Bitdoze-Logo

Deine Stimme mit Fish Audio in 2 Minuten klonen (2026 Guide)

Klone deine Stimme aus 15 Sekunden Audio im kostenlosen Tarif von Fish Audio. Schritt für Schritt mit Aufnahme-Tipps, Emotions-Tags, Screenshots und den Fehlern, die meinen…

Dragos

Aktualisiert Veröffentlicht 8 Min. Lesezeit

Deine Stimme mit Fish Audio in 2 Minuten klonen (2026 Guide)

Hinweis: Dieser Guide enthält Referral-Links. Wenn du über sie kaufst, erhalte ich möglicherweise eine Provision – ohne zusätzliche Kosten für dich.

Ich klone meine Stimme auf Fish Audio für YouTube. Von der ersten sauberen Aufnahme bis zum funktionierenden Klon hat es etwa zwei Minuten gedauert. Der erste Versuch war Müll, weil ich bei laufendem Deckenventilator aufgenommen hatte. Hier ist der exakte Weg, der funktioniert hat – plus das, was ich anders machen würde.

Fish Audio kostenlos testen

Was du brauchst

  • Einen Fish-Audio-Account (der kostenlose Tarif reicht)
  • 10–15 Sekunden klares Audio von dir beim Sprechen
  • Einen ruhigen Raum (Hintergrundgeräusche verschlechtern die Qualität)
  • Ein ordentliches Mikrofon (dein Laptop-Mic geht, ein USB-Mic ist besser)

Bevor du anfängst

Voice Cloning bei Fish Audio ist im kostenlosen Tarif gratis. Du brauchst keinen Paid Plan, um deine Stimme zu klonen. Der Klon kann nach der Erstellung in 83 Sprachen sprechen.

Schritt 1: Nimm deine Stimmprobe auf

Nimm dich selbst auf, wie du etwa 15 Sekunden lang deutlich einen Absatz vorliest. Das habe ich benutzt:

“Der schnelle braune Fuchs springt über den faulen Hund. Ich nehme diese Probe auf, um einen Stimmklon zu erstellen, den ich für meine Videoprojekte nutzen kann. Natürliches und deutliches Sprechen hilft der KI dabei, meine Stimmcharakteristik zu erfassen.”

Aufnahme-Tipps

Halte es sauber. Nimm in einem ruhigen Raum auf. Schließe Fenster, schalte Ventilatoren aus, stell dein Handy stumm. Hintergrundgeräusche werden in den Klon eingebrannt und machen ihn schlechter.

Sprich natürlich. Lies nicht monoton und versuch nicht, wie ein Nachrichtensprecher zu klingen. Rede so, wie du normalerweise in einem Gespräch redest. Der Klon übernimmt deine natürliche Kadenz – gib ihm also deine echte Stimme.

Nutze ein gutes Mikrofon, wenn du eins hast. Ein USB-Kondensatormic wie das Blue Yeti oder Audio-Technica AT2020 liefert sauberere Ergebnisse als ein Laptop-Mikrofon. Ich habe trotzdem mit meinem Laptop-Mic getestet, und der Klon war immer noch brauchbar.

Ziele auf 15 Sekunden. Fish Audio braucht mindestens 10 Sekunden, aber 15 Sekunden geben dem Modell mehr Material. Nimm nicht fünf Minuten auf, weil du denkst, mehr sei besser. Ist es nicht. Kurze, saubere Aufnahmen erzeugen bessere Klone.

Vermeide Listen und Zahlen. Natürlicher Absatztext funktioniert am besten. Listen und Zahlen haben eine ungewöhnliche Prosodie, die das Modell verwirren kann.

Schritt 2: Auf Fish Audio hochladen

  1. Geh zu Fish Audio und melde dich an
  2. Klick in der linken Sidebar auf Voice
  3. Klick auf Create Voice oder den +-Button
  4. Lade deine Audiodatei hoch (MP3, WAV oder M4A)
  5. Vergib einen Namen für deine Stimme (ich habe “My Voice” genommen)
  6. Füge eine Beschreibung hinzu (optional, hilft dir aber später beim Wiederfinden)
  7. Klick auf Create

Upload und Verarbeitung dauern etwa 30 Sekunden bis 2 Minuten. Fish Audio verarbeitet das Audio, extrahiert deine Stimmcharakteristik und baut daraus ein Modell.

Geklonte Stimme in Fish Audio mit Waveform und Spracheinstellungen

Schritt 3: Teste deinen Klon

Sobald der Klon fertig ist, geh zur TTS-Generierungsseite:

  1. Wähle deine geklonte Stimme im Voice-Dropdown
  2. Tippe einen Testsatz (etwas anderes als deine Aufnahme)
  3. Klick auf Generate
  4. Hör dir das Ergebnis an

Teste mit ein paar verschiedenen Textarten:

  • Ein normaler Satz, um die Basisqualität zu prüfen
  • Eine Frage, um die steigende Intonation zu prüfen
  • Ein längerer Absatz, um die Konsistenz zu prüfen
  • Etwas Emotionales, um die Bandbreite zu prüfen

Wenn der Klon komisch klingt, nimm eine sauberere Probe auf und versuch es erneut. Die Qualität des Eingangsaudios ist der größte Faktor dafür, wie gut der Klon klingt.

Fish-Audio-TTS-Oberfläche mit Emotions-Controls und Modellauswahl

Schritt 4: Füge Emotions-Tags hinzu

Die Emotions-Tags von Fish Audio sind das, was es von anderen TTS-Tools abhebt. Sobald dein Klon funktioniert, kannst du Tags hinzufügen, um den Vortrag zu steuern:

  • (excited) — fröhlich, energiegeladen
  • (sad) — langsamer, tiefere Tonlage
  • (whisper) — leise, intim
  • (angry) — scharf, kraftvoll
  • (serious) — bestimmt, bedächtig
  • (happy) — warm, positiv

Setze den Tag an den Anfang des Abschnitts, den du beeinflussen willst:

text
(excited) I just got the promotion I have been working toward for two years!
(serious) But I need to think carefully about whether to accept it.
(whisper) Between you and me, I already made up my mind.

Tipps zu Emotions-Tags

Übertreib es nicht. Ein oder zwei Tags pro Absatz reichen. Zu viele Tags lassen das Ergebnis unnatürlich klingen.

Setze Tags an natürliche Bruchstellen. Platziere sie am Anfang von Sätzen oder Teilsätzen, nicht mitten im Wort.

Experimentiere. Derselbe Text mit verschiedenen Tags erzeugt sehr unterschiedliche Ergebnisse. Probier ein paar Varianten, bevor du dich auf eine Endfassung festlegst.

Kombiniere mit Satzzeichen. Ausrufezeichen, Auslassungspunkte und Fragezeichen wirken mit Emotions-Tags zusammen und formen den Vortrag.

Schritt 5: Generieren und herunterladen

Sobald du mit dem Ergebnis zufrieden bist:

  1. Klick auf Generate, um das Audio zu erzeugen
  2. Hör dir das komplette Ergebnis an
  3. Wenn es passt, klick auf Download, um es als MP3 oder WAV zu speichern
  4. Importiere es in deinen Video-Editor, dein Podcast-Tool oder dein Projekt

Du kannst so viele Varianten generieren, wie du willst. Probier verschiedene Formulierungen, Tag-Platzierungen und Texte, bis das Ergebnis dem entspricht, was du brauchst.

Wie lange dauert Voice Cloning?

Etwa 30 Sekunden bis 2 Minuten. Fish Audio verarbeitet deine Audioprobe, extrahiert die Stimmcharakteristik und baut ein Modell. Die tatsächliche Zeit hängt von der Serverlast ab, liegt aber meist unter zwei Minuten.

Kann ich die Stimme einer anderen Person klonen?

Du solltest nur Stimmen klonen, für deren Nutzung du eine Erlaubnis hast. Fish Audio verlangt, dass du das Recht hast, jede Stimme zu klonen, die du hochlädst. Die Stimme einer anderen Person ohne Einverständnis zu klonen kann gegen die Nutzungsbedingungen verstoßen und rechtliche Konsequenzen haben.

Kann ich meinen Klon nach dem Erstellen verbessern?

Du kannst einen neuen Klon mit einer besseren Audioprobe erstellen. Einen bestehenden Klon zu „fine-tunen“ gibt es nicht. Wenn die Qualität nicht passt, nimm eine sauberere Probe auf und erstelle eine neue Stimme.

Wie viele Sprachen kann mein Klon sprechen?

Fish Audio unterstützt 83 Sprachen. Dein Klon kann Sprache in jeder dieser Sprachen erzeugen. Die Qualität variiert je nach Sprache. Große Sprachen wie Englisch, Chinesisch, Japanisch, Französisch und Deutsch funktionieren gut. Weniger verbreitete Sprachen können Akzent-Artefakte haben.

Sind meine Stimmdaten sicher?

Fish Audio nutzt Standardverschlüsselung für Stimmdaten. Sie beanspruchen keine unbefristeten Rechte an deiner Stimme (anders als manche Konkurrenten). Lies trotzdem die Nutzungsbedingungen, bevor du sensibles Audio hochlädst. Für kommerzielle Nutzung enthalten die Paid Plans eine saubere Lizenzierung.

Wenn ein Wort immer wieder falsch rauskommt

Manchmal ist der Klon in Ordnung, aber ein einzelnes Wort wird verstümmelt – ein Name, eine Marke, ein Akronym wie SQL. Der alte Fix war, das Skript jedes Mal mit Phonem-Tags zu bearbeiten. Fish Audio hat jetzt Pronunciation Dictionaries: Definiere Wort-zu-Phonem-Regeln einmal in der Web-App (unter Pronunciation Dictionary im Dashboard), veröffentliche eine Version, und sie gilt für jede folgende Generierung. Englische Regeln nutzen CMU Arpabet, aus Kubernetes wird also K UW2 B ER0 N EH1 T IY0 Z. Chinesisch und Japanisch haben ihre eigenen Phonem-Formate. Wenn du über die API generierst, übergib die veröffentlichte Dictionary-ID im Request oder schick ein Inline-Dictionary für einen Einmal-Fix.

Kein Mic? Nutze stattdessen Voice Design

Wenn eine saubere 15-Sekunden-Aufnahme das Hindernis ist, baut Voice Design eine Stimme aus einer Textbeschreibung – Alter, Akzent, Klang, Tempo – in etwa 15 Sekunden, ganz ohne Audio. Während des Launchs ist es auf der Website kostenlos (normalerweise 2.000 Credits pro Generierung). Das Ergebnis ist ein Stimmmodell, das du genau wie einen Klon nutzt. Es wird nicht deine Stimme sein – was ja der ganze Sinn des Klonens ist –, aber für eine Charakterstimme oder eine vorläufige Erzählspur ist es der schnellere Weg.

Häufige Fehler

In einem lauten Raum aufnehmen. Hintergrundgeräusche, Echo und Raumhall landen alle im Klon. Nimm im leisesten Raum auf, den du finden kannst.

Zu langsam oder unnatürlich sprechen. Wenn du wie ein Roboter liest, klingt dein Klon wie ein Roboter. Sprich so, wie du normalerweise redest.

Zu viele Emotions-Tags nutzen. Zwei oder drei Tags pro Absatz sind okay. Zehn Tags pro Absatz machen das Ergebnis abgehackt und unnatürlich.

Nicht genug testen. Generiere mehrere Varianten mit unterschiedlichem Text, bevor du den Klon für gut oder schlecht befindest. Ein schlechtes Ergebnis heißt nicht, dass der Klon kaputt ist.

Perfektion erwarten. KI-Voice-Cloning ist gut, nicht perfekt. Der Klon klingt wie du an einem guten Tag, nicht exakt wie du in jeder Situation. Für die meisten Content-Zwecke reicht das.

Was ich anders machen würde

Wenn ich nochmal anfangen würde, würde ich:

  1. In einem schallgedämmten Raum oder Kleiderschrank aufnehmen (weniger Echo)
  2. Mein USB-Mic statt dem Laptop-Mic nutzen
  3. Ein paar verschiedene Aufnahmen machen und jede testen, bevor ich die beste auswähle
  4. Ohne Emotions-Tags anfangen und sie nach und nach hinzufügen

Der Klon, den ich jetzt habe, funktioniert gut für meine YouTube-Videos. Meine Frau konnte im Blindtest keinen Unterschied hören – das reicht mir. Aber der erste Versuch war nicht gut, weil ich in einem Raum mit laufendem Deckenventilator aufgenommen hatte. Sauberes Input-Material zählt.

Deine Stimme kostenlos klonen

Verwandte Artikel

#Fish Audio#Voice Cloning#Text To Speech

Hat diese Anleitung bei dir funktioniert?

Brauchst du Hilfe bei Astro, VPS oder einer Self-hosted-App? Services ansehen →