
Quill
YouTube explainer voice that never sounds bored
Workflow
Ein Voice-over ist das Einfachste, was Text-to-Speech kann – und das, was die meisten Werkzeuge knapp verfehlen: eine flache Stimme, die das ganze Skript in einem Tempo herunterliest. Diese Seite ist für das Skript, in dem neben der Erzählstimme noch jemand redet – eine Moderatorin und eine Kundin, ein Host und sein Gast, ein Erklärvideo mit einer Figur darin. Erzeugt im Browser, gratis, als MP3, das du unter dein Bild legst.
Füg das ganze Skript ein. Zeilen, die mit einem Namen und Doppelpunkt anfangen, gehen an eine andere Figur; alles übrige liest die Erzählstimme. Heraus kommt ein einziges gemischtes MP3, die Pausen schon darin – die übliche Voice-over-Routine, also jeden Teil einzeln rendern und die Stücke danach im Schnittprogramm aneinanderlegen, fällt weg.
Einer Zeile lässt sich sagen, wie sie gesprochen werden soll. Eine Klammer am Zeilenanfang – (warm), (wie eine Warnhinweis-Vorlesung) – wird gespielt und nicht mitgelesen. In Pro trägt jede Zeile zusätzlich ihre eigene Emotion, in Plus und Pro ihr eigenes Tempo. Ein Voice-over, das an der richtigen Stelle den Gang wechselt, klingt aufgenommen statt erzeugt.
Jeder Tarif darf jeden der vierzig Bibliotheks-Charaktere einsetzen, der Gratis-Tarif eingeschlossen, und jeder von ihnen spricht Deutsch, Englisch, Französisch, Russisch, Spanisch, Portugiesisch, Chinesisch, Japanisch und Koreanisch. Stimmen sind Rollenprofile und keine Akzentliste: Du wählst die Moderatorin, die du hören willst, kein Sprachkürzel.
Der Gratis-Tarif kommt mit einem einmaligen Startguthaben, das für rund fünf Minuten fertiges deutsches Audio reicht, und Erzeugen und Probehören zehren nicht daran – nur das Exportieren tut das. Dazu 30 erzeugte Zeilen pro Tag. Bei der Anmeldung wird keine Kreditkarte verlangt, und die Demo auf der Startseite läuft ganz ohne Konto.

Quill
YouTube explainer voice that never sounds bored

Indie
TikTok voiceover: fast, flat, faintly amused

Juno
Podcast host who thinks out loud and never reads a script

Hale
Documentary narrator with a hand on the listener's shoulder

Noor
Newsreader clarity for exposition-heavy scenes

Duke
Trailer voice. Three words per breath. All of them heavy.

Solène
Continental accent, unhurried, very expensive sounding

Beaudie
Australian field guide who finds everything hilarious
Reiner Text, eingefügt. Hat das Skript mehr als eine Stimme, schreib Name und Doppelpunkt an den Anfang dieser Zeilen; Zeilen ohne Namen liest die Erzählstimme. Einen Datei-Upload gibt es nicht, also kopier den Text aus deinem Dokument heraus.
Wähl den Charakter, der den größten Teil des Skripts trägt, und hör ihn an deinem eigenen ersten Satz ab statt am Beispieltext. Quill und Hale sind die sicheren Erklärvideo-Stimmen, Noor für alles, was nach Nachrichten klingen soll, Duke nur, wenn du wirklich einen Trailer willst.
Satzzeichen sind dein Takt: Ein Punkt ist eine Pause, ein Zeilenumbruch eine längere. Ein Satz mit zwei Gedanken darin wird als Mittelwert von beidem gelesen – also teil ihn. Schachtelsätze, die sich gedruckt gut lesen, tragen gesprochen selten.
In Plus und Pro nimm die Erzählstimme eine Stufe langsamer, als es sich richtig anfühlt. Fast jedes erste Voice-over ist zu schnell für jemanden, der nebenbei auf einen Bildschirm schaut.
Hör zuerst einmal in voller Länge, bevor du irgendetwas änderst. Führ nur die Zeilen, an denen das Video kippt – die Auflösung, die Handlungsaufforderung – und lass den Rest neutral.
In jedem Tarif das gemischte MP3, oder das ZIP mit einer Datei pro Zeile samt CSV-Tabelle der Längen, wenn du einzelne Sätze aufs Bild schieben musst. Untertitel kommen ab Plus als SRT heraus, ohne Aufpreis.
Drei Dinge, in dieser Reihenfolge. Das Tempo: Ein Voice-over liegt unter Bildern, und wer nebenbei mitliest, braucht die Wörter etwas langsamer als im Gespräch. Hier scheitern die meisten erzeugten Voice-over zuerst – nicht weil die Stimme falsch wäre, sondern weil sie schnell und gleichmäßig ist, und Gleichmaß liest sich als Desinteresse. Die Deutlichkeit: Produktnamen, Zahlen und Abkürzungen sind der Teil, wegen dem die Leute überhaupt zuhören, und zugleich der Teil, an dem eine synthetische Stimme am häufigsten stolpert. Das Register: Ein Erklärvideo, ein Werbespot und eine Unterweisung wollen drei verschiedene Sprechende, und ein Werkzeug mit einer Hausstimme kann dir das nicht geben.
CastDub geht alle drei vom Skript her an und nicht über ein Einstellungsfeld. Das Tempo setzt du in Plus und Pro pro Zeile und in jedem Tarif über die Satzzeichen – ein Punkt ist eine echte Pause, drei Punkte eine längere, ein Zeilenumbruch eine Lücke. Die Deutlichkeit klärst du, indem du die schwierigen Wörter einzeln abhörst und sie im Text reparierst. Das Register ist eine Besetzungsentscheidung: vierzig Charaktere mit ausgeschriebenen Rollenprofilen, von der Nachrichtenstimme über die Gutenachtstimme bis zum Hallensprecher, und jeder davon kann die Erzählstimme sein.
Woran sich die meisten Voice-over-Werkzeuge gar nicht erst versuchen, ist die zweite Stimme. In Erklärvideos schleicht sich ständig Dialog ein – eine Kundin stellt die Frage, die das Video beantwortet, ein Kollege widerspricht, ein Zitat wird in einer anderen Stimme gelesen –, und in einem Ein-Stimmen-Werkzeug werden diese Zeilen entweder flach von der Erzählstimme gelesen oder separat erzeugt und drangeklebt. Hier sind es Zeilen mit einem Namen davor, besetzt mit einer zweiten Figur, in dieselbe Datei gemischt, mit der richtigen Lücke davor und dahinter.
Ein Erklärvideo will eine Stimme, die sich für die Sache interessiert, ohne Interesse zu spielen. Quill ist genau dafür geschrieben, Hale ist die ruhigere Alternative für alles, was länger als drei Minuten läuft. Halt die Sätze kurz, setz den Produktnamen beim ersten Mal auf eine eigene Zeile, damit du ihn einzeln abhören kannst, und schreib die Übergänge – „und jetzt der Haken“, „was heißt das für dich“ – als eigene Zeilen, denn das sind die Momente, an denen die Stimme den Gang wechseln soll.
Werbespot und Trailer sind die eine Stelle, an der eine gedrückte Lesung richtig ist. Duke gibt es für den Dreißigsekünder, Axel für die sportnahe Variante davon. Der Trick ist Kontrast: zwei Zeilen gedrückt, der Rest schlicht. Ein ganzer Spot auf Trailer-Intensität ist ab dem zweiten Satz anstrengend, und die Handlungsaufforderung sitzt härter, wenn die Zeile davor leise ist.
E-Learning und Unterweisungen sind nach Menge die größte Voice-over-Gattung und die empfindlichste beim Tempo. Wer lernt, spielt Stellen noch einmal ab, eine leicht langsame Lesung ist hier also ein Vorteil. Noor bringt die Klarheit einer Nachrichtensprecherin mit und passt damit zu Definitionen und Arbeitsabläufen, Wren oder Halcyon zu allem, was die Temperatur senken soll. Enthält das Modul eine Szene – Führungskraft und Mitarbeiter, Kundin und Servicekraft –, schreib sie als Dialog mit Namen, dann wird sie von zwei Leuten gespielt statt von einer erzählt.
Erzählung ist ein Voice-over, das eine Geschichte trägt statt einer Botschaft; die Werkzeuge sind dieselben, aber die Besetzung geht in Richtung Hörbuch- und Gutenachtstimmen, und die Sätze dürfen länger werden. Synchronisation ist wieder etwas anderes: Sie ersetzt die Sprache, die in einem Video schon drin ist, durch eine andere, auf das Bild und möglichst auf die Lippen getimt. CastDub nimmt kein Video entgegen und tut das nicht. Was es tut, ist die Ersatzspur aus einem Skript zu erzeugen, das du lieferst – und das ist der größte Teil der Arbeit an einer einfachen Synchronfassung, vorausgesetzt, du übersetzt das Skript selbst und bist bereit, die Zeilen danach aufs Bild zu schieben.
Wenn du in Wahrheit ein vorhandenes Video brauchst, das automatisch eine andere Sprache spricht, bist du mit einem eigenen Synchron-Werkzeug besser bedient. Wenn du eine saubere, geführte Sprachspur aus einem Skript brauchst – in einer von neun Sprachen, mit einer zweiten Stimme, sobald das Skript sie verlangt –, dann ist diese Seite dafür da.
Hier gibt es keinen Video-Import und keine Zeitleiste; die Timing-Arbeit passiert in dem Schnittprogramm, in dem du das Video ohnehin schneidest. Zwei Exporte machen sie leicht. Das gemischte MP3 ist der schnelle Weg: auf die Spur legen, und wenn das Ganze etwas zu lang läuft, kürz die Pausen zwischen den Absätzen, statt die Stimme zu beschleunigen. Das ZIP mit einer Datei pro Zeile ist der genaue Weg: eine MP3-Datei je Satz und eine CSV-Tabelle, die für jede Zeile Figur, Text und Länge in Millisekunden aufführt – damit legst du jeden Satz genau dahin, wo das Bild ihn braucht.
Zwei Gewohnheiten sparen Zeit. Schreib das Skript in der Reihenfolge, in der die Bilder kommen, mit einem sichtbaren Schlag pro Zeile, dann passt die Zeilenliste schon zu deiner Schnittliste. Und leg die Länge fest, bevor du erzeugst – ein Sechzigsekünder mit hundertachtzig Wörtern Skript wird schnell, egal welche Stimme ihn liest, und keine Regie repariert ein Skript, das für seinen Platz schlicht zu lang ist.
Rechne damit, dass erzeugte Sprache etwas schneller und gleichmäßiger läuft als eine menschliche Aufnahme und keinen Platz für Bildhandlung lässt, solange du ihn nicht hineinschreibst. Eine Zeile aus ein paar Punkten ist die einfachste Art, dem Bild einen Schlag zu reservieren; ein Zeilenumbruch zwischen zwei Sätzen die zweiteinfachste.
Free
US$0 / Monat
Hör, wie dein Skript besetzt klingt, bevor du irgendetwas bezahlst.
Basic
US$5 / Monat
Die ganze Stimmbibliothek öffnen und fertiges Audio mitnehmen.
Plus
US$19 / Monat
Führ das Tempo selbst: ein Geständnis langsamer, einen Streit schneller.
Pro
US$29 / Monat
Der Tarif fürs Hörspiel: jede Zeile mit eigener Emotion, jede Figur mit eigener Spur.
Ja, innerhalb von Grenzen, die aufgeschrieben sind statt hinterher entdeckt zu werden. Der Gratis-Tarif hat ein einmaliges Startguthaben für rund fünf Minuten fertiges deutsches Audio (auf Chinesisch, Japanisch und Koreanisch mehr, weil eine Minute dort weniger Zeichen kostet), ein Tageslimit von 30 erzeugten Zeilen, und er gilt für den privaten, nicht kommerziellen Gebrauch. Bezahltarife laufen monatlich nach und erlauben kommerzielle Nutzung. Bei der Anmeldung wird keine Kreditkarte verlangt.
In einem Bezahltarif ja – kommerzielle Nutzung gehört zu Basic, Plus und Pro. Im Gratis-Tarif ist die Lizenz privat und nicht kommerziell, ein monetarisierter Kanal braucht also einen Bezahltarif. Das ist eine Lizenzbedingung und keine technische Grenze; das Audio selbst ist dasselbe.
Ein gemischtes MP3 in jedem Tarif, und in jedem Tarif ein ZIP mit einer MP3-Datei pro Zeile samt CSV-Tabelle der Längen. Einzelspuren pro Figur gibt es in Pro, eine SRT-Untertiteldatei in Plus und Pro. Einen WAV-Export gibt es nicht.
Du wählst einen Charakter, keinen Akzent. Im Englischen gibt es britische, amerikanische und australische Rollenprofile; außerhalb des Englischen spricht jede Stimme die überregionale Standardform – lateinamerikanisches Spanisch, brasilianisches Portugiesisch, Hochchinesisch. Für Deutsch heißt das Standarddeutsch: österreichische oder Schweizer Färbung lässt sich nicht wählen.
Im Text. Ein Aussprache-Wörterbuch gibt es nicht, also schreib das Wort so, wie es klingt, trenn ein Kompositum mit Bindestrich, oder schreib eine Zahl aus, wenn es auf ihre Lesart ankommt. Hör den Namen einzeln ab, bevor du das ganze Skript renderst.
Nein – eine neu erzeugte Zeile ist eine neue Aufnahme: dieselbe Figur, dieselbe Stimme, ein etwas anderer Vortrag. Eine schon gerenderte Zeile behält ihr Audio, bis du genau diese Zeile änderst; ein abgenommenes Voice-over driftet dir also nicht weg. Erzeug neu, wenn du eine andere Lesart willst, nicht wenn du dieselbe noch einmal willst.
Füge ein Skript ein, lass CastDub jeder Figur eine Stimme geben und exportier ein fertiges Hörspiel.
Kostenlos startenKeine Kreditkarte. Free gibt dir ein einmaliges Guthaben.