Ein sprechendes Video ist der einfachste Weg, Ihren KI-Influencer arbeiten zu lassen: Sie schreiben, was der Charakter sagen soll, und der Charakter sagt es in seiner eigenen Stimme und Sprache in die Kamera, mit Mundbewegungen, die den Worten folgen. Diese Anleitung erklärt, wie sprechende Videos im AI Influencer Studio entstehen, was sich mit dem hochwertigen Verfahren geändert hat, wie Sie Texte schreiben, die sich natürlich anhören, und was das Ganze kostet.

Woher kommen Stimme und Sprache?

Vom Charakter. Wenn Sie einen Influencer erstellen, speichert der Schritt „Stimme und Sprache“ eine Sprechsprache (20 Sprachen) und eine Stimme beim Charakter. Die Stimmbibliothek lässt sich nach Geschlecht, Alter und Tonfall filtern, und Sie können jede Stimme vor der Auswahl anhören; überspringen Sie den Schritt, wird die empfohlene Stimme zugewiesen. In Basic und Pro können Sie außerdem Ihre eigene Stimme hinzufügen: Nehmen Sie mindestens 30 Sekunden (bis zu 5 Minuten) deutlich gesprochenen Text auf oder laden Sie ihn hoch, und bestätigen Sie, dass es Ihre Stimme ist. Geklont werden kann nur Ihre eigene Stimme.

Weil die Stimme beim Charakter gespeichert ist, fragt der Tab „Video“ nie erneut danach. Um sie zu ändern, öffnen Sie die Charaktereinstellungen und bearbeiten „Stimme und Sprache der Figur“. Die Änderung gilt für die nächsten Videos; bereits erstellte Videos behalten ihre Stimme. Die Schritte beim Erstellen beschreibt die Anleitung zum Erstellen.

Wie erstelle ich ein sprechendes Video?

  1. Öffnen Sie den Tab „Video“ und wählen Sie „Sprechendes Video“.
  2. Wählen Sie den Influencer oder den Charakter aus der Bibliothek, der sprechen soll. Sprechende Videos verwenden einen einzigen Charakter.
  3. Schreiben Sie den Text. Sam hilft dabei: „Mit Sam schreiben“ entwirft aus einer kurzen Beschreibung einen Text, „Mit Sam übersetzen“ überträgt Ihren Text in die Sprache des Charakters und „Mit Sam kürzen“ strafft ihn. Das Formular warnt Sie, wenn der Text nach einer anderen Sprache aussieht als der des Charakters.
  4. Prüfen Sie die Planzeile unter dem Text. Sie zeigt, wie viele Clips der Text braucht, wie lang das Video wird und wie lange die Erstellung ungefähr dauert.
  5. Prüfen Sie den Preis und starten Sie. Sobald das Video fertig ist, wird es in Ihrer Bibliothek gespeichert.

Warum wird mein Text in mehrere Clips aufgeteilt?

Ein einzelner Sprechclip ist höchstens 8 Sekunden lang. Längerer Text wird an Satzgrenzen in Clips von 4, 6 oder 8 Sekunden aufgeteilt, sodass kein Satz mittendrin abgeschnitten wird. Der erste Clip beginnt mit dem Porträt des Charakters, und jeder weitere Clip beginnt mit dem letzten Bild des vorherigen; so bleiben Gesicht, Outfit und Umgebung stabil. Zum Schluss werden die Clips mit einem kurzen, weichen Übergang verbunden, und stille Pausen an den Übergängen werden entfernt, damit die Rede wie aus einem Guss wirkt.

Jeder Clip durchläuft drei Schritte. Der Charakter wird beim Sprechen gefilmt; die Sprache wird in die gespeicherte Stimme des Charakters umgewandelt, wobei Timing und Lippenbewegung unverändert bleiben; dann werden die gesprochenen Worte transkribiert und mit Ihrem Text verglichen. Gibt ein Clip Ihren Text nicht genau genug wieder, wird er ein weiteres Mal erstellt. Dank dieser Prüfung hört sich ein sprechendes Video nach Ihrem Charakter an und sagt, was Sie geschrieben haben.

Was passiert, wenn ein Clip nicht erstellt werden kann?

Manchmal wird ein Clip von einem Inhaltsfilter abgelehnt oder trifft den Text wiederholt nicht. Dann wird das Video mit einem Ersatzverfahren fertiggestellt: Zuerst wird die Stimme Ihres Charakters erzeugt, und dazu wird ein sprechendes Porträt animiert. Das Ergebnis verwendet weiterhin dieselbe Stimme und denselben Text. Kommt das Ersatzverfahren zum Einsatz, erscheint ein Hinweis in Ihrem Verlauf („Dieses Video wurde mit dem Ersatzverfahren erstellt“), und die Preisdifferenz wird nach Lieferung des Videos erstattet. Scheitert auch das Ersatzverfahren, wird der gesamte Auftrag erstattet.

Können auch Szenenvideos sprechen?

Ja. In Szenen- und Vorlagenvideos bietet der Bereich „Sprache“ drei Möglichkeiten: „Keine“, „Voice-over“ und „Lippensynchron“. Voice-over legt die Stimme des Charakters über ein beliebiges Video, und in einer Szene mit mehreren Charakteren kann jeder Charakter seinen eigenen Text haben. Lippensynchron lässt einen Charakter in die Kamera sprechen.

Die Lippensynchronisation in einer Szene nutzt das hochwertige Verfahren, wenn drei Bedingungen erfüllt sind: ein Charakter, ein Video im Format 9:16 oder 16:9 und ein Text, der in den Clip passt (etwa 5 Sekunden Sprache in einer 5-Sekunden-Szene, die als 6-Sekunden-Clip gefilmt wird, oder etwa 7 Sekunden in einer 10-Sekunden-Szene, gefilmt als 8-Sekunden-Clip). Das Studio zeichnet zuerst ein Startbild mit Ihrem Charakter, Outfit, Ort, Produkt oder Screenshot, filmt dann den sprechenden Charakter und wandelt die Stimme um. Ist das Video quadratisch oder der Text länger, wird stattdessen die Standard-Lippensynchronisation verwendet. Das Formular zeigt Ihnen vor dem Start, welches Verfahren gilt. Szenen mit der Kennzeichnung „Gut zum Sprechen“ liefern die besten Ergebnisse, weil das Gesicht groß und deutlich zu sehen ist.

Wie schreibe ich Texte, die sich natürlich anhören?

  • Schreiben Sie so, wie Sie sprechen: kurze Sätze, je ein Gedanke. Satzenden sind die Stellen, an denen Clips geteilt werden können, deshalb hilft eine klare Zeichensetzung.
  • Bleiben Sie in der Sprache des Charakters. Nutzen Sie „Mit Sam übersetzen“, statt Sprachen in einem Text zu mischen.
  • Lesen Sie Marken- und Produktnamen laut. Wird ein Name oft falsch ausgesprochen, schreiben Sie ihn so, wie man ihn ausspricht.
  • Vermeiden Sie lange Zahlenreihen und Webadressen im gesprochenen Text. Setzen Sie die Adresse lieber in den Beitragstext oder auf eine Abspannkarte.
  • Für alles, was länger als etwa eine Minute ist, oder wenn Sie zwischen den Sprechpassagen Zwischenbilder möchten, verwenden Sie den Tab „Langes Video“.

Was kostet es?

Sprechende Videos werden pro Sekunde fertigen Videos berechnet. Der Grundpreis liegt bei 45.559 Tokens pro Sekunde, und Ihr Planfaktor gilt (Pro ×0,8, Basic ×1, Free ×1,3). Ein sprechendes Video von 8 Sekunden kostet in Pro 291.584 Tokens. In Szenen kommt bei der hochwertigen Lippensynchronisation zum Sprechclip ein Startbild hinzu (Grundpreis 29.167 Tokens in Draft, 37.917 in Standard). Der genaue Betrag wird immer vor dem Start angezeigt, fehlgeschlagene Aufträge werden automatisch erstattet, und die aktuellen Preise finden Sie auf der Preisseite.

Rechnen Sie mit etwa zwei Minuten pro Clip. Ein 15-Sekunden-Text, der zu drei Clips wird, dauert etwa sechs bis sieben Minuten; das Formular zeigt eine Schätzung, und Sie können die Seite während der Erstellung verlassen.

Häufige Fragen

Kann mein KI-Influencer mit meiner eigenen Stimme sprechen? Ja, in Basic und Pro. Fügen Sie Ihre Stimme in den Stimmeinstellungen des Charakters mit mindestens 30 Sekunden deutlicher Sprache hinzu und bestätigen Sie, dass es Ihre ist. Geklont werden kann nur Ihre eigene Stimme, und sie wird nur in Ihrem Konto verwendet.

Warum ist das Video manchmal etwas länger als mein Text? Clips sind 4, 6 oder 8 Sekunden lang und lassen am Anfang und Ende eine kurze Atempause. Die Planzeile unter dem Text zeigt die endgültige Länge vor dem Start.

Können zwei Charaktere miteinander sprechen? In einem Szenenvideo ja, mit Voice-over: Jeder von bis zu drei Charakteren kann einen eigenen Text in seiner eigenen Stimme haben. Lippensynchronisation und sprechende Videos verwenden einen Charakter.

Hat ein sprechendes Video ein Wasserzeichen? Ergebnisse im Free-Plan tragen ein kleines Wasserzeichen; Ergebnisse in Basic und Pro nicht.