Wie ist das entstanden?

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

Ich habe eine 30-Sekunden-Sprachprobe aufgenommen. Den Rest hat die KI gemacht: Stimme geklont, Text vorgelesen, Slides designed, alles zusammengeschnitten. Das fertige Video war in unter 10 Minuten auf dem Desktop.

Meine ehrliche Meinung? Beeindruckend — und gleichzeitig noch nicht perfekt. Die Stimme klingt zu 85% nach mir. Die Betonung ist etwas flacher als wenn ich selbst spreche. Aber für Tutorial-Videos und Anleitungen? Absolut brauchbar. Vor allem wenn die Alternative ist, dass das Video gar nicht entsteht.

Was wir gemacht haben:

• Referenz-Audio mit einem guten Mikro aufgenommen (30 Sekunden reichen)
• Voice Cloning mit einem Open-Source-Modell, das komplett lokal auf dem Mac läuft — keine Cloud, keine API
• Text geschrieben, englische Fachbegriffe phonetisch angepasst damit die deutsche Aussprache stimmt
• Jeder Absatz im Text wird zu einer eigenen Slide — das Timing berechnet sich automatisch aus der Audio-Länge
• Slides werden automatisch gerendert, fertig ist das Video

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