KI-Sprecher, die echter klingen als echt

Ein guter KI-Sprecher klingt nicht nach Maschine, sondern nach einem Profi im Studio: natürliche Betonung, Atmer, Emotion und Timing passend zum Bild. Ich produziere KI-Sprecher für Werbespots, TV, Kino und Social Media in vielen Sprachen und führe dabei Regie wie bei einer echten Aufnahme. So klingt die Stimme echter als echt.

Was ein guter KI-Sprecher heute kann

KI-Stimmen haben sich in kurzer Zeit enorm entwickelt. Ein guter KI-Sprecher betont natürlich, transportiert Emotion, kann flüstern, lachen und atmen. Dieselbe Stimme spricht viele Sprachen, mit erkennbar gleicher Stimmfarbe. Und wenn sich ein Satz im Skript ändert, ist die neue Fassung in Minuten fertig, statt einen neuen Studiotermin zu buchen.

Ich arbeite immer mit dem neuesten verfügbaren Stimmmodell, aktuell ElevenLabs Eleven v4. Das Modell ist aber nur das Instrument. Ob eine Stimme überzeugt, entscheidet die Regie.

Warum die meisten KI-Stimmen trotzdem nach KI klingen

Obwohl die Technik so weit ist, hört man vielen Videos die KI-Stimme sofort an. Die Gründe sind fast immer dieselben:

• Monotone Betonung: Jeder Satz klingt gleich, ohne Spannungsbogen.
• Falsche Aussprache von Marken: Produktnamen und Fremdwörter werden falsch gesprochen.
• Keine Atmer: Die Stimme spricht ohne Luft zu holen und wirkt dadurch künstlich.
• Zu sauberer Klang: Die Stimme schwebt ohne Raum über dem Bild.
• Text fürs Auge statt fürs Ohr: Lange Sätze, die sich gut lesen, aber schlecht sprechen.
• Timing passt nicht zum Bild: Die Stimme läuft neben dem Schnitt her statt mit ihm.

Alle diese Punkte lassen sich lösen. Wie, zeigen die folgenden Tipps.

Unsere Tipps: So klingt der KI-Sprecher echter als echt

1. Für das Ohr schreiben

Kurze Sätze, keine Schachtelsätze, Zahlen und Abkürzungen ausschreiben. Laut vorlesen, bevor generiert wird. Was beim Vorlesen stolpert, stolpert auch bei der KI.

2. Satzzeichen sind Regieanweisungen

Komma, Punkt und Auslassungspunkte steuern Pausen und Atmung. Ein gezielter Punkt an der richtigen Stelle bringt mehr Wirkung als jede Einstellung.

3. Markennamen lautschriftlich schreiben

Produktnamen, Fremdwörter und Abkürzungen so schreiben, wie sie gesprochen werden sollen. Das aktuelle Stimmmodell versteht dafür auch Lautschrift (IPA). Ein falsch ausgesprochener Markenname zerstört jeden Spot.

4. Die Stimme gegen das Bild casten

Mehrere Stimmen nicht einzeln anhören, sondern direkt unter den Schnitt legen. Eine Stimme, die allein gut klingt, kann zum Bild völlig falsch sein.

5. Emotion gezielt anweisen

ElevenLabs Eleven v4 versteht Regieanweisungen direkt im Text, als Audio Tags wie [laughs] oder [whispers] und sogar als Anweisung in normaler Sprache. Sparsam einsetzen, wie ein Regisseur im Studio, nicht in jedem Satz.

6. Nicht beim Standard stehen bleiben

Die Grundeinstellungen sind ein Startpunkt, kein Ergebnis. Zu glatt klingt monoton, zu frei klingt unberechenbar. Für jede Stimme und jeden Text wird neu getestet, bis die Balance stimmt.

7. Mehrere Takes, dann zusammenschneiden

Wie beim echten Sprecher: jeden Satz mehrfach erzeugen und die beste Betonung pro Satz auswählen. Der fertige Spot besteht oft aus vielen Takes.

8. Im Zusammenhang generieren

Ganze Absätze statt einzelner Wörter erzeugen, damit Satzmelodie und Spannungsbogen stimmen. Einzelne Sätze gezielt nachgenerieren, wenn eine Betonung nicht sitzt.

9. Atmer drin lassen

Atmer und kleine Pausen nicht wegschneiden. Genau sie machen eine Stimme menschlich. Eine Stimme ohne Atmung klingt sofort künstlich.

10. Den Klang in den Raum setzen

KI-Stimmen klingen oft zu sauber. Dezenter Raumklang, EQ und Kompression setzen die Stimme in die Szene, sodass sie zum Bild und zur Musik passt.

11. Das Bild bestimmt das Tempo

Sprechtempo und Pausen an Schnitt und Musik anpassen, nicht umgekehrt. Ein Sprecher, der auf dem Schnitt landet, wirkt professionell.

12. Für den Kanal mastern

Ein TV-Spot wird nach EBU R128 gemischt, Social Media verlangt eine andere Lautheit als das Fernsehen. Dieselbe Stimme braucht für jeden Kanal eine eigene Mischung.

Eine Stimme, viele Sprachen

Für internationale Kampagnen ist das einer der größten Vorteile: Dieselbe Stimme spricht in über 90 Sprachen, mit erkennbar gleicher Stimmfarbe. Ihre Marke klingt in jedem Markt vertraut, ohne dass für jede Sprache ein neuer Sprecher gecastet werden muss. Ich empfehle bei jeder Sprache eine muttersprachliche Prüfung der Aussprache, besonders bei Markennamen, Zahlen und Redewendungen.

Wann ein echter Sprecher besser ist

Ehrlich gesagt: nicht immer ist die KI die beste Wahl. Bei sehr emotionalen Markenfilmen, bei bekannten Markenstimmen oder wenn ein Sender oder Kunde es verlangt, ist ein echter Sprecher die bessere Lösung. Auch eine Kombination ist möglich: ein echter Sprecher für den Master, KI für Versionen und weitere Sprachen. Das geht nur mit ausdrücklicher Einwilligung des Sprechers.

Rechtliches bei KI-Stimmen

Stimmen von realen Personen werden nur mit deren schriftlicher Einwilligung nachgebildet. KI-Stimmen werden nach EU AI Act gekennzeichnet, wo das nötig ist.

Passende Seiten

Die Stimme ist Teil eines Films. Wie ein Spot fürs Fernsehen entsteht, lesen Sie unter Fernsehwerbung mit KI. Eigene Musik unter der Stimme gibt es bei KI-Musik für Werbung. Und den kompletten Spot erklärt die Seite KI-Werbespot produzieren lassen. Alle Leistungen: KI-Videoproduktion.

Für welche Projekte sich KI-Sprecher eignen

KI-Sprecher eignen sich besonders für Werbespots mit vielen Varianten, für Kampagnen in mehreren Sprachen, für Social-Media-Videos mit kurzer Laufzeit und für Projekte, bei denen sich der Text bis kurz vor der Veröffentlichung noch ändern kann. Auch für Erklärfilme und Produktvideos sind sie eine gute Wahl, weil Korrekturen schnell umgesetzt sind.

So läuft es ab

1. Skript für das Ohr: Der Text wird so geschrieben und geprüft, dass er sich gut spricht.
2. Stimmcasting gegen das Bild: Mehrere Stimmen werden direkt unter den Schnitt gelegt.
3. Takes: Jeder Satz wird mehrfach erzeugt, mit gezielter Regie für Emotion und Tempo.
4. Auswahl und Schnitt: Die besten Takes werden ausgewählt und auf den Schnitt gesetzt.
5. Mischung für den Kanal: Raumklang, EQ, Kompression und Lautheit passend zu TV, Kino oder Social Media.
6. Lieferung: alle Fassungen und Sprachen, mit Kennzeichnung, wo sie nötig ist.

Was kostet das?

Der Aufwand hängt von diesen Faktoren ab:

• Länge des Textes und Anzahl der Fassungen
• Anzahl der Sprachen und muttersprachliche Prüfung
• Aufwand für Casting und Takes
• Mischung für einen oder mehrere Kanäle
• Kombination mit echtem Sprecher
• Nutzungsumfang und Laufzeit

Im Gespräch klären wir Ihr Projekt, danach erhalten Sie ein festes Angebot.