Der häufigste Fehler bei der Lokalisierung von Produktvideos: das chinesische Skript maschinell übersetzen und direkt generieren – die englische Fassung läuft mehrere Sekunden über das Bild hinaus, die spanische Version liest die Modellnummer als eine ganz andere Zeichenkette vor, und der Ton passt nicht mehr zu derselben Marke. Die Ursache liegt nicht in der Sprachgenerierung, sondern darin, vier Aufgaben zu einer gemacht zu haben. Mehrere Sprachspuren für dasselbe Produktvideo bedeuten in Wirklichkeit vier getrennte Arbeiten: zuerst ein lokalisierbares Quellskript ordnen, dann für jede Sprache eine sprechsprachliche Fassung vorbereiten, anschließend je Sprache die passende Stimme wählen und zuletzt das Bild über die gemessenen Dauern der Spuren angleichen. PixMinds Text-zu-Sprache übernimmt davon einen Teil: den finalen Text jeder Sprache in MP3 verwandeln; Übersetzung und Korrektorat passieren vor dem Eintritt ins Tool.
Text-zu-Sprache öffnen, den finalen Text jeder Sprache Abschnitt für Abschnitt einfügen und Abschnitt für Abschnitt generieren und herunterladen.
Kernpunkte
- Vier Handlungen getrennt ausführen: Quellskript ordnen, sprechsprachliche Fassung je Sprache, Stimme je Sprache wählen, Bild über gemessene Dauern angleichen.
- Text-zu-Sprache liest nur den eingegebenen Text vor und übersetzt nicht; die finale Fassung jeder Sprache entsteht in Übersetzungs- und Korrekturabläufen außerhalb des Tools.
- Stimmen werden je Sprache einzeln gewählt; korrekte Aussprache und passende Marken-Stimme haben Vorrang – nicht dieselbe Stimme für alle Sprachen.
- Die Seite behält immer nur ein Ergebnis; die heruntergeladenen MP3s beginnen mit pixmind-tts- und werden nach Sprache und Version umbenannt und archiviert.
Zuerst ein lokalisierbares Quellskript erstellen
Das Quellskript ist nicht der „chinesische Sprechtext“, sondern die Mutter aller Sprachversionen: einmal ordnen, und Übersetzung, Korrektur und Vertonung starten alle aus demselben Material – so bleibt spätere Nacharbeit klein.
Der Kern der Ordnung ist die Spaltentrennung: „übersetzbarer Text“ und „gleich zu haltende Markenbegriffe“ auseinandernehmen. Produktname, Modellnummer, Slogan und Firmenname gehören zur zweiten Gruppe; lege zuerst fest, wie sie in jeder Sprachversion heißen – Original beibehalten, Lautübertragung oder lokalisierte Schreibweise –, und alle Abschnitte folgen dieser Entscheidung. Buchstaben-Zahlen-Kombinationen in Modellnummern sind besonders festzuschreiben: Dieselbe Modellnummer wird in jeder Sprachversion nach derselben Schreibweise eingegeben, damit nicht jede Stimme ihr eigenes daraus macht und mehrere Varianten vorliest.
Der übersetzbare Text wird nach Shots gegliedert. Produktvideo-Kommentare sind ohnehin kurz; nach Eröffnung, Demonstration und Abschluss getrennt, entspricht jeder Abschnitt genau einem Bildfenster – dieses Gerüst trägt später Generierung und Untertitel. Eine einzelne Generierung hat eine Zeichengrenze – ohne Anmeldung und im Gratis-Tarif 100 Zeichen pro Durchgang, im bezahlten Abo 10000 –, und Shot-Abschnitte liegen meist weit darunter.
Das geordnete Quellskript ist eine Tabelle, deren Zeilen Shot-Inhalt, Bilddauer, feste Begriffe und übersetzbaren Text enthalten. Dieselbe Tabelle ist die Grundlage für Korrektorat und Untertitel.
Für jede Sprache eine sprechsprachliche Fassung vorbereiten
Zuerst die Grenze: Die Text-zu-Sprache-Seite verarbeitet nur deinen eingegebenen Text und übersetzt nichts für dich. Jede Sprachfassung entsteht in deinem eigenen Textprozess aus Übersetzung und Korrektur; erst die finale Fassung geht ins Sprach-Tool.
Wörtliche Übersetzungen taugen meist nicht direkt. Beispiel englische Fassung eines Produkt-Auftakts:
- Wörtlich: „This cup can complete the juicing of fruit within thirty seconds, and it is also very easy to clean.“
- Sprechsprachlich: „Fresh juice in thirty seconds. Cleanup? Just rinse it.“
Die wörtliche Fassung ist grammatisch korrekt, aber Satz für Satz aus einem langen chinesischen Satz übersetzt: in einem Zug vorgelesen, ohne Pause, und ohne den Ton muttersprachlicher Werbung. Die sprechsprachliche Fassung nutzt zwei kurze Sätze und baut mit einer Frage eine Pause ein – so passt der Rhythmus leichter zum Bild. Jede Sprache braucht diesen Schritt: jemanden, der die Sprache beherrscht, die wörtliche Fassung in „gesprochene Sprache“ umschreiben lassen, dabei Zahlen-Lesart, Einheitenumrechnung und Anrede-Gepflogenheiten gleich mit erledigen.
Die korrigierte Endfassung wird ins Textfeld eingefügt und generiert; im Tool wird nicht mehr am Text gearbeitet. Die Arbeitsteilung ist damit klar: Textprobleme gehen zurück in den Korrekturablauf, nur Aussprache- und Dauerfragen werden im Tool justiert.
Für jede Sprache die passende Stimme auswählen
Jede Sprache wird im Stimmen-Katalog einzeln gewählt; ein Stimmsortiment für alle Sprachen gibt es nicht. Öffne den Dialog „Stimme wählen“, wechsle oben zuerst die Engine und filtere dann mit der Sprach-Auswahl die Zielsprache – die Sprachoptionen kommen aus dem Stimmen-Katalog der aktuellen Engine und ändern sich mit dem Wechsel. Bewege die Maus über eine Stimmen-Karte, um das Beispiel direkt anzuhören.
Für Mehrsprachigkeit gelten drei Kriterien. Erstens: Der Akzent muss zum Zielmarkt passen – dasselbe Spanisch klingt in Lateinamerika anders als in Spanien, beachte das beim Filtern und Anhören. Zweitens: Höre gezielt auf die Aussprache von Produktnamen, Modellnummern und Zahlen; Sätze mit dem Produktnamen zu testen ist verlässlicher als nur Beispiele anzuhören. Drittens: Die Marken-Stimme über Sprachen hinweg angleichen – ist die chinesische Fassung hell und munter, wähle für die englische keine tiefe, langsame Stimme.
Nicht erforderlich ist derselbe Sprecher über alle Sprachen. Chinesisch mit Frauenstimme, Englisch mit Männerstimme ist völlig legitim, solange der Ton aller Sprachen zur selben Marke zeigt. Wer sprachübergreifend „exakt dieselbe eine Stimme“ jagt, opfert leicht die Aussprachequalität der Einzelsprachen – das war nie der Maßstab mehrsprachiger Vertonung.
Ist je Sprache eine Stimme bestimmt, notiere sie: Engine, Stimmenname. Alle Abschnitte derselben Sprache nutzen genau diese Stimme – ohne Wechsel dazwischen.
Längenunterschiede zwischen Sprachen behandeln
Dieselbe Kommentarzeile wird in verschiedenen Sprachen naturgemäß unterschiedlich lang: In der einen Sprache reichen fünf Sekunden, in der anderen brauchen es sieben. Dasselbe Bildfenster wird damit unterschiedlich lang – das ist der größte Unterschied zwischen mehrsprachiger und einsprachiger Vertonung.
Die Reihenfolge: erst messen, dann Skript ändern, zuletzt Sprechtempo:
- Generiere je Sprache alle Abschnitte und notiere die Gesamtdauer aus der Player-Leiste; trage jede Sprache mit jedem Abschnitt samt Bilddauer in die Quellskript-Tabelle ein.
- Läuft eine Sprachversion über das Bild, ändere zuerst das Skript: verzichtbare Ausschmückungen streichen, lange Sätze teilen, mit Zeichensetzung Pausen setzen. Was die Textkürzung erspart, ist überflüssige Last; die informationstragenden Aussagen bleiben vollständig – das ist wirksamer als das Sprechtempo zu verbiegen.
- Bleibt nach maximaler Skript-Straffung eine kleine Differenz, gleiche sie behutsam über das Sprechtempo aus. Der Bereich des Tempo-Schiebereglers hängt von der Engine ab, und beim Engine-Wechsel setzen sich die Parameter auf Standardwerte zurück – die Stimmen der Sprachen stammen meist von verschiedenen Engines; notiere daher das eingestellte Tempo in der Quellskript-Tabelle und stelle es beim abschnittsweisen Generieren wieder her.
Die Grenze: Die Schlüsselaktionen der Produktvorstellung weichen nicht der Zeitsparnis. Deckel aufschrauben, Knopf drücken, Nahaufnahme des Ergebnisses – lieber den Kommentar kürzen und das Tempo natürlich lassen, als Silben zu verschlucken oder Aktionsbilder zu schneiden. Passt eine Kommentarzeile wirklich nicht, lässt sie sich natürlicher in den nächsten Shot fallen, als sich in diesen Abschnitt zu quetschen.
Die Seite behält immer nur ein Ergebnis; richtig ist bei vielen Sprachen und Abschnitten: Abschnitt für Abschnitt generieren, herunterladen, notieren – nicht darauf hoffen, alle Spuren auf einmal zu bekommen.
Tonspuren exportieren und Versionsdateien ordnen
Das per Download erhaltene MP3 trägt einen Dateinamen, der mit pixmind-tts- beginnt, gefolgt von einem Zeitstempel der Generierung. Bei vielen Sprachen und Abschnitten verrät der Zeitstempel nicht, welches Segment welches ist – benenne sofort nach Sprache und Version um, zum Beispiel:
- Tonspuren:
product-demo_zh_opening_v2.mp3,product-demo_en_opening_v2.mp3 - Untertitel:
product-demo_zh_v2.srt,product-demo_en_v2.srt
Eine Namensregel wirkt, sobald sie fest ist: Projekt, Sprachcode, Abschnitt, Versionsnummer – die Team-Absprache muss nur einheitlich sein.
Das Zusammenführen der Spuren mit dem Video passiert in einer externen Schnittsoftware, egal welcher – pro Sprache läuft derselbe Ablauf:
- Lege für jede Sprache eine Kopie der Timeline an (oder ein neues Projekt) und importiere das Bild plus alle Tonspuren dieser Sprache.
- Richte die Kommentarabschnitte anhand der Quellskript-Tabelle am Bild aus; prüfe besonders, ob der Kommentar an Schlüsselaktionen exakt auf dem Punkt sitzt.
- Höre die gesamte Fassung einmal durch; stimmen Lautstärke und Rhythmus-Übergänge, exportiere das fertige Video dieser Sprachversion.
Untertitel werden je Sprache separat erstellt – und auf Basis des tatsächlichen Tons der finalen Fassung, nicht des Quellskripts: Übersetzungen wurden geändert, Pausen justiert, Tempo angepasst – die Zeitachse passt längst nicht mehr. Erzeuge mit Video-zu-SRT aus jeder Sprachfassung die Untertitel und gehe die Dateien danach in der Schnittsoftware noch einmal auf Eigennamen und Zeilenumbrüche durch.
Häufige Fragen
Übersetzt das Tool mein eingegebenes Skript automatisch?
Nein. Text-zu-Sprache liest nur deinen eingegebenen Text vor; Sprachfassungen entstehen in Übersetzungs- und Korrekturabläufen außerhalb des Tools und werden erst als Endfassung eingefügt. Im Tool justierst du Stimme, Tempo und Lautstärke – der Text selbst bleibt unangetastet.
Können verschiedene Sprachen exakt dieselbe Stimme behalten?
Nicht nötig – und meist ohnehin nicht mit gleichzeitig bester Aussprache und Tonlage. Stimmen werden je Sprache gewählt; die Sprach-Auswahl stammt aus dem jeweiligen Katalog jeder Engine, verschiedene Sprachen mit verschiedenen Stimmen sind völlig normal. Maßstab sind korrekte Aussprache und einheitlicher Marken-Ton, nicht „hört sich wie dieselbe Person an“.
Was, wenn der übersetzte Kommentar nicht in die Bilddauer passt?
In dieser Reihenfolge: zuerst Schmuckelemente im Skript streichen und Pausen anpassen; bleibt eine kleine Differenz, mit dem Sprechtempo behutsam ausgleichen; passt es immer noch nicht, lasse die Zeile in den nächsten Shot fallen oder justiere den Bildrhythmus dieser Sprachfassung leicht. Schlüsselaktionen der Produktvorstellung werden dafür nicht gekürzt.
Starte mit dem Auftakt in zwei Sprachversionen
Du musst nicht sofort das ganze Video fertigmachen. Wähle den Auftakt-Abschnitt: feste Begriffe und übersetzbaren Text ordnen, zwei sprechsprachliche Fassungen erstellen, je Sprache die passende Stimme wählen, je eine Tonspur generieren und die gemessenen Dauern beider mit dem Bildfenster vergleichen. Läuft dieser Abschnitt, sind die übrigen Abschnitte und Sprachen nur Wiederholung desselben Zyklus.
