So machst du mit KI ein Video mit deiner eigenen Stimme

Um mit KI ein Video mit deiner eigenen Stimme zu machen, nimm in einem ruhigen Raum etwa eine Minute deutliches Vorlesen auf, lass das Tool daraus eine persönliche Stimme erstellen und wähle diese Stimme dann für die Vertonung deines Skripts. Bei Chasca öffnest du My voices, liest einen kurzen Text auf dem Bildschirm vor, und deine Stimme ist nach etwa einer Minute fertig. Ab dann kann jedes Video, das du machst, mit deiner Stimme vertont werden, in der Sprache, in der du sie aufgenommen hast. Wenn du den Sprechertext selbst schon aufgenommen hast, kannst du dir den Klon sparen und stattdessen diese Aufnahme das Video vertonen lassen.

Was ist eine persönliche KI-Stimme?

Eine persönliche Stimme, oft Stimmklon genannt, ist ein Stimmmodell, das aus einer Aufnahme von dir entsteht. Du liest eine kurze Passage vor, das Tool lernt deine Tonhöhe, deinen Akzent und deinen Sprechrhythmus und kann danach jeden neuen Text mit einer Stimme lesen, die nach dir klingt.

Das verändert, was dich ein Skript kostet. Ohne Klon heißt jedes neue Video, und jede Korrektur an einem alten, das Mikrofon wieder aufzubauen und neu aufzunehmen. Mit Klon bearbeitest du die Worte als Text, und die Vertonung zieht nach.

Warum ein Video mit der eigenen Stimme vertonen?

Weil die Leute deine Stimme kennen. Die Klasse einer Lehrkraft, das Publikum eines Creators und die Kundschaft eines Gründungsteams haben dich schon gehört, und eine vertraute Stimme trägt etwas von diesem Vertrauen ins Video.

Die Lernforschung sprach früher noch deutlicher dafür. 2003 stellten Richard Mayer und Kollegen fest, dass Studierende, die eine vertonte Animation mit menschlicher Stimme hörten, in einem Test zum Problemlösen besser abschnitten als Studierende, die eine Computerstimme hörten, und zwar mit einem großen Effekt. In Mayers späterem Überblick bestätigte sich dieses „Stimmprinzip“ in 5 von 6 experimentellen Vergleichen, mit einer medianen Effektstärke von d = 0,74.

Synthetische Stimmen sind seitdem besser geworden. Als Scotty Craig und Noah Schroeder den Vergleich mit einer modernen Text-to-Speech-Stimme wiederholten, fanden die Lernenden sie genauso glaubwürdig wie eine aufgenommene menschliche Stimme und lernten mit ihr mindestens genauso gut, und eine Folgestudie fand bei den meisten Messgrößen keinen statistisch signifikanten Unterschied zwischen der modernen und der menschlichen Stimme.

Eine gute synthetische Stimme kostet dein Publikum also nichts mehr. Der Grund für deine eigene ist Identität: Das Video klingt nach der Person, die es gemacht hat.

Wie viel Audio brauchst du?

Weniger, als die meisten denken. Tools für sofortiges Stimmklonen verlangen meist irgendetwas zwischen ein paar Sekunden und ein paar Minuten sauber gesprochener Sprache. Es gibt Klone in Studioqualität, die stundenlang auf eine Stimme trainiert werden, aber das ist ein anderes Produkt zu einem anderen Preis.

Am wichtigsten ist, dass die Probe sauber ist:

• Eine sprechende Person. Keine Interviewerin, kein Co-Host, kein Publikum.
• Keine Musik und keine Hintergrundgeräusche. Ein Ventilator, ein Kühlschrank oder eine belebte Straße landen im Klon.
• Dein natürliches Tempo. Lies so, wie du etwas erklärst, nicht so, wie du einen Rechtshinweis vorliest.

Bei Chasca bittet der Recorder um eine Minute, braucht mindestens 20 Sekunden und stoppt nach einer Minute von selbst. Am ähnlichsten klingt die Stimme, wenn du eine volle Minute lang deutlich vorliest.

Wie nimmst du eine gute Stimmprobe auf?

Du brauchst kein Studio. Ein ruhiger Raum und ein paar Gewohnheiten bringen dich schon weit:

1. Wähl einen kleinen Raum mit Stoffen und Polstermöbeln. Vorhänge, ein Teppich und ein Sofa schlucken Hall. Kahle Wände und ein Fliesenboden werfen ihn zurück ins Mikrofon.
2. Nimm das beste Mikrofon, das du hast. Ein USB-Mikrofon oder ein Headset schlägt das eingebaute Mikrofon eines Laptops. Selbst Handy-Kopfhörer mit Mikrofon sind meist besser als der Laptop.
3. Halte den Abstand gleich. Etwa eine Handbreit vom Mikrofon entfernt, und dreh dich beim Lesen nicht weg.
4. Mach eine Testaufnahme. Hör sie dir mit Kopfhörern an, bevor du die richtige aufnimmst. Wenn du den Raum hörst, such dir einen anderen.
5. Lies, wie du erklärst. Lächle ein wenig, bleib voller Energie und lass Sätze natürlich ausklingen. Der Klon übernimmt deine Sprechweise zusammen mit deiner Stimme.

Wie machst du mit Chasca ein Video mit deiner eigenen Stimme?

1. Öffne My voices in der App und wähle Add a voice.
2. Wähle die Sprache, die diese Stimme sprechen soll.
3. Lies den Text auf dem Bildschirm vor. Er beginnt mit einem kurzen Satz, der bestätigt, dass es deine Stimme ist. So steckt deine Einwilligung in der Aufnahme selbst. Die Aufnahme stoppt nach einer Minute.
4. Hör noch mal rein, nimm bei Bedarf neu auf und schick die Aufnahme dann ab. Deine Stimme ist nach etwa einer Minute fertig, mit einer einminütigen Hörprobe zum Prüfen.
5. Mach ein Video. Gib ein Thema ein oder lade ein Dokument hoch und wähle dann in den Vertonungsoptionen deine Stimme, über den Sprecherinnen und Sprechern. Chasca schreibt das Skript, zeichnet jede Szene und vertont sie mit deiner Stimme.

Persönliche Stimmen sind in jedem Tarif ohne Aufpreis enthalten: Free und Solo haben eine, Plus 3, Pro 5, Max 10 sowie Team und Enterprise 30. Die Einzelheiten stehen auf der Seite zu persönlichen Stimmen.

Kann deine Stimme auch andere Sprachen sprechen?

Bei Chasca nicht: Jede persönliche Stimme spricht die Sprache, in der sie aufgenommen wurde, also ist auch ein Video, das sie vertont, in dieser Sprache. Wenn du in zwei Sprachen unterrichtest oder verkaufst, nimm in jeder eine Stimme auf. Manche Tools können eine geklonte Stimme Sprachen sprechen lassen, die du selbst nicht sprichst, aber Akzent und Aussprache lassen sich schwer prüfen, wenn du die Sprache nicht selbst beherrschst.

Wenn du eine Lektion in vielen Sprachen brauchst: Die 30 Sprecherinnen und Sprecher von Chasca sprechen jeweils alle 79 Sprachen mit derselben Stimme, sodass ein Kurs von Englisch bis Arabisch bei einer Stimme bleiben kann.

Welche Regeln gelten für das Klonen von Stimmen?

Kurz gesagt: Deine eigene Stimme darfst du nutzen, für jede andere Stimme brauchst du die Erlaubnis der Person.

• Einwilligung. Der ELVIS Act in Tennessee, unterzeichnet im März 2024, nahm die Stimme eines Menschen, einschließlich ihrer Simulation, in die Rechte auf, die der Bundesstaat schützt. Er erfasst sowohl Leute, die eine nicht autorisierte Stimme veröffentlichen, als auch Tools, die dafür gemacht sind, eine zu erzeugen. Andernorts gelten eigene Gesetze zu Persönlichkeitsrechten und Privatsphäre.
• Offenlegung in der EU. Artikel 50 der KI-Verordnung der EU (AI Act), der seit dem 2. August 2026 gilt, verpflichtet Anbieter von KI-Systemen, die synthetisches Audio erzeugen, dieses maschinenlesbar zu kennzeichnen, und alle, die KI-generiertes Audio veröffentlichen, das fälschlich wie ein echter Mensch wirkt, dies offenzulegen.
• Betrug. Die US-Handelsbehörde Federal Trade Commission veranstaltete 2024 eine Voice Cloning Challenge, weil geklonte Stimmen für Betrug genutzt werden. Nutze eine Stimme nie, um dich als jemand anderes auszugeben.

Für deine eigenen Erklärvideos hält ein Satz in der Beschreibung wie „vertont mit einer KI-Stimme, die aus meiner eigenen entstanden ist“ dein Publikum auf dem Laufenden und kostet nichts.

Wann solltest du den Sprechertext lieber selbst aufnehmen?

Eine persönliche Stimme eignet sich am besten für Skripte, die du als Text schreibst und bearbeitest: Lektionen, Produkterklärungen, Updates. Wenn du schon etwas aufgenommen hast, das du Wort für Wort behalten willst, etwa eine Vorlesung, einen Vortrag oder ein professionelles Voice-over, nimm die Aufnahme selbst.

Bei Chasca lädst du die Aufnahme auf der Seite Create hoch und aktivierst Use as the narration. Das Video behält jedes Wort so, wie du es gesagt hast, und das Whiteboard zeichnet synchron zu deiner Stimme, bis zu 1 Minute in Free und 30 Minuten in den kostenpflichtigen Tarifen. Unser Leitfaden, wie du eine Audioaufnahme in ein Video verwandelst, beschreibt diesen Weg.

Eine Checkliste für deine Stimmprobe

• Ein ruhiger Raum mit weichen Oberflächen.
• Das beste Mikrofon, das du hast, in gleichbleibendem Abstand.
• Eine sprechende Person, keine Musik.
• Etwa eine Minute Vorlesen in deinem natürlichen Tempo.
• Eine Testaufnahme, mit Kopfhörern geprüft.
• Nur deine eigene Stimme oder eine Stimme, die du nutzen darfst.

Quellen

• Mayer, R. E., Sobko, K., & Mautone, P. D. (2003). Social cues in multimedia learning: Role of speaker’s voice. Journal of Educational Psychology, 95(2), 419–425.
• Mayer, R. E. (2014). Principles based on social cues in multimedia learning: Personalization, voice, image, and embodiment principles. In The Cambridge Handbook of Multimedia Learning (2. Aufl.). Cambridge University Press.
• Craig, S. D., & Schroeder, N. L. (2017). Reconsidering the voice effect when learning from a virtual human. Computers & Education, 114, 193–205.
• Craig, S. D., & Schroeder, N. L. (2019). Text-to-speech software and learning: Investigating the relevancy of the voice effect. Journal of Educational Computing Research, 57(6), 1534–1548.
• Office of the Governor of Tennessee (2024). Gov. Lee signs ELVIS Act into law.
• European Commission. Transparency obligations under Article 50 of the AI Act.
• US Federal Trade Commission (2024). Approaches to address AI-enabled voice cloning.