmen in der Text-zu-Sprache-Funktion, lass den Satz generieren, und verwende dieses Audio als Material für dein Stimme-Klonen. Klingt kompliziert, funktioniert aber erstaunlich gut, weil das Basis-Audio frei von Umgebungsgeräuschen ist. Du musst nur den kleinen elektronischen Beigeschmack akzeptieren – besser als Tastaturgeklapper.

FAQ

Warum hat meine geklonte Stimme Rauschen?

Meistens liegt es an der Aufnahme. Schalte die Klimaanlage aus, stelle den Rechner nicht direkt neben das Mikrofon und nutze am Handy ein Headset mit Klinkenmikrofon. Wenn es immer noch rauscht, erzeuge mit der Text-zu-Sprache-Funktion ein sauberes Basis-Audio und verwende das als Ausgangsmaterial.

Muss ich mich für das Stimme klonen registrieren?

Nein, das Stimme-klonen-Tool ist ohne Anmeldung nutzbar. Aber wenn du mehrere Stimmprofile speichern willst, lohnt sich eine Registrierung – sonst musst du beim nächsten Mal neu aufnehmen.

Zum Schluss eine Frage an dich

Rate mal, was mein Chef gesagt hat, als er die neue Ansage hörte? „Die Stimme erinnert mich an meine Ex.“ – Ich habe keine Ahnung, ob das ein Kompliment war.

Was würdest du mit einem kostenlosen Stimme-Klon-Tool anstellen? Ich bin gespannt.