KI-Voiceover: was es ist, wie es entsteht und wann es falsch klingt
Ein KI-Voiceover ist die Sprechertonspur eines Videos, gelesen von einer synthetischen Stimme nach einem geschriebenen Skript und in Sekunden erzeugt statt in der Sprecherkabine aufgenommen. Ob ein KI-Voiceover in einem kurzen Produkt- oder Marketingvideo natürlich klingt, entscheiden heute vor allem das Skript und die Art, wie der Take entsteht, viel weniger die Wahl der Stimme.
Dieser Leitfaden ist für alle, die diese Woche ein vertontes Video veröffentlichen müssen, etwa ein Studio, das Landingpages verkauft und pro Angebot ein Video will, ohne jedes Mal einen Sprecher zu buchen. Wir zeigen, was bei jedem PageToVid-Render mit der Stimme passiert, an zwei echten Filmen derselben kolumbianischen Seite, einmal auf Spanisch, einmal auf Englisch.
Das Landingpage-Angebot von Kevibe Studio (studio.kevibe.com) als 30-Sekunden-Film auf Spanisch mit 38 gesprochenen Wörtern; die englische Fassung derselben Seite läuft 48 Sekunden mit 81 Wörtern.
Was als KI-Voiceover gilt und was nicht
Unter „KI-Voiceover“ laufen drei verschiedene Leistungen.
- Sprechertext nach Skript. Du schreibst den Text, eine synthetische Stimme liest ihn über deine Bilder. Das macht PageToVid, und darum geht es hier.
- Voice Cloning. Ein Modell lernt die Stimme einer bestimmten Person aus einer Probe und liest damit neue Texte. Das bieten wir nicht an.
- Synchronisation mit Lippenanpassung. Ein Video einer sprechenden Person wird übersetzt, neu vertont und die Mundbewegung neu gezeichnet. Ein Übersetzungsprodukt rund um ein Gesicht.
Der Motor unter allen dreien ist Sprachsynthese. Text-to-Speech (TTS) erklärt, wie ein neuronales Modell Wörter in eine Schallwelle verwandelt und wie du Zahlen und Abkürzungen dafür schreibst. Das Voiceover ist die Ebene darüber: eine Spur, ein Sprecher, getimt auf das, was man sieht, mit Untertiteln auf den Wörtern. Dort steckt die meiste Arbeit.
So entsteht unser KI-Sprecher: ein Take vom ersten bis zum letzten Wort
Das passiert bei jedem Render mit der Sprecherspur, in dieser Reihenfolge. Jeder Schritt steht in unserem Pipeline-Code, nicht in einem Werbeversprechen.
Stimme nach Charakter wählen, nicht nach Sprache
Wir nutzen die zwölf vordefinierten Stimmen von Gemini 2.5 TTS. Jede spricht jede Sprechersprache, du wählst also Ton und Tonhöhe. Google veröffentlicht zu jeder Stimme ein Charakterwort (fest, hell, warm), aber keine Tonhöhe; deshalb haben wir die mittlere Tonhöhe jeder Stimme selbst gemessen. Im Automatikmodus passt die Stimme zu Ziel und Tonalität des Films, und aufeinanderfolgende Filme derselben Website wechseln die Stimme, statt sie zu wiederholen.
Die Lesart vorgeben
Vor dem Skript bekommt das Modell eine Sprechanweisung: ein Sprecher, eine Geschichte, die gewählte Tonalität (energisch, ruhig, hochwertig, freundlich …), ein kurzer Atemzug an jedem Absatz, Zahlen und Preise so gesprochen, wie man sie in der Sprache des Skripts sagt, und nichts vorgelesen, was nicht im Skript steht.
Das ganze Skript in einem Durchgang aufnehmen
Die Sprecherspur ist ein durchgehender Take, kein Clip pro Szene, der an den nächsten geklebt wird. So bleiben Betonung und Energie über jeden Schnitt hinweg gleich. Verlangen einzelne Szenen einen anderen Sprecher, ein anderes Tempo oder eine andere Stimmlage, werden diese Abschnitte separat aufgenommen und mit echten Pausen an den Nahtstellen zu derselben Spur zusammengesetzt.
Den Take prüfen
Eine Stimme aus einem Sprachmodell liest gelegentlich einen Satz doppelt. Dauert ein Take etwa ein Drittel länger, als seine Wortzahl erwarten lässt, lesen wir ihn einmal neu ein und behalten den kürzeren.
Die Stimme mastern
Die Stimme wird auf −16 LUFS normalisiert, bevor die Musik darunterkommt; der fertige Film wird mit Musik auf −14 LUFS ausgeliefert, ein Pegel für Web-Videoplayer, nicht für Podcasts.
Untertitel und Szenen aus dem Take schneiden
Ein Sprecher macht die längste Pause am Absatzende, und jede Szene ist ein Absatz. Deshalb rasten die Szenenwechsel auf den längsten Pausen der Spur ein, und die Untertitel verteilen sich auf das Gesprochene innerhalb jeder Szene. Braucht eine Szene mehr Zeit im Bild, fügen wir Stille an der Nahtstelle ein; wir kürzen nie Audio, denn das würde Wörter löschen.
Für dich heißt das: Die Wörter sind die Zeitleiste. Eine Szene dauert so lange, wie ihr Text zum Sprechen braucht. Ein Film wird länger, indem du mehr schreibst, nicht indem die Stimme langsamer wird. Der Sprechertext bestimmt die Länge nennt die Wortbudgets.
Praxisbeispiel: eine Landingpage, zwei Voiceovers
Kevibe Studio ist ein kolumbianisches Designstudio, das Landingpages für Traffic aus Facebook-, Instagram- und Google-Anzeigen verkauft. Die Angebotsseite auf studio.kevibe.com wurde zweimal gefilmt, beide Male in 16:9.
Der spanische Film läuft 30 Sekunden mit 38 Wörtern. Er beginnt mit dem Problem, „Tu campaña gasta sin generar contactos“ (deine Kampagne kostet Geld, bringt aber keine Kontakte), nennt das Angebot (sechs Abschnitte, zwei Korrekturrunden) und schließt mit einer Bitte um ein Angebot. Kurze Sätze, ein Gedanke pro Satz: ein angenehmes Skript für eine synthetische Stimme.
Der englische Film derselben Seite läuft 48 Sekunden mit 81 Wörtern. Er beginnt mit einer Frage, „Still losing sales from online ad traffic?“, die der Stimme einen natürlichen Anlauf gibt, und ergänzt ein Kundenprojekt als Beleg.
Zwei Lehren aus dem Paar:
- Die Länge folgte den Wörtern. 38 Wörter ergaben 30 Sekunden, 81 Wörter 48. Keine der beiden Stimmen wurde dafür beschleunigt oder gebremst.
- Eine Sprache pro Take. Das englische Skript endet mit „Solicitar cotización today“, der spanischen Button-Beschriftung mitten in einem englischen Satz. Diese Zeile würden wir selbst anders schreiben: sagen, was der Button tut, in der Sprache des Skripts, und die Beschriftung dem Bild überlassen. Die zweite Zeile, auf die du hören solltest, ist der Preis mit Währungskürzel; ausgeschrieben gibt es nichts zu raten.
Für ein Unternehmen, das von Kampagnen lebt, ist das das Format der Video-Anzeigen, gebaut aus der Seite, auf die die Anzeige verlinkt.
Wann ein KI-Voiceover falsch klingt, und was hilft
Das sind die Fehler, die wir in echten Renders sehen, nach Häufigkeit. Fast keiner wird durch eine andere Stimme behoben.
| Was du hörst | Übliche Ursache | Lösung |
|---|---|---|
Zahlen klingen seltsam | Ziffern, Trennzeichen, Symbole oder ein Währungskürzel im Skript | Den Betrag so schreiben, wie man ihn sagt; die Zahl ins Bild setzen |
Akzentwechsel mitten im Satz | Ein Wort oder Label aus einer anderen Sprache | Eine Sprache pro Take; fremde Labels beschreiben statt vorlesen |
Eine gehetzte Szene | Zwei Gedanken in einer Szene oder ein langer Satz ohne Pause | Szene teilen: ein Gedanke pro Szene |
Flache Aufzählungsstimme | Einzeilige Absätze ohne Zusammenhang, keine Tonalität gewählt | Tonalität wählen, zusammengehörige Sätze in einen Absatz |
Untertitel leicht zu früh oder zu spät | Der Text wurde nach dem Take geändert | Untertitel am vorhandenen Take neu ausrichten (einmal pro bezahltem Render kostenlos) |
Markenname falsch ausgesprochen | Das Modell rät bei einem seltenen Wort | Einen Aussprache-Eintrag für dieses Wort anlegen |
Was es kostet und wie du später eine Zeile änderst
Bei PageToVid wird das Voiceover nicht extra gekauft. Ein fertiger Render kostet 40 Credits, egal wie lang, inklusive Skript, Stimme, Untertitel und Screencast; der erste Film jeder Website ist kostenlos, ohne Karte. Pläne und Einzelfilme stehen unter Preise.
Die Rechnung ändert sich, wenn sich das Skript ändert, und bei einer Landingpage passiert das mit jedem neuen Angebot. Du änderst den Text der Szene und renderst neu; in Minuten kommt ein neuer Take des ganzen Films zurück. Hast du nur Formulierungen angepasst und die Untertitel verrutschen, nutzt die Neuausrichtung der Untertitel den vorhandenen Take und ist einmal pro bezahltem Render kostenlos. Ein Render, der aus Systemgründen scheitert, wird automatisch erstattet.
Bei Sprachen gilt dasselbe: Eine Übersetzung schreibt den Sprechertext in der neuen Sprache und nimmt einen neuen Take auf, statt den alten Ton zu überspielen, in jeder der 13 verfügbaren Sprachen (Video-Übersetzung). Die Klick-für-Klick-Anleitung steht in KI-Voiceover zu einem Video hinzufügen.
Wo stimmorientierte Tools passen
Brauchst du eine Stimme statt eines Films deiner Website, ist ein stimmorientiertes Tool vielleicht die bessere Wahl. HeyGen nennt lippensynchrone Übersetzung mit deiner geklonten Stimme in 175+ Sprachen und Dialekten in seinen bezahlten Plänen: das richtige Werkzeug, wenn ein gefilmter Moderator viele Sprachen sprechen soll. PageToVid vertont, was man sieht, meist deine echte Website, gefilmt im Browser, mit einem festen Satz synthetischer Sprecher. Alle Vergleiche stellen die Tools nebeneinander.
Wann du einen menschlichen Sprecher buchen solltest
Buche einen Menschen, wenn die Stimme ein Wert ist: ein bekannter Sprecher, den dein Publikum mit der Marke verbindet, ein Gründer, dessen eigene Stimme die Geschichte trägt, ein Podcast-Host. Wenn gespielt werden muss: ein Spendenaufruf, ein Imagefilm, der von Pausen und Zögern lebt, Figurenstimmen für Animation. Und wenn jemand für die Aussagen haften muss, etwa bei regulierten Finanz- oder Gesundheitsangaben. Eine Sprecheragentur oder ein Tonstudio vor Ort übernimmt das; für deine eigene Stimme reichen ein Bildschirmrekorder und ein gutes Mikrofon. KI-Voiceover oder menschlicher Sprecher vergleicht Kosten und Dauer.
Verwandle deine Website in ein Video — kostenlos
Füge die Seite ein, die gefilmt werden soll. PageToVid schreibt das Skript, filmt die echte Website, vertont sie und liefert das MP4.
Häufige Fragen
Ist ein KI-Voiceover dasselbe wie Text-to-Speech?
Nicht ganz. Text-to-Speech ist die Technik, die geschriebenen Text in Audio verwandelt. Ein KI-Voiceover ist die fertige Sprecherspur, die damit gebaut wird: ein Sprecher, zum Bild getimt, mit der Musik gemischt und untertitelt.
Kann ich eine männliche oder weibliche Stimme wählen?
Google ordnet seine Stimmen keinem Geschlecht zu. Wir beschreiben sie deshalb nach gemessener Tonhöhe, tief, mittel oder hoch, plus einem Charakterwort wie fest, warm oder hell. Wenn du eine höhere oder tiefere Stimme willst, bekommst du sie.
Kann derselbe Film ein Voiceover auf Deutsch und Englisch haben?
Ja. Jede Sprache bekommt einen eigenen Take mit einem eigens dafür geschriebenen Text, keine Überspielung des ersten. Die Skripte sind oft unterschiedlich lang: Die Filme von Kevibe Studio laufen 30 Sekunden auf Spanisch und 48 auf Englisch, weil ihre Skripte verschieden sind.
Kann PageToVid meine eigene Stimme verwenden?
Nein. Es gibt kein Voice Cloning; PageToVid nutzt einen festen Satz synthetischer Sprecher. Für deine eigene Stimme nimmst du selbst auf oder nutzt ein Tool, das auf Cloning ausgelegt ist.
Ist das Voiceover im kostenlosen Film enthalten?
Ja. Skript, Stimme und Untertitel sind in jedem Render und jedem Plan enthalten, auch im ersten kostenlosen Film jeder Website, der wie alle Gratisfilme ein kleines PageToVid-Badge trägt.