Lexikon · S
Stimmenklon

Drei Sekunden Sprache: So kurz durfte die Aufnahme eines unbekannten Sprechers sein, aus der das Forschungsmodell VALL-E 2023 neue Sätze in dessen Stimme erzeugte. Trainiert war es zuvor mit 60.000 Stunden englischer Sprache, und es übernahm sogar die Stimmung und die Raumakustik der kurzen Vorlage1. Ein Stimmenklon ist eine solche künstliche Kopie einer echten Stimme. Technisch ist er eine besondere Form von Text-to-Speech, bei der die Ausgabe nach einem bestimmten Menschen klingen soll.
Wie viel Aufnahme nötig ist
Die Spanne ist groß, und sie hängt davon ab, wie gut der Klon werden soll. Das BSI nennt für hohe Qualität meist mehrere Stunden Audio. Mit großen fremden Sprachdatenbanken im Hintergrund sinkt der Bedarf auf wenige Minuten; in einem Beispiel des BSI reichten rund zehn Minuten Aufnahmen mittlerer Qualität2. Ansätze mit nur wenigen Sekunden gibt es laut BSI auch, sie gehen aber zulasten der Qualität2.
Kommerzielle Dienste wie ElevenLabs bilden diese Stufen in ihren Angeboten ab. Der Anbieter empfiehlt für die schnelle Sofortkopie ein bis zwei Minuten saubere Aufnahme, mindestens aber zehn Sekunden insgesamt; mehr als zwei bis drei Minuten bringen dort kaum Gewinn. Als Format rät der Anbieter zu MP3 mit mindestens 192 kbit/s, WAV verbessere die Qualität meist nicht3. Für die aufwendigere professionelle Kopie rechnet der Anbieter mit 30 bis 180 Minuten Material, das eigens trainierte Modell ist nach drei bis sechs Stunden fertig3.
Missbrauch durch Betrüger
Weil eine bekannte Stimme Vertrauen schafft, ist der Stimmenklon ein Werkzeug für Betrug. Das BSI beschreibt Anrufe, bei denen eine gefälschte Stimme einer Führungskraft Mitarbeiter zu Zahlungen drängt, und Versuche, Sprechererkennung am Telefon zu überlisten2. Privat zeigt sich dasselbe Muster beim Enkeltrick mit KI, wenn angeblich ein Angehöriger in Not anruft. Eine vertraute Stimme am Telefon beweist deshalb nicht mehr, wer spricht. Ein vereinbartes Codewort oder ein Rückruf unter der bekannten Nummer schaffen Klarheit, ohne dass du den Klang beurteilen musst.
Rechtlich zählt eine künstlich erzeugte oder veränderte Tonaufnahme, die einer echten Person ähnelt und fälschlich echt wirkt, nach der KI-Verordnung zu den Deepfakes4.
Einwilligung
Wessen Stimme geklont wird, sollte vorher zugestimmt haben. Manche Anbieter bauen dafür Hürden ein. ElevenLabs etwa lässt bei der professionellen Kopie nur die eigene Stimme zu, selbst eine Erlaubnis der betroffenen Person reicht dort nicht. Eine Prüfung soll sicherstellen, dass die Stimme wirklich dem Konto gehört3. Wer eine Stimme teilen will, legt sie selbst an und gibt sie über einen privaten Link frei3. Für die Sofortkopie nennt dieselbe Hilfeseite keine solche Prüfung.
Wer eine KI-Stimme erstellt und mit dem Klon der eigenen Stimme Videos oder Hörbücher vertont, muss laut Artikel 50 Absatz 4 kenntlich machen, dass der Ton künstlich erzeugt ist, sobald er als Deepfake gilt4.
Häufige Fragen
Kann man einen Stimmenklon am Klang erkennen?
Bei kurzen Aufnahmen und schlechter Telefonqualität oft nicht. Verlass dich deshalb auf Rückfragen und Rückrufe statt auf dein Gehör.
Darf ich meine eigene Stimme klonen?
Die Anbieter sehen das vor: Bei ElevenLabs lässt sich die professionelle Kopie nur von der eigenen Stimme anlegen, nach einer Prüfung3. Lies vorher in den Nutzungsbedingungen nach, was der Dienst mit deinen Aufnahmen und dem fertigen Klon machen darf.
Was unterscheidet einen Stimmenklon von einer normalen Vorlesestimme?
Eine normale Vorlesestimme gehört keinem echten Menschen, sie wurde aus vielen Sprechern gemischt oder eigens aufgenommen. Ein Klon ahmt gezielt eine bestimmte Person nach.
Quellen
Stand:
- Wang und andere (arXiv): Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers, Stand 05.01.2023, abgerufen am 22.11.2026. zurück
- Bundesamt für Sicherheit in der Informationstechnik (BSI): Deepfakes: Gefahren und Gegenmaßnahmen, abgerufen am 22.11.2026. zurück
- ElevenLabs: Voice cloning (Dokumentation), abgerufen am 22.11.2026. zurück
- EUR-Lex: Verordnung (EU) 2024/1689 (KI-Verordnung), konsolidierte Fassung vom 27.07.2026, Artikel 3 Nummer 60 und Artikel 50, Stand 27.07.2026, abgerufen am 22.11.2026. zurück



