Bei Voice-overs für Kurzvideos ist das häufigste Problem nicht fehlender Ton, sondern Ton und Bild, die nicht zusammenpassen: Die Off-Stimme liest noch den vorigen Satz, während das Bild längst zur nächsten Einstellung springt; oder das Bild verharrt auf dem Produktclose-up, während das Voice-over schon vorbei ist. Die richtige Reihenfolge ist umgekehrt: erst ansehen, wie der Schnitt tickt, dann entscheiden, was jedes Voice-over-Stück sagt und wie lange. Der Text-to-Speech von PixMind macht aus jedem Skript-Abschnitt eine MP3 – ob Voice-over und Bild verzahnen, entscheidet sich aber bei der Zerlegungsarbeit vor dem ersten Wort.
Text-to-Speech öffnen, den geschnittenen Clip griffbereit halten, jeden Voice-over-Abschnitt einzeln generieren und herunterladen und dann ins Schnittprogramm legen.
Kernpunkte
- Erst das Voice-over nach Bildabschnitten zerlegen, dann schreiben; jeder Abschnitt trägt genau eine Information, die Dauer richtet sich nach dem Bild.
- Zeichenlimit pro Generierung: 100 Zeichen ohne Anmeldung und im Free-Tarif, 10000 Zeichen für zahlende Mitglieder; die Seite behält jeweils nur ein Ergebnis – Abschnitt für Abschnitt generieren und herunterladen.
- Die Dauer gilt nach dem generierten Ergebnis: Der Abspielbalken zeigt die Gesamtlänge jeder Audiodatei; erst einen Abschnitt messen, dann den ganzen Film planen – ganz ohne Umrechnungsformel von Zeichen auf Sekunden.
- Das Einbinden des Voice-overs ins Video ist ein Schnitt-Schritt außerhalb des Tools; Untertitel entstehen nach dem finalen Ton mit dem Video-zu-Text-Werkzeug direkt aus dem fertigen Film.
Zuerst das Voice-over nach dem Bildrhythmus zerlegen
Der erste Schritt ist nicht Tippen, sondern Ansehen. Den geschnittenen Clip zweimal komplett durchschauen: beim ersten Mal die Reihenfolge der Einstellungen notieren, beim zweiten Mal innerlich mitsprechen und spüren, wie viele Sätze in jede Bildpassage passen – dann den Film nach Einstellungs-Funktionen zerlegen.
Beispiel für einen rund 15-sekündigen Produktclip, zerlegt in Einstieg, Demo und Abschluss:
| Abschnitt | Bildinhalt | Aufgabe des Voice-overs | Ungefähre Dauer |
|---|---|---|---|
| Einstieg | Das Produkt landet auf dem Tisch, die Kamera fährt näher | In einem Satz nennen, was das ist und für wen | ca. 3 Sekunden |
| Demo | Drei Action-Shots: befüllen, Deckel zuschrauben, starten | Pro Handgriff ein Satz, die Reihenfolge klar machen | ca. 8 Sekunden |
| Abschluss | Close-up des Ergebnisses, Logo eingefroren | In einem Satz zum Handeln anleiten | ca. 3 Sekunden |
Die Dauer jedes Abschnitts kommt aus dem Bild selbst; das Voice-over muss in dieses Zeitfenster passen, nicht umgekehrt. Wer erst einen langen Text schreibt und ihn dann ins Bild stopft, hat meist nur noch die Option brutaler Beschleunigung – und der Höreindruck leidet sofort. Eine 300-Zeichen-Produktvorstellung vorzulesen dauert oft länger als der gesamte Clip.
Die Zerlegung hat auch einen praktischen Nebeneffekt: Die Generierung ist zeichenlimitiert – ohne Anmeldung und im Free-Tarif maximal 100 Zeichen pro Vorgang, für zahlende Mitglieder bis 10000 Zeichen. Die nach der Shotlist zerlegten Voice-over-Stücke liegen meist weit unter dem Limit: ein Abschnitt, eine Datei, genau richtig für die Abschnitt-für-Abschnitt-Generierung.
Das Skript in eine hörbar verständliche Fassung bringen
Im Kurzvideo hören Zuschauer das Voice-over, sie lesen es nicht. Beim Formulieren machen zwei Dinge den größten Unterschied.
Erstens: Informationen streichen, die das Bild schon liefert. Zeigt das Bild gerade das Zuschrauben des Deckels, muss das Voice-over nicht „jetzt den Deckel festdrehen“ ankündigen; gibt die Kamera längst das Close-up des Ergebnisses, muss die Off-Stimme „man sieht, wie fein das Ergebnis gerät“ nicht wiederholen. Gesagt wird nur, was das Bild nicht sagen kann: Name, Zweck, der Grund hinter jedem Handgriff.
Zweitens: ein Kernpunkt pro Satz, Pausen über die Zeichensetzung steuern. Komma heißt kurze Pause, Punkt heißt Atem holen; kurze Sätze treffen den Bildwechsel leichter als lange und geben den Zuhörern Zeit zum Verarbeiten.
Beispiel Demo-Abschnitt. Erster Entwurf: „Dieses Produkt ist kinderleicht zu bedienen und in nur drei Schritten fertig: Zuerst das Obst in den Becher geben, dann den Deckel festdrehen, zuletzt die Starttaste drücken – nach wenigen Sekunden genießen Sie frischen Saft.“ Überarbeitet: „Drei Schritte. Obst rein. Deckel zu. Taste drücken. Sekunden später: frisch gepresst.“ Die überarbeitete Fassung streicht Schmuck, gewinnt Pausen, und jeder Satz sitzt exakt auf einem Action-Shot.
Zahlen und Modellbezeichnungen gleich so schreiben, wie sie klingen sollen. Wer bei „3 Schritte“ die gesprochene Form „drei Schritte“ hören möchte, schreibt das Wort aus; ob Buchstaben und Zahlen in einer Modellnummer natürlich verbunden gesprochen werden, entscheidet das generierte Ergebnis.
Nach dem Probehören die passende Stimme wählen
Es gibt die eine richtige Stimme nicht – tauscht man bei demselben Skript die Stimme, ändert sich der Charakter des ganzen Films. Die Auswahl ist unkompliziert: dieselbe Textstelle, am besten der Eröffnungssatz, mit zwei Stimmen je eine Version generieren und nach dem Anhören entscheiden.
Beim Vergleich zählen zwei Dinge. Erstens der inhaltliche Stil: Produktdemos vertragen meist eine helle, knackige Stimme, Erklärformate profitieren von ruhigem, gelassenem Ton. Zweitens die Verständlichkeit: gezielt auf Produktnamen, Zahlen und verbundene Aussprache achten – welche Stimme nichts verschluckt und nichts verschwimmen lässt, ist wichtiger als welche Stimme „schöner“ klingt.
Das Stimmen-Fenster lässt sich nach Engine und Sprache filtern; bewegt man die Maus über eine Stimme, wird direkt ein Beispiel abgespielt. Beispiele zeigen nur den Charakter einer Stimme – am Ende zählt das Ergebnis mit dem eigenen Skript. Nicht davon ausgehen, dass eine Engine für alles die beste ist; ein, zwei weitere Proben, und in wenigen Minuten steht die Wahl.
Text und Sprechgeschwindigkeit an der gemessenen Dauer justieren
Ob ein Voice-over in der Länge passt, lässt sich nicht raten – praktikabel ist: einen Abschnitt messen, dann den ganzen Film planen.
Nach dem Generieren des Einstiegs zeigt der Abspielbalken der Seite die Gesamtdauer dieser Audiodatei; ein Klick auf Herunterladen liefert eine MP3 mit dem Präfix pixmind-tts- und Zeitstempel, die im lokalen Player oder auf der Schnittspur noch einmal gegengeprüft wird. Alle drei Dauern notieren und neben die Bilddauern der Shotlist legen:
- Voice-over länger als das Bild: zuerst den Text kürzen. Schmuck und doppelte Informationen streichen, die niemand vermisst, wirkt besser als Tempo-Feintuning – entfernt wird Ballast, nicht Klarheit.
- Es fehlt noch ein Stück: dann die Sprechgeschwindigkeit leicht anpassen. Die Spannen unterscheiden sich je Engine – die Microsoft-Engine regelt über einen Schieberegler von -100% bis +100% (Standard 0), die Volcano-Engine von 0.8x bis 2.0x (Standard 1.0x), MiniMax von 0.5x bis 2.0x (Standard 1.0x). In kleinen Schritten arbeiten und nach jeder Änderung neu generieren und anhören.
- Voice-over kürzer als das Bild: nicht zwangsläufig langsamer sprechen, um die Zeit zu füllen. Ein bis zwei Sekunden Bild ohne Stimme wirken oft besser als Satz für Satz auf Lücke.
An dieser Stelle bewusst keine Formel der Art „so viele Zeichen ergeben so viele Sekunden“ – solche Formeln sind unzuverlässig: Jede Stimme hat ihr eigenes Grundtempo, Satzzeichen-Pausen und das Vorlesen von Zahlen verschieben die echte Dauer, und derselbe Satz kann mit zwei Stimmen spürbar unterschiedlich lang klingen. Statt eine Formel zu merken, den Einstiegsabschnitt einmal messen und mit der echten Dauer als Referenz arbeiten.
Bei der Abschnitts-Generierung gilt außerdem Konsistenz: dieselbe Stimme und dieselben Parameter für alle Abschnitte eines Films, nur so bleibt der Rhythmus stimmig. Beim Wechsel der Engine setzen sich Sprechgeschwindigkeit und Lautstärke auf die Standardwerte zurück – die justierten Werte vorher notieren. Die Seite behält immer nur ein Ergebnis: einen Abschnitt generieren, herunterladen, dann den nächsten.
Voice-over im Schnittprogramm einbauen und Untertitel ergänzen
Aus der MP3 wird erst im Schnittprogramm der fertige Film; dieser Schritt passiert außerhalb von PixMind, die Software ist egal – der universelle Ablauf:
- Ein neues Projekt anlegen, Bildmaterial und die drei Voice-over-MP3s importieren.
- Jeden Voice-over-Abschnitt nach der Shotlist am zugehörigen Bild ausrichten; an den Schnitten etwas Luft lassen, damit der Ton nicht am Übergang abgeschnitten wird.
- Von vorn durchhören und prüfen, ob Lautstärke und Rhythmus zwischen den Abschnitten zusammenpassen.
- Nach der Freigabe den finalen Film exportieren.
Untertitel entstehen erst nach diesem Schritt – und zwar orientiert am finalen Ton. Skripttext direkt als Untertitel zu nehmen führt zu Zeitmarken, die zum fertigen Klang nicht mehr passen: Nach Kürzungen und Tempo-Änderungen haben sich die Anfangs- und Endpunkte jedes Satzes längst verschoben. Der Weg: den fertigen Film mit eingebautem Voice-over dem Video-zu-SRT-Werkzeug übergeben, daraus eine Untertiteldatei mit Zeitcodes erzeugen und diese zurück ins Schnittprogramm laden, um Eigennamen und Satztrennung zu prüfen.
Häufige Fragen
Voice-over zu lang: zuerst Tempo oder Text ändern?
Zuerst den Text. Schmuckbegriffe und vom Bild bereits gezeigte Informationen zu streichen reicht meist aus; die Sprechgeschwindigkeit wird nur dosiert angefasst, wenn nichts mehr wegzukürzen ist – zu viel Verstellung hetzt die Artikulation und verwischt die Kernpunkte. Nach der Änderung neu generieren und die Wirkung über die Dauer im Abspielbalken prüfen.
Ganzer Text am Stück oder abschnittsweise generieren?
Nach Bildabschnitten. Ein langer Gesamttext stößt an das Zeichenlimit pro Vorgang – ohne Anmeldung und im Free-Tarif 100 Zeichen, mehr lässt sich nicht generieren; die Seite behält ohnehin nur ein Ergebnis, lange Texte müssen also sowieso in Stücken heruntergeladen werden. Die Zerlegung nach Shotlist nutzt das Limit und setzt jede Dauer direkt ans Bild; in der Nachbearbeitung muss nur der Abschnitt neu justiert werden, der Probleme macht.
Wann entstehen die Untertitel nach der Sprachgenerierung?
Nachdem das Voice-over steht und die Tonspur im Film eingebaut ist. Die Zeitcodes der Untertitel folgen dem finalen Klang: mit dem Video-zu-SRT-Werkzeug aus dem zusammengesetzten Film generieren, nicht aus dem Skripttext von vor der Generierung. Die Untertiteldatei danach zurück ins Schnittprogramm laden und Eigennamen sowie Satztrennung prüfen.
Mit einem Eröffnungssatz beginnen
Auf ein vollständiges Skript muss niemand warten. Den geschnittenen Clip öffnen und nur den Einstieg schreiben: ein Satz, der sagt, was das ist und für wen. In Text-to-Speech einfügen, generieren, anhören, Dauer prüfen. Steht der erste Abschnitt, ist der Rest nur eine Wiederholung desselben Kreislaufs.
