U-Bahn-Aufnahme zum Stimme klonen? Bei mir kam die Bahnansage mit raus
7:42 Uhr, U8 Richtung Hermannstraße. Ich stehe zwischen zwei Leuten, die beide in ihre Jacken husten, halte das Handy zwanzig Zentimeter vor den Mund und lese laut einen Text über Bayes-Statistik vor. Drei Minuten zwölf. „Das reicht doch", denke ich. „Das ist doch meine Stimme."
War es nicht. Jedenfalls nicht die, die ich haben wollte.
Was aus dem Lautsprecher kam, war nicht ich
Die erste Sekunde klang okay. Ab der zweiten wurde es seltsam — als würde jemand unter Wasser sprechen, mit einem tiefen Brummen darunter. Und dann, mitten im vierten Satz: „Zurückbleiben bitte." Ich habe dreimal zurückgespult, weil ich es nicht glauben wollte. Das Modell hatte nicht nur meine Stimme gelernt. Es hatte die Durchsage am Bahnsteig als Teil meiner Klangfarbe abgespeichert.
Danach saß ich eine Stunde am Küchentisch und war ehrlich gesagt ein bisschen beleidigt. Ich wollte doch nur schnell eigene Stimme klonen, kostenlos, ohne großes Setup. Stattdessen hatte ich einen sprechenden Bahnhof gebaut.
Drei Dinge, von denen ich dachte, sie seien harmlos
Rauschen ist kein Hintergrund, sondern ein Merkmal. Das war mein größter Denkfehler. Ich dachte, so ein Tool filtert die Umgebung raus und nimmt nur die Stimme. Tut es nicht. Es lernt die statistischen Eigenschaften der ganzen Aufnahme: das tiefe Rollen der U-Bahn, die Leute neben mir, den Nahbesprechungseffekt, weil das Handy zu nah am Mund war. Dreckiges Material rein, dreckiges Ergebnis raus. Immer.
Dauer und Sprechtempo sind wichtiger als die Klangfarbe. In meinen drei Minuten hatte ich zwei Minuten lang die Stimme gedämpft, weil ich niemanden anpöbeln wollte, und ich habe mal schnell, mal langsam gelesen. Das Modell bekam ein kurzes, wackeliges Sample — und lieferte entsprechend Matsch. Ob kostenlose Stimmenklon-Tools oder bezahlte: an der Materialqualität kommt keiner vorbei.
Die Rauschunterdrückung im Handy macht es schlimmer. Telefonie-Filter sind darauf optimiert, dass man Wörter versteht. Sie schneiden Obertöne weg. Beim Telefonieren super. Beim Stimme klonen kostenlos ein Desaster — ohne Obertöne klingt die Stimme platt und beliebig.
Nach diesen drei Erkenntnissen habe ich auf der Stimme klonen-Seite nochmal von vorn angefangen. Ordentlich diesmal.
Zweiter Versuch: Kleiderschrank, Winterjacken, drei Minuten
Ich habe mich in den Kleiderschrank gestellt und die Winterjacken drumherum gestapelt. Handy auf Flugmodus, zwanzig Zentimeter Abstand, nicht direkt vor den Mund. Gelesen habe ich einen selbst geschriebenen Text mit kurzen und langen Sätzen, in normalem Tempo, ein bisschen langsamer als sonst.
Drei Minuten. Mehr nicht.
Das Ergebnis fand ich selbst komisch — sein eigenes aufgenommenes Ich erträgt niemand gern. Meine Mitbewohnerin rief aus dem Nebenzimmer: „Das bist doch du." Also gut genug.
Und dann kam der eigentliche Punkt: mein 80-seitiges Vorlesungsskript in etwas verwandeln, das ich im Zug hören kann. Text zu Sprache kostenlos klingt immer nach Kompromiss. War es hier nicht.
PDF einfach reinwerfen funktioniert übrigens nicht. Ich habe vorher aufgeräumt: Kopf- und Fußzeilen raus, Seitenzahlen raus, Literaturverweise raus. Formeln und Tabellen habe ich in je einen gesprochenen Satz übersetzt („Hier steht eine Tabelle mit drei Zeilen: links die Methode, rechts die Genauigkeit"). Vor jede große Überschrift kam ein „Teil eins", damit das Ohr weiß, wo es ist.
Den aufgeräumten Text habe ich dann in den Online-Text-zu-Sprache-Editor gegeben, meine geklonte Stimme ausgewählt und abschnittsweise generieren lassen. Dass die kostenlose Vertonung wirklich kostenlos ist, habe ich erst nach dem dritten Durchlauf geglaubt. 80 Seiten wurden elf Abschnitte à sieben bis acht Minuten — genau eine Zugfahrt.
Als meine eigene Stimme „Bayes'sche Inferenz" gesagt hat, war das ein merkwürdiger Moment. Im Grunde benutze ich einen kostenlosen AI Sprecher als Vorleser. Nur dass der Vorleser ich bin. Wer eine KI Stimme erzeugen will, braucht dafür heute wirklich kein Studio mehr — ein Kleiderschrank reicht.
Was ich unterwegs gelernt habe:
- Lieber kurz und sauber als lang und laut. Drei Minuten ruhige Sprache schlagen dreißig Minuten Konferenzraum.
- Nicht zu lange Blöcke generieren. Über fünfzehn Minuten hört man nicht am Stück, und Unterbrechen ist dann fummelig.
- Zahlen und Abkürzungen vorher ausschreiben. „2024" wird zu „zweitausendvierundzwanzig", „DSGVO" zu „D S G V O". Sonst klingt es falsch.
- Zehn Sekunden Probehören vor dem ganzen Lauf. Spart die Erkenntnis, dass die falsche Stimme ausgewählt war.
Kurz zum Datenschutz, weil das hier viele umtreibt
Ich verstehe jeden, der bei Voice Cloning deutsch kostenlos erstmal an die DSGVO denkt. Zu Recht: Eine Stimmaufnahme ist ein biometrisches Datum, und wenn die Verarbeitung auf Servern außerhalb der EU läuft, will man wissen, was damit passiert. Meine persönliche Regel: Für Skripte, Vorlesungen und eigene Notizen bin ich entspannt. Für Stimmen anderer Leute — Kollegen, Freunde, Familie — hole ich vorher ausdrücklich ein Okay ein. Ohne Ausnahme. Eine geklonte Stimme ist kein Spielzeug mehr, sobald sie jemand anderem gehört.
Für meine Uni-Mitschriften reicht mir: kein Konto, kein Umweg über irgendwelche Freischaltungen, und die fertigen Audios bleiben lokal bei mir. Sprachausgabe ohne Registrierung ist genau der Punkt, der das alltagstauglich macht — ich will nicht für jede einzelne Vertonung ein Profil anlegen.
Ein paar Freunde machen barrierefreie Arbeit: Hörfassungen von Lehrmaterial, Papern, Verwaltungstexten, gern mal zweihundert Seiten. Für die ist die Frage, ob man ohne Anmeldung Text zu Sprache erzeugen kann und ob es Obergrenzen gibt, viel wichtiger als die Frage, ob die Stimme hundertprozentig klingt.
Ich hatte kurz überlegt, mir einen kostenlosen Sprachgenerator per API zu nehmen und ein Skript zu schreiben. War unnötig — TTS online kostenlos im Browser ging schneller. Angenehm finde ich, dass kostenlose Stimmenklon online und Text zu Sprache Deutsch kostenlos im selben Werkzeug liegen; kein Hin- und Herspringen. Und wer ein Hörbuch selbst vertonen will, hat damit im Prinzip schon alles: eigene Stimme, Text, Export.
Die Seite wirbt mit dauerhaft kostenlosem Stimme klonen. Ich nutze sie seit einem halben Jahr und bin noch nie auf eine plötzliche Bezahlschranke gestoßen. Verbindlich ist natürlich, was im Hauptbereich steht.
FAQ
Mein Klon klingt nicht wie ich. Was jetzt?
Meistens liegt es am Material, nicht am Werkzeug. Prüf drei Dinge: Spricht im Hintergrund jemand? Gibt es ein gleichmäßiges Grundgeräusch? War dein Tempo konstant? Ein Punkt wird oft vergessen — die Emotion. Wenn du beim Aufnehmen einen total begeisterten Text liest, klingt der Klon später aufgekratzt, und beim Vorlesen eines Skripts wirkt das albern. Nimm mit der Stimme auf, mit der du wirklich sprichst. Nicht schauspielern.
Wie gehe ich mit Formeln, Tabellen und Code um?
Erwarte nicht, dass TTS das sinnvoll vorliest. Ich übersetze sie in gesprochene Beschreibungen und setze sie an die passende Stelle im Text. Formel: „Sigma von i gleich eins bis n". Tabelle: „Diese Tabelle hat drei Zeilen, die erste ist …". Codeblöcke lasse ich ganz weg und sage nur „an dieser Stelle steht Code, siehe Original, Seite so und so". Klingt plump, aber das Ohr kommt mit.
Gibt es bei Werkzeugen ohne Registrierung ein Limit?
Bei mir bisher nicht, und ich nutze es seit Monaten. Anbieter ändern aber ihre Regeln, also gilt das, was auf der Website steht. Mein Rat: nicht alles auf eine Karte setzen. Bei langen, wichtigen Texten lade die Audiodatei nach dem Erzeugen lokal herunter. Dann bist du unabhängig. Nebenbei: unter weitere Anleitungen liegen ähnliche Ansätze für lange Dokumente, lohnt sich.
Wenn bei dir auch ein Stapel Skript, Paper oder Bedienungsanleitung herumliegt, den du seit Wochen nicht anfängst: heute Abend reicht. Such dir einen kleinen, leisen Raum, nimm drei Minuten mit dem Handy auf, sprich langsamer als sonst, schreib die Sätze so, wie du sie sagen würdest. Dann auf kostenloses Stimme klonen und ausprobieren.
Und bitte: nicht in der U-Bahn aufnehmen. Ich spreche aus Erfahrung.