Ein Voice-over selbst aufzunehmen bedeutet: ruhigen Raum finden, ein brauchbares Mikrofon besorgen und ein Dutzend Takes machen. Einen Sprecher zu engagieren ist langsam und teuer. KI-Text-zu-Sprache liefert dir fertiges Audio in etwa einer Minute, mit natürlichen Pausen und Betonung.
Wähle aus drei Modellen. Eleven v4 von ElevenLabs klingt am lebensechtesten und funktioniert in über 70 Sprachen – Emotionen steuerst du direkt im Text über Tags: [whispers], [laughs], [excited]. Gemini 3.8 Flash TTS von Google kostet fast die Hälfte, und du beschreibst den Vortragsstil einfach in Worten: "ruhig und warm, wie ein Hörbuch" oder "wie ein Nachrichtensprecher". MiniMax Speech 2.8 HD verarbeitet lange Texte bis zu 10.000 Zeichen und lässt dich eine Emotion wählen — fröhlich, traurig, überrascht — sowie das Sprechtempo.
Jedes Modell hat seine eigenen männlichen und weiblichen Stimmen, von samtig bis Moderatoren-Stil, insgesamt 34. Höre dir jede Stimme vorab an, bevor du generierst. Der Preis hängt von Textlänge und Modell ab und wird vor dem Start angezeigt: Eleven v4 kostet 10 Credits pro 1.000 Zeichen. Schlägt die Generierung fehl, wird dir nichts berechnet.