KI Text-to-Speech: Was natürlich klingt und was den Roboter verrät

KI Text-to-Speech liefert in unter einer Minute eine fertige Tonspur, und die ersten Sekunden klingen überzeugend. Was die Maschine verrät, ist nicht der Klang der Stimme an sich. Es ist, wie sie mit Pausen, Betonung und Satzenden umgeht.

Was die Maschine verrät

Gleichmäßige Pausen fallen als Erstes auf. Ein echter Mensch variiert die Pausenlänge und unterbricht manchmal mitten im Satz, obwohl dort gar kein Komma steht.

Bei ungewöhnlichen Wörtern und Namen setzt das Modell die Betonung nach Regel statt nach Gefühl, und genau dort stolpert es.

Am Satzende bleibt die Stimme oft zu flach. Die Synthese senkt die Tonhöhe fast immer auf dieselbe Weise, und diese Wiederholung wirkt monoton.

Auch eine zu saubere Aussprache gibt die Maschine preis: kein einziger verschluckter Laut, und das allein macht es unnatürlich.

So schreibst du Texte für KI-Voiceover

Schreib, wie du sprechen würdest. Kurze Sätze, einfache Wörter, keine verschachtelten Nebensätze.

Setz Pausen selbst. Überall, wo du beim Sprechen Luft holen würdest, gehört ein Punkt hin, kein Komma.

Schreib Problemwörter um. Setzt das Modell bei einem Namen die Betonung falsch, ersetz ihn durch ein Synonym oder teil die Wortgruppe.

Schreib Zahlen aus, wenn die Aussprache zählt: „fünfzehn“ statt „15“.

Lies dein Skript vorher laut vor. Stolperst du selbst darüber, stolpert die KI auch.

Wo die Synthese schon durchgeht

Bei einem Voiceover für einen kurzen Clip unter fünfzehn Sekunden fällt nichts auf.

Auch bei Erklärvideos funktioniert es, weil eine neutrale, eher flache Sprechweise dort ohnehin passt.

Hintergrundton, bei dem die Stimme nicht im Fokus steht, geht ebenfalls problemlos durch.

Wo man es noch hört

Ein langes Monolog ist der härteste Test: Je länger die Vertonung läuft, desto deutlicher zeigt sich die Flachheit.

Bei emotionaler Werbesprache wird es schwierig, weil Begeisterung aus der Synthese schnell mechanisch klingt.

Ein Dialog mit zwei Stimmen wirkt oft steif, weil die Pausen zwischen den Repliken unnatürlich sitzen.

Ein Kundentestimonial ist ein anderer Fall, und dabei geht es eigentlich gar nicht um die Tonqualität. Es geht um Ehrlichkeit: eine synthetische Stimme als echten Käufer auszugeben, ist keine gute Idee, dazu haben wir einen eigenen Beitrag geschrieben.

Lippensynchronität ist eine eigene Baustelle

Soll die Stimme sichtbar aus dem Mund einer Person auf dem Bildschirm kommen, statt nur über das Material zu laufen, taucht ein zweites Problem auf. Der Lippensync hält für ein, zwei Sätze, dann fängt er an zu driften.

Deshalb werden Produktvideos meist stumm generiert, die Tonspur kommt erst im Schnitt dazu. Mehr zum Thema Lippensync gibt es in einem separaten Beitrag.

Vielleicht bin ich hier nicht ganz auf dem neuesten Stand: Ein Cutter, den ich kenne, sagt, bei ihm hält der Sync deutlich länger. Was genau er anders macht, habe ich ehrlich gesagt noch nicht herausgefunden.

FAQ

Warum klingt eine synthetische Stimme roboterhaft? Meist liegt es nicht am Klang der Stimme selbst, sondern an den gleichmäßigen Pausen, an falscher Betonung bei unbekannten Wörtern und an der immer gleichen flachen Intonation am Satzende.

Wie klingt KI-Voiceover natürlicher? Schreib in gesprochener Sprache, halt Sätze kurz, setz Pausen selbst mit Punkten statt Kommas, und ersetz jedes Wort, das das Modell falsch betont.

Wo fällt KI-Voiceover nicht auf? In kurzen Clips unter fünfzehn Sekunden und bei Erklärvideos, wo eine flache, gleichmäßige Sprechweise sogar von Vorteil ist.

Kann ich ein Kundentestimonial mit KI vertonen lassen? Technisch ja. Es ist eine Frage des Vertrauens: Eine generierte Stimme als echten Kunden auszugeben, schadet deiner Glaubwürdigkeit.

Quellen

1. Flami: Lippensync und Voiceover
2. Flami: UGC-Testimonials und Ehrlichkeit
3. Flami: Die Formel für das 15-Sekunden-Verkaufsvideo