ElevenLabs Voice-Cloning auf Deutsch: Vom Sample zum Hörbuch

Was du brauchst

• ElevenLabs Creator-Tarif ($22/mo) — Instant Voice Clone reicht für die meisten Use-Cases
• 1–3 Minuten saubere Sprach-Aufnahme der zu klonenden Stimme
• Schriftliche Einwilligung der gesprochenen Person (essentiell — siehe unten)

Schritt 1: Das richtige Sample aufnehmen

Die Qualität des Clons hängt zu 80% am Sample. Best Practices:

• Saubere Aufnahme: Hand-Mikro 15–20 cm vom Mund, Pop-Filter, kein Raum-Hall
• Inhaltliche Vielfalt: Aussage, Frage, Ausruf — die Stimme muss in jeder Modulation gehört werden
• Keine Pausen schneiden: ElevenLabs lernt auch aus Atem und Mikropausen
• Format: WAV, 24-bit, 48kHz

Ein guter Sample-Text für Deutsch: einmal Tagesschau-Anlauf vorlesen ("Guten Abend meine Damen und Herren..."), dann ein Interview-Statement, dann einen kurzen Witz. ~2 Minuten reichen.

Schritt 2: Voice in ElevenLabs anlegen

"Voice Lab" → "Add Voice" → "Instant Voice Clone". Upload des Samples. Name vergeben. Wichtig: Labels setzen — "german", "male/female/non-binary", Altersgruppe. Diese Labels werden für spätere Optimierungen benutzt.

Schritt 3: Erste Tests

Öffne "Speech Synthesis", wähle deine neue Stimme, Modell: Multilingual v2 (NICHT v1, das ist schlechter im Deutschen). Probetext:

Willkommen zu Folge zwölf von unserem Podcast über künstliche Intelligenz. Heute sprechen wir über ein Thema, das viele Hörerinnen und Hörer beschäftigt: Wie verändern KI-Tools die tägliche Arbeit von Marketing-Teams?

Stability auf 0.55, Similarity auf 0.75. Generate. Anhören. Wenn die Stimme noch "Computer-haft" klingt: Stability senken (mehr Variation), Similarity ggf. anpassen.

Schritt 4: Die richtigen Settings finden

Stability 0.3–0.5

Mehr Emotion, mehr Variation. Gut für Audiobook, Storytelling.

Stability 0.5–0.7

Ausgeglichen. Standard für Podcast und Werbung.

Stability 0.7–0.9

Sehr konsistent, fast monoton. Gut für lange Reading-Tasks ohne Variation.

Similarity 0.7–0.85

Sweet Spot. Höher klingt oft "anstrengend", weil der Clone gezwungen wird, exakt nachzuahmen.

Schritt 5: Aussprache-Korrekturen

Deutsche Eigennamen sind die Hauptfehlerquelle. ElevenLabs unterstützt phonetische Hints in eckigen Klammern:

Wir besprechen heute [tʃat-ʒeː-peː-teː] und Claude.

Für Markennamen schreibst du sie phonetisch aus: "Microsoft" → "Maikrosoft", "ChatGPT" → "Tschat-Dschiii-Pi-Tii".

Schritt 6: Rechtliche Lage

ElevenLabs verlangt im Pro-Tarif (Voice-Cloning mit längeren Samples) eine Voice-Verification — du musst nachweisen, dass die Stimme dir gehört oder dass Einwilligung vorliegt.

Schritt 7: Production-Workflow

1. Skript fertig schreiben, dann in Sinn-Abschnitte teilen (max. 500 Zeichen pro Block)
2. Pro Block einzeln generieren, vergleichen, beste Variante wählen
3. Export als MP3 320kbps oder WAV
4. In Audacity/Adobe Audition: Kompression (Threshold -18dB, Ratio 3:1), De-Esser, leichte EQ-Anpassung
5. Pausen zwischen Blöcken via Audio-Editor — niemals als Text einfügen, klingt unnatürlich

Häufige Fehler

• Multilingual v1 statt v2 → schlechtere deutsche Aussprache
• Sample mit Hintergrundgeräuschen → der Clone übernimmt sie
• Zu lange Generierungs-Texte → ab 800 Zeichen sinkt die Konsistenz spürbar
• Keine Phonetik-Hints → Markennamen werden zur Slot-Maschine

Verwandte Tools

• ElevenLabs — Detailliertes Review
• Suno — wenn du Musik dazu brauchst