KI-Stimmen klonen

Beim Stimmenklonen entsteht neue Sprache im Klang einer bestimmten Stimme: mit ihrer Tonhöhe, ihrer Klangfarbe, ihrem Akzent und der Art, wie sie Wörter formt. Frühere Systeme brauchten meist lange Studioaufnahmen und einen Trainingslauf. Viele aktuelle Modelle arbeiten mit einem kurzen Referenzclip: Sie hören ein paar Sekunden der Stimme und sprechen neuen Text in einer dazu passenden Stimme.

Bei Mage beginnt eine geklonte Stimme als Audio-Referenz. Du lädst eine MP3- oder WAV-Datei hoch, wählst eine Kreation oder einen gespeicherten Sound oder fügst einen Audio- oder Social-Link ein, legst fest, wo der Clip beginnt, und Mage speichert bis zu 15 Sekunden unter einem @handle. Erwähne dieses Handle in einem Seed-Audio-Prompt, und es spricht deinen Text in dieser Stimme als MP3 in exakt der von dir festgelegten Länge. Es gibt keinen Trainingsschritt: Der Clip wird bei jeder Verwendung neu eingelesen.

Dieselbe Stimme funktioniert auch im Video. Speichere einen Clip als Stimme einer Figur, und Cherry, Raspberry, Plum, Lemon und MiniMax-H3 verwenden sie, sobald die Figur spricht; Cherry, Plum, Lemon, MiniMax-H3 und Blueberry akzeptieren außerdem Audio-Referenzen in einem Video-Prompt. Klone nur deine eigene Stimme oder eine Stimme, für die du eine eindeutige Erlaubnis hast.

Das Modell kopiert, was es hört – auch den Raum. Ein Clip, der in einer halligen Küche aufgenommen wurde, klingt hinterher wie eine Küche. Nimm in einem kleinen Raum mit weichen Möbeln auf, ein bis zwei Handbreit vom Mikrofon entfernt, ohne Musik, Fernseher oder andere Stimmen im Hintergrund. Eine Sprachmemo mit dem Handy in einem ruhigen Kleiderschrank klingt oft besser als ein gutes Mikrofon in einem kahlen Raum.

Sprich so, wie die Stimme später klingen soll. Ein ruhiger, gleichmäßiger Vortrag wird zu ruhiger Erzählung, ein lebendiger Vortrag zu Energie. Nimm zehn bis fünfzehn Sekunden zusammenhängende Sprache mit ein paar verschiedenen Sätzen auf, damit das Modell eine Bandbreite an Lauten hört, und vermeide lange Pausen, Husten und Lachen.

Wenn dein bester Take in einer längeren Aufnahme steckt, lade die ganze Datei hoch und setze die Startzeit auf die stärksten 15 Sekunden. Die Stimme eines Characters behält 10 Sekunden. Wähle für einen Character also die 10 Sekunden, die am meisten nach ihm klingen.

• Eine Sprecherin oder ein Sprecher, ruhiger Raum, keine Musik.
• Zehn bis fünfzehn Sekunden zusammenhängende Sprache.
• Sprich in dem Ton, den du später hören willst.
• Wähle mit der Startzeit den besten Abschnitt aus.
• Halte den Pegel gleichmäßig: nicht übersteuern, nicht flüstern.

Erwähne in Seed Audio die Stimme mit ihrem @handle, setze den genauen Wortlaut in Anführungszeichen und beschreibe den Vortrag und den Raum: "@ana-voice, warm und gelassen, nah am Mikrofon in einem ruhigen Raum, sagt: …". Der Handle bringt den Klang der Stimme mit, die Beschreibung formt die Darbietung.

Lege die Länge fest, bevor du schreibst. Seed Audio liefert genau die Dauer, die du wählst – 5, 10, 30, 60 oder 120 Sekunden – und füllt auf oder kürzt, damit es passt. Stimme den Text also darauf ab. Menschen sprechen in natürlichem Tempo zwei bis drei Wörter pro Sekunde, also hat ein 10-Sekunden-Satz 20 bis 30 Wörter. Sprechtempo, Lautstärke und Tonhöhe sind eigene Einstellungen, falls der Vortrag einen kleinen Anstoß braucht.

Ein Seed-Audio-Durchlauf nimmt entweder bis zu drei Audio-Referenzen oder eine Bild-Referenz, nicht beides. Wenn du eine Szene anhand eines Bildes vertonen willst, erzeuge sie ohne die Stimme und füge die Stimme in einem separaten Clip hinzu.

• Erwähne den @handle vor dem Text.
• Setze den genauen Wortlaut in Anführungszeichen.
• Beschreibe den Vortrag und den Raum.
• Wähle zuerst die Dauer, dann passe den Text an.

Am einfachsten geht es mit der Stimme eines Characters. Wenn du einen Character erstellst oder bearbeitest, öffne „Character-Stimme“ und lade eine MP3- oder WAV-Datei hoch (die ersten 10 Sekunden ab deiner Startzeit werden behalten) oder erzeuge eine aus dem Bild des Characters, optional mit einer Beschreibung; der Preis in Gems steht auf dem Button. Ab dann verwenden Cherry, Raspberry, Plum, Lemon und MiniMax-H3 sie immer, wenn dieser Character spricht – außer du schaltest Character-Stimmen aus. Die Anleitung zum KI-Character-Generator zeigt, wie du Characters speicherst.

Du kannst eine Audio-Referenz auch direkt in einem Video-Prompt erwähnen. Cherry, Plum und MiniMax-H3 akzeptieren bis zu drei, Lemon bis zu fünf und Blueberry eine; Character-Stimmen zählen zum selben Limit. Cherry braucht mindestens ein Bild im Prompt, etwa einen Character oder eine Referenz, wenn du Audio anhängst.

Wenn ein Satz exakt stimmen muss, erzeuge ihn mit Seed Audio in der geklonten Stimme und öffne dann Lipsync mit einem Porträt oder einem gespeicherten Character und bis zu 15 Sekunden dieses Audios. Die Anleitung zum KI-sprechenden Foto zeigt den ganzen Ablauf.

Klone nur deine eigene Stimme oder eine Stimme, für die du eine klare Erlaubnis hast. Eine reale Person ohne ihre Einwilligung nachzuahmen ist auf Mage nicht erlaubt, und die Community-Richtlinien verbieten es, Freunde, Prominente, Personen des öffentlichen Lebens oder Marken in schädlicher Absicht zu imitieren, ebenso Inhalte, die an deinem Wohnort illegal sind. Wenn dich jemand bittet, eine Kreation zu entfernen, in der die Person vorkommt, entferne sie.

Hole die Erlaubnis schriftlich ein und werde konkret: wessen Stimme, was sie sagen wird, wo sie erscheint, ob die Nutzung kommerziell ist und für wie lange. Die Vereinbarung mit einer Synchronsprecherin oder einem Synchronsprecher sollte die Nutzung synthetischer Stimmen ausdrücklich nennen; eine allgemeine Aufnahmefreigabe deckt das oft nicht ab.

Das Recht geht in dieselbe Richtung. In den USA hat die FCC im Februar 2024 entschieden, dass KI-generierte Stimmen im Sinne des Robocall-Gesetzes als „künstlich“ gelten. Sie ohne Einwilligung in einem Robocall zu verwenden ist also illegal. Und der ELVIS Act in Tennessee, seit Juli 2024 in Kraft, verbietet es, die Stimme einer Person ohne Erlaubnis mit KI nachzuahmen. Diese Seite ist keine Rechtsberatung; informiere dich über die Regeln dort, wo du veröffentlichst.

Auch die Anbieter der Videomodelle prüfen Audio. Ein Durchlauf kann abgelehnt werden, weil ein Clip urheberrechtlich geschützte Musik oder die Stimme einer realen Person enthält. Ein abgelehnter Durchlauf wird erstattet.

• Deine eigene Stimme: nur zu.
• Die Stimme einer anderen Person: erst schriftliche Erlaubnis.
• Personen des öffentlichen Lebens und Prominente: nicht ohne Lizenz.
• Nie zur Täuschung: keine falschen Anrufe, Empfehlungen oder Aussagen.
• Kennzeichne realistische synthetische Sprache, wo eine Plattform es verlangt.

Klone eine Stimme, wenn die Sprecherin oder der Sprecher eine bestimmte Person sein muss: du selbst, ein Synchronsprecher, der zugestimmt hat, oder ein Character, den du schon vertont hast. Wenn jede gute Stimme reicht, gehen voreingestellte Stimmen schneller: KI-Text-to-Speech liest bis zu 5.000 Zeichen in einer von 16 ElevenLabs-Stimmen vor, und der KI-Stimmengenerator zeigt, wie du den Vortrag mit Audio-Tags steuerst und eine neue Stimme im Prompt beschreibst.

Eleven Speech klont auf Mage keine Stimmen: Es spricht nur mit seinen voreingestellten Stimmen. Das Klonen läuft über Seed Audio und über die Videomodelle, die Audio-Referenzen und Character-Stimmen lesen. Entwickler können all das über die Audio-Generierungs-API erledigen.