KI-Stimme erstellen: Sprecher ohne Mikrofon

Eine KI-Stimme erstellst du mit einem Text-to-Speech-Modell, auf Deutsch Text zu Sprache: Du gibst einen Text ein, das Modell liest ihn mit einer künstlichen Stimme vor. Dafür gibt es drei Wege. Du nimmst eine fertige Stimme bei einem Cloud-Dienst wie ElevenLabs oder OpenAI, du klonst eine echte Stimme aus einer kurzen Aufnahme, oder du entwirfst eine neue Stimme per Beschreibung und erzeugst sie mit einem offenen Modell wie Qwen3-TTS lokal auf deinem Rechner. Bevor du ein Werkzeug wählst, kläre drei Fragen: Darfst du das Ergebnis kommerziell nutzen? Wessen Stimme ist es? Und wie kennzeichnest du sie als KI?

Ein Beispiel aus meiner eigenen Arbeit: Für meine Kinderbuchreihe „Mio and the Visitors“ habe ich ein Hörbuch gemacht, mit KI-Stimmen für den Erzähler und die Figuren.

KI-Stimme erstellen: die drei Wege

Der dritte Weg heißt bei Qwen3-TTS „Voice Design“. Das Modell erzeugt bei jedem Aufruf eine leicht andere Stimme. Für eine Reihe, die in jeder Folge gleich klingen soll, behältst du deshalb eine gelungene Probe als Referenzaufnahme und erzeugst alle weiteren Texte nur noch aus ihr.

Werkzeuge im Vergleich: Preise und Lizenzen

„Kostenlos“ und „frei nutzbar“ sind bei KI-Stimmen zwei verschiedene Dinge. Viele offene Modelle kosten nichts, verbieten aber jede kommerzielle Nutzung, und bei manchen gilt das Verbot ausdrücklich auch für die erzeugten Aufnahmen. Dasselbe Muster kennst du von Bildern, es steht in KI-Bilder erstellen: kostenlos und frei. Stand der Angaben: November 2026.

Drei Details, die in Listen oft fehlen. Erstens: Wer bei ElevenLabs im Free-Plan erzeugte Aufnahmen veröffentlicht, muss laut Hilfe-Center „elevenlabs.io“ oder „11.ai“ in den Titel schreiben, und kommerziell nutzen darfst du sie nicht. Zweitens: OpenAI nennt tts-1, tts-1-hd und gpt-4o-mini-tts in seiner Dokumentation veraltet, sie sollen am 6. Januar 2027 abgeschaltet werden, Nachfolger ist ein Modell der Realtime-Schnittstelle. Und die Stimmen sind laut OpenAI für Englisch optimiert. Drittens: Qwen3-TTS spricht zehn Sprachen, darunter Deutsch, Englisch, Französisch und Spanisch. Was hinter Lizenzen wie Apache 2.0 und den Einschränkungen offener Modelle steckt, erkläre ich in Open Weight vs. Open Source: Lizenzen erklärt.

Ein lokales Modell kostet keine Gebühr je Minute, braucht aber Rechenleistung. Die Beispiele im Qwen3-TTS-Repository sind für eine Nvidia-Grafikkarte geschrieben. Wie ein Mac als Rechner für lokale Modelle taugt, steht in Lokale KI auf dem Mac: Mini als KI-Server.

Das Beispiel Mio: ein Hörbuch mit KI-Stimmen

„Mio and the Visitors“ ist eine englischsprachige Bilderbuchreihe für Kinder. Band 1, „The Day Rumble Came to Visit“, ist am 17. August 2026 als Taschenbuch bei Amazon erschienen. Das Hörbuch gehört zu diesem Band und ist als Vorlese-Video gedacht.

So ist das Hörbuch aufgebaut:

• Erzähler und Figuren. Ein warmer amerikanischer Erzähler liest alles außer der wörtlichen Rede. Die Figuren sprechen nur ihre eigenen Sätze: Oma Alma, der grummelige Besucher Rumble, der Papagei Koko, der Wächter Wim und Mio selbst.
• Entworfen, nicht geklont. Jede Stimme entstand per Beschreibung mit Qwen3-TTS, lokal auf einem Mac. Danach kam jede neue Zeile aus derselben Referenzaufnahme, damit die Figuren im ganzen Band gleich klingen.
• Der Text bleibt der Buchtext. Jede Zeile wurde einzeln erzeugt und automatisch per Whisper gegen den gedruckten Text abgeglichen. Wo das Modell ein Wort anders sprach, gab es eine neue Fassung.
• Hören schlägt Messen. Die erste Stimme für den großen Rumble war für ein Kinderbuch zu gruselig, jetzt spricht er wie ein tiefer, gemütlicher Opa. Die zuerst genutzte deutsche Sprecherstimme sprach Englisch mit hörbarem Akzent, deshalb gibt es eine eigene englische Erzählerstimme.
• Geräusche statt Musik. Klopfen, Holzklötze und Türen stammen aus gemeinfreien Aufnahmen (CC0) und selbst erzeugten Klängen.
• Kennzeichnung im Bild. Im Video steht dauerhaft „AI-generated voices“, auf der Endkarte „Voices: AI-generated“.

Das Video dazu hat Eddi gebaut, mein KI-Mitarbeiter für Videoschnitt. Seine Arbeitsweise passt genau zu diesem Fall. Er schneidet echtes Material und erfindet nichts, und bei einem Hörbuch sind die Stimmspuren dieses Material. Er arbeitet mit ffmpeg, einem lokal laufenden Whisper-Modell und Remotion. Nach jedem Schnitt gleicht er zwei Transkripte ab, nach jedem Encode prüft er auf Schwarzbilder. Hochgeladen wird nichts ohne mich: Posten ist mein Gate. Wie das Buch selbst zu Amazon kam, steht in Buch veröffentlichen: Ablauf bei Amazon KDP.

So gehst du vor: in fünf Schritten

1. Sprechtext schreiben, nicht Lesetext. Zahlen, Abkürzungen, Fremdwörter und Namen schreibst du so, wie sie gesprochen werden sollen. Kurze Sätze, eine Zeile je Gedanke.
2. Werkzeug nach Lizenz wählen. Geht das Ergebnis in Werbung, ein Produkt oder einen Kanal, mit dem du Geld verdienst, fallen alle Modelle mit „non-commercial“ in der Lizenz weg, ebenso der Free-Plan von ElevenLabs.
3. Stimme festlegen und festhalten. Erzeuge mehrere Proben, wähle eine, speichere sie als Referenz. Ab dann kommt jede neue Aufnahme aus dieser Referenz.
4. Zeile für Zeile erzeugen und zweimal prüfen. Kurze Abschnitte lassen sich einzeln neu sprechen. Whisper vergleicht die Aufnahme Wort für Wort mit deinem Text, danach hörst du selbst: Betonung, Tempo und Pausen misst kein Abgleich. Wie Whisper lokal läuft, zeigt Sprachaufnahmen transkribieren am Handy.
5. Kennzeichnen und freigeben. Ein kurzer Hinweis direkt am Inhalt, etwa „Stimme mit KI erzeugt“, dazu derselbe Hinweis in der Beschreibung. Veröffentlicht wird erst nach deiner Freigabe.

Was rechtlich gilt

Das ist keine Rechtsberatung, sondern die Betreiber-Perspektive.

Die Stimme gehört der Person. Nach deutscher Rechtsprechung ist die Stimme Teil des allgemeinen Persönlichkeitsrechts. Das Landgericht Berlin II hat am 20.08.2025 (Az. 2 O 202/24) einem bekannten Synchronsprecher 4.000 Euro zugesprochen: 2.000 Euro je Video, weil ein YouTuber zwei Videos mit einer KI-Stimme unterlegt hatte, die man ihm zuordnete. Geklont hatte der YouTuber nichts: Er hatte eine voreingestellte Stimme eines KI-Werkzeugs gewählt, und das Gericht bewertete das so, als hätte er einen menschlichen Stimmenimitator eingesetzt. Auch eine entworfene Stimme solltest du deshalb anhören, bevor du sie veröffentlichst: Klingt sie nach einem bekannten Menschen? Laut der Rechtsprechungsdatenbank dejure.org ist dagegen Berufung beim Kammergericht anhängig (Az. 10 U 100/25). Die Anbieter ziehen dieselbe Grenze: ElevenLabs verbietet in seiner Nutzungsrichtlinie (Stand 09.10.2026), die Stimme eines lebenden Menschen ohne „explicit and informed consent“ zu klonen. Aufnahmen von Personen unter 18 Jahren darfst du dort gar nicht für ein Stimmmodell hochladen.

Kennzeichnung nach der KI-Verordnung. Artikel 50 Abs. 4 verlangt von Betreibern, also von dir, wenn du KI beruflich nutzt, bei Deepfakes offenzulegen, dass Bild-, Ton- oder Videoinhalte künstlich erzeugt sind. Ein Deepfake ist nach Art. 3 Nr. 60 ein KI-Inhalt, der echten Personen, Gegenständen, Orten oder Ereignissen ähnelt und fälschlich echt wirken würde. Eine geklonte Stimme, die nach einem echten Menschen klingt, kann darunter fallen. Bei offensichtlich künstlerischen oder fiktionalen Werken, etwa einem Hörbuch, genügt ein Hinweis, der den Genuss des Werks nicht beeinträchtigt. Die maschinenlesbare Markierung der Ausgaben ist nach Absatz 2 Sache der Anbieter. Was ab wann gilt, steht ausführlich in KI-Kennzeichnungspflicht: was ab wann gilt.

Die Anbieter verlangen es zusätzlich. Laut OpenAI verlangen die Nutzungsrichtlinien „a clear disclosure to end users“, dass die Stimme KI-generiert ist.

Häufige Fragen

Kann ich eine KI-Stimme kostenlos erstellen?

Ja. Offene Modelle wie Qwen3-TTS laufen kostenlos auf deinem eigenen Rechner, ElevenLabs hat einen Free-Plan mit 10.000 Credits im Monat. Kommerziell nutzbar ist davon nur Qwen3-TTS (Apache 2.0), nicht der Free-Plan und nicht XTTS-v2, F5-TTS oder Spark-TTS (Stand: November 2026).

Kann ich meine eigene Stimme klonen?

Technisch ja, ElevenLabs bietet das ab dem Starter-Plan an, Qwen3-TTS lokal mit wenigen Sekunden Aufnahme. Bedenke aber, dass ein Klon deiner Stimme Sätze sagt, die du nie gesagt hast. Setzt du ihn beruflich ein und wirkt er echt, ist er nach Art. 50 der KI-Verordnung in der Regel zu kennzeichnen.

Funktioniert eine KI-Stimme auf Deutsch?

Ja. Qwen3-TTS und XTTS-v2 führen Deutsch in ihrer Sprachliste, ElevenLabs ebenfalls. OpenAI schreibt, die Stimmen seien für Englisch optimiert. Prüf jede Sprache einzeln, eine Stimme kann in der zweiten Sprache einen Akzent haben.

Muss ich eine KI-Stimme kennzeichnen?

Wenn du sie beruflich einsetzt, sie echt wirkt und einer realen Person ähnelt, ja, das verlangt Art. 50 Abs. 4 der KI-Verordnung. OpenAI verlangt den Hinweis für seine Stimmen ohnehin. Ein kurzer Satz wie „Stimme mit KI erzeugt“ kostet nichts und hilft auch in Zweifelsfällen.

Wie du weitermachst

Nimm einen kurzen Text, den du ohnehin brauchst, etwa das Intro deines nächsten Videos. Prüf zuerst, ob du das Ergebnis kommerziell nutzen darfst, erzeuge dann drei Proben, wähle eine und gleiche sie per Whisper mit deinem Text ab. Bevor du veröffentlichst, setzt du den Hinweis „Stimme mit KI erzeugt“ dazu. Wenn noch Musik darunter soll, gelten ähnliche Lizenzfragen, sie stehen im Beitrag über KI-Musik-Generatoren. Und wenn zur Stimme ein Gesicht kommen soll, geht es weiter mit einer wiederkehrenden KI-Figur.

Eddi gibt es in meiner Community Claude Practitioners als fertige Vorlage in der Stufe Premium, als eigenen Mitarbeiter-Ordner mit derselben Prüfroutine wie bei mir. Alles dazu unter Community.