„Sag mal, wen hast du da sprechen lassen?“ – wie ich meine Produktvideos mit meiner eigenen geklonten Stimme vertone
Sonntag, kurz vor Mitternacht, WhatsApp von Jonas: „Sag mal, wen hast du für das Video sprechen lassen?“ Es ging um die Edelstahl-Trinkflasche, die ich nachmittags bei Instagram hochgeladen hatte. Ich schrieb zurück: KI. Drei Fragezeichen. „Nee, oder? Das Atmen, die Pausen – das klingt echt.“
Kann ich verstehen. Vor zwei Jahren habe ich selbst mit TTS herumexperimentiert, und das klang wie das Navi, das mich auf der A3 nach Frankfurt schickt. So eine Stimme unter einem Produktvideo? Da scrollt jeder nach 1,5 Sekunden weiter. Dass Jonas diesmal nichts gemerkt hat, hat mich ehrlich gesagt ein bisschen gefreut. Ich nutze nämlich Stimme klonen kostenlos – drei Minuten eigenes Material eingespielt, und seitdem liest diese Stimme jedes meiner Videos.
Eine schlechte Vertonung ist schlimmer als ein verwackeltes Bild
Wer im E-Commerce unterwegs ist, kennt das Trio: Produktbilder, Produkttext, Kurzvideo. Bei den ersten beiden kann man mit Photoshop und gutem Copywriting viel retten. Beim Video fliegt es auf, sobald jemand den Mund aufmacht.
Ich sehe das ständig: sauber geschnitten, schöne Musik, und dann kommt diese Stimme. Gleichmäßig, mechanisch, jedes Wort akzentuiert wie in einer Bedienungsanleitung. Weg ist der Zuschauer.
Das Dilemma ist altbekannt. Echte Sprecher kosten Geld – für 30 Sekunden Sprechtext liegt man schnell bei 80 bis 200 Euro, und jede Änderung wird neu berechnet. Wer fünf Videos pro Tag raushaut, kann das nicht bezahlen. Reine Roboterstimmen will niemand hören. Und genau in dieser Lücke sitzt die kostenlose Stimmenklon online.
Was ich mit „kostenlos“ schon alles erlebt habe
Meine ehrliche Bilanz: Bei Gratis-Tools zahlst du am Ende mit Zeit.
Ich habe bestimmt sieben oder acht ausprobiert. Bei einem war nach 30 Sekunden Schluss, dann kam die Bezahlwand. Bei einem anderen musste ich mich registrieren, Handynummer bestätigen, E-Mail verifizieren – bis ich durch war, hatte ich das Video längst fertig geschnitten. Und ein dritter hat alle zehn Sekunden einen Jingle eingestreut. Danke, nein.
Ein Punkt, der in Deutschland gern vergessen wird: Wo landen eigentlich meine Stimmaufnahmen? Wenn ich für einen Kunden produziere, ist das kein Nebenthema mehr, sondern DSGVO. Ich will wissen, wo die Dateien liegen und ob es einen Auftragsverarbeitungsvertrag gibt. Bei vielen Anbietern steht dazu – nichts.
Und dann ist da noch die Sprachqualität. TTS online kostenlos gibt es wie Sand am Meer, aber vieles klingt auf Englisch ordentlich und auf Deutsch wie eine Bahnhofsdurchsage. Text zu Sprache deutsch kostenlos, die man wirklich in einem Werbevideo verwenden kann, war lange ein Wunschtraum. Ich habe inzwischen ein gutes Dutzend Seiten durch, die text zu sprache kostenlos anbieten – die meisten sind nach zwei Sätzen am Ende.
Irgendwann hat mir ein Kollege VoxClone empfohlen. Ich war skeptisch, klar. „Dauerhaft kostenlos“ schreibt jeder auf die Startseite. Aber: kein Konto, keine Anmeldung. Du lädst eine Aufnahme hoch oder sprichst direkt rein, wartest ein paar Minuten, und dann hast du deine Stimme. Ich wollte einfach nur meine eigene Stimme klonen, ohne Vertrag, ohne Kreditkarte – und genau das war hier der Fall. Für mich ist Text zu Sprache ohne Anmeldung der entscheidende Punkt: Ich sitze oft spontan am Rechner eines Kunden und ändere noch schnell einen Satz. Da registriere ich mich doch nicht für eine einzige Zeile.
Das Prinzip dahinter ist simpel: Du gibst dem System eine saubere Sprachaufnahme, es lernt dein Timbre, und danach liest es deinen Text mit deiner Stimme. Bei deutschen Kommas und Satzzeichen macht es seine Sache erstaunlich ordentlich – dieses harte, abgehackte Vorlesen bleibt aus.
Mein Ablauf, wenn ein Produktvideo vertont werden soll
Vier Schritte, mehr nicht:
- Skript schreiben, an Atempausen denken, kein Satz über 20 Wörter
- Text in den kostenlosen Sprachgenerator werfen und die trainierte Stimme wählen
- Audio exportieren, in CapCut oder DaVinci ziehen, aufs Bild legen
- Beim wichtigsten Verkaufsargument manuell 0,2 Sekunden Stille einsetzen
Klingt banal, drei Details machen aber den Unterschied.
Erstens: Schreib, wie du sprichst. „Der Innenbehälter besteht aus lebensmittelechtem Edelstahl 304“ – das ist der Tod jeder Vertonung. „Der Innenbehälter ist 304er Stahl, heißes Wasser schmeckt danach nicht metallisch“ – gleiche Stimme, plötzlich lebendig. Wenn du nur schnell testen willst, ob dein Skript überhaupt einen Rhythmus hat, reicht ein kostenloses Text-zu-Sprache-Tool völlig aus.
Zweitens: Erwarte nicht, dass der erste Durchlauf sitzt. Ich generiere meist zwei, drei Versionen und nehme die, bei der das Tempo am angenehmsten ist. Bei einem kostenlosen AI-Sprecher tut das nicht weh – im Gegensatz zu Tools, die pro Zeichen abrechnen.
Drittens: Das Material muss sauber sein. Meine erste Aufnahme entstand im Wohnzimmer, der Kühlschrank brummte im Hintergrund, und hinterher hing an jedem Wort so ein leises Wummern. Seitdem gehe ich in den Kleiderschrank, Decke über den Kopf, Tür zu. Klingt albern, funktioniert. Steht übrigens auch in den weiterführenden Tutorials.
Und dann war da noch Timo, der einen Shop für Hundebedarf hat. Seine Stimme ist ziemlich hell und spitz – für Barf-Futter und „sanfte“ Markenkommunikation völlig ungeeignet. Er hat seine Stimme eine Terz tiefer gelegt und ein bisschen von der Aufnahme seiner Frau dazugemischt. Ergebnis: eine Stimme zwischen beiden, nicht zu künstlich, aber angenehm warm. Dass kostenlose Vertonung inzwischen so weit ist, hätte ich vor zwei Jahren nicht geglaubt. Wer mag, kann damit sogar ein Hörbuch selbst vertonen – für Podcast-Intros oder Audioguides funktioniert das genauso gut.
Die drei Fragen, die mir am häufigsten gestellt werden
Ich bin technisch nicht fit – ist Stimme klonen kompliziert?
Nein. Wirklich nicht. Kein Modell, keine Grafikkarte, keine Kommandozeile. Du brauchst eine saubere Aufnahme von ein bis drei Minuten, den Rest macht das Tool. Von allen Wegen, die ich kenne, um eine KI-Stimme zu erzeugen, ist dieser der kürzeste: Seite öffnen, Aufnahme rein, fertig. Sprachausgabe ohne Registrierung ist dabei kein Marketing-Satz, sondern der Grund, warum ich überhaupt dabeigeblieben bin.
Was, wenn der Anbieter morgen Geld verlangt oder dichtmacht?
Berechtigte Sorge, ehrlich. Mein Trick: Von jeder Stimme, die ich wirklich brauche, behalte ich die Originalaufnahme lokal auf der Platte. Wechselt der Anbieter die Regeln, trainiere ich woanders neu – Verlust: fünfzehn Minuten. Bisher war das nicht nötig. Keine Limits bei der Länge, keine versteckten Kontingente, ich nutze es seit einem halben Jahr fast täglich.
Darf ich die Audios kommerziell verwenden?
Bei meinen eigenen Videos: ja, weil es meine eigene Stimme ist. Ich räume mir praktisch selbst die Rechte ein. Sobald du aber die Stimme einer anderen Person klonst, brauchst du deren ausdrückliche Zustimmung – ohne Diskussion. Die eigene Stimme ist in Deutschland über das allgemeine Persönlichkeitsrecht geschützt, und mit dem EU AI Act kommen zusätzlich Transparenzpflichten für KI-generierte Inhalte dazu. In der Werbung würde ich im Zweifel kennzeichnen, dass eine geklonte Stimme spricht. Wer programmieren kann, findet übrigens auch eine kostenlose API, um ganze SKU-Listen in einem Rutsch zu vertonen – das habe ich mir für nächsten Monat vorgenommen.
Und Jonas?
Nach meiner Erklärung war kurz Stille. Dann: „Kann ich das auch mit meiner eigenen Stimme?“
Klar, sagte ich. Probier’s aus, zehn Minuten reichen, um zu wissen, ob es für dich funktioniert. Am nächsten Morgen kam eine Sprachnachricht von ihm – 20 Sekunden, seine Stimme, die die Vorteile seines Kräutertee-Shops vorliest. Ziemlich selbstzufrieden, der Tonfall.
Wenn du also gerade überlegst, ob du für dein nächstes Produktvideo einen Sprecher engagierst: Lass es. Nimm dein Handy, sprich zwei Minuten in einen ruhigen Raum, und teste es. Kostet nichts außer einer Viertelstunde. Das Schwierige war nie das Tool – das Schwierige ist, den Text so umzuschreiben, dass er nach Mensch klingt und nicht nach Datenblatt.