Professionelles KI-Stimme klonen
Professionellen Stimmenklon erstellen
Beim Klonen einer Stimme ist es wichtig zu berücksichtigen, worauf die KI trainiert wurde: welche Sprachen und welcher Datensatztyp. Lesen Sie auf der Seite Modelle mehr über die einzelnen Modelle und ihre Stärken.
Anleitung
Wenn Sie sich nicht sicher sind, was rechtlich zulässig ist, lesen Sie bitte die Nutzungsbedingungen und unsere Informationen zur KI-Sicherheit .
Audio hochladen
Professionelle Stimmenklone unterstützen derzeit keinen Gesang. Audioaufnahmen dürfen nur gesprochene Stimme enthalten.
Laden Sie Ihre Audiobeispiele hoch, indem Sie auf Upload samples klicken.
Falls Sie noch keine vorab aufgezeichneten Trainingsaufnahmen haben, können Sie auch direkt in der Oberfläche aufnehmen. Wählen Sie dazu Record yourself. Wir haben Beispielskripte für erzählerische, dialogorientierte und werbliche Zwecke bereitgestellt. Sie können auch Ihr eigenes Skript hochladen.
Feedback zur Länge der Beispiele prüfen
Sobald Ihr Audio hochgeladen wurde, sehen Sie Feedback zur Länge Ihrer Beispiele. Für beste Ergebnisse empfehlen wir, mindestens eine Stunde Trainingsaudio hochzuladen, idealerweise möglichst nahe an drei Stunden.
Audio verarbeiten
Sobald Ihre Audiobeispiele hochgeladen wurden, können Sie sie verarbeiten, um die Qualität zu verbessern. Sie können Hintergrundgeräusche entfernen und verschiedene Sprecher trennen, falls Ihr Audio mehr als einen Sprecher enthält. Um auf diese Optionen zuzugreifen, klicken Sie neben dem Clip, den Sie verarbeiten möchten, auf Audio settings.
Stimme verifizieren
Sobald alles aufgenommen und hochgeladen ist, werden Sie gebeten, Ihre Stimme zu verifizieren. Für einen reibungslosen Ablauf versuchen Sie bitte, Ihre Stimme mit derselben oder ähnlicher Ausrüstung zu verifizieren, die für die Aufnahme der Beispiele verwendet wurde. Verwenden Sie dabei einen Tonfall und eine Sprechweise, die den Beispielen ähneln. Wenn Sie keinen Zugriff auf dieselbe Ausrüstung haben, verifizieren Sie Ihre Stimme so gut wie möglich. Falls die Verifizierung fehlschlägt, können Sie entweder 24 Stunden warten und es erneut versuchen oder den Support kontaktieren.
Bevor Sie mit dem Hochladen Ihrer Beispiele beginnen, sollten Sie einige Punkte beachten und einige Schritte durchführen, um die bestmöglichen Ergebnisse zu erzielen.
Hochwertiges Audio aufnehmen
Professionelles Klonen von Stimmen reproduziert die für das Training verwendeten Beispiele sehr genau. Es erstellt einen nahezu perfekten Klon dessen, was es hört, einschließlich aller Feinheiten und Merkmale dieser Stimme, aber auch aller Artefakte und unerwünschten Geräusche in den Beispielen. Das bedeutet: Wenn Sie Beispiele mit niedriger Qualität, Hintergrundgeräuschen, Raumhall/Echo oder anderen unerwünschten Geräuschen wie Musik oder mehreren sprechenden Personen hochladen, versucht die KI, all diese Elemente ebenfalls im Klon zu reproduzieren.
Eleven v4 erfasst die Quellaufnahme getreuer als frühere Modelle, einschließlich Hintergrundgeräuschen, Verzerrungen und anderen Mängeln. Sauberes Trainingsaudio ist bei diesem Modell noch wichtiger.
Sicherstellen, dass nur eine Stimme spricht
Stellen Sie sicher, dass im gesamten Audio nur eine Stimme spricht. Mehrere Sprecher, übermäßige Geräusche oder andere der oben genannten Faktoren können die KI verwirren. Dadurch kann die KI möglicherweise nicht erkennen, welche Stimme geklont werden soll, oder falsch interpretieren, wie die Stimme tatsächlich klingt, weil sie von anderen Geräuschen überlagert wird. Das führt zu einem weniger optimalen Klon.
Genug Material bereitstellen
Stellen Sie sicher, dass Sie genug Material haben, um die Stimme korrekt zu klonen. Das absolute Minimum, das wir empfehlen, sind 30 Minuten Audio. Für ein optimales Ergebnis und den genauesten Klon empfehlen wir jedoch eher 2–3 Stunden Audio. Je mehr Audio Sie bereitstellen, desto besser ist die Qualität des resultierenden Klons.
Stil konsistent halten
Der Sprechstil in den von Ihnen bereitgestellten Beispielen wird in der Ausgabe reproduziert. Je nachdem, welche Sprechweise Sie benötigen, sollten die Trainingsdaten diesem Stil entsprechen. Wenn Sie beispielsweise ein Hörbuch mit einem Klon Ihrer Stimme einsprechen möchten, sollte das für das Training eingereichte Audio eine Aufnahme sein, in der Sie ein Buch in dem gewünschten Tonfall vorlesen. Für Konsistenz sollten Sie in den hochgeladenen Beispielen nur einen Stil verwenden. Eleven v4 erfasst diesen einzelnen Sprechstil genauer als frühere Modelle.
Beispiele in der Sprache verwenden, für die der PVC eingesetzt werden soll
Verwenden Sie am besten Beispiele, in denen Sie die Sprache sprechen, für die der PVC hauptsächlich eingesetzt werden soll. Natürlich kann die KI jede Sprache sprechen, die wir derzeit unterstützen. Beachten Sie jedoch: Wenn die Stimme selbst kein Muttersprachler der Sprache ist, die die KI sprechen soll – also wenn Sie eine Stimme geklont haben, die eine andere Sprache spricht –, kann sie einen Akzent aus der ursprünglichen Sprache haben sowie Wörter und Betonungen falsch aussprechen. Wenn Sie beispielsweise eine englischsprachige Stimme klonen und sie dann mit einem Modell vor Eleven v4 Spanisch sprechen lassen möchten, wird sie beim Spanischsprechen sehr wahrscheinlich einen englischen Akzent haben.
Mit Eleven v4 behält generierte Sprache in derselben Sprache wie die Beispiele den ursprünglichen Akzent bei. In einer anderen Sprache generierte Sprache spricht die Zielsprache fließend. Wenn Sie den Trainingsakzent auch in anderen Sprachen benötigen, testen Sie dieses Verhalten mit Eleven v4, bevor Sie sich darauf verlassen.
Wir unterstützen nur das Klonen von Beispielen, die in einer unserer unterstützten Sprachen aufgenommen wurden. Die Anwendung lehnt Ihr Beispiel ab, wenn es in einer nicht unterstützten Sprache aufgenommen wurde.
Die folgenden Beispiele zeigen, was Sie von einer guten und einer schlechten Aufnahme erwarten können.
Derzeit können Sie nur Ihre eigene Stimme klonen. Bevor Sie Ihre Finetuning-Anfrage einreichen, werden Sie gebeten, einen Verifizierungsprozess zu durchlaufen.
Tipps und Empfehlungen
Professionelle Aufnahmeausrüstung
Professionelle Aufnahmeausrüstung
Verwenden Sie für optimale Ergebnisse hochwertige Aufnahmeausrüstung, da die KI alle Eigenschaften des Audios klont. Hochwertige Eingabe = hochwertige Ausgabe. Jedes Mikrofon funktioniert, aber wir empfehlen ein XLR-Mikrofon mit einem dedizierten Audiointerface. Günstigere Optionen wären beispielsweise ein Audio Technica AT2020 oder ein Rode NT1 mit einem Focusrite-Interface oder Ähnlichem.
Popfilter verwenden
Popfilter verwenden
Verwenden Sie beim Aufnehmen einen Popfilter. Dadurch werden Explosivlaute minimiert.
Mikrofonabstand
Mikrofonabstand
Halten Sie den richtigen Abstand zum Mikrofon ein – empfohlen werden etwa zwei Fäuste Abstand, dies hängt aber auch von der gewünschten Aufnahmeart ab.
Störungsfreie Aufnahme
Störungsfreie Aufnahme
Stellen Sie sicher, dass das Audioeingangssignal keine Störungen wie Hintergrundmusik oder Geräusche enthält. Das Klonen mit KI funktioniert am besten mit sauberem, übersichtlichem Audio.
Raumakustik
Raumakustik
Nehmen Sie vorzugsweise in einem akustisch behandelten Raum auf. Dadurch werden unerwünschte Echos und Hintergrundgeräusche reduziert, was der KI klareres Audio liefert. Sie können den Aufnahmebereich vorübergehend mit einer dicken Bettdecke oder Steppdecke dämpfen.
Audio-Vorverarbeitung
Audio-Vorverarbeitung
Erwägen Sie, Ihr Audio vorab zu bearbeiten, wenn Sie einen bestimmten Klang für die KI-Ausgabe anstreben. Wenn Sie beispielsweise eine ausgefeilte, podcastähnliche Ausgabe wünschen, bereiten Sie Ihr Audio entsprechend vor. Entfernen Sie auch lange Pausen oder viele „Ähms“ und „Ähs“ zwischen Wörtern, da die KI diese ebenfalls nachahmt.
Lautstärkeregelung
Lautstärkeregelung
Halten Sie eine gleichmäßige Lautstärke ein, die klar verständlich ist, aber nicht so hoch, dass Verzerrungen entstehen. Ziel ist ein ausgewogener und stabiler Audiopegel. Ideal sind zwischen -23 dB und -18 dB RMS bei einem True Peak von -3 dB.
Ausreichende Audiolänge
Ausreichende Audiolänge
Stellen Sie für beste Ergebnisse mindestens 30 Minuten hochwertiges Audio bereit, das die obigen Richtlinien erfüllt – vorzugsweise eher 2+ Stunden Audio. Je mehr hochwertige Daten Sie der KI zuführen können, desto besser wird der Stimmenklon. Die Anzahl der Beispiele ist irrelevant; entscheidend ist die Gesamtlaufzeit. Wenn Sie jedoch mehrere Stunden Audio hochladen möchten, teilen Sie es besser in mehrere etwa 30-minütige Beispiele auf. Das erleichtert den Upload.
Eleven v4
Professionelle Stimmenklone werden vollständig von Eleven v4 unterstützt. Sie basieren auf denselben Fortschritten bei der Stimmgenauigkeit und reproduzieren die Quellstimme getreuer als frühere Modelle, einschließlich Klangfarbe, Rhythmus, Akzent, Sprechweise und Lautstärke. Ein Klon mit Eleven v4 kann deutlich anders klingen als derselbe Klon mit Eleven v3. Vergleichen Sie beide mit Ihren eigenen Inhalten und behalten Sie die Version, die zum Anwendungsfall passt.
Eleven v4 hat zwei Varianten. Beide funktionieren mit einem professionellen Stimmenklon:
- Eleven v4 (
eleven_v4) ist das Modell mit der höchsten Qualität für Content-Erstellung, Hörbücher und Charakter-Voiceovers. - Eleven v4 Turbo (
eleven_v4_turbo) bietet diese Qualität bei niedriger Latenz für Echtzeitanwendungen wie dialogorientierte Agents.
Beide Varianten unterstützen die Stimmeinstellungen Stability und Similarity. Style und Speed sind in Eleven v4 jedoch nicht verfügbar, und SSML wird nicht unterstützt.
Die meisten professionellen Stimmenklone werden automatisch auf Eleven v4 feinabgestimmt. Falls dieses Modell noch nicht verfügbar ist, können Sie den Finetuning-Prozess manuell starten. Um einen bestehenden professionellen Stimmenklon auf Eleven v4 zu trainieren, öffnen Sie My Voices, suchen Sie die Stimme und bewegen Sie den Mauszeiger darüber. Modelle, auf die die Stimme bereits feinabgestimmt wurde, zeigen ein Häkchen. Für Modelle, die für Finetuning verfügbar sind, wird ein Plus angezeigt. Klicken Sie auf die Plus-Schaltfläche neben Eleven v4, um das Finetuning zu starten. Sie werden in der App und per E-Mail benachrichtigt, wenn es abgeschlossen ist.
Klonstärke
Wenn Sie einen professionellen Stimmenklon und Eleven v4 auswählen, enthalten die Voice settings einen Schieberegler für Clone Strength. Clone Strength steuert, wie genau die generierte Sprache den Trainingsaufnahmen des Klons folgt.
Bei niedrigeren Werten wird die Stimme leicht geglättet und die Sprechweise erhält mehr Flexibilität, was insgesamt oft besser klingt und dennoch wie die Originalstimme klingt. Bei höheren Werten bleibt die Ausgabe näher an den Trainingsaufnahmen und wird weniger geglättet. Dadurch werden Sprechweise und Ausdruck der Originalstimme genauer nachgeahmt. Höhere Werte können besonders für Stimmen mit markanten Eigenschaften oder einzigartigen Akzenten nützlich sein.
Für die meisten Anwendungsfälle empfehlen wir 0 %, aber ein höherer Wert kann bei einzigartigen Akzenten oder Merkmalen nützlich sein. In diesen Fällen empfehlen wir, Clone Strength auf 50 % zu erhöhen.
FAQ
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
