Stimme klonen mit KI: der Ablauf, der die Zustimmung nicht auslässt

Stimme klonen mit KI heißt: aus ein paar Minuten Audioaufnahme ein Modell bauen, das in neuen Sätzen genauso klingt — Sätze, die die Person nie ausgesprochen hat. Der technische Teil ist dabei inzwischen der einfache Teil, für fast jeden mit einem Mikrofon zugänglich. Der Teil, der zuerst geklärt sein muss, bevor überhaupt aufgenommen wird: dass die Person, deren Stimme geklont wird, ausdrücklich zugestimmt hat. Bei der eigenen Stimme ist das erledigt. Bei jeder anderen nicht.

Wofür sich das im Büroalltag eignet

• —Ein Schulungsvideo in mehreren Sprachfassungen, mit derselben vertrauten Erzähl-Stimme, statt für jede Sprache neu ins Studio zu gehen.
• —Eine Korrektur in einer bestehenden Aufnahme — ein falsch ausgesprochener Produktname, eine veraltete Zahl — ohne die ganze Aufnahmesitzung zu wiederholen.
• —Eine einheitliche Sprecherstimme für Marketing-Voiceovers über mehrere Videos hinweg, auch wenn die ursprüngliche Sprecherin gerade keine Zeit hat.
• —Für Menschen, die durch eine Erkrankung wie ALS ihre Stimme zu verlieren drohen: die eigene Stimme vorab aufnehmen, um sie später über ein Sprachausgabegerät weiter zu nutzen — genau das zeigt das Projekt Revoice der amerikanischen ALS-Organisation an einem dokumentierten Fall.

Nicht geeignet ist es für alles, wo die Stimme als Identitätsnachweis dient, oder wo sie ohne Zustimmung der betroffenen Person eingesetzt wird — eine fremde Stimme nachzubilden, um in ihrem Namen zu sprechen, eine Zahlung zu autorisieren oder eine Nachricht glaubwürdig klingen zu lassen, die diese Person nie gesagt hat.

Ein Ablauf, der den Zustimmungs-Schritt nicht auslässt

1. 01Klone nur die eigene Stimme oder eine Stimme, für die eine ausdrückliche, am besten schriftliche Zustimmung vorliegt — „die Person hat nichts dagegen gesagt" reicht nicht.
2. 02Nimm für einen ersten Test wenige Minuten saubere, ruhige Aufnahme auf. Für ein Ergebnis, das über einen kurzen Clip hinaus trägt, braucht es deutlich mehr Material — die meisten Anbieter unterscheiden zwischen einem schnellen Test-Klon und einem belastbaren Klon genau an diesem Punkt.
3. 03Schreib den Text, der später gesprochen werden soll, vollständig vorher auf, inklusive schwieriger Eigennamen und Fachbegriffe. Bei ungewohnter Betonung oder Emotion weicht das Ergebnis am ehesten vom Original ab.
4. 04Kennzeichne die generierte Aufnahme als KI-generiert, sobald sie über den eigenen internen Gebrauch hinausgeht.

Ein Beispiel von Anfang bis Ende

Nimm ein zweisprachiges Schulungsvideo, das dieselbe Erzähl-Stimme in einer zweiten Sprache bekommen soll. Schwacher Ablauf: die eigene Stimme klonen und den übersetzten Text direkt vorlesen lassen, ohne vorherige Prüfung. Ergebnis: technisch sauber, aber bei Fachbegriffen und Eigennamen stockt die Betonung hörbar, und niemand hat das vor der Veröffentlichung bemerkt.

Vollständiger Ablauf: das Skript vorher fertig schreiben, die Aussprache der Fachbegriffe einzeln testen und erst danach die volle Aufnahme erzeugen. Am Ende steht ein Schritt, den kaum jemand von sich aus einplant: das Ergebnis direkt neben der Originalstimme anhören, nicht nur den Text gegenlesen. Ein Fehler in der Betonung fällt beim Hören sofort auf — beim stillen Lesen des Transkripts nie.

Eine geklonte Stimme, die überzeugend klingt, darf trotzdem nicht automatisch verwendet werden. Erlaubt ist sie erst, wenn die Person, der sie gehört, dem ausdrücklich zugestimmt hat.

Ein zweites Beispiel zeigt, warum sich der Aufwand für die saubere Aufnahme lohnt: eine Marketing-Voiceover-Reihe, bei der dieselbe Sprecherin über mehrere Videos hinweg wiederzuerkennen sein soll. Wird für jedes neue Video eine neue, kurze Instant-Aufnahme geklont, wandert der Klang über die Reihe hinweg spürbar — eine Zeile klingt eine Spur heller, die nächste eine Spur langsamer. Wird stattdessen einmal ein belastbarer Klon aus deutlich mehr Ausgangsmaterial erstellt und für alle folgenden Videos derselbe verwendet, bleibt der Klang über die gesamte Reihe konsistent — der Mehraufwand liegt am Anfang, nicht bei jedem einzelnen Video neu.

Wo die Technik an ihre Grenzen kommt

• —Ein schneller Test-Klon aus wenigen Minuten Audio klingt in ruhiger, neutraler Sprechweise überzeugend, versagt aber häufig bei starker Emotion, Gesang oder einem ungewohnten Akzent — Bereiche, für die die kurze Probe keine Beispiele geliefert hat.
• —Ein belastbarer Klon, der über einen kurzen Clip hinaus trägt, braucht deutlich mehr sauberes Ausgangsmaterial als ein schneller Test — das ist der Unterschied, den viele Anbieter inzwischen als zwei getrennte Stufen anbieten.
• —Nach bekannt gewordenen Missbrauchsfällen verlangen mehrere Anbieter inzwischen eine Bestätigung, dass die hochladende Person tatsächlich die abgebildete Stimme ist, bevor ein Klon überhaupt erstellt wird.
• —Manche Anbieter markieren erzeugte Audiodateien zusätzlich mit einer technischen Kennzeichnung im Hintergrund. Das hilft bei der Nachverfolgung, ist aber kein Ersatz für die offene Kennzeichnung im eigenen Text — eine entschlossene Person kann eine solche technische Markierung entfernen.

Warum das mehr ein Vertrauensthema als ein technisches ist

In Deutschland schützt das allgemeine Persönlichkeitsrecht auch die eigene Stimme — unabhängig davon, ob tatsächlich eine Aufnahme der Person verwendet wurde oder ihre Stimme lediglich technisch nachgebildet ist. Wird eine Stimme kommerziell genutzt, ohne dass die betroffene Person zugestimmt hat, ist das ein Eingriff in dieses Recht, egal wie überzeugend das Ergebnis am Ende klingt.

Genau deshalb steht die Zustimmung am Anfang des Ablaufs, nicht am Ende — dokumentiert, bevor überhaupt eine Aufnahme entsteht, statt nachträglich eingeholt, wenn das Ergebnis schon fertig ist.

Dieselbe Sorgfalt gilt für die Aufnahme selbst, sobald sie zur eindeutigen Wiedererkennung einer Person verwendet werden kann. Eine Stimme, die auf diese Weise verarbeitet wird, zählt dann zu den besonders geschützten Datenkategorien der DSGVO — mit entsprechend höheren Anforderungen an eine ausdrückliche Einwilligung, unabhängig davon, ob die Aufnahme für einen Klon oder für eine Stimmerkennung genutzt wird.

Wie ernst Unternehmen dieses Risiko inzwischen nehmen

Der Bitkom befragt deutsche Unternehmen regelmäßig dazu, wie sie ihre eigene Gefährdung durch Deepfakes und ähnliche KI-generierte Fälschungen einschätzen — Stimmen eingeschlossen. Welche Tätigkeiten sich davon technisch überhaupt automatisieren lassen, unabhängig vom einzelnen Anbieter, untersucht laufend das IAB.

Dass ein Mensch das Ergebnis prüft, bevor es eingesetzt wird, gilt für einen KI-Stimmenklon genauso wie für jeden anderen KI-generierten Inhalt — die OECD-Leitlinien zu KI benennen diese Prüfverantwortung ausdrücklich. Wie schnell sich diese Modelle technisch weiterentwickeln, verfolgt der Stanford AI Index über mehrere Jahre — ungleichmäßig zwischen Anbietern und Aufgabenarten, aber stetig.

Genau diese Prüfroutine — ein Ergebnis präzise vorgeben und danach gegenhören, statt den ersten Versuch zu übernehmen — ist Teil dessen, wofür der Arbeitsmarkt laut PwC AI Jobs Barometer einen deutlichen Gehaltsaufschlag zahlt, unabhängig davon, ob die Aufgabe eine Stimme, ein Bild oder ein Text ist.

Was du am Montag ausprobierst

1. 01Nimm mit deinem eigenen Mikrofon eine kurze, saubere Sprachprobe von dir selbst auf — ruhiger Raum, gleichmäßiges Sprechtempo.
2. 02Schreib den Text, den die geklonte Stimme später sprechen soll, vorher vollständig auf, inklusive schwieriger Begriffe.
3. 03Erzeuge das Ergebnis und hör es dir direkt neben der Originalaufnahme an, nicht nur nebenbei einmal durch.
4. 04Kennzeichne das Ergebnis als KI-generiert, sobald du es außerhalb deines eigenen internen Gebrauchs einsetzt.

Der Prüfschritt selbst — Ergebnis gegen Original gegenhören, bevor es rausgeht — ist derselbe wie bei einem Foto, das zu einem KI Avatar wird. Braucht das fertige Video zusätzlich einen Songtext oder eine Vertonung, zeigt KI Songtext Generator dieselbe Vorgabe-Regel für Musik statt Sprache. Soll aus derselben Aufnahme später ein bewegtes Bild werden, geht Bild zu Video mit KI diesen nächsten Schritt durch. Klingt der Begleittext zum Video noch zu generisch, hilft KI-Text humanisieren an genau dieser Stelle.

Diese Prüfgewohnheit selbst — konkret vorgeben und das Ergebnis gegen den eigenen Anspruch prüfen — ist dieselbe wie bei jeder anderen KI-Aufgabe im Büro, ausführlicher beschrieben in KI im Büro.

Genau diese Fähigkeit — konkret statt vage vorgeben und das Ergebnis prüfen, bevor es eingesetzt wird — vermittelt Coursium in kurzen Lektionen fürs Handy. Bleib der KI voraus mit Übungen, die zu einer echten Aufgabe passen, nicht zu einem Demo-Beispiel. Mehr zu diesem Ansatz steht über Coursium.