Wie lang sollte eine Stimmprobe fürs KI-Stimmklonen sein?

Jede Frage zum Stimmklonen läuft am Ende auf eine Frage zur Stimmprobe hinaus, denn die Probe ist der Klon. Die Engine hat keine Ahnung, wie du an einem guten Tag klingst – sie kennt die neunzig Sekunden, die du ihr gegeben hast, inklusive des Kühlschranks im Nebenzimmer. Hier steht, was du aufnehmen solltest, wie viel davon und welche paar Angewohnheiten eine ansonsten gute Aufnahme still und leise ruinieren.

Die Spanne – und warum es eine Spanne ist

Das Klon-Formular im Tool „Stimme“ sagt es ohne Umschweife: 30 Sekunden bis 3 Minuten durchgehende, natürliche Sprache. Nicht dreißig Sekunden, zusammengestückelt aus Clips – dreißig Sekunden, in denen du wirklich sprichst.

Unter dreißig Sekunden hat die Engine einen einzigen Sprechrhythmus und einen einzigen Tonhöhenbereich gehört und reproduziert genau den, bereitwillig und für immer. Über drei Minuten hinaus fügst du hauptsächlich mehr von dem hinzu, was sie schon gelernt hat, und die Wahrscheinlichkeit, dass in der Datei etwas schiefgeht – ein Husten, ein vibrierendes Handy, ein Satz, bei dem du vom Mikro weggedriftet bist –, steigt mit jeder zusätzlichen Minute.

Die andere Hälfte der Empfehlung zählt mehr als die Zahlen: Sauber schlägt lang. Eine saubere Minute schlägt zehn verrauschte. Hast du die Wahl zwischen einer Drei-Minuten-Aufnahme mit Brummen und einer Fünfzig-Sekunden-Aufnahme ohne, lade die fünfzig Sekunden hoch.

Der Raum entscheidet mehr als das Mikrofon

Stimmklonen kopiert, was es hört, und kennt kein Konzept von „das war der Raum“. Hall wird als Teil deiner Klangfarbe gelernt – deshalb klingt ein Klon, der in einer Küche aufgenommen wurde, als stünde er für immer in einer Küche.

• Schalte zuerst die offensichtlichen Geräuschquellen aus – Klimaanlage, Ventilator, Kühlschrank, ein offenes Fenster zur Straße.
• Nimm irgendwo auf, wo es weich ist. Vorhänge, ein Bett, ein Sofa, ein Kleiderschrank voller Mäntel. Harte, parallele Flächen erzeugen das Echo.
• Schalte das Handy in den Flugmodus. Das Vibrieren einer Benachrichtigung über den Schreibtisch ist auf der Aufnahme lauter als im Raum.

Eine Stimme, ein Abstand

Auch hier ist das Formular eindeutig – nur eine einzelne Stimme, kein Durcheinanderreden, kein Gegenüber – und das Mikro so nah, dass der Raum nicht mehr hörbar ist.

Wähle einen Abstand und halte ihn während der ganzen Aufnahme. Für die intimen Sätze näher ranzugehen und für die lauten zurückzuweichen, ist gute Mikrofontechnik bei einer Live-Lesung und schlechter Input für einen Klon, denn die Engine hört zwei verschiedene Stimmen und mittelt sie. Richte dich leicht schräg zur Achse aus, damit Plosivlaute an der Kapsel vorbeigehen, statt hineinzuploppen.

Lies etwas mit Bandbreite vor

Das ist der Teil, den die meisten überspringen, und er macht den Unterschied zwischen einem Klon, der schauspielern kann, und einem, der nur Durchsagen macht. Die Engine klont eine Sprechweise, nicht nur eine Klangfarbe. Lies einen flachen Absatz, und du bekommst eine flache Stimme.

Gib ihr eine Aussage, eine Frage, eine Aufzählung, etwas Leises und etwas Scharfes. Hier ist ein Skript, das all das in etwa neunzig Sekunden abdeckt – lies es in deinem normalen Sprechtempo und spiel es nicht:

Gut, dann mache ich das mal richtig. Ich heiße Mara, und das hier ist eine Probe für einen Stimmklon – ein seltsamer Satz, wenn man ihn laut ausspricht.

Zuerst eine schlichte Aussage. Der Wasserkocher hat vor zehn Minuten gekocht, und niemand hat den Tee gemacht.

Jetzt eine Frage – glaubst du ernsthaft, dass das funktioniert?

Eine Aufzählung, so gelesen, wie ich Aufzählungen wirklich lese. Schlüssel, Geldbeutel, Ladekabel und das eine Ding, das ich immer vergesse.

Hier kommt die leise Stelle. Ich wollte es nicht so sagen. Ich sage es trotzdem.

Und die scharfe. Nein. Das war nicht abgemacht, und das weißt du.

Ein letzter Satz zum Abschluss, ohne Eile, so wie du das Ende eines Kapitels jemandem vorlesen würdest, der schon fast schläft.

Tausch den Namen aus, behalte die Form. Ist der Klon für einen bestimmten Job gedacht – ruhige Erzählung, ein Werbesprech, eine Figur mit Biss –, richte das Skript auf diesen Job aus, aber lass mindestens einen kontrastierenden Satz drin, damit der Klon weiß, dass sich die Stimme bewegen kann.

Die vier Angewohnheiten, die eine Probe ruinieren

1. Musik oder Atmo unter der Stimme. Das lässt sich hinterher nicht mehr trennen. Ein Hintergrundtrack wird Teil des Klons.
2. Bearbeitung. Kompressoren, Noise Gates, De-Esser und der „Enhance voice“-Schalter (Stimme verbessern) einer Recorder-App entfernen alle Informationen, die die Engine haben wollte. Roh ist besserer Input als poliert.
3. Drei Minuten lang eine einzige Emotion. Flach rein, flach raus.
4. Stille an den Enden. Schneide die Stille vor deinem ersten und nach deinem letzten Wort ab. Sie schadet nicht, sie ist nur verschwendetes Budget.

Hochladen – und was danach passiert

Das Klon-Formular nimmt MP3, WAV, M4A, FLAC, MP4, MOV, WEBM, WEBA, OPUS und MID an, bis zu zwanzig Samples und insgesamt 1 GB – weit mehr Spielraum, als die Empfehlung dir nahelegt. Gib dem Klon einen Namen, den du in sechs Monaten noch wiedererkennst („Mara – Erzählung“ schlägt „Test 3“).

Das Klonen selbst ist kostenlos und synchron. Der Klon landet in deiner Stimmenbibliothek neben den Katalogstimmen Aria und Orion und funktioniert mit beiden Sprachmodellen. Bezahlt wird die Sprache, die du damit renderst: 3 Credits pro 100 Zeichen bei Voice One und 2 bei Voice Turbo.

Erst Probe sprechen lassen, dann vertrauen

Rendere denselben Satz mit beiden Modellen, bevor du dich für ein Projekt festlegst. Etwas mit einer Pause, einer Frage und einem harten Stopp leistet mehr als ein hübscher Satz:

Ich hab gewartet. Zwei Stunden im Regen, dafür? Nein – erklär nichts. Sag mir eine Wahrheit und ich geh.

Dieser Satz hat 104 Zeichen, und abgerechnet werden angefangene Blöcke von 100 – es sind also zwei Blöcke, 6 Credits bei Voice One und 4 bei Turbo. Klingt das Ergebnis wie ein Fremder, liegt die Lösung fast immer in der Probe statt in den Einstellungen – nimm in einem weicheren Raum neu auf, näher dran, mit mehr Abwechslung, und klone noch einmal. Der Guide zum Stimmklonen deckt den Rest des Workflows ab, und Voice One vs. Voice Turbo klärt, mit welchem Modell du die finale Fassung renderst.

Häufige Fragen

Ist eine längere Stimmprobe immer besser?

Nein. Die Empfehlung lautet 30 Sekunden bis 3 Minuten, und innerhalb dieser Spanne schlägt Sauberkeit die Dauer. Eine saubere Minute schlägt zehn verrauschte, denn jede zusätzliche Minute ist eine weitere Chance, ein Husten, ein Brummen oder einen Satz aufzunehmen, bei dem du vom Mikro weggedriftet bist.

Kann ich mehrere kurze Aufnahmen zu einem Klon kombinieren?

Du kannst bis zu zwanzig Samples hochladen, aber durchgehende, natürliche Sprache schlägt einen Haufen kurzer Clips. Wurden die Clips in verschiedenen Räumen oder mit verschiedenen Abständen aufgenommen, hört die Engine eine uneinheitliche Stimme und mittelt sie. Eine ununterbrochene Lesung ist der bessere Input.

Taugt ein Handy als Mikrofon zum Klonen?

Ja, wenn du es wie ein Mikrofon behandelst. Halte es in festem Abstand, nimm in einem weichen Raum auf, schalte jede „Stimme verbessern“-Bearbeitung in der Recorder-App aus und nimm weder über die Freisprechfunktion noch im Auto auf. Ein Handy im Kleiderschrank schlägt ein gutes Mikrofon in der Küche.

Was, wenn der Klon nicht wie ich klingt?

Nimm neu auf, statt zu den Schiebereglern zu greifen. Tempo und Ausdruck ziehen die Lesung von der Probe weg; ist die Identität falsch, können sie das nicht reparieren. Eine nähere, leisere, abwechslungsreichere Probe ist die eigentliche Reparatur.

Bereit zum Aufnehmen? Öffne das Tool „Stimme“, klone aus der Stimmenbibliothek heraus und gib die ersten Credits für einen Probesatz aus statt für ein ganzes Skript.