Voice Cloning: Was ist Voice Cloning?

Voice Cloning ist ein KI-Verfahren, das aus Aufnahmen einer Stimme ein Modell erstellt, mit dem sich beliebige neue Sätze in genau dieser Stimme erzeugen lassen. Je nach Verfahren reichen dafür Sekunden bis Stunden an Audiomaterial.

Für Unternehmen hat das zwei Seiten. Sie können die eigene Stimme für Erklärvideos, Schulungen oder einen Telefonassistenten nutzen, ohne jeden Text selbst einzusprechen. Gleichzeitig können Betrüger fremde Stimmen nachahmen, etwa die der Geschäftsführung.

Woher der Begriff stammt

„Voice Cloning“ heißt Stimme klonen. Lange brauchte man für eine künstliche Stimme viele Stunden Studioaufnahmen. Das BSI schreibt, dass für hochwertige Ergebnisse klassischerweise mehrere Stunden Audiomaterial nötig waren und sich das mit großen Sprachdatenbanken auf wenige Minuten verringern lässt.

Ein viel beachteter Schritt war VALL-E von Microsoft Research Anfang 2023. Laut der Studie erzeugte das Modell persönliche Sprache aus einer nur dreisekündigen Aufnahme eines unbekannten Sprechers. Es übernahm dabei sogar Gefühlslage und Raumklang der Vorlage. Inzwischen bieten viele Dienste Voice Cloning an.

Was Voice Cloning genau tut

Das Verfahren zerlegt die Aufnahmen in ihre Merkmale: Tonhöhe, Klangfarbe, Sprechtempo, Betonung. Daraus entsteht ein Stimmprofil. Mit diesem Profil erzeugt ein Sprachsynthese-Modell neue Sätze.

Das BSI unterscheidet zwei Arten:

Text-to-Speech: Aus geschriebenem Text entsteht gesprochene Sprache in der Zielstimme.
Voice Conversion: Eine vorhandene Aufnahme wird so umgewandelt, dass sie wie die Zielstimme klingt. Der Inhalt bleibt gleich.

Viele Anbieter unterscheiden außerdem zwischen schnellen Klonen aus wenigen Minuten Material und hochwertigen Klonen, für die ein eigenes Modell mit deutlich mehr Aufnahmen trainiert wird. Für hochwertige Klone verlangt etwa ElevenLabs eine Bestätigung, dass die Stimme Ihnen gehört.

Abgrenzung zu ähnlichen Begriffen

Sprachsynthese: Das ist der Oberbegriff für künstlich erzeugte Sprache. Klassische Systeme nutzen fertige Standardstimmen. Voice Cloning erzeugt eine bestimmte, echte Stimme.

Voice Agent: Ein Voice Agent führt Gespräche, etwa am Telefon. Er kann eine geklonte Stimme nutzen, braucht sie aber nicht.

Deepfake: So nennt man täuschend echte, gefälschte Medien. Eine ohne Zustimmung geklonte Stimme, mit der jemand getäuscht werden soll, ist ein Audio-Deepfake.

Was das für Ihr Unternehmen bedeutet

Als Werkzeug ist Voice Cloning nützlich, wenn eine bekannte Stimme viele Inhalte trägt:

Erklär- und Schulungsvideos in Ihrer Stimme
Ansagen und Telefonassistenten mit wiedererkennbarem Klang
Übersetzungen eigener Videos, bei denen Ihre Stimme erhalten bleibt

Wie wir Stimmen in Videos und Avataren einsetzen, zeigen wir auf der Seite zum KI-Kundenavatar.

Als Risiko betrifft es jedes Unternehmen. Das BSI nennt Betrugsversuche, bei denen sich Angreifer als Führungskraft ausgeben, um eine Zahlung auszulösen. Ein fester Rückruf über eine bekannte Nummer schützt zuverlässiger als das Gehör.

Grenzen dessen, was man sicher weiß

Wie gut sich gefälschte Stimmen erkennen lassen, ist offen. Das BSI schreibt, dass automatische Erkennungsprogramme schlecht verallgemeinern. Sie erkennen Fälschungen oft nur aus Verfahren, die sie kennen.

Auch die Qualität der Klone schwankt stark zwischen Anbietern, Sprachen und Aufnahmen. Angaben zur benötigten Menge an Audiomaterial sind Richtwerte der Anbieter, keine festen Grenzen.

Häufig gestellte Fragen

Wie viel Audiomaterial brauche ich, um meine Stimme zu klonen?

Das hängt vom Verfahren ab. Der Anbieter ElevenLabs empfiehlt für einen schnellen Klon ein bis zwei Minuten gute Aufnahmen und für einen hochwertigen Klon 30 bis 180 Minuten. Entscheidend ist neben der Länge die Qualität: ruhiger Raum, gutes Mikrofon, natürliches Sprechen.

Klingt eine geklonte Stimme wirklich wie das Original?

Bei guten Aufnahmen und einem hochwertigen Verfahren oft sehr ähnlich. Schwächen zeigen sich am ehesten bei Betonung, Gefühl und ungewöhnlichen Wörtern wie Fachbegriffen oder Namen. Ein Probehören mit eigenen Texten ist deshalb Pflicht.

Wie schütze ich mein Unternehmen vor gefälschten Stimmen?

Das BSI nennt unter anderem Schulungen, damit Mitarbeitende typische Fehler gefälschter Stimmen erkennen. In der Praxis hilft außerdem eine feste Regel: Zahlungsaufträge per Telefon werden immer über einen zweiten, bekannten Weg bestätigt.

Voice Cloning