KI-Sprachaufnahmen erstellen

1. 01

   Sprechtext schreiben

   Tippen oder fügen Sie bis zu 5,000 Zeichen pro Erzeugung ein. Satzzeichen steuern die Phrasierung: Kommas setzen kurze Atempausen, Gedankenstriche sorgen für härtere Schnitte.

2. 02

   Stimme auswählen

   54 Kokoro-Stimmen in 9 Sprachen. Wählen Sie nach Charakter: dramatischer Erzähler, weiche weibliche Hauptstimme, knackiger Vortrag oder ruhige Vorlesestimme.

3. 03

   Take erzeugen

   Sie erhalten eine saubere Mono-WAV-Datei mit 24 kHz. Das Modell arbeitet deterministisch: Gleicher Text und gleiche Stimme ergeben jedes Mal denselben Take.

4. 04

   WAV in die DAW ziehen

   Importieren Sie die Datei in Ableton, Logic, FL Studio, Reaper oder Audacity. Behandeln Sie sie wie eine trockene Vocal-Spur: EQ, Kompression, Hall oder Delay hinzufügen und anschließend am Tempo-Raster ausrichten.

Möchten Sie sie anhören? Alle 54 Stimmen ansehen →

• 01

  Sauber erzeugen, Stille in der DAW bearbeiten

  Kokoro erzeugt Sprechstimmen ohne simulierte Atemgeräusche, setzt bei Satzzeichen aber kurze Mikropausen. Erzeugen Sie den Take und entfernen Sie dann in Ableton oder Logic die Stille am Anfang und Ende (Strip Silence) bis zu einem sauberen Pegel von -60 dB. Ein Noise-Gate mit -50 dB Threshold und schneller Attack von 5 ms beseitigt restliche Artefakte am Ende, bevor Sie die Stimme weiterbearbeiten.

• 02

  Die WAV als trockene Spur behandeln

  Die WAV mit 24 kHz ist trocken: kein Hall, keine Kompression, kein EQ eingerechnet. Genau das wollen Sie in der Produktion. Schicken Sie sie durch Ihre übliche Vocal-Kette: Hochpass bei 80 Hz, Präsenzanhebung um 3 kHz, De-Esser bei 6 bis 8 kHz, danach Kompression mit 3:1 und -18 dB Threshold. Hall und Delay kommen zuletzt als Send-Effekte, nie auf den trockenen Kanal.

• 03

  Mit Musik kombinieren, Musikbus per Sidechain absenken

  Liegt die Sprechstimme über einem Beat, komprimieren Sie den Musikbus per Sidechain über die Sprachspur, mit 4:1 und 50 ms Release. Die Musik duckt sich bei jedem Wort um 3 bis 4 dB und kommt in den Pausen zurück. So bleibt die Stimme sofort verständlich, ohne manuelle Lautstärkeautomation. Ein Standardtrick für Podcast-Intros, Hip-Hop-Sketche und gesprochene Lo-Fi-Samples.

• 04

  Mit Warp oder Time-Stretch am Tempo-Raster ausrichten

  Text-to-Speech richtet sich nicht nach einem BPM-Wert. Um die Stimme auf einen Beat mit 90 BPM zu legen, ziehen Sie die WAV in Ableton (Warp → Complex Pro), Logic (Flex Time → Slicing) oder FL Studio (Newtone). Markieren Sie Transienten auf betonten Silben und rasten Sie sie auf Achtelnoten im Takt ein. Tempoänderungen sind mit Complex Pro bis etwa ±15 % möglich, danach treten Formant-Artefakte auf.

• 05

  Phrasierung mit Schreibweise und Satzzeichen steuern

  SSML wird nicht unterstützt, aber Satzzeichen sind Ihr Steuerrad. Ein Komma ergibt etwa 100 ms Pause, ein Punkt 250 ms, Gedankenstriche schärfere Schnitte, Auslassungspunkte eine deutliche Zäsur. Klingt ein Wort falsch, etwa „data“ britisch statt amerikanisch, schreiben Sie es lautmalerisch um („day-tuh“) und erzeugen Sie es neu. Das Modell folgt der Schreibweise, nicht einem Wörterbuch.

• 06

  Lange Takes mit 100-ms-Crossfades zusammenfügen

  Für ein 20-minütiges Hörbuchkapitel oder einen langen Monolog erzeugen Sie Blöcke mit je 4,000 Zeichen in derselben Stimme und Geschwindigkeit. Legen Sie die WAV-Dateien in Ihrer DAW lückenlos hintereinander auf eine Spur und setzen Sie an jeder Schnittstelle einen Equal-Power-Crossfade von 100 ms. Da Kokoro pro Stimme deterministisch arbeitet, bleiben die Übergänge sauber und Ihr Publikum hört einen durchgehenden Take.