Text to Speech mit KI-Stimme: dein KI-Voiceover als MP3

Die Stimme wählen

• Eine Stimme aus der Bibliothek war besser als eine selbst entworfene. Die Stimme, die wir aus einer Textbeschreibung entworfen hatten, klang überspielt. Professionelle fertige Stimmen klangen natürlich und filmisch, und eine davon wurde Miras feste Stimme. Auch die Stimmen in diesem Tool sind fertige Stimmen.
• Eine Figur, eine Stimme. Behalte in jedem Video dieselbe Stimme, so wie du dasselbe Gesicht behältst.

Dialog und Lip Sync

• Kurze Sätze können beim Videomodell bleiben. Seedance sprach eine kurze Begrüßung Wort für Wort. In einer 30-Sekunden-Einstellung mit zwei Sprechern verhaspelte es mehrere Wörter, also haben wir das Skript mit Eleven v4 neu aufgenommen.
• Die neue Stimme an Wortzeiten ausrichten. Wir haben die erstellte Aufnahme transkribiert, um den Zeitpunkt jedes Wortes zu bekommen, und die neue Aufnahme dann passend gedehnt, ohne die Tonhöhe zu ändern. Sie lag auf etwa 20 Millisekunden genau.
• Nur dehnen, was im Bild ist, und nur ein wenig. Für die Person im Bild nimmst du den Satz in mehreren Tempi auf und behältst die Version, die am wenigsten gedehnt werden muss, höchstens 25 %. Der Kameramann war nicht im Bild, deshalb blieben seine Sätze im natürlichen Tempo; gestaucht waren sie schwer zu verstehen.

Lachen, Raumklang und Mischung

• Das Lachen des Videomodells behalten. Das Tag [laughs] klang in dieser Szene künstlich. Das Lachen, das das Videomodell erzeugt hatte, passte zu ihrem Gesicht, also haben wir es aus dem Ton des Clips herausgelöst und behalten.
• Den eigenen Hintergrundton des Clips nutzen. Schritte, Gemurmel und Vögel kamen vom Videomodell statt aus separat erstellten Effekten. Seine eigene Sprache haben wir um jedes Wort herum um 40 dB abgesenkt, sodass nur die neue Stimme zu hören ist.
• Diesen Hintergrund nicht allein lautheitsnormalisieren. Normalisierst du die abgesenkte Spur, kommt die Restsprache wieder hoch; gib ihr stattdessen eine feste Verstärkung.
• Hall sparsam einsetzen. Höchstens etwa ein Zehntel der direkten Stimme und keine starke frühe Reflexion, die führt zu Kammfiltereffekten.
• Die Mischung messen, nicht nur hören. Transkribiere die fertige Mischung und lies jeden Satz nach, halte die Sprache mindestens 12 dB über dem Hintergrund und die Hauptstimme etwas lauter als die anderen. Unsere erste Mischung hatte 4 dB Abstand, die finale 18,7 dB.

Dieses Tool liefert dir die Stimmen, keinen Editor: Erstelle die Sätze hier und leg sie dann in CapCut, Premiere oder DaVinci Resolve an und misch sie. Für einen Presenter, der direkt in die Kamera spricht, erledigt Talking Photo den Lip Sync für dich. Den ganzen Ablauf für eine Figur, vom Gesicht bis zum fertigen Video, findest du unter KI-Influencer erstellen.

Dialog

Eine Szene mit zwei oder mehr Sprechern in einer Datei. Du wählst für jeden Satz eine Stimme und kannst dazwischen Tags wie [laughs] oder [short pause] setzen. Gut für Podcasts, Sketche und Werbedialoge. Ein Dialog nimmt bis zu 10 verschiedene Stimmen und insgesamt 2.000 Zeichen und wird wie ein Voiceover pro Zeichen berechnet.

Soundeffekte

Beschreibe ein Geräusch und du bekommst es: eine knarrende Tür, Applaus, Regen, ein Whoosh als Übergang. Die Länge reicht von 3 Sek. bis 30 Sek. und wird pro Sekunde berechnet: Ein Effekt mit 5 Sek. kostet 2 Credits, einer mit 30 Sek. 12.

Musik

Music Composer komponiert die Musik, die du beschreibst: einen Song mit Gesang oder instrumentale Hintergrundmusik. Beschreibe Genre, Stimmung und Instrumente und setz den Songtext in Anführungszeichen. Die Länge reicht von 15 Sek. bis 3 Min.; 30 Sek. Musik kosten 18 Credits, 3 Min. kosten 108. Die Musik ist für die kommerzielle Nutzung freigegeben.