Produkt

Die Hörspiel-Werkbank

Das hier ist das Produkt. Alles andere auf dieser Seite ist nur eine Tür dorthin. Du bringst ein Skript mit mehr als einer Person darin; CastDub findet heraus, wer diese Personen sind, gibt jeder eine Stimme und legt dir die Regler in die Hand, mit denen sonst eine Regie arbeitet.

Auf einen Blick

Was es ist
Ein kostenloser KI-Stimmengenerator und Text-to-Speech-Werkzeug für Skripte: Es erkennt, wer spricht, gibt jeder Figur eine eigene Stimme, lässt dich die Emotion Zeile für Zeile führen und exportiert eine fertige Mischung – ein Hörspiel mit voller Besetzung statt eines Erzählers, der alle Rollen liest.
Was du hineingibst
Ein Skript, als Text eingefügt. Drehbuchformat, „Name: Zeile“ und gewöhnliche Prosa mit Redebegleitsätzen werden so gelesen, wie sie dastehen, ebenso die Gedankenstrich-Dialoge des Spanischen, Französischen, Portugiesischen und Russischen. Eine Zeile, die komplett in Klammern steht, gilt als Regieanweisung und wird nicht gesprochen. Einen Datei-Import gibt es nicht, füge also den Text ein, statt ein Dokument anzuhängen.
Was herauskommt
Eine gemischte MP3 in jedem Tarif. Ab Plus dazu SRT-Untertitel – aus deinem Skript geschrieben statt aus dem Ton transkribiert, deshalb stimmen Namen und Timings von Anfang an. Einzelspuren pro Figur, je eine Spur in voller Länge plus die Mischung, kommen als ZIP im Pro. Keinen WAV-Export.
Figuren und Grundstimmen
40 Figuren in der Bibliothek, jede mit Porträt, Charakterbild und Hörprobe. Dahinter liegen 10 Grundstimmen – 4 weibliche, 5 männliche, 1 androgyne – und es sind in jeder Sprache dieselben 10. Innerhalb eines Projekts bekommen zwei Figuren nicht dieselbe Grundstimme, solange nicht alle 10 vergeben sind: Eine Szene mit bis zu 10 Sprechenden trennt sich also sauber, darüber hinaus teilen sich zwei Figuren eine Stimme und werden über Charakterbild und die Regie jeder Zeile unterschieden. Du wählst die Figur, nicht die Grundstimme. Deine eigene Stimme kannst du klonen, indem du eine kurze Einwilligungserklärung vorliest – bis zu 3 pro Konto – und sie jeder Figur geben; eine geklonte Stimme liest in allen 9 Sprachen und folgt dem Tempo, spielt aber keine Emotionen oder Regieanweisungen.
Sprachen
9: English, 简体中文, 日本語, 한국어, Deutsch, Français, Español, Português, Русский. Jede Figur spielt in allen davon – eine Figur ist ein Charakterbild, keine einzelne Aufnahme – und die Sprache eines Projekts steht beim Anlegen fest. Außerhalb des Englischen bekommst du den verbreiteten Akzent der jeweiligen Sprache; regionale Akzente lassen sich nicht wählen und werden nicht zugesagt. Wir haben nicht für jede Sprache Muttersprachler alles abhören lassen, hör dir also erst deine eigenen Zeilen an, bevor du dich festlegst.
Emotion und Regie pro Zeile
Jede Zeile wird von einem KI-Sprecher nach einer ausgeschriebenen Regieanweisung gespielt, die 7 Emotionen (Neutral, Fröhlich, Traurig, Wütend, Angst, Flüstern, Aufgeregt) werden also gespielt und nicht mit Einstellungen nachgeahmt. Eine Grundemotion je Figur gibt es in jedem Tarif; Emotion Zeile für Zeile zu überschreiben, gibt es nur im Pro, und die 5-stufige Temporegelung (0.75×–1.25×) kommt mit Plus und Pro. Eine Zeile neu zu erzeugen, ergibt einen wirklich anderen Take bei gleicher Stimme, und wer eine Zeile ändert, lässt nur diese eine Zeile neu synthetisieren.
Preis und offene Beta
Ein Guthabenpunkt ist ein Zeichen Skript, und abgezogen wird nur beim Herunterladen – Erzeugen und Anhören kosten nichts, innerhalb einer Obergrenze von 30 Zeilen pro 24 Stunden im Free und bis zu 2,000 im Pro. Der Free-Tarif ist ein einmaliger Topf von 4,500 Guthaben, etwa 5 Minuten fertiges Audio, mit 2 Figuren pro Projekt. Die bezahlten Tarife kosten Basic $5, Plus $19, Pro $29 im Monat, jährlich 10% günstiger. Die Bezahlung ist noch nicht live: In der offenen Beta bekommt jedes Konto den vollen Pro-Funktionsumfang gratis, die kommerzielle Lizenz bleibt davon ausgenommen und kommt mit einem bezahlten Tarif, sobald die Tarife öffnen.
Was noch nicht geht
Klonen lässt sich nur die eigene Stimme, und eine geklonte Stimme liest den Text, ohne Emotionen oder Regieanweisungen zu spielen. Es gibt keinen Datei-Import, keinen WAV-Export, kein Aussprachewörterbuch, keine Tonhöhenregelung und keine Möglichkeit, eine bestimmte Grundstimme oder einen regionalen Akzent zu verlangen. In keiner Sprache gibt es echte Kinderstimmen: Kinderrollen werden von erwachsenen Sprechern gespielt, so wie der Animationsfilm es immer gehalten hat. Figuren existieren nur innerhalb eines Projekts und wandern nicht ins nächste.

Stimmen zum Ausprobieren

Torvald

Torvald

Knight commander who gives orders that men actually follow

männlicherwachsenUK-EnglischHeldenhaftFantasy
Stimme nehmen
Morrow

Morrow

Something under the floorboards that learned your name

neutralerwachsenUS-EnglischHorrorFlüstern
Stimme nehmen
Wren

Wren

Bedtime-story narrator, slow and warm, never wakes anyone up

weiblicherwachsenUS-EnglischErzählstimmeWarm
Stimme nehmen
Juno

Juno

Podcast host who thinks out loud and never reads a script

weiblichjungUS-EnglischPodcastDialogisch
Stimme nehmen
Kestrel

Kestrel

Low, weary swordswoman who has already lost this war once

weiblicherwachsenUS-EnglischDramatischRau
Stimme nehmen
Ashford

Ashford

Velvet-voiced villain who apologises before he ruins you

männlicherwachsenUK-EnglischBösewichtSamtig
Stimme nehmen
Hale

Hale

Documentary narrator with a hand on the listener's shoulder

männlicherwachsenUS-EnglischErzählstimmeDoku
Stimme nehmen
Cass

Cass

Seventeen and furious about it, in a good way

weiblichTeenagerUS-EnglischTeenagerModern
Stimme nehmen

Ganze Bibliothek ansehen →

Was es kann

Skript einfügen, ohne Vorlage

Drehbuchformat, Zeilen mit „Name:“ davor und normale Prosa mit Redebegleitsätzen werden so gelesen, wie sie dastehen. Füg sie aus einem Dokument, einer Drehbuch-App oder einer Tabellenspalte ein. Einen Datei-Upload gibt es nicht – .txt-, .docx- und .srt-Dateien werden nicht importiert, also kopier den Text hinein.

Automatisch besetzen

Die Sprechererkennung teilt das Skript danach auf, wer gerade redet, und schlägt dann für jede sprechende Figur einen Bibliotheks-Charakter vor – passend dazu, wie das Skript sie zeigt. Das ist ein Vorschlag, keine Entscheidung: Jede Zuweisung lässt sich überschreiben, und eine Überschreibung hält für den Rest des Projekts.

Emotion pro Zeile

Emotion gehört zur Zeile, nicht zur Figur. Gib jeder Figur eine Grundlage und markiere nur die Zeilen, an denen sie bricht. Das ist der eine Mechanismus, der eine Leseprobe von einer Aufführung trennt – und das Wichtigste, was Pro dazubringt: In den anderen Tarifen folgt jede Zeile der Grundlage ihrer Figur.

Figuren, einmal pro Projekt angelegt

Name, Kurzprofil, Geschlecht, Altersgruppe, Bibliotheks-Charakter und Grundemotion – einmal im Projekt festgelegt. Zwei Figuren in einem Projekt teilen sich keine Stimme, solange noch eine der zehn Grundstimmen frei ist – mehr als zehn klar unterscheidbare Stimmen hat ein Projekt nicht –, und eine später hinzugefügte Figur wirbelt die übrigen nicht durcheinander. Figuren wandern nicht von Projekt zu Projekt; eine Serie wählt in jeder Folge dieselben Bibliotheks-Charaktere neu.

Nur geänderte Zeilen neu erzeugen

Änderst du eine Zeile, wird nur diese Zeile neu synthetisiert; alles andere behält sein vorhandenes Audio. Bei einem langen Projekt ist das der Unterschied zwischen freiem Überarbeiten und der Angst vor jeder Umschreibung – drei geänderte Zeilen kosten drei Zeilen Erzeugung, keinen kompletten Neu-Render.

Exporte, die in eine echte Produktion passen

Ein fertiger Mix als MP3 in jedem Tarif, Einzelspuren pro Figur als ZIP für Musik und Sounddesign in Pro, und ab Plus eine SRT, die aus deinem Skript entsteht statt aus einer Transkription – Namen stehen richtig da, und die Zeiten passen schon.

So geht’s

  1. Skript einfügen

    Kopier es als Text hinein. Kein Umformatieren, keine Vorlage zum Ausfüllen.

  2. Besetzung prüfen

    Sieh dir die vorgeschlagene Stimme je Figur an, hör Alternativen an derselben Zeile und leg fest, was sitzt.

  3. Grundlagen setzen

    Gib jeder Figur eine Standard-Emotion. Der größte Teil der Szene läuft auf diesem Wert.

  4. Die Umschwünge führen

    Markiere die Zeilen, an denen die Grundlage bricht – meist drei bis fünf pro Szene.

  5. Rendern und am Stück hören

    Tempoprobleme sind Zeile für Zeile unsichtbar und am Stück offensichtlich.

  6. Exportieren

    Mix, Stems oder Untertitel, je nachdem, wohin das Audio als Nächstes geht.

Warum Besetzung das Produkt ist und Synthese nur ein Bauteil

Sprachsynthese ist inzwischen Massenware. Mehrere Anbieter liefern Audio, das für ein Hörspiel gut genug ist, und der Abstand zwischen ihnen ist kleiner als der zwischen einer gut und einer schlecht besetzten Szene. Nicht Massenware ist alles um die Synthese herum: herauszufinden, wer spricht, eine Figur über Monate stabil zu halten, einzelne Zeilen zu führen und Audio in einer Form herauszubekommen, mit der sich mischen lässt.

Deshalb ist die Anbieterschicht hier eine Schnittstelle mit mehreren Implementierungen dahinter. Taucht nächstes Jahr eine bessere Engine auf, ist das eine Konfigurationsänderung und kein Neubau – und deine Projekte, deine Besetzung und deine Regie pro Zeile wandern unverändert mit.

Was das Werkzeug bewusst nicht tut

Es schreibt keine Skripte. Erzeugte Dialoge, gesprochen von erzeugten Stimmen, sind ein Produkt, nach dem niemand ein zweites Mal fragt – und das interessante Problem am Hörspiel ist die Produktion, nicht die Idee.

Es mischt nicht. Keine Musikbetten, kein Hall, keine Stereopositionierung. Das gehört in einen Audio-Editor, in dem du alles zusammen hörst; in ein Render-Werkzeug eingefaltet kommt dabei zuverlässig etwas heraus, das schlechter ist als beides.

Es legt Dialoge nicht in einem einzigen Render übereinander. Jemandem ins Wort zu fallen ist ein echtes dramatisches Mittel und zugleich eine Mischaufgabe – exportier die Stems und schieb sie gegeneinander. Ein Zug in irgendeinem Editor, und es ist das Realistischste, was du mit einem Streit anstellen kannst.

Wo es ehrlich gesagt schwach ist

Körperliche Lautäußerungen sind die aktuelle Grenze: Schreien, Schluchzen, Lachen beim Sprechen, Ächzen unter Anstrengung. Das sind Atem-Ereignisse und keine Sprech-Ereignisse, und genau dort erkennt ein Publikum Audio als erzeugt. Schreib drumherum, wo es geht, und nimm die zwei, drei Zeilen selbst auf, wo es nicht geht. Aufgenommenes und erzeugtes Audio in einer Produktion zu mischen ist normal – das passiert in deinem Audio-Editor, denn Aufnahmen lassen sich nicht in ein Projekt holen –, und die Naht hört man nicht, wenn der Text den Moment trägt.

Sehr lange emotionale Monologe sind die zweite Schwachstelle, aus einem verwandten Grund: Ein Mensch trifft über einen Monolog hinweg alle paar Sekunden eine Entscheidung über den Subtext, und nichts hier versucht das.

Häufige Fragen

Welche Dateiformate kann ich importieren?

Keine – einen Datei-Upload gibt es nicht. Füg den Text selbst ein, im Drehbuchformat, als „Name:“-Zeilen oder als Prosa mit Redebegleitsätzen. Aus einem Word-Dokument oder einer Untertiteldatei kopierst du den Text heraus und fügst ihn ein.

Erkennt das automatische Besetzen die Sprechenden immer richtig?

In Skriptformaten fast immer. In Prosa hängt es davon ab, wie deutlich du zuschreibst – lange Wortwechsel ohne Zuschreibung und Figuren, die nur mit Beinamen benannt werden, sind die verlässlichen Fehlerfälle. Die Zuweisungen vor dem Rendern zu überfliegen kostet eine Minute.

Kann ich eine einzelne Zeile ändern, ohne alles neu zu rendern?

Ja, und genau das macht lange Projekte überhaupt möglich. Zeile ändern, diese Zeile neu rendern, alles andere behält sein Audio.

Lassen sich Figuren in andere Projekte mitnehmen?

Nein. Eine Figur existiert nur in ihrem Projekt. Für eine Serie legst du pro Folge ein neues Projekt an, wählst dieselben Bibliotheks-Charaktere und schreibst dieselben Kurzprofile. Dieselbe Stimme ist projektübergreifend nicht garantiert, weil Stimmen innerhalb jedes Projekts in der Reihenfolge verteilt werden, in der Figuren dazukommen – hör dir also vor dem Export die erste Zeile deiner Hauptfigur an.

Kann ich Musik und Geräusche hinzufügen?

Hier nicht. Exportier die Stems und vertone sie in einem Audio-Editor. Das ist eine bewusste Grenze und keine fehlende Funktion.

Welcher Tarif gibt mir Emotion pro Zeile?

Pro. In Free, Basic und Plus folgt jede Zeile der Standard-Emotion ihrer Figur – gut genug, um zu prüfen, ob eine Szene trägt, aber nicht, um einen bestimmten Umschwung auf eine bestimmte Zeile zu legen.

Besetze heute Abend deine erste Szene

Füge ein Skript ein, lass CastDub jeder Figur eine Stimme geben und exportier ein fertiges Hörspiel.

Kostenlos starten

Keine Kreditkarte. Free gibt dir ein einmaliges Guthaben.