Voice Cloning

Voice Cloning heißt übersetzt Stimmklonen. Ein Computerprogramm hört sich Aufnahmen einer echten Person an und erzeugt daraus eine künstliche Kopie ihrer Stimme. Diese Kopie kann anschließend Sätze sprechen, die die echte Person nie gesagt hat. Man tippt einen Text ein, und heraus kommt eine Audiodatei in der geklonten Stimme. Früher brauchte man dafür stundenlange Studioaufnahmen. Heute genügen bei guten Systemen wenige Sekunden Material, etwa aus einem Video oder einer Sprachnachricht.

Von der Hörbuchproduktion bis zum Enkeltrick

Der Nutzen liegt auf der Hand. Ein Hörbuch lässt sich in mehreren Sprachen veröffentlichen, ohne dass der Sprecher neu ins Studio muss. Filme werden synchronisiert und behalten trotzdem die vertraute Stimme des Schauspielers. Menschen, die durch eine Krankheit ihre Stimme verlieren, können vorher eine Kopie anlegen und später damit weitersprechen. Für sie ist die Technik kein Spielzeug, sondern ein Stück Identität.

Dieselbe Technik ist aber auch ein Werkzeug für Betrug. Kriminelle rufen an, klingen wie ein Familienmitglied und bitten dringend um Geld. Diese Masche ist eine moderne Variante des Enkeltricks. In mehreren Fällen wurden auch Firmen geschädigt, weil eine vermeintliche Chefstimme am Telefon eine Überweisung anordnete. Stimme galt jahrzehntelang als Echtheitsbeweis. Dieser Beweis trägt nicht mehr.

Dazu kommen Rechtsfragen. Synchronsprecher und Musiker fürchten, dass ihre Stimme ohne Erlaubnis kopiert und weiterverkauft wird. In der EU verlangt der AI Act, das KI-Gesetz der Europäischen Union, dass künstlich erzeugte Medieninhalte gekennzeichnet werden. Ob sich das in der Praxis durchsetzen lässt, ist offen.

Was das Modell aus wenigen Sekunden herausliest

Im Kern arbeiten zwei Bausteine zusammen. Der erste hört sich die Beispielaufnahme an und presst sie in eine Zahlenliste. Diese Liste beschreibt, was die Stimme ausmacht: Tonhöhe, Klangfarbe, Sprechtempo, Akzent. Fachleute nennen das einen Stimm-Fingerabdruck. Der Inhalt der Aufnahme spielt dabei keine Rolle, nur der Klang.

Der zweite Baustein ist ein Sprachgenerator. Er bekommt den gewünschten Text und den Stimm-Fingerabdruck. Daraus erzeugt er Schritt für Schritt eine Tonspur. Trainiert wurde er vorher mit tausenden Stunden Sprache von vielen verschiedenen Menschen. Dabei hat er gelernt, wie Buchstabenfolgen im Deutschen klingen und wo Betonungen sitzen. Für eine neue Stimme muss er deshalb nicht neu lernen, sondern nur den Fingerabdruck anwenden.

Ein verbreiteter Irrtum ist, dass hier Wortschnipsel aus der Originalaufnahme zusammengeklebt werden. Das war die alte Technik und klang blechern. Moderne Systeme berechnen die Tonspur komplett neu. Deshalb können sie auch Wörter aussprechen, die in der Vorlage nie vorkamen. Grenzen gibt es trotzdem: starke Emotionen, Schreien oder Singen gelingen oft weniger überzeugend als ruhiges Vorlesen.

Geklonte Stimmen in Apps, Werbung und Schlagzeilen

Am häufigsten trifft man geklonte Stimmen auf Videoplattformen. Viele kurze Clips werden von einer künstlichen Stimme kommentiert, manchmal in der Stimme bekannter Persönlichkeiten. Auch Werbespots und Podcasts nutzen die Technik, um Korrekturen einzusprechen, ohne den Sprecher erneut zu buchen. Anbieter wie ElevenLabs oder die Sprachfunktionen großer Chatbots haben das massentauglich gemacht.

In den Nachrichten taucht der Begriff meist im Zusammenhang mit Deepfakes auf. Ein Deepfake ist ein gefälschter Medieninhalt, der echt wirken soll. Vor Wahlen kursierten schon gefälschte Anrufe und Audioclips von Politikern. Banken wiederum bauen ihre Systeme um, weil die Stimme als Passwort am Telefon unsicher geworden ist.

Wer sich schützen will, sollte eine einfache Regel kennen. Bei überraschenden Geldforderungen am Telefon legt man auf und ruft unter der bekannten Nummer zurück. Familien vereinbaren manchmal ein Codewort für den Ernstfall. Technische Erkennungsprogramme für gefälschte Audios existieren, sind aber unzuverlässig. Der Wettlauf zwischen Fälschung und Erkennung ist noch nicht entschieden.