Text zu Sprache mit KI: vom Skript zum MP3-Voiceover

Text zu Sprache mit KI wandelt geschriebene Wörter in gesprochenes Audio um, ohne dass du eine Ausgangsaufnahme brauchst. In Pipe2.ai nimmt Audio Generator dein Skript entgegen und liefert eine herunterladbare MP3. Wähle ein TTS-Modell und eine Stimme, beschreibe den Vortrag und höre das Ergebnis an, bevor du es als Sprechertext verwendest.

In fünf Schritten vom Skript zur Sprachausgabe

1. Öffne Audio Generator und wähle ein Modell. Gemini 3.8 Flash TTS ist das Standardmodell und liefert Sprechertexte in Studioqualität in über 130 Sprachen. Gemini 3.8 Flash-Lite TTS ist die schnellere, günstigere Gemini-Option für Entwürfe. Eleven v4 ist die ausdrucksstärkste Option, und MiniMax Speech 2.8 Turbo und HD stehen ebenfalls zur Verfügung.
2. Füge nur die zu sprechenden Wörter in das Textfeld ein. Schreibe in der gewünschten gesprochenen Sprache. Regieanweisungen gehören in das Feld für Sprechanweisungen, damit sie nicht Teil des Sprechertexts werden.
3. Wähle eine kompatible Stimme. Gemini unterstützt Auto oder eine benannte voreingestellte Stimme. Bei MiniMax musst du eine Stimme aus den verfügbaren Vorgaben ausdrücklich auswählen; Auto wird für die Sprachsynthese nicht unterstützt.
4. Beschreibe den Vortrag. Für Gemini eignet sich etwa „warme Tutorial-Stimme, ruhiges Tempo, sanfte Betonung“. Beginne bei MiniMax mit „slow, calm“: Unterstützt werden Tempo und Emotion.
5. Erzeuge und prüfe die MP3. Achte auf ausgelassene Wörter, Aussprache, Pausen und Tonfall. Ändere jeweils nur eine Sache und erzeuge bei Bedarf eine weitere Aufnahme.

Aktuelles Ausgabeformat, geprüft am 6. Oktober 2026: Audio Generator erzeugt gesprochenes MP3-Audio aus Text. Die verfügbaren Stimmen und Regieoptionen hängen vom gewählten Modell ab.

Teste einen kurzen Sprechertext vor dem ganzen Skript

Wähle für eine erste Gemini-Aufnahme Gemini 3.8 Flash TTS, die Stimme Kore und diese zwei getrennten Eingaben:

• Text: „Willkommen zum Workshop. Heute machen wir aus einer einfachen Idee etwas, das ihr teilen könnt. Legen wir los.“
• Sprechanweisungen: „Ruhige Tutorial-Stimme. Warmer Ton, gleichmäßiges Tempo, klare Pausen zwischen den Sätzen.“

Lass die Prompt-Verbesserung eingeschaltet, wenn Gemini vor der Erzeugung verfeinerte Regieanweisungen erhalten soll. Schalte sie aus, um deine Anweisungen unverändert zu verwenden. Bei Gemini Auto ohne Verbesserung wird Kore verwendet; eine automatische Besetzung findet dann nicht statt. MiniMax wendet die unterstützten Tempo- und Emotionsanweisungen direkt an.

Das ist ein Übungsskript, kein Nachweis eines getesteten Ergebnisses oder einer garantierten Laufzeit. Prüfe damit, ob Stimme und Rhythmus zum Projekt passen, bevor du einen längeren Text eingibst.

Wähle das Modell passend zum gewünschten Vortrag

Gemini bietet 30 benannte voreingestellte Stimmen, kurze Stilvorgaben und Laute, die du in den Text setzt, etwa <laugh> oder <short pause>. Flash-Lite TTS eignet sich für schnelle Entwürfe; Flash TTS ist für Sprecheraufnahmen in Studioqualität vorgesehen. Eleven v4 bietet mit Tags wie [whispers] die größte emotionale Bandbreite. MiniMax Speech 2.8 stellt in Pipe2 fünf voreingestellte Stimmen bereit: Turbo ist auf schnellere Synthese ausgerichtet, HD auf die endgültige Aufnahme. Stimmen verschiedener Modellfamilien sind nicht austauschbar.

MiniMax erkennt englische Anweisungswörter wie slow, fast oder quick und eine unterstützte Emotion: happy, sad, angry, fearful, disgusted, surprised oder calm. Erwarte von frei formulierten Akzent- oder Szenenbeschreibungen nicht dieselben Möglichkeiten wie bei Gemini. Der gewünschte Akzent wird nicht garantiert.

Prüfe vor dem Start die aktuelle Credit-Schätzung. Gemini berechnet das tatsächlich erzeugte Audio, MiniMax und Eleven v4 rechnen nach Zeichen ab. Eleven v4 zählt auch die mit dem Text gesendeten Audio-Tags, und die Prompt-Verbesserung wird als eigener Schritt zusätzlich berechnet. Mit einem kurzen Ausschnitt kannst du den Vortrag beurteilen, bevor du Credits für einen langen Text ausgibst.

Gib einer Figur die passende Sprechweise

Für eine Einleitung oder Geschichte aus der Sicht einer Figur vergleichst du zwei voreingestellte Stimmen mit demselben kurzen Satz in der gewünschten Sprache. Wähle zuerst die Stimme nach ihrem Klang und passe dann mit Geminis Sprechanweisungen Emotion und Tempo an. Audio Generator bietet weder Stimmenklonen noch die Stimme eines bestimmten Schauspielers.

Probiere „Wir haben den Schlüssel gefunden. Jetzt können wir die Tür öffnen.“ mit der Anweisung „verhaltene Begeisterung, ruhiges Tempo“. Behalte für eine zweite Aufnahme Stimme und Text bei und ändere nur die Anweisung in „besorgt, schnell sprechend“. Das sind vorgeschlagene Eingaben, keine getesteten Aufnahmen. Achte auf den Gefühlswechsel und prüfe, ob jedes Wort verständlich bleibt.

Erzeuge bei Dialogen die Sätze jeder Figur separat mit einer ausdrücklich gewählten Stimme. Speichere Modell, Stimme, Skript und Anweisungen zu jeder MP3, damit du beim Überarbeiten eines Satzes dieselben Einstellungen verwenden kannst. Höre aufeinanderfolgende Aufnahmen zusammen an, bevor du sie übernimmst: Gleiche Einstellungen garantieren keine identische Darbietung.

Schreibe Text, der beim Vorlesen natürlich klingt

Nutze kurze Sätze und Satzzeichen, um Pausen anzudeuten, und beurteile anschließend das tatsächliche Audio. Namen, Abkürzungen, Daten und Preise solltest du gesondert anhören. Klingt eine Stelle falsch, schreibe die Abkürzung aus oder passe die Schreibweise für eine bessere Aussprache an.

Es gibt keinen Regler für die Dauer: Textlänge und Sprechtempo bestimmen die Länge des Voiceovers. Muss es in einen festen Videoabschnitt passen, miss eine Probe und überarbeite das Skript. Erzeuge lange Sprechertexte in sinnvollen Abschnitten, damit sich ein Absatz austauschen lässt, ohne den gesamten Text erneut zu erzeugen. Beachte dabei das Eingabelimit des gewählten Modells.

Übersetze und redigiere das Skript zuerst, wenn du eine weitere Sprachfassung brauchst. Audio Generator erkennt die Sprache anhand des eingegebenen Texts; eine Regieanweisung ist kein Übersetzungsauftrag.

Verwende die MP3 als separate Sprecherspur

Lade die ausgewählte Aufnahme herunter und bewahre sie zusammen mit dem Skript auf. Übergib sie in Video Reel als Sprecher-Audio, um sie deinen Clips hinzuzufügen. Erzeuge bei Bedarf mit Music Generator eine separate Hintergrundmusik und prüfe im fertigen Mix, ob die Sprache gut verständlich bleibt.

Zum Zusammenstellen von Clips mit Sprechertext hilft Reels mit KI erstellen. Für die Hintergrundmusik lies Musik mit KI erzeugen. Getrennte Sprach- und Musikspuren erleichtern spätere Änderungen.