ElevenLabs Voice-Cloning auf Deutsch: Vom Sample zum Hörbuch
Wie du aus 1–3 Minuten Sprachsample eine deutsche TTS-Stimme baust, die für Podcast-Intros, Audio-Werbung oder Erklärvideos funktioniert.
Eine geklonte deutsche Stimme in ElevenLabs, einsetzbar für Podcast-Intros, Audio-Werbung, Hörbücher oder Erklärvideo-Voiceover. Plus eine klare Antwort, wann das rechtlich erlaubt ist.
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
- Skript fertig schreiben, dann in Sinn-Abschnitte teilen (max. 500 Zeichen pro Block)
- Pro Block einzeln generieren, vergleichen, beste Variante wählen
- Export als MP3 320kbps oder WAV
- In Audacity/Adobe Audition: Kompression (Threshold -18dB, Ratio 3:1), De-Esser, leichte EQ-Anpassung
- 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