Ich habe meine Stimme in der Küche aufgenommen – danach waren 37 Produktvideos unbrauchbar
Zwei Wochen vor dem Black Friday, 37 fertig geschnittene Produktvideos auf der Timeline – und ich habe keins hochgeladen. Nicht weil die Schnitte schlecht waren. Sondern weil die Tonspur Schrott war.
Die Idee dahinter war ehrlich gesagt ziemlich faul. Warum einen Sprecher bezahlen, wenn die KI das inzwischen kann? Also habe ich mich an einem Dienstagabend in die Küche gestellt, das Handy auf die Arbeitsplatte gelegt, mich 30 Zentimeter davor positioniert und drei Minuten lang Produkttexte vorgelesen. Im Hintergrund: die Dunstabzugshaube auf Stufe eins, ein tropfender Wasserhahn und – ich schwöre – der Nachbar mit der Bohrmaschine.
Ich war danach richtig zufrieden mit mir. Hochgeladen, zwei Minuten gewartet, und dann kam diese Stimme raus. Es klang, als würde jemand durch eine Blechwand sprechen. Endungen verschluckt, Atempausen völlig durcheinander, und unter „nur 19,99 Euro“ lag so ein dumpfes Brummen, das ich nicht mehr loswurde.
Ich habe die Datei in das erste Video gezogen, zehn Sekunden gehört und den Rechner zugeklappt.
Wo mein Denkfehler lag
Beim Stimme klonen passiert im Kern nichts Magisches. Das Tool hört sich deine Aufnahme an und lernt daraus, wie deine Stimme klingt – Klangfarbe, Timbre, die kleinen Eigenheiten.
Und genau da liegt das Problem: Diese Klangfarbe steckt nur in der sauberen Stimme. Gibst du dem Modell einen Topf voll Nebengeräusche, ist es nicht schlau genug, die rauszufiltern. Es lernt sie mit. Als wären sie ein Teil von dir. Deshalb hatte jede danach generierte Datei diese Dunstabzugshaube drin.
Fehler Nummer zwei war die Länge. Drei Minuten zwölf, mit zwei Hustern und einer Lachpause mittendrin. Zu wenig sauberes Material, also rät das Modell. Und geratene Stimmen klingen immer so: fast wie du, aber nicht ganz. Vertraut und trotzdem fremd.
Fehler Nummer drei war der schlimmste. Ich habe nicht probegehört. Ich habe direkt alle 37 Stücke in einem Rutsch generiert.
Die ersten beiden Fehler sind technisch. Der dritte ist eine Frage der Haltung. Kein noch so guter kostenloser AI Sprecher rettet jemanden, der sich das Ergebnis nicht anhört.
Die vier Stellen, an denen es gekippt ist
- Aufnahmeort: Küche, Dunstabzugshaube an, Baustelle vor dem Fenster
- Technik: Handymikrofon, 30 cm Abstand, freihändig gehalten
- Material: 3:12 Minuten, inklusive Husten und Lachanfall
- Kontrolle: übersprungen, direkt in die Massenproduktion
Siehst du das Muster? Kein einziger Punkt heißt „das Tool taugt nichts“. Es waren alles meine Fehler.
Zweiter Versuch – das habe ich geändert
Zuerst der Raum. Ich bin in den Kleiderschrank gestiegen, habe die Tür zugezogen, zwei Winterjacken hinter mir gestapelt, das Handy auf Flugmodus gestellt und es eine Faustbreite vor den Mund gehalten. Acht Minuten lang. Gleichmäßiges Tempo, keine Emotion, einfach nur trockene Produktbeschreibungen: „Fassungsvermögen 500 Milliliter, Innenbehälter aus Edelstahl 316, hält 12 Stunden warm.“
Dann der Ablauf. Diesmal habe ich nicht alles auf einmal generiert, sondern den Text nach Bildern in Häppchen von fünf bis acht Sekunden zerlegt. Warum? Weil du bei einer Komplettgenerierung jedes Mal die ganze Datei neu machen musst, wenn eine Betonung nicht sitzt. Bei Segmenten tauschst du nur die eine Zeile aus. Das ist kein kleiner Unterschied, das ist ein anderer Arbeitstag.
Mit sauberem Material war das Ergebnis sofort ein anderes. Der kostenlose Stimmenklon online hat die Endungen sauber geschlossen, und bei „Endpreis“ war kein Brummen mehr drunter. Kurz war ich ehrlich irritiert – das war tatsächlich ich.
Nebenbei: Ich habe in den letzten Monaten einige Free-Versionen durchprobiert. Mal ist die Zeichenzahl gedeckelt, mal stehst du in einer Warteschlange, mal kommt nach der dritten Generierung das Upgrade-Fenster. Beim Text zu Sprache deutsch kostenlos auf web666 bin ich bisher nicht an ein Limit gestoßen. Und dass es ohne Anmeldung läuft, ist für mich der eigentliche Luxus – ich muss keine 20-Sekunden-Datei mit E-Mail-Adresse und Bestätigungscode freischalten. Aufmachen, einfügen, fertig. Sprachausgabe ohne Registrierung klingt nach Kleinigkeit, spart im Alltag aber richtig Zeit.
Mittlerweile benutze ich es einfach als kostenlosen Sprachgenerator. Text rein, ein paar Sekunden warten, und wenn mir eine Betonung nicht gefällt, ändere ich zwei Wörter und mache es nochmal.
Und was ist mit dem Datenschutz?
Das ist der Punkt, über den ich mir als deutscher Nutzer tatsächlich Gedanken gemacht habe – und du solltest das auch. Beim eigenen Stimme klonen lädst du ein Stück Biometrie hoch. Das ist nichts, was man mal eben so wegwirft.
Meine Regeln sind inzwischen ziemlich strikt: Ich klone ausschließlich meine eigene Stimme oder Stimmen, für die mir jemand ausdrücklich und schriftlich sein Okay gegeben hat. Keine Prominenten, keine Podcaster, keine Audiodateien, deren Herkunft ich nicht kenne. Für ein Kundenprojekt habe ich mir die Einwilligung einmal per Mail bestätigen lassen – hat zwei Minuten gedauert und mir eine Menge Kopfschmerzen erspart. Wer ein Hörbuch selbst vertonen will, sollte das genauso handhaben.
Und ehrlich: Wenn eine kostenlose Vertonung dir das Gefühl gibt, du könntest dir einfach irgendeine Stimme aus dem Netz ziehen – dann ist das kein Feature, das ist eine Falle.
Was „kostenlos“ in der Praxis bedeutet
Ich habe anfangs nur einen kostenlosen Sprachgenerator für den Notfall gesucht und war skeptisch. Dauerhaft kostenlos klingt nach Köder, oder? Nach zweimal nutzen und dann Paywall.
Nach mittlerweile einem halben Jahr kann ich zumindest sagen: Es funktioniert ohne Konto, ohne Telefonnummer, ohne Login. Für gelegentliche Vertonungen völlig ausreichend.
Aber kostenlos heißt nicht allmächtig. Das Tool schreibt dir keinen Text. Es sagt dir nicht, wo eine Pause hingehört. Es schaut sich deinen Schnitt nicht an. Es macht aus Buchstaben eine Stimme, die wie ein Mensch klingt – den Rest machst du.
Wenn du ein paar Produktvideos im Monat vertonst, reicht ein kostenloses TTS online locker. Wenn du wie ich 30, 40 Stücke die Woche raushaust, brauchst du zusätzlich eine Namenskonvention und eine Ordnerstruktur – sonst findest du nach drei Tagen nicht mehr, welche Datei zu welchem Artikel gehört. Ich habe meine Stolperfallen nach und nach aufgeschrieben, weitere Anleitungen liegen dort ebenfalls.
Häufige Fragen
Meine Aufnahme ist laut – kann ich erst entrauschen und dann klonen?
Ein bisschen, aber mach dir keine Illusionen. Die Entrauschung kann nicht unterscheiden zwischen „Dunstabzugshaube“ und „Hauch in deiner Stimme“. Sie schneidet beides weg – und damit oft genau die Details, die deine Stimme ausmachen. Lieber fünf Minuten neu aufnehmen. Wenn es wirklich nicht anders geht: Kleiderschrank, Tür zu, Klamotten hinter dir. Dieser altmodische Trick schlägt die meisten Plugins.
Wie lang sollte ein Segment für Produktvideos sein?
Nach Bildern schneiden, fünf bis acht Sekunden pro Stück. Zu lang, und Betonung und Rhythmus sitzen selten genau auf dem Bild. Zu kurz, und die Sätze brechen hart ab. In Segmenten generieren und dann zusammensetzen ist deutlich flexibler als eine Komplettdatei – und du ärgerst dich nicht, wenn du eine Zeile neu machen musst.
Darf ich eine geklonte Stimme kommerziell nutzen?
Das hängt an den Nutzungsbedingungen der Plattform – und daran, wie du sie einsetzt. Meine Regel: nur meine eigene Stimme oder eine, für die ich eine klare Erlaubnis habe. Für ein Verkaufsvideo die Stimme von jemand anderem zu klonen ist kein cleverer Trick, das ist ein echtes Risiko. Da gibt es bei mir nichts zu diskutieren.
Mein Ablauf sieht inzwischen so aus: acht Minuten sauberes Material im Kleiderschrank aufnehmen, hochladen, in Segmente zerlegen, jedes einzeln anhören, dann in den Schnitt ziehen und ausrichten. Die 37 Videos habe ich an zwei Abenden nachgeholt.
Wenn du gerade davor sitzt und deine Produktvideos vertonen willst – generier nicht sofort alles auf einmal. Nimm dir fünf Minuten, stell dich in einen ruhigen Raum und nimm eine ordentliche Aufnahme auf. Das bringt mehr als jeder Trick. Wirklich. Ich habe 37 kaputte Videos gebraucht, um das zu lernen.