KI-Stimmen Generator

Ein KI-Stimmengenerator verwandelt geschriebenen Text in gesprochenes Audio. Du tippst, was gesagt werden soll, und beschreibst, wie es klingen soll, etwa Alter, Akzent, Tempo und Emotion, und das Modell spricht es ein. Das Ergebnis ist eine Audiodatei, die du in ein Video, ein Spiel, ein Podcast-Intro oder eine Präsentation einfügen kannst.

Auf Mage ist das Stimmenmodell Seed Audio. Es erzeugt Stimmen, Dialoge, Musik und Soundeffekte aus einem einzigen Prompt und liefert eine MP3 in genau der Länge, die du wählst: 5, 10, 30, 60 oder 120 Sekunden. Es akzeptiert eine Bildreferenz oder bis zu drei Audioreferenzen, die den Klang steuern, aber nicht beides im selben Clip.

Besonders nützlich wird es auf Mage durch das, was danach kommt. Ein gespeicherter Charakter kann eine Stimme haben, und die Videomodelle, die Charakterstimmen lesen – Cherry, Raspberry, Plum, Lemon und MiniMax-H3 –, verwenden sie automatisch. So klingt die Person, die du entworfen hast, in jedem Clip gleich. Die Lipsync-App kann außerdem eine von dir erstellte Sprachzeile nehmen und ein Gesicht dazu synchronisieren.

Ein Stimm-Prompt hat zwei Teile: was gesagt wird und wie es klingt. Setze den gesprochenen Text in Anführungszeichen, damit klar ist, dass er das Skript ist, und beschreibe die Darbietung drumherum. „Ein warmer, rauer Mann in den Siebzigern, langsam und amüsiert, nah am Mikrofon in einem ruhigen Raum, sagt: ‚Jede Geschichte beginnt mit jemandem, der besser zu Hause geblieben wäre.‘“ gibt Seed Audio eine Stimme, eine Sprechweise und einen Raum vor.

Am stärksten verändern Alter, Energie, Tempo und Abstand eine Stimme. Ein Flüstern nah am Mikrofon, eine Bühnenstimme in einer großen Halle und eine müde Stimme am Telefon sind drei völlig verschiedene Darbietungen desselben Textes. Benenne die Emotion lieber mit einem Verb wie necken, flehen oder verkünden als nur mit einem Adjektiv.

• Setze den genauen Wortlaut in Anführungszeichen
• Nenne eine Altersspanne und ein Energielevel
• Benenne das Tempo: gemächlich, zügig, stockend
• Beschreibe den Raum: Sprecherkabine, Straße, Kathedrale, Telefon
• Teste eine Stimme erst mit einer Zeile von 5 oder 10 Sekunden, bevor du einen langen Text sprechen lässt

Seed Audio liefert genau die Dauer, die du wählst, also passe die Länge an dein Skript an. Eine einzelne Zeile oder eine Reaktion passt in 5 oder 10 Sekunden. Ein kurzer Voiceover oder ein Produkttext passt in 30. Eine Dialogszene oder eine Erzählung passt in 60 oder 120. Ist das Skript zu lang für den Clip, wirkt es gehetzt; ist es zu kurz, bleibt am Ende Stille oder Raumton übrig.

Überlege dir, wohin das Audio soll. Lipsync und Music Video akzeptieren Audio bis zu 15 Sekunden. Für ein sprechendes Porträt schreibst du also eine Zeile, die in 10 Sekunden passt, und generierst in dieser Länge.

Ein Charakter auf Mage kann eine Stimme haben: Lade eine MP3 oder WAV hoch oder erzeuge beim Erstellen des Charakters ein kurzes Sample mit Seed Audio. Ab dann verwenden Cherry, Raspberry, Plum, Lemon und MiniMax-H3 diese Stimme automatisch, sobald der Charakter spricht. Im KI-Charakter-Generator erfährst du mehr zu Charakteren, und die Anleitung zum sprechenden KI-Foto zeigt, wie du ein Porträt eine Zeile sprechen lässt.

Verwende Referenzaudio nur von deiner eigenen Stimme oder von einer Stimme, die du nutzen darfst. Die Nachahmung einer echten Person ohne deren Einwilligung ist auf Mage nicht erlaubt.