Mein TTS-Test: Warum die Podcast-Intro scheiterte, aber das Video klappte

Ich sitze da, 23 Uhr, Kaffee kalt, und versuche zum dritten Mal, eine 15-Sekunden-Intro für meinen neuen Podcast aufzunehmen. Meine Stimme klingt wie eine rostige Türangel – heiser, unsicher, mit nervösem Räuspern. Da fällt mir ein: Ich habe doch letzte Woche diesen kostenlosen Stimmenklon-Online-Dienst getestet. Warum nicht einfach meine eigene Stimme klonen und die Intro von der KI einsprechen lassen?

Spoiler: Es wurde ein Disaster. Aber nicht so, wie du denkst.

Ich habe nämlich zwei verschiedene Projekte ausprobiert – einmal eine Video-Narration für ein YouTube-Video, einmal die Podcast-Intro. Und die Ergebnisse waren so unterschiedlich, dass ich dachte, ich hätte zwei verschiedene Tools benutzt. Dabei war es dasselbe Tool: die Stimmenklon-Seite – ohne Anmeldung, ohne Bezahlung, einfach hochladen und loslegen.

Das hat mich zu einer Erkenntnis geführt: Es gibt kein „gutes“ oder „schlechtes“ Stimmenklon-Tool. Es gibt nur den richtigen oder falschen Einsatz.

Die 5 Schritte, die ich aus meinen Fehlern gelernt habe

Wenn du es selbst ausprobieren willst – hier ist meine Schritt-für-Schritt-Anleitung, die dir die größten Fallen erspart:

  1. Nimm eine saubere Referenz auf – nicht vom Handy in der Küche, sondern mit einem USB-Mikro oder zumindest im ruhigen Raum. Ich habe zuerst eine alte Podcast-Aufnahme genommen – Fehler! Zu viel Hall, zu viel Atem. Das Klonen klang wie ein Roboter mit Erkältung.
  1. Sprich 20–30 Sekunden, nicht mehr – die Anleitung sagt „ein paar Sekunden reichen“, aber je mehr klares Material, desto besser. Ich habe 15 Sekunden gesprochen, und die KI hat meine Betonung nur zur Hälfte übernommen.
  1. Teste mit einem kurzen Satz, nicht mit deinem ganzen Skript – ich habe direkt die 15-Sekunden-Intro eingetippt. Ergebnis: Die KI hat jedes Wort einzeln gesprochen, ohne Fluss. Beim zweiten Versuch habe ich einen einfachen Satz getestet: „Hallo, das ist ein Test.“ – und siehe da, es klang fast wie ich.
  1. Nutze die Tonhöhen-Einstellung – das Tool hat einen Regler für Tonhöhe und Aussprache. Ich hatte den auf „neutral“ gelassen. Für die Podcast-Intro musste ich die Tonhöhe um 15% senken, damit es nach mir klang, nicht nach meinem jüngeren Bruder.
  1. Achte auf die DSGVO – das ist kein Spaß – hier wird es ernst. Beim Hochladen deiner Stimme verarbeitest du personenbezogene Daten – deine eigenen. Und wenn du jemand anderen klonst, brauchst du dessen Einwilligung. Das Tool speichert die Stimme nicht dauerhaft, aber ich habe trotzdem eine Einwilligungserklärung für meine Podcast-Gäste vorbereitet. Klingt übertrieben? Frag mal einen Anwalt.

Warum die Video-Narration klappte, aber die Podcast-Intro nicht

Jetzt zum eigentlichen Unterschied. Meine Video-Narration war ein 3-minütiges Voiceover für ein Tutorial. Ich habe den Text in Absätze geteilt, jeweils 1–2 Sätze, und sie einzeln generiert. Die Pausen zwischen den Absätzen habe ich selbst gesetzt, indem ich die Audio-Clips in meinem Schnittprogramm mit 0,3 Sekunden Abstand platziert habe.

Das Ergebnis: fast perfekt. Die Stimme klang natürlich, mit kleinen Unebenheiten, die man bei einem echten Menschen erwartet. Kein Roboter-Gefühl.

Aber die Podcast-Intro – das war ein einziger Satz, 15 Sekunden, mit einer rhetorischen Frage am Ende: „Kennst du das, wenn du denkst, du hast alles unter Kontrolle?“ – Die KI hat die Frage nicht als Frage intoniert. Sie hat sie als Aussage gesprochen, mit einem Punkt am Ende. Der ganze Witz war weg.

Warum? Weil die KI bei kurzen Texten keine emotionale Kurve aufbaut. Bei langen Texten kann sie den Kontext nutzen, um Betonungen zu setzen. Bei einem einzelnen Satz hat sie keine Referenz.

DSGVO und Urheberrecht – die unsichtbare Falle

Das Thema, das mir beim Testen wirklich Sorgen gemacht hat: DSGVO und Urheberrecht. Als Deutscher denkst du sofort an den Datenschutz, wenn du deine Stimme hochlädst. Und das ist berechtigt.

Ich habe das Tool auf der Startseite gefunden – dort steht explizit, dass die Verarbeitung auf deutschen Servern stattfindet und keine Daten gespeichert werden. Aber ich wollte es genau wissen und habe den Betreiber kontaktiert. Antwort: Die Audio-Datei wird nach der Generierung sofort gelöscht, nur der generierte Text bleibt für 24 Stunden im Cache. Das ist beruhigend.

Aber hier kommt der Urheberrechts-Teil: Wenn du eine fremde Stimme klonst – z.B. für eine Parodie – brauchst du die Erlaubnis der Person. Das gilt auch für Stimmen von Prominenten. Es gibt genug Abmahnungen in Deutschland, weil jemand die Stimme von einem YouTuber geklont hat, ohne zu fragen.

Mein Tipp: Nutze das Tool nur für deine eigene Stimme oder mit schriftlicher Einwilligung. Und wenn du ein Hörbuch produzierst, achte darauf, dass der Text, den du vorliest, keine Rechte Dritter verletzt.

Was ich aus dem Test mitnehme – und was du anders machen solltest

Ich habe aus meinen zwei Fehlversuchen drei Dinge gelernt:

  1. Kurze Texte sind die Königsdisziplin – für 10-Sekunden-Sprüche auf TikTok oder Instagram brauchst du viel Geduld und Einstellungsarbeit. Für 2-Minuten-Narrationen ist das Tool nahezu perfekt.
  1. Die Referenzaufnahme ist 80% des Ergebnisses – ich habe beim zweiten Versuch eine neue Referenz aufgenommen, mit besserem Mikro und ruhigerem Raum. Der Unterschied war immens.
  1. Du musst die Einstellungen anpassen – das Tool hat einen Regler für „Aussprache“ und „Tonhöhe“. Ich habe zuerst alle auf Standard gelassen. Nach dem Anpassen klang es wie ich, nicht wie ein Roboter.

Also, wenn du vorhast, deine Stimme zu klonen – ob für Videos, Podcasts oder Hörbücher – starte mit einem langen Text, nimm eine gute Referenz auf und hab Geduld. Und denk an die DSGVO: Deine Stimme ist dein Eigentum, und das Tool respektiert das.

Mein nächster Versuch wird ein Hörbuch sein – mit einem 10-Minuten-Text. Ich bin gespannt, ob die KI die Spannung über die Kapitel hinweg halten kann. Aber das erzähle ich dir beim nächsten Mal.

Bis dahin: Teste selbst, aber mit Bedacht. Und wenn du eine Podcast-Intro machen willst – nimm sie lieber selbst auf. Die Zuhörer verzeihen eine heisere Stimme, aber keine falsche Betonung.