KI-Stimme: Mach aus deinem Skript eine Vertonung oder einen Dialog
Die KI-Stimme in shuut liest ein geschriebenes Skript als Vertonung vor. Du fügst den Text ein, wählst ein Stimmmodell und eine Stimme und bekommst einen Audioclip zurück.
Im Sound-Tool stehen vier Stimmmodelle nebeneinander. Jedes hat eigene Stimmen, Sprachen und Möglichkeiten, Emotion oder Tonfall zu steuern. Im Dialogmodus teilen sich mehrere Sprecher*innen einen Clip.
Passende Modelle
| Modell | Entwickelt von | Preis | Niedrigster Preis |
|---|---|---|---|
| Eleven v4 | ElevenLabs | 4 Credits pro Generierung | 4 Credits pro Generierung |
| Chirp 3 HD-Stimme | 2 Credits pro Generierung | 2 Credits pro Generierung | |
| MiniMax Speech 2.8 HD | MiniMax | 5 Credits pro Generierung | 5 Credits pro Generierung |
| Qwen Audio 3.1 TTS | Alibaba | 2 Credits pro Generierung | 2 Credits pro Generierung |
Die Preise sind in Credits angegeben (1 Credit = 0,01 US$) und werden pro Nutzung von deinem shuut-Guthaben abgezogen. Vor jeder Generierung siehst du den genauen Preis.
So funktioniert die KI-Stimme im Sound-Tool von shuut
Die Schaltfläche KI-Stimme öffnet das Sound-Tool mit bereits ausgewählter Stimme.
Du tippst oder fügst das Skript ein, das vorgelesen werden soll.
Du wählst ein Stimmmodell und dann eine Stimme aus der Liste dieses Modells.
Für ein Gespräch weist du im Dialogmodus jeder sprechenden Person eine Stimme zu. So entsteht das ganze Gespräch als ein Clip.
Mit „Erstellen“ wird das Skript zu einer Vertonung, die du abspielen und herunterladen kannst.
Die Stimmen von Chirp 3 HD lesen Skripte auch im Tool „KI-Avatar“ vor.
KI-Stimmmodelle in shuut und ihre Unterschiede
Eleven v4 ist das Sprachmodell von ElevenLabs. Es liest mit Emotion, bietet viele Stimmen und deckt viele Sprachen ab. Du kannst dem Skript Tonfall-Tags hinzufügen.
Eleven v4 Dialogue macht aus einem geschriebenen Dialog einen Audioclip. Für jede sprechende Person wird eine eigene Stimme gewählt.
Chirp 3 HD ist das Text-to-Speech-Modell von Google. Es ist auf natürliche koreanische Vertonung ausgelegt und hat wenige Stimmen.
MiniMax Speech 2.8 HD liest Koreanisch und Englisch, hat eine große Stimmenliste und lässt dich eine Emotion wählen.
Qwen Audio 3.1 TTS hat einige mehrsprachige Stimmen und folgt deinen Anweisungen zum Tonfall.
Bevor du ein Skript für die KI-Stimme schreibst
Leg zuerst die Sprache fest, denn sie grenzt die Modellwahl ein: Chirp 3 HD nur für Koreanisch, MiniMax Speech 2.8 HD für Koreanisch oder Englisch, Eleven v4 oder Qwen Audio 3.1 TTS für andere Sprachen.
Wenn es auf den Vortrag ankommt, plane, wo sich Emotion oder Tonfall ändern sollen. Nutze dafür die Tonfall-Tags von Eleven v4, die Emotionswahl von MiniMax oder die Tonfall-Anweisungen von Qwen.
Kennzeichne bei einem Dialog jede Zeile mit der sprechenden Person. So lassen sich die Stimmen leicht zuweisen.
Das Vorlesen mit deiner eigenen geklonten Stimme ist ein eigener Modus von Eleven v4. Dafür braucht es die Zustimmung der Person, der die Stimme gehört.
Kommt die Stimme einer realen Person vor, prüfe, ob die Plattform, auf der du postest, eine Kennzeichnung als KI-generiert verlangt.
So erstellst du einen Clip mit KI-Stimme in shuut
- Öffne KI-Stimme, um zum Sound-Tool mit ausgewählter Stimme zu gelangen.
- Füge dein Skript ein oder schreib einen Dialog, bei dem jede Zeile einer sprechenden Person zugeordnet ist.
- Wähle ein Stimmmodell und eine Stimme oder im Dialogmodus eine Stimme pro sprechender Person.
- Füge Emotion, Tonfall-Tags oder Tonfall-Anweisungen hinzu, wo das Modell sie unterstützt.
- Wähle „Erstellen“ und spiel die fertige Vertonung ab.
Häufige Fragen
- Welche Sprachen kann die KI-Stimme vorlesen?
- Eleven v4 deckt viele Sprachen ab, und Qwen Audio 3.1 TTS hat mehrsprachige Stimmen. MiniMax Speech 2.8 HD liest Koreanisch und Englisch, Chirp 3 HD liest Koreanisch.
- Welche Modelle haben koreanische Stimmen?
- Chirp 3 HD ist für natürliche koreanische Vertonung gemacht, und MiniMax Speech 2.8 HD liest Koreanisch und Englisch. Eleven v4 und Qwen Audio 3.1 TTS sind ebenfalls mehrsprachige Optionen.
- Kann ein Clip mehr als eine sprechende Person haben?
- Ja. Im Dialogmodus wählst du für jede sprechende Person eine Stimme, und Eleven v4 Dialogue macht aus dem ganzen Gespräch einen Audioclip mit mehreren Stimmen.
- Wie klingt die Stimme fröhlich, ruhig oder ernst?
- Eleven v4 liest mit Emotion und versteht Tonfall-Tags im Skript. MiniMax Speech 2.8 HD bietet eine Emotionswahl, und Qwen Audio 3.1 TTS folgt Tonfall-Anweisungen.
- Kann sie mit meiner eigenen Stimme vorlesen?
- Das Vorlesen mit einer geklonten Stimme ist ein eigener Modus von Eleven v4. Dafür braucht es die Zustimmung der Person, deren Stimme geklont wird.
- Was kostet ein Clip mit KI-Stimme?
- Stimmaufträge werden pro Durchlauf berechnet. Jedes Modell zeigt dir den Preis als Angebot, bevor du „Erstellen“ wählst.
Was du erstellen kannst
- KI-Musik-Generator: Hintergrundmusik aus einer Stimmungsbeschreibung
- KI-Synchronisation: dein Video in einer anderen Sprache, mit derselben Stimme
Aktualisiert am 17. November 2026
Bevor du startest
Du zahlst pro Ergebnis und erhältst ein Preisangebot, bevor du „Erstellen“ drückst; Abos sind optional.
Motion-Shot, Untertitel und Seitenverhältnis ändern sind nach der Registrierung kostenlos.
Abschnitt 9 der Nutzungsbedingungen regelt die kommerzielle Nutzung; der Umfang hängt vom Modell und von der Vereinbarung ab, und die Prüfung von Rechten, Werberegeln und KI-Kennzeichnungen liegt bei dir.
shuut steht in keiner Verbindung zu den Modellherstellern.