KI-Sprecher für Marketingvideos, lokal erstellt: getimtes Voiceover in mehreren Sprachen

KI-Sprecher für Marketingvideos auf der eigenen Workstation

Ein Marketingteam kann den KI-Sprecher für Produkt- und Erklärvideos auf der eigenen Workstation erzeugen: Das Skript wird in eine Zeile je Szene geteilt, ein offenes Stimmmodell wie Chatterbox Multilingual V3 oder Qwen3-TTS spricht jede Zeile mit einer festen Markenstimme, und die Audiodateien kommen wie jede aufgenommene Sprecherspur in die Schnittsoftware. Beide Modelle sprechen Deutsch, Englisch und viele weitere europäische Sprachen und sind für die kommerzielle Nutzung lizenziert. Eine NVIDIA RTX PRO 4500 Blackwell mit 32 GB betreibt sie, und Skripte mit unveröffentlichten Produktnamen verlassen die Firma nicht.

Dieser Leitfaden richtet sich an Marketingleitungen, Cutterinnen und Cutter und Agenturen, die Erklär-, Produkt- und Social-Media-Videos in mehreren Sprachen produzieren und die Sprecherstimme ohne Cloud-Dienst wollen. Unser Vergleich lokaler Alternativen zu ElevenLabs behandelt die Stimmmodelle, ihre deutsche Qualität und das Klonen von Stimmen allgemein; hier geht es um den Produktionsablauf. Für die Übersetzung vorhandener Videos mit Lippensynchronität siehe unseren Leitfaden zur KI-Synchronisation.

Ein Stimmmodell, auch Text-to-Speech-Modell (TTS) genannt, macht aus Text gesprochenes Audio. Ein Take ist eine erzeugte Fassung einer Zeile; Stimmmodelle variieren von Take zu Take leicht, wie eine Sprecherin oder ein Sprecher. Eine SRT-Datei ist eine einfache Untertiteldatei, in der jede Textzeile eine Start- und eine Endzeit hat.

Vom Skript zur Sprecherspur in sieben Schritten

1. Für das Ohr schreiben. Kurze Sätze, ein Gedanke je Satz. Zahlen, Einheiten und Abkürzungen werden so geschrieben, wie sie gesprochen werden sollen.
2. Nach Szenen teilen. Eine Zeile je Einstellung oder Szene, nummeriert, damit die Audiodateien in der Reihenfolge des Schnitts ankommen. Steht das Timing schon fest, schreiben Sie die Zeilen mit der Startzeit jeder Szene in eine SRT-Datei.
3. Stimme wählen. Eine vorgefertigte Stimme, eine entworfene Markenstimme oder die geklonte Stimme einer Person, die zugestimmt hat. Der nächste Abschnitt erklärt die drei.
4. Aussprache festlegen. Marken- und Produktnamen kommen vor dem ersten Take in eine Ausspracheliste.
5. Takes erzeugen. Zwei oder drei Takes je Zeile, dann nach Gehör den besten wählen.
6. Prüfen. Whisper, das Sprach­erkennungs­modell von OpenAI unter MIT-Lizenz, schreibt die fertige Spur ab; jedes Wort der Abschrift, das vom Skript abweicht, markiert eine Zeile zum erneuten Anhören. Derselbe Lauf liefert die Untertitel: Das Kommandozeilenwerkzeug von Whisper bietet srt unter seinen Ausgabeformaten.
7. Schneiden. Die WAV-Dateien kommen auf die Zeitleiste der Schnittsoftware, wo Musik, Mischung und Lautheit wie bei jeder Sprecherspur entstehen.

Auf der Workstation laufen die Schritte in ComfyUI, einer Oberfläche unter GPL-3.0, in der ein vorbereiteter Workflow mit wenigen Klicks startet, oder in den Browser-Demos, die die Stimmmodelle mitbringen. Wer das Skript schreibt und wer das Video schneidet, kann an derselben Maschine arbeiten.

Eine vorgefertigte, entworfene oder geklonte Stimme wählen

Vorgefertigte Stimmen. Kokoro, ein kleines Modell unter Apache 2.0, bringt 20 amerikanische und 8 britische englische Stimmen mit, dazu Stimmen in Spanisch, Französisch, Italienisch, Hindi, Japanisch, Mandarin und brasilianischem Portugiesisch. Eine deutsche Stimme hat es nicht. Für englische Videos ist es der schnellste Einstieg.

Eine entworfene Markenstimme. Qwen3-TTS vom Qwen-Team, erschienen am 22. Januar 2026 unter Apache 2.0, enthält ein VoiceDesign-Modell, das eine Stimme aus einer Beschreibung entwirft („Performs voice design based on user-provided descriptions“): Sie beschreiben die Stimme in wenigen Sätzen, Alter, Tonhöhe und Charakter, und das Modell erzeugt sie. Das README beschreibt dann einen praktischen Ablauf („a practical workflow“): Mit VoiceDesign einen kurzen Referenzclip erzeugen, der zur gewünschten Persona passt („a short reference clip that matches your target persona“), und diesen Clip dem Base-Modell geben, das aus drei Sekunden Audio klont. Das README nennt das „especially useful when you want a consistent character voice across many lines“. Für das Marketing ist das der nützlichste Weg: Die Stimme gehört der Marke und ähnelt keinem realen Menschen. Qwen3-TTS spricht unter seinen 10 Sprachen Deutsch, Englisch, Französisch, Italienisch, Spanisch, Portugiesisch und Russisch; seine neun vorgefertigten Stimmen haben Chinesisch, Englisch, Japanisch oder Koreanisch als Muttersprache und können laut README jede unterstützte Sprache sprechen; für eine deutsche Markenstimme testen Sie zuerst eine entworfene Stimme.

Eine geklonte Stimme. Chatterbox Multilingual V3 von Resemble AI unter MIT-Lizenz und die Base-Modelle von Qwen3-TTS klonen die Stimme einer Person aus einer kurzen Aufnahme, etwa die Ihrer Produktmanagerin oder einer beauftragten Sprecherin. Das braucht eine schriftliche Vereinbarung über Zweck, Sprachen und Dauer; unser ElevenLabs-Vergleich erklärt die Fragen zur Einwilligung.

Legen Sie die Referenzaufnahme an einem festen Ort ab und nutzen Sie sie für jedes Video. Chatterbox hat zwei Regler für den Vortrag: Exaggeration, Standardwert 0,5, der sich für ausdrucksstärkeres Sprechen auf etwa 0,7 erhöhen lässt, und das CFG-Gewicht, Standardwert 0,5. Laut Modellkarte beschleunigt eine höhere Exaggeration das Sprechen eher, und ein niedrigeres CFG-Gewicht bremst es wieder.

Sie können die Workstation allein bestellen, die Einrichtung der Stimmmodelle und von ComfyUI allein oder beides zusammen: die Workstation mit allem fertig installiert und eingerichtet; schreiben Sie uns, wir schlagen Ihnen die beste Lösung für Ihre Aufgaben und Ihr Budget vor.

Produktnamen, Zahlen und Aussprache

An Marken- und Produktnamen scheitern KI-Stimmen oft, weil ein neuer Name im Trainingsmaterial des Modells nicht vorkommt. Drei Methoden helfen, in dieser Reihenfolge.

Schreibweise anpassen. Eine Ausspracheliste ordnet jedem Namen eine Schreibweise zu, die das Modell richtig liest, etwa einen Namen mit ungewöhnlicher Betonung mit Bindestrich oder verdoppeltem Vokal. Die Liste wird vor der Erzeugung auf jedes Skript angewendet und mit den Markenrichtlinien aufbewahrt.

Lautschrift. Kokoro nimmt die Aussprache direkt im Text an, in der Form [Kokoro](/kˈOkəɹO/) aus seinem README, wobei der Teil zwischen den Schrägstrichen die Aussprache in Lautschrift ist. TTS Audio Suite, eine Sammlung von ComfyUI-Nodes unter MIT-Lizenz, enthält einen Phoneme Text Normalizer mit „Full International Phonetic Alphabet conversion using espeak“; ob ein bestimmtes Stimmmodell davon profitiert, zeigt ein Test.

Testsätze. Setzen Sie jeden Produktnamen in einen kurzen Testsatz und lassen Sie ihn vor einer Kampagne von jeder Stimme sprechen. Zahlen, gesprochene Preise in einer Währung, Datumsangaben und Einheiten gehören auf dieselbe Liste, weil Stimmmodelle sie unterschiedlich lesen. Die Whisper-Prüfung aus Schritt 6 findet Namen, die falsch herauskommen.

Das Voiceover zeitlich an den Schnitt anpassen

Am einfachsten ist eine Audiodatei je Szene: Im Schnitt wird jede Datei an den Anfang ihrer Szene gelegt und von Hand verschoben. Ist eine Zeile zu lang für ihre Einstellung, kürzen Sie den Text und erzeugen ihn neu; das klingt besser, als das Audio zu dehnen.

Aus einer SRT-Datei. TTS Audio Suite hat einen SRT-Node, der Sprache aus einer Untertiteldatei erzeugt und das Audio an deren Zeitangaben ausrichtet. Sein Modus smart_natural verschiebt Zeilen so, dass sie sich nicht überlappen und natürlich klingen („Intelligent shifting logic that prevents overlaps and ensures natural speech flow“), und ein Ausgang Adjusted_SRT meldet die tatsächlichen Zeiten des erzeugten Audios, sodass Sie sehen, welche Zeilen länger liefen als geplant. Die Suite unterstützt neben vielen anderen Engines Chatterbox Multilingual und Qwen3-TTS; das README nannte Version 5.8.11, als wir es am 30. Oktober 2026 lasen.

Tempo. Kokoro hat eine Geschwindigkeitseinstellung (speed=1 in seinem Beispiel). Die Dokumentation von Chatterbox nennt keine Geschwindigkeitseinstellung; sein Tempo folgt den oben beschriebenen Reglern Exaggeration und CFG-Gewicht. Die CustomVoice- und VoiceDesign-Modelle von Qwen3-TTS nehmen schriftliche Anweisungen an, die laut Modellkarte „flexible control over timbre, emotion, and prosody“ geben.

Mehrere Stimmen in einem Video sind ebenfalls möglich: TTS Audio Suite wechselt die Stimme mit Tags wie [Alice] am Zeilenanfang und die Sprache mit Tags wie [de:Alice].

Sprachfassungen aus einem Skript

Für eine Kampagne auf Deutsch, Englisch, Französisch und Polnisch wird zuerst das Masterskript übersetzt, von einem Übersetzungsbüro oder einem lokalen Sprachmodell, wie in unserem Leitfaden zur maschinellen Übersetzung on-premise. Eine Muttersprachlerin oder ein Muttersprachler jeder Sprache liest die Übersetzung, bevor Audio entsteht, und kürzt Zeilen, die länger laufen als die Szene.

Die Modellkarte von Resemble AI empfiehlt Chatterbox Multilingual V3 als „one voice cloning model that works across many languages“, dieselbe Markenstimme kann also alle Fassungen sprechen. Die Karte warnt auch, dass die Referenzaufnahme zur Sprache des Textes passen sollte, sonst übernimmt die Ausgabe womöglich den Akzent der Aufnahme; ein CFG-Gewicht von 0 mildert das. Für eine Markenstimme in mehreren Sprachen nehmen Sie je Sprache eine Referenzaufnahme auf oder entwerfen eine, und lassen Sie jede Fassung von einer muttersprachlichen Person prüfen.

Lizenzen und Kennzeichnung nach der KI-Verordnung für Werbung

GitHub-Repositorys und Hugging-Face-Karten von Resemble AI, Qwen, Kokoro, TTS Audio Suite und OpenAI, gelesen am 30. Oktober 2026; Lizenz von ComfyUI wie in unserem Leitfaden zur KI-Video-Workstation festgehalten.

Videos für Kunden sind kommerzielle Nutzung, und die Lizenz jedes Modells muss sie erlauben. Die Werkzeuge in der Tabelle tun das. TTS Audio Suite betreibt aber auch Engines mit anderen Bedingungen: Seine Lizenzdatei nennt die Lizenz der Gewichte jeder Engine und kennzeichnet mehrere, darunter F5-TTS, als nicht kommerziell nutzbar und weitere als nur bedingt nutzbar; der Workflow sollte daher nur freigegebene Engines laden.

Die KI-Verordnung (AI Act) hat zwei Regeln für synthetische Stimmen, beide gelten ab dem 2. August 2026. Artikel 50 Absatz 2 verlangt von Anbietern von Systemen, die synthetisches Audio erzeugen, eine Kennzeichnung „in a machine-readable format“; eine Firma, die ein solches System für den eigenen Gebrauch aufsetzt, kann als Anbieter gelten, wie unser Artikel zum EU AI Act für Unternehmen erklärt. Chatterbox setzt in jede Datei das unhörbare Perth-Wasserzeichen von Resemble AI; die Seiten von Qwen3-TTS und Kokoro nennen kein Wasserzeichen.

Artikel 50 Absatz 4 verlangt von Betreibern, also den Firmen, die ein solches System nutzen, einen Deepfake offenzulegen. Artikel 3 Nummer 60 definiert ihn als KI-erzeugten oder manipulierten Bild-, Audio- oder Videoinhalt, der „resembles existing persons“ und „would falsely appear to a person to be authentic or truthful“. In einem Werbevideo kommt es auf die Wahl der Stimme an. Eine entworfene Markenstimme ist keinem realen Menschen nachgebildet, eine vorgefertigte Stimme kann dagegen auf Aufnahmen einer realen Sprecherin oder eines realen Sprechers beruhen; die geklonte Stimme Ihrer Produktmanagerin, die ein Produkt mit Worten vorstellt, die sie nie aufgenommen hat, kann unter die Definition fallen. Artikel 50 Absatz 5 verlangt diese Information klar und erkennbar spätestens beim ersten Kontakt mit dem Inhalt; ein Hinweis, der vom Beginn des Videos an sichtbar ist, oder ein gesprochener Satz am Anfang ist daher eine Möglichkeit der Offenlegung, denn das unhörbare Wasserzeichen sagt den Zuschauern nichts. Was jede Kampagne verlangt, bestätigt Ihre Rechtsberatung.

Grafikspeicher für Stimmmodelle und die passende Karte

Stimmmodelle sind klein. Die Repositorys nennen keinen GPU-Speicherbedarf, deshalb rechnen wir mit der Größe der Modelldateien: etwa 3,2 GB für Chatterbox Multilingual V3, etwa 4,5 GB für Qwen3-TTS 1.7B Base mit seinem Sprach-Tokenizer und etwa 10 GB für Whisper large nach OpenAIs Angabe. Zusammen sind das nach unserer Rechnung etwa 17,8 GB oder 16,5 GiB. Unsere Regel für nutzbaren Speicher zählt 90 Prozent des Speichers, den der Treiber meldet, abzüglich 3 GiB als nutzbar: 18,5 GiB auf einer 24-GB-Karte, 25,7 auf 32 GB und 40,0 auf 48 GB.

Dateigrößen aus den Hugging-Face-Repositorys von ResembleAI und Qwen sowie aus OpenAIs Whisper-README, gelesen am 30. Oktober 2026; nutzbarer Speicher nach unserer Regel; Kartendaten aus NVIDIAs Datenblättern. Unsere Rechnung, keine Messung.

Einstieg. Die NVIDIA RTX PRO 4000 Blackwell hat 24 GB bei 145 W und belegt einen Steckplatz. Die drei Modelle passen in ihre 18,5 GiB mit etwa 2 GiB Reserve; längere Skripte erzeugen Sie deshalb besser mit jeweils einem geladenen Modell.

Empfohlen. Die RTX PRO 4500 Blackwell hat 32 GB mit 896 GB/s bei 200 W. Nach den drei Modellen bleiben etwa 9 GiB für längere Zeilen, mehrere Takes und die Schnittsoftware auf derselben Maschine. Diese Karte empfehlen wir einem Marketingteam. Beide Karten laufen an einer gewöhnlichen Bürosteckdose.

Nächste Stufe. Die RTX PRO 5000 Blackwell mit 48 oder 72 GB bei 300 W hält ein Übersetzungsmodell wie EuroLLM-9B-Instruct (etwa 18,3 GB in 16 Bit) neben den Stimmmodellen geladen: nach unserer Rechnung etwa 33,6 GiB insgesamt, innerhalb der 40,0 GiB der 48-GB-Karte. Sie eignet sich auch für Videos, in denen ein KI-Avatar spricht, wie unser Leitfaden zu lokalen KI-Avatar-Videos beschreibt.

Mittel. Erzeugt dieselbe Maschine auch das Bildmaterial, bestimmen die Videomodelle die Größe: Unser Leitfaden zur KI-Video-Workstation für das Marketing empfiehlt für die großen offenen Videomodelle eine RTX PRO 6000 Blackwell Workstation Edition oder Max-Q mit 96 GB, und die Stimmmodelle laufen zwischen den Videojobs auf derselben Karte.

Kein Anbieter nennt, wie lange eine Minute Sprechertext auf einer RTX-PRO-Karte dauert. Das hängt vom Modell, von der Länge der Zeilen und der Zahl der Takes ab; lassen Sie eines Ihrer Skripte auf der gelieferten Workstation durchlaufen und stoppen Sie die Zeit, bevor Sie eine Kampagne planen.

Nennen Sie uns Ihre Sprachen, die Zahl der Videos pro Monat und Ihre Schnittsoftware, wir schlagen Ihnen die passende Konfiguration vor.

FAQ