So erstellst du ein KI-Voiceover für ein Video (Schritt für Schritt)

Du hast das Filmmaterial und ein Skript, aber kein Mikrofon, dem du vertraust - oder keine Stimme, die du vor der Kamera haben willst. Ein KI-Voiceover löst das: Skript einfügen, Stimme wählen, MP3 herunterladen und an deinen Schnitten ausrichten. Hier ist der komplette Ablauf, von Anfang bis Ende, in etwa fünf Minuten.

Was du brauchst

• Dein Skript (oder die Zeilen, die vertont werden sollen).
• Ein kostenloses Speecho-Konto - die Sprachgenerierung läuft nur mit Konto, damit deine Clips und Credits dir zugeordnet bleiben.
• Deinen gewohnten Videoeditor (Premiere, DaVinci Resolve, Final Cut, CapCut - alles, was MP3 importiert).

Schritt 1 - Öffne den Voice-Tab und füge dein Skript ein

Wechsle in der App zum Tab Text-to-Speech und füge deine Narration in das Textfeld ein. Das Feld nimmt bis zu 250,000 Zeichen, und ein langes Skript wird Teil für Teil vertont: Du hörst den ersten Teil, bevor du den Rest bezahlst. Für Videos bleiben szenengroße Abschnitte trotzdem praktischer; du platzierst sie auf der Timeline ohnehin einzeln.

Schritt 2 - Wähle eine Qualitätsstufe

Du siehst drei Stufen. Richte sie nach dem Video aus:

• Standard - klare Stimmen für den Alltag, am günstigsten, 50+ Sprachen und Muttersprachler für 19 davon. Ideal für Tutorials und Entwürfe.
• Enhanced (ElevenLabs) - lebendiger und ausdrucksstärker. Die richtige Standardwahl für die meisten veröffentlichten Videos.
• Premium (ElevenLabs) - am natürlichsten, für deine wichtigsten Uploads.

Text auf Deutsch, Spanisch, Französisch, Japanisch oder einer von einunddreißig weiteren Sprachen? Die Stufen Enhanced und Premium haben dafür Muttersprachler, Standard für diese vier ebenfalls - siehe die Übersichten der deutschen, spanischen, französischen und japanischen Stimmen (auf Englisch).

Unsicher? Fang mit Enhanced an. (Eine ausführlichere Gegenüberstellung findest du in ElevenLabs vs. OpenAI: Welche Stimme brauchst du?.)

Schritt 3 - Wähle eine Stimme und höre sie kostenlos vor

Wähle eine Stimme, deren Ton zu deinem Kanal passt, und starte die Vorschau. Das ist kostenlos - du kannst jede Stimme in deiner Sprache anhören, bevor du ein einziges Credit ausgibst, also probier ein paar aus und vertrau deinen Ohren.

Schritt 4 - Erzeuge und lade die MP3 herunter

Zufrieden mit der Vorschau? Erzeuge den Clip. In wenigen Sekunden bekommst du einen Player, in dem du das Ergebnis prüfen, die Wiedergabegeschwindigkeit anpassen und eine Standard-MP3 herunterladen kannst. Diese Datei gehört dir und lässt sich jederzeit erneut herunterladen.

Mit einer Enhanced- oder Premium-Stimme liefert der Pfeil neben der MP3 außerdem Untertitel als SRT- oder VTT-Datei, Wort für Wort auf das Audio getimt und kostenlos. Leg sie neben der MP3 auf die Timeline, und die Untertitel passen zur Narration, in der Wiedergabegeschwindigkeit, mit der du heruntergeladen hast, ohne dass du etwas transkribieren musst. Standard-Stimmen haben keine Untertitel.

Schritt 5 - Zieh sie auf deine Timeline

Importiere die MP3 in deinen Editor und lege sie unter dein Filmmaterial. Weil du sie selbst platzierst - und nicht auf automatische Synchronisation angewiesen bist - behältst du die volle Kontrolle: Zeilen verschieben, um deine Schnitte zu treffen, einen Moment Stille vor einer Enthüllung einfügen, sie unter der Musik absenken. Genau diese manuelle Kontrolle willst du, wenn du entlang eines Skripts schneidest.

So bekommst du saubere, gut getaktete Narration

Ein paar Angewohnheiten lassen KI-Narration bewusst statt gehetzt klingen:

• Setz Satzzeichen für den Atem. Kommas und Punkte werden zu Pausen. Kurze Sätze lesen sich laut besser als lange - schreib fürs Ohr. Um vor dem Bezahlen zu hören, wo ein Satz zu lang wird, lass dir das Skript zuerst kostenlos von einer Browserstimme vorlesen.
• Schreib knifflige Wörter lautgetreu, falls ein Name oder eine Abkürzung falsch ausgesprochen wird - etwa „Speecho” als „Spietscho” oder die Abkürzung „z. B.” ausgeschrieben als „zum Beispiel”.
• Teile lange Absätze in separate Clips pro Szene auf. Das ist leichter zu platzieren und leichter, eine einzelne Zeile neu zu machen, ohne alles neu zu rendern.
• Passe die Energie an den Inhalt an. Enhanced oder Premium für alles mit Persönlichkeit; Standard reicht für sachliche, nüchterne Narration.

Zwei Stimmen oder mehr: ein Dialog

Hat das Video zwei Sprecher oder Figuren, die miteinander reden, schreib das Skript mit einem Namen vor jeder Zeile (Lena: ..., Jonas: ...) und stell das Panel von Text auf Dialog um; fügst du so ein Skript ins Textfeld ein, bietet die App den Wechsel selbst an. Jeder Name wird zu einer Figur mit eigener Stimme, du wählst die Pause zwischen den Zeilen und lädst eine MP3 mit allen Zeilen in der richtigen Reihenfolge herunter. Das kostet genau so viel wie derselbe Text mit einer Stimme. Mehr dazu unter Text zu Sprache mit mehreren Stimmen.

Einen Teil später korrigieren

Ein langes Skript, das in Teilen vertont wurde, oder ein Dialog muss wegen eines einzigen Satzes nicht komplett neu vertont werden. Klicke bei diesem Teil auf Diesen Teil neu vertonen (oder bei einer Dialogzeile auf Diese Replik neu vertonen): Wähle eine andere Stimme, korrigiere ein Wort oder ergänze eine Anweisung wie [whispers], und nur dieser Teil wird neu gemacht, der Rest bleibt, wie er ist. Bei gleichem Text kostet der Teil seinen Preis noch einmal, bei geändertem Text den Preis des neuen Textes.

Bonus: dasselbe Voiceover in einer anderen Sprache

Du willst eine Version des Videos in einer zweiten Sprache? Füge ein übersetztes Skript ein und erzeuge das Voiceover mit einer passenden Stimme - du bekommst eine saubere MP3 in dieser Sprache, die du auf ein Duplikat deiner Timeline legst. Wenn dein Video als Aufnahme begann, kannst du es sogar transkribieren und das Transkript zuerst in Speecho übersetzen und dann die Übersetzung vertonen.

Ein ehrlicher Vorbehalt: Das liefert dir Narration in einer anderen Sprache, kein automatisches Dubbing - es gibt keine Lippensynchronisation und keine automatische Abstimmung auf den Originalsprecher. Für Videos im Voiceover-Stil (Erklärvideos, Faceless-Kanäle, Produktdemos) ist das genau das Richtige; bei einem Talking-Head taktest du die Zeilen von Hand neu.

Was es kostet

Abrechnung pro Zeichen bedeutet, dass ein Voiceover günstig ist. Ein dreiminütiges Erklärvideo hat grob 3,000 Zeichen - etwa 30 Cent mit Standard oder 70 Cent mit Erweitert. Lade ab $5 auf, und da Credits nie verfallen, ist ein bisschen Extra-Guthaben nie verschwendet. Sieh dir die vollständige Preisübersicht an.

Bereit, deinem nächsten Video eine Stimme zu geben? Öffne den Voice-Tab, füge dein Skript ein und höre eine Stimme kostenlos vor.