Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Voice Cloning

Voice Cloning (Stimmklonen) ist der Einsatz von KI, um ein Text-to-Speech-System mit der Stimme einer bestimmten Person sprechen zu lassen, gelernt aus einer Aufnahme dieser Person. Manche Systeme brauchen nur eine kurze Probe.

Auch: voice clone, voice replication, custom voice

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

Mit einer geklonten Stimme kann ein Text-to-Speech-Modell jeden Text so vorlesen, dass er wie die Person in der Probe klingt. Einsatzzwecke sind Synchronisation, vom Autor gesprochene Hörbücher, die Wiederherstellung der Stimme von jemandem, der nicht mehr sprechen kann, und gebrandete Voice Agents.

So funktioniert es

Forscher von Baidu beschrieben 2018 die zwei Hauptansätze. Speaker Adaptation feinjustiert ein Modell mit mehreren Sprechern auf einigen Clips der neuen Stimme. Speaker Encoding trainiert ein separates Netz, das einen Clip in ein Sprecher-Embedding verwandelt, eine kompakte Beschreibung der Stimme, der das Sprachmodell dann folgt. Encoding braucht kein zusätzliches Training pro Stimme und ist daher schneller und günstiger. Moderne Zero-Shot-TTS-Modelle erweitern die Encoding-Idee. Gehostete Dienste wie ElevenLabs und offene Modelle wie Chatterbox bieten Klonen an.

Einwilligung und Missbrauch

Ein überzeugender Klon kann für Betrug genutzt werden, etwa einen gefälschten Anruf eines Verwandten oder einer Führungskraft, oder um einer öffentlichen Person Worte in den Mund zu legen. Geklontes Audio in Kombination mit Video ist eine häufige Form von Deepfake. Viele Anbieter verlangen von Nutzern die Bestätigung, dass sie die Erlaubnis des Sprechers haben, und manche fügen Audio-Wasserzeichen hinzu. Gesetze zur Nutzung der Stimme anderer unterscheiden sich je nach Land, also prüfe die Regeln, die für dich gelten.

Grenzen

Klone aus kurzen Proben können Akzent, Emotion und Atemmuster verfehlen, und die Qualität sinkt bei verrauschtem Ausgangsaudio.

Verwandte Begriffe

Text-to-Speech
Text-to-Speech (TTS, Sprachsynthese) ist Software, die geschriebenen Text in gesprochenes Audio verwandelt. Modernes TTS nutzt neuronale Netze, die aus dem Text den Klang der Sprache vorhersagen und ihn dann als Wellenform ausgeben.
Deepfake
Ein Deepfake ist ein Bild-, Audio- oder Videoinhalt, der mit KI erstellt oder verändert wurde, sodass er überzeugend eine echte Person, einen Ort oder ein Ereignis so zeigt, wie es nicht geschehen ist, und als echt durchgehen könnte.
KI-Wasserzeichen
KI-Wasserzeichen (AI Watermarking) betten in dem Moment, in dem ein KI-Modell Text, Bilder, Audio oder Video erzeugt, ein verborgenes, maschinell erkennbares Signal ein, damit Software den Inhalt später als KI-generiert erkennen kann.
Speech-to-Speech-Modell
Ein Speech-to-Speech-Modell nimmt gesprochenes Audio auf und gibt direkt gesprochenes Audio aus, ohne die Sprache zuerst in Text und zurück umzuwandeln. Es wird für Sprachgespräche in Echtzeit und Übersetzung genutzt.
Voice Agent
Ein Voice Agent (Sprachagent) ist ein KI-Agent, der in Echtzeit ein gesprochenes Gespräch führt: Er hört einer Person zu, entscheidet, was er sagen oder tun soll, und antwortet mit einer synthetischen Stimme, oft über eine Telefonleitung oder in einer App.

Quellen