Warum die übersetzte Stimme roboterhaft, zu schnell oder fremd klingt

In diesem Artikel geht es um das Voiceover in Translate Audio, mit einem eigenen Abschnitt für Translate Video. Alle Voiceover-Optionen änderst du in den Einstellungen: Tippe oben rechts auf das Einstellungssymbol (Schieberegler) und öffne den Tab Voiceover.

Schnellcheck: Symptom, Ursache, Lösung

Die meisten Probleme haben zwei Ursachen: Die Übersetzung wurde von einer Standardstimme vorgelesen, oder die Stimme liest den übersetzten Text in ihrem eigenen Tempo, ohne dem Original zu folgen.

Wenn die Stimme roboterhaft oder eintönig klingt

Ein roboterhafter Klang bedeutet meist, dass die Übersetzung von einer Standardstimme von ElevenLabs oder OpenAI vorgelesen wurde. Diese Stimmen klingen für alle gleich und imitieren nicht den Sprecher. Die OpenAI-Stimme ist von Natur aus neutral gehalten.

• Öffne den Tab Voiceover und wähle eine Option unter Mit Klonen: MiniMax (wird in der App als am genauesten in Klangfarbe und Emotion beschrieben) oder Qwen 3. Tippe danach erneut auf Wiedergabe.

• Für das natürlichste Ergebnis wähle ElevenLabs Dubbing v2. Es synchronisiert direkt die Originalaufnahme und behält Tempo sowie Klangfarbe bei. Das kostet 4.4 Tokens pro Sekunde, eine einminütige Nachricht also etwa 264 Tokens.

• Ein Klon aus einer Aufnahme mit Musik, Straßenlärm oder mehreren Stimmen klingt ebenfalls unnatürlich. Nutze eine Aufnahme, in der in der ersten Minute eine einzelne Person klar spricht.

Wenn die Übersetzung zu schnell oder zu langsam ist

Das Voiceover liest den übersetzten Text im eigenen Tempo der Stimme vor. Es passt die Sprache zeitlich nicht an die Länge des Originals an, sodass eine Übersetzung früher oder später als das Original enden kann.

• MiniMax: Öffne im MiniMax-Bereich die Einstellungen und stelle die Geschwindigkeit unter 1.0x. Der Bereich reicht von 0.5x bis 2.0x.

• Qwen 3: Wähle Langsam unter Sprechstil. Der Sprechstil funktioniert nur mit „Aus Datei klonen“, nicht mit einer gespeicherten Stimme.

• Die Standardstimmen von ElevenLabs und OpenAI bieten in Translate Audio keine Geschwindigkeitseinstellung.

• Um dem Tempo des Originals genau zu folgen, wähle ElevenLabs Dubbing v2.

Tippe nach dem Ändern von Tempo oder Stil erneut auf Wiedergabe. Bei MiniMax werden für das erneute Voiceover desselben Ergebnisses nicht noch einmal 180 Tokens für das Klonen berechnet.

Wenn es nicht nach dir oder dem Sprecher klingt

„Aus Datei klonen“ kopiert die Stimme der Person, die in der Aufnahme spricht. Wenn das Ergebnis nicht nach dieser Person klingt, prüfe diese Ursachen der Reihe nach:

1. Es wurde eine Standardstimme verwendet. Das passiert, wenn du im Dialog „Stimme klonen?“ auf KI-Stimme nutzen getippt hast (mit Nicht mehr fragen behält die App das bei), in den Einstellungen ElevenLabs oder OpenAI gewählt hast oder eine Sprache nutzt, die kein Klonen unterstützt. Wähle MiniMax oder Qwen 3 im Voiceover-Tab.

2. Die Aufnahme war zu kurz: Qwen 3 benötigt mindestens 3 Sekunden, MiniMax mindestens 10 Sekunden. In dem Fall nutzt die App eine Standardstimme und meldet «Audio too short for voice cloning, standard voice was used».

3. Das Klonen ist fehlgeschlagen und die App meldete «Voice cloning is unavailable right now. A standard voice was used.». Tippe später erneut auf Wiedergabe oder wechsle zu MiniMax.

4. Es wurde eine gespeicherte Stimme statt der Aufnahme ausgewählt. Wenn Meine MiniMax-Stimme oder Meine Qwen-Stimme aktiv ist, wird die Übersetzung mit dieser gespeicherten Stimme vorgelesen. Wähle Aus Datei klonen.

5. Die ersten 60 Sekunden enthalten Störgeräusche. MiniMax und Qwen 3 entnehmen die Stimme nur aus der ersten Minute der Datei. Musik, eine zweite Person oder laute Hintergrundgeräusche an dieser Stelle verringern die Ähnlichkeit des Klons.

Wenn du deine eigene Stimme für die Nachricht einer anderen Person nutzen möchtest, zum Beispiel um zu antworten, speichere deine Stimme einmalig unter Einstellungen → Meine Stimmen und wähle sie als „Meine MiniMax-Stimme“ oder „Meine Qwen-Stimme“ aus. Tipps für eine gute Aufnahme findest du unter Tipps für die beste Qualität beim Klonen von Stimmen.

Wenn der Akzent oder Dialekt falsch ist

In Translate Audio kann kein Akzent oder eine regionale Variante festgelegt werden. Die Sprachliste enthält nur einen Eintrag pro Sprache: Portugiesisch ohne Auswahl für Brasilien oder Portugal, Englisch ohne US oder UK.

• Ein Klon behält die Klangfarbe des Sprechers und oft auch dessen eigenen Akzent. Jemand, der Englisch spricht, wird auf Portugiesisch meist wie ein Ausländer klingen, selbst bei einer fehlerfreien Übersetzung.

• Die Standardstimme ist für jede Sprache dieselbe feste Stimme, und du kannst in Translate Audio keine andere wählen.

Deine Möglichkeiten:

• Kopiere die Übersetzung, öffne Text to Speech und wähle eine ElevenLabs-Stimme über die Filter nach Sprache und Akzent. Die Stimme gehört dann zwar jemand anderem, hat aber die Aussprache, die du benötigst.

• Verwende für ein Video Translate Video: Die dortige Sprachliste enthält regionale Varianten wie Portugiesisch (Brasilien) und Englisch (Vereinigte Staaten).

Wenn die Emotionen fehlen

MiniMax und Qwen 3 übernehmen die Klangfarbe der Stimme, lesen jedoch den übersetzten Text neu ein. Die Intonation der einzelnen Sätze stammt daher nicht aus dem Original. Das Modell wählt sie anhand des Textes aus, sofern du nichts anderes einstellst.

• MiniMax: Stelle Emotion auf Glücklich, Traurig, Wütend, Ängstlich, Überrascht, Ruhig oder Angewidert ein. Eine Emotion gilt für die gesamte Übersetzung. Bei Automatisch (empfohlen) entscheidet das Modell selbst.

• Qwen 3: Sprechstil Ruhig, Energisch, Freundlich, Sanft oder Professionell.

• ElevenLabs Dubbing v2 basiert direkt auf der Originalaufnahme und bleibt der ursprünglichen Vortragsweise am treuesten.

Wenn zwei Personen mit derselben Stimme sprechen

In Translate Audio liest jede Option außer Dubbing v2 die gesamte Übersetzung mit nur einer Stimme vor. MiniMax und Qwen 3 erstellen einen einzelnen Klon anhand des Dateianfangs. In einem Gespräch erhalten daher beide Personen dieselbe Stimme, die aus der ersten Minute der Aufnahme stammt.

Damit jede Person ihre eigene Stimme erhält, wähle ElevenLabs Dubbing v2. Es erkennt die verschiedenen Sprecher und klont jeden einzeln.

Wenn Pausen nicht übernommen werden

MiniMax, Qwen 3 und die Standardstimmen lesen die Übersetzung als einen fortlaufenden Text vor, wodurch längere Pausen des Originals verloren gehen. Translate Audio bietet keine Einstellung, um diese beizubehalten. ElevenLabs Dubbing v2 synchronisiert die originale Tonspur und behält das Timing bei.

In Translate Video

Translate Video hat eigene Einstellungen: Tippe vor dem Start oben rechts in Translate Video auf das Einstellungssymbol.

• Eine Person wurde mit zwei Stimmen synchronisiert, zum Beispiel männlich und weiblich: Wenn bei HeyGen die Sprecheranzahl auf „Automatisch“ steht, entscheidet HeyGen selbst über die Anzahl und erkennt mitunter zwei Personen. Setze die Sprecheranzahl auf 1 und übersetze erneut.

• Die Stimme klingt roboterhaft oder weicht stark vom Original ab: Aktiviere bei HeyGen Erweitertes Klonen (doppelter Tokenpreis) oder wähle ElevenLabs, das jeden Sprecher klont und dessen Timing beibehält. Wenn das Original verrauscht ist, aktiviere Sprachqualität verbessern.

• Falscher Dialekt: Wähle die regionale Variante in der Sprachliste aus, zum Beispiel Portugiesisch (Brasilien).

Alle Optionen von Translate Video werden in So funktioniert Translate Video beschrieben.

Wann du den Support kontaktieren solltest

Wenn nichts davon geholfen hat, tippe unter dem Ergebnis im Feedback-Bereich auf Nicht zufrieden mit dem Ergebnis? und beschreibe das Problem. Das Formular hängt den Vorgang automatisch an, damit der Support dieselbe Aufnahme anhören kann. Das allgemeine Kontaktformular findest du unter vocalingo.app/support.