Kaffeemühle, Wäschekorb und ein Klon: Was ich über Stimme klonen kostenlos wirklich gelernt habe

Mittwoch, kurz nach drei. Ich sitze in einem Café in der Südstadt, vor mir ein Latte, im Kopf eine Deadline für ein Erklärvideo, und der Kunde hat den Sprechertext gerade zum dritten Mal umgeschrieben. Die Sprecherin, mit der wir sonst arbeiten, ist im Urlaub. Und ich denke: Ich habe doch diese Stimmenklon-Sache. Ich lese den Text selbst ein, den Rest macht die KI.

Zwei Stunden später sitze ich mit Kopfhörern da und höre einer Person zu, die klingt, als würde sie aus einer Badewanne heraus sprechen. Von unten. Durch Wasser.

Der Kunde schrieb nach dem Anhören nur: „Können wir nicht doch warten?“

Okay. Fangen wir vorne an.

Was ich dem Tool eigentlich gefüttert habe

Damit hier kein falscher Eindruck entsteht: Ich habe nichts Exotisches gemacht. Handy raus, kostenlose Stimmenklon online im Browser geöffnet, drei Minuten Text eingesprochen, hochgeladen, gewartet, getippt, abgespielt. Ich wollte einfach nur eine KI Stimme erzeugen, die meinen Text vorliest – mehr nicht. Der Ablauf war nicht das Problem.

Das Material war das Problem.

Erst beim dritten Anhören habe ich es wirklich gehört: im Hintergrund die Kaffeemühle, ein tiefes Brummen, das sich schön gleichmäßig unter alles drunterlegt. Dazu zwei Gäste am Nebentisch, deren Stimmen genau in dem Frequenzbereich liegen, in dem auch meine Stimme liegt. Und dann das Handy, das zwanzig Zentimeter vom Mund weg auf dem Tisch lag, während der Raum mit seinen hohen Decken fröhlich mitgehallt hat.

Das Modell lernt die Klangfarbe, klar. Aber es lernt nicht „meine Stimme“. Es lernt „alles, was auf dieser Aufnahme passiert“. Und auf meiner Aufnahme passierte ein Café.

Dazu kam ein zweiter Fehler, der mir erst später peinlich war: Ich habe den Text mit Gefühl gelesen. Also tiefer, langsamer, dramatischer als sonst. Das Ergebnis war nicht ich mit Pathos, sondern eine erkältete Version von mir, die seit drei Tagen nicht geschlafen hat.

Merksatz, den ich seitdem jedem sage, der eigene Stimme klonen will: Du bekommst genau das zurück, was du reingibst. Nicht ungefähr. Genau.

Die Nachlese: drei Dinge, die ich anders gemacht habe

Beim zweiten Versuch habe ich mich ziemlich albern gefühlt. Es hat trotzdem funktioniert.

Der Ort. Ich bin in den Kleiderschrank umgezogen. Zwei Winterjacken hinter mir, Handy auf einem Kleiderbügel, etwa eine Faustbreit vom Mund. Klingt bescheuert, sieht bescheuert aus – und schluckt mehr Hall als jedes kostenlose Entrauschungs-Plugin, das ich probiert habe. Alternativ geht auch eine dicke Decke über dem Kopf, Laptop auf dem Knie. Hauptsache weich, klein, vollgestellt.

Der Text. Kein Werbetext mehr. Ich habe einfach laut vorgelesen, was ich am Vorabend in mein Notizbuch geschrieben hatte – ein paar Absätze über einen kaputten Fahrradschlauch. Klingt nach nichts, war aber genau richtig, weil ich dabei so gesprochen habe, wie ich spreche. Ein Klon braucht nicht deine Bühnenstimme, sondern deine Alltagsstimme.

Die Länge. Vier Minuten statt dreißig Sekunden. Mit Pausen, mit Atemholen, mit einer Stelle, an der ich mich verlese und lache. Ich habe alles drin gelassen. Je mehr echte Variation in der Aufnahme steckt, desto weniger klingt später jede generierte Zeile gleich.

Dann hochgeladen, gewartet – und diesmal war es unheimlich. Nicht „eine Stimme, die ähnlich klingt“. Sondern meine Stimme, nur mit einem Text, den ich nie gesagt habe.

Nebenbei: Wer heute nach text zu sprache kostenlos sucht, landet innerhalb von zwei Minuten bei irgendeinem Sprachgenerator kostenlos im Browser. Aufmachen, lostippen, fertig. Der schwierige Teil ist und bleibt die Aufnahme davor – und den nimmt dir kein Tool ab.

Wo das Ganze dann plötzlich Sinn ergibt

Als das Material stimmte, habe ich gemerkt, dass „kostenlos“ nie der interessante Teil war. Interessant war: Ich muss nicht mehr neu einsprechen, wenn sich der Text ändert.

  • Kurzvideos und Reels. Skript zehnmal umgeschrieben? Egal. Text ändern, neu generieren, fertig. Früher hieß das jedes Mal Termin mit der Sprecherin.
  • Kurse und Lernmaterial. Ich lasse mir meine eigenen Skripte als Audio ausgeben und höre sie auf dem Weg zur Arbeit. Klingt nach Zeitverschwendung, ist aber die ehrlichste Korrekturrunde, die ich kenne – das Ohr merkt sofort, wo ein Satz holpert.
  • Hörbuch selbst vertonen. Für ein Projekt mit gemeinfreiem Text habe ich mir überlegt, das komplette Ding mit meiner geklonten Stimme einzulesen. Nicht, weil ich berühmt bin, sondern weil eine vertraute Stimme angenehmer ist als eine synthetische.
  • Ansagen für die Familie. Die Bedienungsanleitung der neuen Waschmaschine meiner Mutter als Sprachnachricht statt als sechs DIN-A4-Seiten. Klingt banal. Sie hat sich bedankt.
  • Barrierefreiheit und Demos. Für Schulungsvideos und Vorlesefassungen braucht man eine Stimme – aber nicht zwingend einen Menschen, der zwanzig Takes aufnimmt.

Für mich ist das inzwischen ein kostenloser AI Sprecher, der genau dann einspringt, wenn die echte Sprecherin im Urlaub ist. Und weil die Sprachausgabe ohne Registrierung läuft, probiere ich dieselbe Zeile in drei Varianten aus, verwerfe zwei und muss mich bei keiner davon anmelden. Diese Reibungslosigkeit ist mir mehr wert als drei zusätzliche Schieberegler.

Wichtig, gerade hier in Deutschland: Wenn es um Stimmen anderer Leute geht, hört der Spaß auf. Eine Stimme ist nach DSGVO ein personenbezogenes Datum, und spätestens mit den Transparenzpflichten im EU AI Act sollte man sich zweimal überlegen, ob man eine Kollegin klont, nur weil sie gerade im Meeting war. Meine Regel: nur die eigene Stimme. Alles andere nur mit ausdrücklicher, schriftlicher Erlaubnis.

Mein Ablauf, inzwischen ziemlich eingefahren

Aufnahme in einem kleinen, vollgestellten Raum (Handy oder Headset-Mikro, egal) → drei bis fünf Minuten in normaler Sprechweise → hochladen und Stimme speichern → Text eintippen → anhören → wenn es hakt, nicht an den Reglern drehen, sondern am Text.

Und ja: an der Zeichensetzung. Das war meine zweite Lektion. Komma ist eine kurze Pause. Punkt ist eine lange. Ein Gedankenstrich heißt: hier atme ich kurz. Wenn die Interpunktion sitzt, sitzt auch der Rhythmus – das bringt mehr als jedes Einstellungsmenü.

Dass das Ganze ohne Anmeldung Text zu Sprache funktioniert und ich nicht bei jedem Test eine E-Mail-Adresse hinterlegen muss, ist für mich der eigentliche Luxus. Wer sich durch die Anbieterlandschaft klickt, findet unter voice cloning deutsch kostenlos erstaunlich viel Brauchbares – und einiges, das nur so tut.

Wenn du dich da reinfuchsen willst: In den Anleitungen und Praxisnotizen stehen Abläufe, die mir damals einen halben Nachmittag erspart hätten.

Drei Fragen, die mir ständig gestellt werden

Brauche ich ein teures Mikrofon?

Nein. Meine beste Aufnahme entstand mit einem Mittelklasse-Handy im Kleiderschrank. Was Material ruiniert, ist Hall, Hintergrundgeräusche und zu großer Abstand zum Mund – nicht das Mikrofon. Ein ruhiger Raum und eine Handbreit Abstand schlagen jedes 500-Euro-Mikrofon im halligen Wohnzimmer.

Darf ich die geklonte Stimme kommerziell nutzen?

Kommt drauf an, wessen Stimme es ist – und was in den Nutzungsbedingungen des Anbieters steht. Mit der eigenen Stimme bist du auf der sicheren Seite. Bei allen anderen: vorher fragen, schriftlich. Das ist kein Bürokratie-Kram, das ist der Unterschied zwischen einem Projekt und einem Brief vom Anwalt.

Merkt man den Unterschied zwischen kostenlos und bezahlt?

Für das, was ich mache, kaum. Die Unterschiede tauchen bei Extremfällen auf: sehr lange Texte, sehr feine emotionale Nuancen, viele Sprecher in einem Projekt. Für Erklärvideos, Kursmaterial und Ansagen reicht kostenlose Vertonung völlig aus. Wenn mich jemand nach einer API fragt, sage ich immer dasselbe: Bring erst im Browser Material und Text in Form, dann rede über Schnittstellen. Sonst produzierst du nur Rauschen im Akkord.

Wenn du es heute Abend ausprobieren willst

Such dir einen Raum, in dem es keine Kaffeemaschine gibt. Nimm das Handy, halt es eine Handbreit vor den Mund und lies drei Minuten lang irgendetwas vor, das du selbst geschrieben hast – eine Notiz, eine Mail, eine Einkaufsliste mit Kommentaren. Nicht schön sprechen. Einfach sprechen.

Dann lade die Datei hoch, tippe einen Satz, den du nie gesagt hast, und hör zu.

Bei mir hat der erste Versuch einen halben Nachmittag gekostet. Der zweite hat mir beigebracht, dass achtzig Prozent der Arbeit im Aufnehmen steckt und nicht im Einstellen. Die restlichen zwanzig Prozent darf das Tool machen.