KI-Video Übersetzer

Ein KI-Video-Übersetzer nimmt ein Video in einer Sprache und macht daraus eine andere: Die Worte werden übersetzt, es gibt eine neue Tonspur in der Zielsprache und im Idealfall eine sprechende Person, deren Mund zu den neuen Worten passt. Vollständige Dubbing-Dienste erledigen das alles mit einem Upload. Mage übernimmt Stimme und Lippen mit getrennten Tools, die du selbst steuerst. Das passt besser zu kurzen Clips wie Anzeigen, Intros und Character-Videos als zu stundenlangen Aufnahmen.

So ist die Aufgabe verteilt: Mage transkribiert dein Video nicht und übersetzt es auch nicht von allein. Außerdem fügt es keine Untertitel hinzu. Du, ein Übersetzer oder dein KI-Assistent schreibt das Skript in der neuen Sprache. Eleven Speech liest es dann in mehr als 90 Sprachen vor, und Lipsync animiert ein Standbild der sprechenden Person – ein klares Einzelbild aus deinem Video oder einen gespeicherten Character –, sodass die Lippen dem neuen Audio folgen, bis zu 15 Sekunden pro Clip.

Das Ergebnis ist ein neuer sprechender Clip, der aus diesem Bild entsteht, und nicht dein Originalmaterial mit ausgetauschtem Mund. Gesten der sprechenden Person und Kamerabewegungen des Originals bleiben daher nicht erhalten. Für Sprechertext ohne sichtbare Person brauchst du gar keine Lippensynchronisation: Leg die neue Stimme einfach in deinem Editor über das Originalbild. Für Text in Anzeigenbildern ersetzt der Ad Localizer Skill ihn direkt an Ort und Stelle.

Automatisch in Mage: Eleven Speech wandelt ein geschriebenes Skript in Sprache in der Sprache um, in der du es schreibst, mit Tempo und Emotion, die du über Tags wie [whispers] oder [laughs] steuern kannst. Lipsync macht aus einem Bild und bis zu 15 Sekunden Audio ein Video, in dem die Person das Gesagte spricht, mit natürlicher Mimik und dezenten Kopfbewegungen. Der Ad Localizer Skill in deinem Assistenten transkribiert den Text in einer statischen Anzeige, lässt ihn von deinem Assistenten übersetzen und ersetzt jede Zeile in passender Schrift, Größe und Position, sobald du den Text freigegeben hast.

Nicht automatisch: die Originalsprache transkribieren, gesprochene Dialoge übersetzen, das Timing der neuen Zeile an das Original anpassen, die eigene Stimme der ursprünglichen Person beibehalten, Musik und Stimme trennen und Untertitel erstellen. Mage hat kein Speech-to-Text, kein automatisches Dubbing und kein Untertitel-Tool. Lipsync erstellt außerdem aus einem Standbild einen neuen Clip und übernimmt daher weder Bewegungen oder Schnitte des Originalmaterials noch weitere Personen im Bild.

• Automatisch: die Stimme aus deinem Skript, in mehr als 90 Sprachen.
• Automatisch: Lippen synchron zum neuen Audio, aus einem Bild.
• Automatisch: Anzeigentext im Bild wird nach deiner Freigabe ersetzt.
• Deine Aufgabe: Transkript, Übersetzung und finale Prüfung.
• Nicht verfügbar: Untertitel oder neue Lippen im Originalmaterial.

Ein Dubbing-Skript ist keine Untertiteldatei. Es muss in etwa der Zeit des Originals gesprochen werden, also übersetze Bedeutung und Länge zusammen. Deutsche und französische Texte werden oft länger als englische, japanische und chinesische oft kürzer. Kürze lieber eine Zeile, statt die Stimme zu beschleunigen. Lass Marken- und Produktnamen unverändert und sprich Zahlen, Daten und Preise so aus, wie es Muttersprachler tun würden.

Wenn du in Claude, ChatGPT oder einem anderen Assistenten mit verbundenem Mage, kann der Assistent die Übersetzung entwerfen und dir Zeile für Zeile zeigen, bevor etwas vertont wird. Diese Übersetzung stammt vom Assistenten und ist keine Funktion von Mage. Lass sie bei allem, was für Kunden bestimmt ist, daher von einer Muttersprachlerin oder einem Muttersprachler prüfen. Teile das Skript dann an natürlichen Pausen in Abschnitte von höchstens 15 Sekunden, der Länge eines Lipsync-Clips.

Nutze Eleven Speech für die meisten Übersetzungen. Wähle eine der 16 Stimmen, die zu Alter und Energie der sprechenden Person passt, schreibe das Skript in der Zielsprache und steuere den Vortrag mit Audio-Tags in eckigen Klammern. Die MP3 ist genau so lang wie das Skript, mit bis zu 5.000 Zeichen pro Anfrage, sodass du keine Stille wegschneiden musst. Mehr zu Stimmen und Tags findest du im Guide KI-Text-to-Speech.

Eleven Speech spricht nur mit seinen voreingestellten Stimmen. Wenn die neue Tonspur wie die originale Sprecherstimme klingen soll, kann Seed Audio eine Stimme anhand von bis zu drei Audio-Referenzen steuern. Verwende dafür nur Aufnahmen einer Stimme, die du nutzen darfst. Es rendert feste Längen von 5, 10, 30, 60 oder 120 Sekunden. Prüfe deshalb Timing und Sprache zuerst an einer kurzen Zeile, bevor du ein ganzes Skript vertonst. Mehr dazu, wie du eine Stimme nachbildest, findest du im Guide KI-Stimmklonen.

Die eigene Stimme für eine Synchronisation zu klonen, ist üblich: YouTube zählt es zum Beispiel zu den KI-Anwendungen, für die keine Kennzeichnung als veränderte Inhalte nötig ist. Die Stimme einer anderen Person zu klonen, ist etwas anderes, und Mage erlaubt es nicht, eine echte Person ohne ihre Einwilligung zu imitieren.

Wenn eine Person direkt in die Kamera spricht, nimm aus dem Video das klarste Frontalbild von ihr, bei dem der Mund sichtbar und geschlossen oder entspannt ist, und nutze es als Motiv in Lipsync. Füge die übersetzte Audiodatei mit bis zu 15 Sekunden hinzu und wähle ein Modell: Plum ist die Standardeinstellung, und Blueberry 2 animiert exakt das Bild, das du ihm gibst, wodurch der Look des Originalbilds erhalten bleibt. Jeder Clip ist eine neue Darbietung aus diesem Standbild, bei der die Kamera ruhig auf der sprechenden Person bleibt.

Wenn eine Person in einer ganzen Serie vorkommt, speichere sie als Character, damit das Gesicht in jeder Sprache identisch bleibt. Reihe die Clips dann in Storyboard aneinander, das bis zu sechs davon samt Ton zu einer MP4 verbindet. Wie du ein Bild findest, das sich gut animieren lässt, erfährst du im Guide KI-sprechendes Foto.

Wenn niemand vor der Kamera spricht, etwa bei einem Erklärvideo mit Sprecherstimme, einer Produktvorführung oder einer Bildschirmaufnahme, kannst du auf Lippensynchronisation verzichten. Erzeuge den neuen Sprechertext und ersetze die Tonspur in deinem Videoeditor. Mage mischt keine neue Stimme in ein bestehendes Video ein.

• Wähle ein Frontalbild, auf dem der Mund sichtbar ist.
• Halte jeden Audioabschnitt bei höchstens 15 Sekunden.
• Speichere wiederkehrende Sprecher als Character.
• Ersetze den Ton im Editor, wenn niemand vor der Kamera ist.

Statische Anzeigen tragen ihre Botschaft im Text: Überschrift, Button, Angebot. Der Skill Ad Localizer übernimmt das in deinem Assistenten. Er transkribiert jede Zeile, übersetzt sinngemäß und im passenden Ton, passt Zeilenumbrüche, Zahlenformate und Rechts-nach-links-Layouts an und zeigt dir den Text zur Freigabe. Danach ersetzt er jede Zeile im Bild mit GPT Image 2.5 Flare, behält dabei Schriftstil, Layout, Produkt und Logo bei und lässt Markennamen und Verpackungstexte unverändert. Video-Sprechertexte übersetzt er nicht. Du findest ihn auf der Seite Mage Skills. Den Rest des Anzeigen-Workflows findest du im KI-Anzeigengenerator.