Wie ist das entstanden?

Ja, das ist meine Stimme. Aber ich habe kein Wort davon eingesprochen.

Ich habe eine kurze Sprachprobe aufgenommen. Den Rest hat die KI gemacht: Stimme geklont, Text vorgelesen, Slides im TikTok-Style animiert, alles zusammengerendert. Das fertige Video war in unter 10 Minuten auf dem Desktop.

Version 2 — im Vergleich zum ersten Versuch hat sich einiges getan: Die Stimme klingt natürlicher mit mehr Betonung, die Slides sind dynamischer (große Texte die reinknallen, animierte Zahlenvergleiche, farbige Badges), und die Lautstärke ist zwischen den Absätzen gleichmäßig.

Ist es perfekt? Nein. 1–2 Ausrutscher in der Aussprache sind noch drin. Aber für Content-Videos ist es absolut brauchbar — vor allem wenn die Alternative ist, dass das Video gar nicht entsteht.

Was hinter den Kulissen passiert:

• Voice Cloning mit einem Open-Source-Modell, komplett lokal auf dem Mac — keine Cloud, keine API
• Text mit phonetischen Korrekturen für korrekte Aussprache englischer Fachbegriffe
• Jeder Absatz = ein Audio-Chunk mit eigenem Timing → wird automatisch zu einer Slide
• TikTok-Style Animationen: KineticWord (Scale + Shake), SlamNumber, GlitchText
• Qualitätskontrolle: Einzelne Chunks nachgenerieren und per Audio-Splicing einsetzen
• Fertiges Video in Querformat (YouTube) oder Hochformat (Reels/TikTok)

Das Ganze läuft auf einem Mac Mini. Kein Abo, keine monatlichen Kosten, keine Daten die irgendwo hochgeladen werden.