So fügst du einem Video ein KI-Voiceover hinzu
Am schnellsten kannst du ein KI-Voiceover zum Video hinzufügen, wenn der Sprechertext gleich mit dem Film entsteht: Du fügst die URL deiner Seite ein, wählst Tonfall und KI-Sprecher, und PageToVid schreibt das Skript, liest es in einer durchgehenden Aufnahme und schneidet die Untertitel aus genau dieser Aufnahme. Eigenes Material lädst du im Editor Szene für Szene hoch, und dieselbe Stimme spricht darüber.
Dieser Leitfaden ist für Gründer und Marketer mit einer Produktseite, ohne Mikrofon und ohne Cutter, die diese Woche einen vertonten Film brauchen. Er zeigt den Ablauf so, wie wir ihn gebaut haben, inklusive dessen, was das Werkzeug nicht kann.
Yalla Cash: ein 45 Sekunden langer 16:9-Film aus yallacash.lovable.app, 99 Wörter in einer Aufnahme. Der letzte Satz behält die arabische Button-Beschriftung der Seite, gelesen von derselben Stimme.
Zuerst: Welches Video willst du vertonen?
„Ein Voiceover hinzufügen“ meint vier verschiedene Aufgaben, und nur zwei davon sind unsere.
| Deine Situation | Was zu tun ist | Mit PageToVid? |
|---|---|---|
Eine Produktseite, Landingpage oder ein Artikel | URL einfügen: Skript, Stimme und Untertitel kommen mit dem Film | Ja, der Kern |
Eigene kurze Clips (ein Produktshot, ein Handyvideo) | Jeden Clip als Bild einer Szene hochladen, Sprechertext schreiben | Ja, Szene für Szene |
Ein fertiges langes Video, dem nur die Sprachspur fehlt | Audio in einem Text-to-Speech-Werkzeug erzeugen und im Schnittprogramm anlegen | Nein |
Deine eigene Stimme, aufgenommen | Selbst aufnehmen und schneiden, oder Loom nutzen | Nein: Eine hochgeladene Audiodatei wird zur Musik, nicht zum Sprechertext |
Der Rest dieses Leitfadens behandelt die ersten beiden Zeilen. Geht es dir um die Stimme selbst (wie Sprachsynthese funktioniert, wie sie klingt), lies was Text-to-Speech ist und den Glossareintrag zum KI-Voiceover.
KI-Voiceover für einen Film aus deiner Website
Sechs Schritte, alle auf der Seite Neues Video und danach im Editor.
URL einfügen und Sprache wählen
Der Sprechertext kann in jeder der 13 Sprachen sein, und jede Stimme spricht alle. Eine englische Seite lässt sich auf Deutsch vertonen und umgekehrt.
Tonfall wählen
Energisch, souverän, kühn, freundlich, klar, Premium, ruhig oder verspielt. Der Tonfall prägt, wie das Skript geschrieben und wie schnell es gelesen wird: energisch ist schneller, ruhig langsamer.
Stimme wählen oder auf Automatik lassen
12 Stimmen, die der Editor nach gemessener Tonhöhe ordnet: tief, mittel, hoch. Auf Automatik wählt die Pipeline eine Stimme, die zu Ziel und Tonfall passt, und meidet die Stimmen der letzten Filme derselben Website, damit eine Serie nicht immer gleich klingt.
Die Länge über die Wörter steuern
Die Stimme ist eine Aufnahme, die sich die Szenen teilen: Die Wortzahl des Skripts ist die Laufzeit, etwa 68 bis 85 deutsche Wörter für 45 Sekunden. Die Begründung steht in der Sprechertext ist die Länge.
Rendern und einmal mit Bild anhören
Die Aufnahme wird in einem Durchgang gelesen, gemastert und mit ihrer Wortzahl abgeglichen: Eine Lesung, die viel länger dauert, als ihr Text sollte (ein wiederholter Satz, ein Neustart), wird noch einmal gelesen und die sauberere Aufnahme behalten. Danach werden die Untertitel Wort für Wort aus diesem Audio geschnitten.
Bei Bedarf neu vertonen
Wechsle die Stimme im Stimmenmenü des Editors oder ändere den Text einer Szene; die Änderung greift beim nächsten Render.
All das funktioniert im kostenlosen Tarif: Der erste Film jeder Website ist gratis, Stimme und Untertitel inklusive. Der Anwendungsfall Website zu Video zeigt den ganzen Ablauf.
Die Stimme auf eigenes Material legen
Im Editor lässt sich das Bild jeder Szene durch deine Datei ersetzen: MP4, WebM, MOV oder MKV bis 60 MB pro Szene, beim Hochladen neu kodiert. Der Recorder behält dann deinen Clip, statt für diese Szene die Seite zu filmen, und der Sprechertext der Szene wird darüber gelesen.
Was mit dem Ton deines Clips passiert, entscheiden die Wörter. Eine besprochene Szene behält den Clip-Ton als leises Bett unter der Stimme. Eine Szene ohne Sprechertext gehört dem Clip: Sein Ton läuft in voller Lautstärke, und die Szene steht so lange, wie du festlegst.
Mit einem Assistenten läuft dasselbe über MCP: create_upload liefert eine Upload-Adresse, die Datei landet in deiner Bibliothek, und ein mit create_animation geschriebenes Storyboard setzt sie per Asset-ID in eine Szene, mit deinem Sprechertext darüber.
Die ehrliche Grenze: Das ist ein Film aus Szenen, keine Sprachspur über einer zehnminütigen Aufnahme. Dafür siehe die Tabelle oben.
Regie für die Stimme
Tonfall und Stimme reichen für die meisten Filme. Brauchst du mehr, nimmt ein über MCP geschriebenes Storyboard feinere Regie an (Aussprachen gehen auch über die REST-API), ohne die durchgehende Aufnahme zu brechen: Szenen mit derselben Regie werden zusammen gelesen, und die Teile werden mit echter Stille zu einer Spur verbunden.
- Stimmlage pro Szene: warm, begeistert, ernst oder ruhig für eine Passage, etwa eine ernste Problemszene vor einem energischen Angebot.
- Tempo pro Szene: 0,8- bis 1,2-fach, Tonhöhe bleibt erhalten.
- Stimme pro Szene: ein zweiter Sprecher für ein Zitat oder ein Kundenstatement.
- Pausen: Schreib
[pause 500ms]oder[pause 1.5s]in den Sprechertext, von einer Zehntelsekunde bis drei Sekunden. Die Markierung wird zu Stille und erscheint nie in den Untertiteln. - Aussprache: bis zu 50 Einträge aus Text und Sprechweise. Die Stimme liest die gesprochene Form, die Untertitel behalten deine Schreibweise, so bleibt „PageToVid“ korrekt geschrieben, egal was die Stimme hören muss.
Der Yalla-Cash-Film: eine Stimme, zwei Sprachen, eine Aufnahme
Yalla Cash veranstaltet Quizwettbewerbe zur Allgemeinbildung mit Geldpreisen, auf drei Stufen, mit einem Abo, das über Sham Cash bezahlt wird. Wir haben den 45-Sekunden-Film aus der Startseite gemacht, 16:9, 99 Wörter.
Die Stimme eröffnet mit einer Frage, „Dreaming of cash rewards from your knowledge challenges?“, und geht dann die Seite der Reihe nach durch: drei Stufen, Wettbewerb wählen, in wenigen Schritten bezahlen, gegen die Uhr antworten, richtige Antworten werden zu Preisen. Für diesen Leitfaden zählt der letzte Satz: „Ready to compete and win?“, gefolgt von der arabischen Button-Beschriftung der Seite, so gelesen, wie sie dasteht, von derselben englischen Stimme, in derselben Aufnahme. Mit einem gebuchten Sprecher bräuchte dieser Satz eine zweite Session oder eine zweisprachige Besetzung; hier kostet er nichts, weil jede Stimme jede Sprache spricht.
Willst du eine Beschriftung in ihrer Originalsprache behalten, setz sie im Briefing in Anführungszeichen, dann wird sie wörtlich gesprochen. Willst du sie lieber in der Sprache des Films hören, schreib das ins Briefing. So oder so entscheidest du das in den Wörtern, vor dem Render.
Was eine Neuvertonung kostet
- Erster Film einer Website: kostenlos, mit Stimme und Untertiteln.
- Neue Stimme, neuer Text, neuer Tonfall: ein neuer Render, 40 Credits, oder ein Film für 3,90 $ ohne Abo.
- Nur Untertitel neu takten: einmal pro bezahltem Render kostenlos.
- Eine weitere Sprache: Eine Aktion erzeugt pro Sprache einen neuen Film, Sprechertext übersetzt, neu vertont und neu untertitelt, abgerechnet wie ein Render; siehe Videoübersetzung.
- Ein Render, der aus Systemgründen scheitert: wird automatisch erstattet.
Tarife und Pässe findest du unter Preise.
Fehler, die wir in echten Renders hören
- Fürs Auge schreiben. Eine Webadresse, eine Telefonnummer oder eine lange Zahl klingen vorgelesen schlecht. Schreib, was gesagt werden soll.
- Ein falsch ausgesprochener Markenname. Leg eine Aussprache an, statt den Namen im Skript zu verbiegen: Der Fehler stünde sonst in den Untertiteln.
- Jede Szene eine andere Stimme. Zwei Sprecher für ein Zitat, gern; fünf klingen wie eine Playlist.
- Zu viele Wörter für die Länge. Die Stimme wird nicht schneller, der Film wird länger.
- Eine sofortige Stimmänderung erwarten. Sie greift beim nächsten Render.
Wann du PageToVid nicht für ein Voiceover nutzen solltest
Wenn deine Stimme die Botschaft ist. Eine Gründerbotschaft, ein persönliches Sales-Follow-up oder ein Podcast-Ausschnitt sollen nach dir klingen. Nimm dich selbst auf oder nutz Loom (siehe PageToVid vs. Loom).
Ein langes fertiges Video. Ein aufgezeichnetes Webinar oder ein zehnminütiges Tutorial, dem nur die Sprachspur fehlt, gehört in ein Text-to-Speech-Werkzeug und dein Schnittprogramm.
Schauspiel. Figuren, Hörbücher und emotionale Markenfilme klingen mit einem professionellen Sprecher noch besser; beide Wege vergleichen wir offen in KI-Voiceover oder menschlicher Sprecher.
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
Kann ich meinem eigenen Video ein KI-Voiceover hinzufügen?
Ja, Szene für Szene: Ersetze im Editor das Bild einer Szene durch deinen Clip (MP4, WebM, MOV oder MKV, bis 60 MB) und schreib den Sprechertext dieser Szene. Einem fertig geschnittenen langen Video fügt PageToVid keine Sprachspur hinzu.
Kann ich eine Aufnahme meiner eigenen Stimme als Sprechertext hochladen?
Nein. Eine hochgeladene Audiodatei wird als Musik des Films verwendet, nicht als Sprechertext. Für deine eigene Stimme nimmst du das Video selbst auf und schneidest es.
Wie korrigiere ich einen Namen, den der KI-Sprecher falsch ausspricht?
Leg über die API oder MCP einen Aussprache-Eintrag an: den geschriebenen Namen und wie er gesprochen wird. Die Stimme liest die gesprochene Form, die Untertitel behalten deine Schreibweise.
Was kostet es, die Stimme zu wechseln?
Einen neuen Render, also so viele Credits wie jeder fertige Film, unabhängig von der Länge. Der erste Film einer Website ist kostenlos, Stimme inklusive.