Audiofilter
    Stimme verändern

    KI-VOICE-CHANGER

    KI-Voice-Changer, der in deinem Browser läuft

    Zwei Clips rein, einer raus. Der erste liefert die Worte, das Timing und den Vortrag; der zweite liefert die Stimme. Der Audiofilter erledigt die Umwandlung in diesem Tab — keiner der beiden Clips wird hochgeladen, und ein Konto brauchst du auch nicht.

    LOKALES AUDIO-LABOR

    Eine Stimme verändern

    Gib ihm etwas zum Umwandeln und eine Probe der Stimme, in die umgewandelt werden soll.
    Bis zu 10 SekundenDieses Modell braucht rund 18 Sekunden Rechenzeit pro Sekunde Audio — ein Clip von fünf Sekunden bedeutet also etwa anderthalb Minuten Warten, zehn Sekunden rund drei Minuten. Daher kommt die Grenze, und daher ist ein kurzer Clip die bequeme Wahl. Die Arbeit läuft auf deinem Prozessor statt auf unserem.
    Die Aufnahme, die umgewandelt wirdQuelle

    Was hier gesagt wird, kommt auch heraus — nur die Stimme ändert sich.

    Oder nimm mit deinem Mikrofon auf.
    Die Stimme, in die umgewandelt wirdReferenz

    Eine Probe der Zielstimme. Sauber aufgenommene Sprache von einer einzelnen Person funktioniert am besten.

    Oder nimm mit deinem Mikrofon auf.

    Nutze das nicht, um dich für jemand anderen auszugeben, und auch sonst zu keinem rechtswidrigen Zweck. Siehe die Nutzungsbedingungen.

    Was das Werkzeug wirklich tut

    Das hier ist ein Klangfarben-Konverter, und das ist etwas Engeres und Berechenbareres, als „Voice Changer“ sonst nahelegt. Er verändert nicht, was gesagt wird, und auch nicht, wie es gesagt wird. Deine Aufnahme behält ihre Worte, ihren Rhythmus, ihre Pausen und ihre Betonung; ersetzt wird die Identität der sprechenden Person.

    Der Ablauf, in der Reihenfolge, in der er passiert: Ein Referenz-Encoder hört sich deine Stimmprobe an und destilliert sie zu 256 Zahlen — mehr ist eine Stimme hier nicht. Ein Posterior-Encoder macht aus deiner Aufnahme eine latente Sequenz. Ein normalisierender Fluss schickt diese Sequenz vorwärts in einen sprecherneutralen Raum und wieder heraus, diesmal auf jene 256 Zahlen konditioniert, und ein Vocoder baut daraus eine Wellenform.

    Der Fluss ist der einzige Teil, der das Sprecher-Embedding überhaupt zu sehen bekommt — deshalb ist die Umwandlung so sauber: Encoder und Vocoder machen sprecherunabhängige Arbeit, und der Identitätstausch passiert an genau einer Stelle.

    Das ist keine Sprachsynthese

    Es braucht Audio als Grundlage und macht mit getipptem Text gar nichts. Wenn du Sprache aus Text erzeugen willst — mit eigenem Stimmklonen — nimm stattdessen das Text-to-Speech-Werkzeug .

    Was es kostet, das lokal laufen zu lassen

    Ehrliche Zahlen, an diesem Build gemessen statt geschätzt:

    PostenWertWarum
    Download beim ersten BesuchEtwa 102 MB, einmaligDie Gewichte des Konverters, in fünf Teilen, weil ein statischer Host Dateien bei 25 MiB deckelt. Danach liegen sie im Cache.
    UmwandlungsgeschwindigkeitEtwa 18 s Rechenzeit pro 1 s AudioDrei WaveNet-Stufen verbrauchen 82 Prozent davon, den Rest der Vocoder. Es gibt keinen einzelnen Hotspot, den man entfernen könnte.
    Clip-LängeBis zu 10 Sekunden Eingabe, 30 Sekunden ReferenzFünf Sekunden bedeuten schon etwa anderthalb Minuten Warten, und länger macht es nur länger. Die Referenz ist billig — ihr Encoder kostet etwa 6 ms.
    Ausgabe22 050 Hz mono, 32-Bit-Float-WAV22 050 Hz ist die interne Rate des Modells. Float statt 16 Bit, damit leise Passagen ihre Details behalten.

    So kommt ein Ergebnis heraus, das du behalten willst

    Wo es nicht funktioniert

    Wessen Stimme du nimmst, ist der Teil, auf den es ankommt

    Das Werkzeug wandelt in jede Referenz um, die du ihm gibst — genau deshalb ist die Wahl deine Verantwortung. Die Stimme einer realen Person ohne ihr Einverständnis zu klonen, kann Persönlichkeitsrechte verletzen, und mehrere Rechtsordnungen haben inzwischen eigene Gesetze zur Stimmähnlichkeit — das Urheberrecht ist nicht die einzige Frage. Nimm deine eigene Stimme oder eine, für die du die Erlaubnis hast. Hier wird nichts hochgeladen; das ist also keine Überwachung durch uns, sondern ein Hinweis darauf, dass die Verantwortung bei dem liegt, der auf den Knopf drückt.

    Nicht für rechtswidrige Zwecke. Eine umgewandelte Stimme als die einer anderen Person ausgeben, einen Menschen oder ein Stimmerkennungssystem täuschen, Belästigung, Verleumdung — dafür wird dieses Werkzeug nicht angeboten, und nichts davon hört auf, rechtswidrig zu sein, nur weil die Umwandlung auf deinem eigenen Rechner passiert ist. Was das Recht erlaubt, unterscheidet sich von Land zu Land, und innerhalb des Rechts zu bleiben, das an deinem Ort gilt, ist deine Verantwortung. Für deine Nutzung dieser Website gelten die Nutzungsbedingungen.

    Der Rest des Audiofilter-Werkzeugsatzes

    FRAGEN & ANTWORTEN

    Häufig gestellte Fragen

    Wie funktioniert dieser KI-Voice-Changer?

    Er ist ein Klangfarben-Konverter. Deine Aufnahme liefert die Worte, das Timing und den Vortrag; der Referenzclip liefert die Stimmidentität. Ein Referenz-Encoder macht aus der Probe ein Sprecher-Embedding aus 256 Zahlen, und ein normalisierender Fluss konditioniert dein Audio neu auf dieses Embedding, bevor ein Vocoder die Wellenform wieder aufbaut.

    Muss ich etwas eintippen, wie bei einem Text-to-Speech-Werkzeug?

    Nein, und aus Text funktioniert es auch nicht. Umgewandelt wird Audio, das du bereits hast. Wenn du stattdessen Sprache aus getippten Worten willst, nimm das Text-to-Speech-Werkzeug, das sein eigenes Stimmklonen mitbringt.

    Wird mein Audio irgendwohin hochgeladen?

    Nein. Das Modell wird einmal in deinen Browser geladen, und die Umwandlung läuft dort. Öffne vor dem Umwandeln das Netzwerk-Panel: Jede Anfrage ist ein Download des Modells von dieser Seite, und nichts trägt dein Audio in die andere Richtung.

    Wie lange dauert eine Umwandlung?

    Rund 18 Sekunden Rechenzeit pro Sekunde Audio, ein Clip von fünf Sekunden dauert also etwa anderthalb Minuten. Das ist gemessen, nicht geschätzt — die Arbeit läuft auf deinem eigenen Prozessor statt auf einem Server, und dieses Modell ist schwer.

    Wie lang darf ein Clip sein, den ich umwandle?

    Bis zu 10 Sekunden, und ein kurzer Clip ist die bequeme Wahl. Das folgt direkt aus der Zahl oben: Fünf Sekunden sind etwa anderthalb Minuten Warten, zehn Sekunden rund drei Minuten. Die Grenze liegt dort, wo die Geduld endet, sie ist keine Bezahlschranke.

    Wie lang sollte der Referenzclip sein?

    Fünf bis fünfzehn Sekunden sauberer Sprache von einer einzelnen Person reichen völlig. Länger hilft nicht: Der Referenz-Encoder kostet ohnehin nur etwa 6 Millisekunden, und er destilliert den ganzen Clip so oder so auf 256 Zahlen herunter.

    Warum klingt das Ergebnis nach meinem Zimmer?

    Weil eine Stimmprobe den Raum mitbringt. Der Konverter bildet nach, was er in der Referenz hört, samt Hall, Rauschen und Mikrofoncharakter. Nimm die Referenz an einem ruhigen Ort auf oder säubere sie vorher mit dem Rauschunterdrücker.

    Welche Abtastrate hat das Ergebnis?

    22 050 Hz mono, also genau die Rate, mit der das Modell intern arbeitet. Heruntergeladen wird es als 32-Bit-Float-WAV, damit leise Passagen ihre Details behalten.

    Kann ich damit die Stimme von irgendwem klonen?

    Technisch wandelt es in jede Referenz um, die du ihm gibst — genau deshalb kommt es auf die Wahl an. Eine reale Person ohne ihr Einverständnis zu klonen, kann Persönlichkeitsrechte verletzen und in mehreren Rechtsordnungen auch eigene Gesetze zur Stimmähnlichkeit — das Urheberrecht ist nicht die einzige Frage. Nimm deine eigene Stimme oder eine, für die du die Erlaubnis hast.

    Wie groß ist der Download, und wiederholt er sich?

    Etwa 102 MB, einmalig. Der Browser legt es im Cache ab, spätere Besuche fangen also sofort mit dem Umwandeln an. Es kommt in fünf Teilen, weil ein statischer Host einzelne Dateien bei 25 MiB deckelt.

    Lieber eine Aufnahme säubern als sie neu vertonen?

    Rauschentfernung öffnen → Text-zu-Sprache öffnen →