ANLEITUNG

Hörbuch mit KI-Stimme erstellen

Ein KI-Erzähler macht aus einem Manuskript ein Hörbuch ohne Studio: eine durchgehende Stimme für das ganze Buch, jedes Kapitel in Minuten neu vertont, wenn sich der Text ändert. Schwierig ist nicht die Stimme, sondern der Ablauf: den Text vorbereiten, die Kapitel einheitlich halten und Dateien exportieren, die ein Shop oder Player annimmt.

Dieser Leitfaden geht diesen Ablauf mit dem SuperClonica-Katalog und der kostenlosen SuperClonica-Engine durch, die lange Texte offline auf einem normalen Computer vertont.

Stimmen ansehen SuperClonica-Engine installieren

Einen Erzähler wählen, dem man stundenlang zuhört

Langes Zuhören braucht eine ruhige, gleichmäßige Stimme: einen Erzähler oder eine männliche oder weibliche Gesprächsstimme statt einer Figur. Testen Sie Passagen Ihres Buches auf der Seite jedes Kandidaten (30 bis 100 Zeichen pro Test) und wählen Sie die Stimme, die auch beim zehnten Satz noch angenehm klingt.

Den Text vorbereiten

Bei einem Hörbuch zählt sauberer Text mehr als irgendwo sonst: Der Hörer kann nicht zurückblicken, um zu sehen, welches Wort es war.

  • Teilen Sie das Buch in eine .txt-Datei pro Kapitel.
  • Entfernen Sie Seitenzahlen, Kopfzeilen, Fußnotenzeichen und Silbentrennung aus dem Layout.
  • Schreiben Sie ungewöhnliche Namen, Zahlen und Abkürzungen so, wie sie gelesen werden sollen, und führen Sie eine Liste, damit alle Kapitel dieselbe Schreibung nutzen.
  • Nutzen Sie Zeichensetzung für den Rhythmus: Absätze und Punkte geben dem Erzähler Luft.

Die Kapitel offline vertonen

Kaufen Sie die Stimme einmal, laden Sie die Datei herunter und installieren Sie die kostenlose SuperClonica-Engine: python -m pip install superclonica-cpu. Dann vertonen Sie jedes Kapitel mit einem Befehl, etwa superclonica --text "$(cat kapitel01.txt)" --voice erzaehler.json --lang de --output kapitel01.wav. Die Engine teilt lange Texte an natürlichen Pausen und fügt sie zu einer Datei pro Kapitel zusammen; jedes Kapitel beginnt mit demselben Timbre, sodass der Erzähler im ganzen Buch gleich klingt.

Nach unserer Schätzung erzeugt die Engine Sprache auf einem 8-Kern-Desktop-Prozessor 6,4- bis 9,7-mal schneller als Echtzeit: Eine Stunde Audio dauert etwa 6 bis 10 Minuten, ohne Grafikkarte.

Anhören, korrigieren, neu vertonen

Hören Sie jedes Kapitel in normaler Geschwindigkeit mit dem Text vor Augen. Wird ein Wort falsch gelesen, ändern Sie seine Schreibung im Text und vertonen Sie nur dieses Kapitel neu: Das dauert Minuten, keine neue Studiositzung.

Für Player und Shops exportieren

Die Engine schreibt WAV-Dateien. Wandeln Sie sie mit einem beliebigen Audiowerkzeug, etwa ffmpeg, in MP3 oder in ein M4B-Hörbuch mit Kapiteln um und normalisieren Sie die Lautheit nach den Vorgaben des Shops. Prüfen Sie vor der Veröffentlichung die Regeln des Shops zu KI-Erzählung und stellen Sie sicher, dass Sie die Rechte an Text und Stimme haben.