Wie du deine Stimme mit KI klonst

KI-Stimmenklonen erstellt ein digitales Modell deiner Stimme, das jede Sprache so rekonstruieren kann, dass sie wie du klingt. Im Gegensatz zu Text-to-Speech (das roboterhaftes Audio aus Text erzeugt), funktioniert das Stimmenklonen mit RVC (Retrieval-based Voice Conversion) von Sprache zu Sprache – du sprichst natürlich, und die KI transformiert den Output in Echtzeit, um der Zielstimme zu entsprechen.

Die Technologie analysiert Aufnahmen deiner Stimme, extrahiert Merkmale wie Timbre, Resonanz und Stimmtextur und baut ein neuronales Netzwerkmodell, das diese Merkmale reproduzieren kann. Einmal trainiert, verarbeitet das Modell Live-Audio in Echtzeit – du sprichst in dein Mikrofon, und was herauskommt, klingt wie die geklonte Stimme.

Aufnahmeausrüstung: Jedes anständige Mikrofon funktioniert. Ein USB-Kondensatormikrofon (30-50 €) in einem ruhigen Raum liefert hervorragende Ergebnisse. Vermeide eingebaute Laptop-Mikrofone – sie verursachen zu viel Rauschen. Du benötigst 3-10 Minuten klare Sprachaufnahmen.

Trainingssoftware: Applio (kostenlos, Open-Source) ist der Standard zum Trainieren von RVC-Modellen. Es läuft lokal auf deinem PC und erfordert eine GPU mit mindestens 4 GB VRAM (NVIDIA GTX 1650 oder besser). Das Training dauert je nach Datensatzgröße und GPU 15-45 Minuten.

Voice Changer: Echo (voicechanger.live/download) lädt dein trainiertes Modell und führt es in Echtzeit aus. Es akzeptiert .onnx-Modelldateien und verarbeitet alles lokal – deine Stimm-Daten verlassen niemals deinen Computer.

Nimm 3-10 Minuten auf, wie du natürlich sprichst. Lies laut aus einem Buch, einem Artikel oder einem Nachrichtenskript vor – alles, was eine Reihe von Wörtern und Klängen abdeckt. Ziele auf eine konstante Lautstärke und einen konstanten Abstand zum Mikrofon (15-30 cm). Vermeide Flüstern, Schreien oder dramatische Stimmvariationen, es sei denn, du möchtest, dass das Modell diese Extreme reproduziert.

Speichere die Aufnahme als einzelne WAV- oder MP3-Datei. Wenn du mehrere Dateien hast, füge sie zusammen. Die Trainingssoftware teilt sie automatisch in Segmente auf. Hochwertigere Aufnahmen erzeugen dramatisch bessere Modelle – 30 Sekunden sauberes Audio schlagen 5 Minuten verrauschtes Audio jedes Mal.

Öffne Applio und erstelle ein neues Experiment. Lade deine Audiodatei hoch, stelle die Trainingsepochen auf 200-400 ein (höher = genauer, aber langsamer) und wähle die f0-Pitch-Extraktionsmethode (RMVPE ist derzeit die beste). Klicke auf „Trainieren“ und warte – ein typischer 5-Minuten-Datensatz trainiert in etwa 20 Minuten auf einer GTX 3060.

Sobald das Training abgeschlossen ist, hast du eine .pth-Modelldatei. Das ist dein Stimmenmodell. Du kannst es mit dem Echo-Modellkonverter-Tool (voicechanger.live/tools/model-converter) in das .onnx-Format für den Echtzeitgebrauch konvertieren.

Importiere die .onnx-Datei in Echo, indem du sie in das App-Fenster ziehst. Das Modell erscheint in deiner Stimmenbibliothek neben den integrierten Presets. Wähle es aus, aktiviere die Stimmumwandlung und fang an zu reden – dein Mikrofonausgang ist jetzt deine geklonte Stimme.

Echo Live leitet das verarbeitete Audio durch ein virtuelles Audiokabel (VB-Cable unter Windows, BlackHole unter macOS), sodass jede Anwendung (Discord, Zoom, OBS, Spiele) deine geklonte Stimme wie ein normales Mikrofon verwenden kann. Die Verarbeitung erfolgt vollständig auf deiner lokalen GPU mit minimaler Latenz.

Die Qualität des Datensatzes ist wichtiger als die Quantität. 3 Minuten Audio in Studioqualität ergeben ein besseres Modell als 10 Minuten verrauschte Aufnahmen. Nimm in einem ruhigen Raum auf, verwende einen Pop-Filter und halte einen konstanten Mikrofonabstand ein.

Trainingsepochen: Beginne mit 200 Epochen. Höre dir den Output an – wenn er gut klingt, hör auf. Wenn die Stimme gedämpft oder roboterhaft klingt, erhöhe auf 400 Epochen. Über 600 Epochen hinaus zu gehen, verbessert selten die Qualität und kann zu Overfitting führen (das Modell merkt sich deine exakten Aufnahmen, anstatt allgemeine Stimmmerkmale zu lernen).

Pitch-Anpassung: Stimmenklonen funktioniert am besten, wenn die Quell- und Zielstimmen in ähnlichen Tonhöhenbereichen liegen. Mann-zu-Mann- und Frau-zu-Frau-Klone erzeugen die natürlichsten Ergebnisse. Cross-Gender-Klonen ist möglich, kann aber eine Tonhöhenverschiebung in der DSP-Kette erfordern.

Echo verarbeitet alles lokal auf deinem Gerät. Deine Sprachaufnahmen und trainierten Modelle verlassen niemals deinen Computer – es gibt keinen Cloud-Upload, keine Serververarbeitung und keine Datenerfassung. Dies ist ein grundlegender Unterschied zu Cloud-basierten Klon-Diensten, die deine Stimm-Daten auf ihren Servern speichern.

Klone nur Stimmen, für deren Verwendung du die Erlaubnis hast. Das Klonen der Stimme einer anderen Person ohne deren Zustimmung wirft ernsthafte ethische und rechtliche Bedenken auf. KI-Stimmenklon-Technologie ist mächtig – nutze sie verantwortungsbewusst für kreative Projekte, Content-Erstellung und persönliche Experimente.