Was ein sprechendes Foto ist
Ein sprechendes Foto beginnt mit zwei Dingen: einem Standbild einer Person und einer Tonspur. Ein KI-Videomodell liest die Schallwelle der Stimme, ordnet die Laute den passenden Mundformen zu und erzeugt neue Videobilder, in denen die Person auf dem Foto den Text spricht.
Ältere Tools haben einfach einen sich bewegenden Mund auf ein eingefrorenes Gesicht geklebt. Der Kiefer bewegte sich, die Wangen blieben starr und die Augen blickten ins Leere. Aktuelle audiogesteuerte Videomodelle animieren das gesamte Bild. Wenn die Stimme Luft holt, heben sich Brust und Schultern. Wenn ein Wort höher betont wird, gehen die Augenbrauen nach oben und der Kopf neigt sich. Die Augenlider blinzeln zwischen den Sätzen, und die Hände bewegen sich mit, sofern sie im Bild zu sehen sind.
Bei Doppelshot nimmst du kein Referenzvideo auf und lädst auch keine zehn Perspektiven deines Gesichts hoch. Du öffnest die Karte Sag es, lädst ein einzelnes Selfie hoch oder wählst ein KI-Porträt aus, das du bereits in der App erstellt hast, tippst den gewünschten Text ein und suchst dir eine Stimme aus. Die App erzeugt zuerst die Sprachspur und übergibt dann das Foto samt Audio an das Videomodell. Du erhältst ein vertikales Video, direkt bereit für TikTok, Instagram Reels oder YouTube Shorts.
Das richtige Foto auswählen
Das Videomodell kann nur mit dem arbeiten, was im Ausgangsbild sichtbar ist. Jedes verdeckte Merkmal zwingt die KI zum Raten, und genau beim Raten beginnen Gesichter sich zu verziehen.
Nutze ein Foto von vorn, auf dem die Person direkt in die Kamera oder leicht daran vorbei schaut. Der Mund muss gut sichtbar sein. Ein entspannter, geschlossener Mund oder ein leichtes Lächeln liefert den saubersten Ausgangspunkt. Wenn die Person mit weit geöffnetem Mund lacht, behandelt das Modell diesen offenen Kiefer als Ruhezustand des Gesichts, wodurch Sprechpausen zwischen den Wörtern seltsam wirken.
Halte das Gesicht frei von Hindernissen:
- Keine Hände, die das Kinn oder die Wange verdecken.
- Keine Mikrofone, Kaffeetassen oder Essen vor den Lippen.
- Keine harten Schatten, die über Mund oder Augen fallen.
- Keine Sonnenbrille, denn der Blickkontakt macht die halbe Miete aus, damit das Sprechen echt wirkt.
Du kannst ein unbearbeitetes Handy-Selfie, ein Studioporträt oder ein stilisiertes Bild verwenden, das du mit einer Doppelshot-Fotokarte erstellt hast, etwa ein Vintage-Filmporträt oder ein Filmplakat. Sowohl Nahaufnahmen als auch Aufnahmen ab der Hüfte funktionieren. Eine Nahaufnahme lenkt den Fokus auf die Augen und die Lippensynchronisation. Eine Aufnahme ab der Hüfte gibt dem Modell Platz, beim Sprechen auch Schultern und Hände zu bewegen. Jede Person auf einem hochgeladenen Foto muss volljährig sein (18+) und zugestimmt haben, in KI-generierten Inhalten zu erscheinen.
Für neun Sekunden schreiben
Die meisten kurzen Sprechclips dauern neun oder zehn Sekunden. In einem normalen Gespräch entsprechen neun Sekunden etwa 20 bis 25 Wörtern.
Wenn du einen Absatz mit 60 Wörtern in einen kurzen Clip einfügst, hetzt der Sprachgenerator entweder durch den Text oder wird mitten im Satz abgeschnitten, sobald das Video endet. Wenn du nur drei Wörter schreibst, spricht die Person eine Sekunde lang und verbringt die restlichen acht Sekunden schweigend und blinzelnd.
Schreib so, wie Menschen sprechen, nicht wie sie E-Mails verfassen:
- Nutze kurze Sätze. Zwei Sätze mit je zehn Wörtern klingen viel natürlicher als ein Satz mit zwanzig Wörtern und drei Nebensätzen.
- Setze Satzzeichen ein, um die Atmung zu steuern. Ein Komma gibt der Stimme eine kurze Pause. Ein Punkt sorgt dafür, dass die sprechende Person den Mund schließt, das Kinn leicht senkt und vor dem nächsten Satz Luft holt.
- Schreib Zahlen und Abkürzungen als ganze Wörter aus, damit die Stimme sie genau so vorliest, wie du es meinst.
- Lies dein Skript laut in einem normalen, entspannten Tempo vor und lass eine Stoppuhr mitlaufen. Wenn du über neun Sekunden kommst, streiche ein paar Wörter.
Wenn du einen längeren Monolog oder eine Ankündigung brauchst, wechsle zu einem Modell mit längerer Laufzeit oder erstelle einen Dialog mit zwei Personen über die Karte Mach einen Podcast.
Die Stimme: eine auswählen oder deine eigene klonen
Wie echt ein sprechendes Foto wirkt, hängt genauso stark von der Tonspur ab wie von den Videopixeln. Da das Videomodell seine Impulse aus der Schallwelle bezieht, erzeugt eine monotone, roboterhafte Stimme auch ein flaches, steifes Gesicht.
Doppelshot nutzt ElevenLabs (Eleven v4) für seine Stimmenbibliothek. Du kannst aus rund 30 Stimmen in verschiedenen Stilen und Tonlagen wählen oder den Regler auf Auto lassen, damit die App eine Stimme aussucht, die zur Person auf deinem Foto passt. Die Stimme spricht jede Sprache, in der du dein Skript verfasst. Du kannst der Stimme auch einen Hinweis zur Betonung mitgeben, zum Beispiel sanft, amüsiert oder außer Atem, damit der Satz frei gesprochen klingt und nicht wie abgelesen.
Wenn du selbst auf dem Foto zu sehen bist, wirkt eine fremde Stimme aus deinem Gesicht auf Leute, die dich kennen, schnell befremdlich. Du kannst deine eigene Stimme direkt in der App klonen. Dafür nimmst du einmalig einen kurzen Bestätigungsclip im Browser auf, und nach wenigen Minuten ist der Klon einsatzbereit. Er erscheint neben den Stimmen aus der Bibliothek und funktioniert auf jeder Sprechkarte.
Eine Regieanweisung geben
Wer vor der Kamera spricht, verharrt selten vom ersten bis zum letzten Wort in derselben Haltung. Man schaut beim Nachdenken kurz nach oben, nickt bei einem wichtigen Wort oder lächelt nach einer Pointe.
Bei mehreren Sprechmodellen kannst du neben deinem Skript eine kurze Regieanweisung als Text eingeben. Diese Anweisung sagt dem Videomodell, was die Person und die Kamera tun sollen, während das Audio läuft.
Halte die Anweisung einfach und körperbezogen. Beschreibe eine oder zwei kleine Bewegungen, die in neun Sekunden passen:
- "Schaut direkt in die Kamera, nickt einmal und lächelt am Ende."
- "Spricht ruhig mit leicht geneigtem Kopf, warmes Innenlicht."
- "Hält eine Kaffeetasse, blickt zur Kamera auf und spricht leise."
Vermeide es, viele große Handlungen in einen kurzen Clip zu packen. Wenn eine Person in neun Sekunden aufstehen, durch den Raum gehen, winken und sich wieder hinsetzen soll, erzwingt das schnelle, unnatürliche Bewegungen, die vom Gesicht ablenken und die Lippensynchronisation ruinieren.
Welches Modell: OmniHuman, LTX, HeyGen, Kling, Creatify
Jede Sprechkarte in Doppelshot läuft mit einem Standardmodell, du kannst aber vor dem Generieren über die Modellauswahl zu einer anderen Engine wechseln. Verschiedene Modelle sind für verschiedene Aufnahmen gebaut. Der Preis wird dir vor dem Start angezeigt.
OmniHuman 2.0 (ByteDance). Entwickelt für ausdrucksstarkes Sprechen, Körpersprache und Gesang. Es folgt der Stimme sehr genau und passt Lippen, Atmung sowie Handbewegungen an das Audio an. Da es eine schriftliche Regieanweisung entgegennimmt, kannst du festlegen, wie die Person beim Sprechen reagieren soll. Es funktioniert bei Nahaufnahmen und Ganzkörperbildern und läuft in Längen von 10, 20 oder 30 Sekunden.
LTX 2.5 (Lightricks). Gebaut für filmische Aufnahmen von bis zu 9 Sekunden (etwa 25 Wörter). Während sich die meisten Avatar-Engines rein auf die Person konzentrieren, behandelt LTX den Clip wie eine Filmregie: Es animiert die sprechende Person in einer kompletten Szene inklusive Bildausschnitt, Beleuchtung, Kamerabewegung und passender Raumatmosphäre im Ton. Wähle dieses Modell, wenn die Umgebung rund um die sprechende Person genauso wichtig ist wie die Worte.
HeyGen Avatar 4. Abgestimmt auf Mimik, Augenbrauenbewegung und Blickkontakt. Es bewahrt den Look des Originalfotos und verleiht der Person gleichzeitig die Präsenz einer Moderation vor der Kamera. Es treibt außerdem die Karte Drei Emotionen an, auf der dein Foto denselben Satz in einem einzigen Clip auf drei verschiedene Arten vorträgt.
Kling Avatar und Kling Avatar Pro (Kuaishou). Die praktische Wahl für lange Skripte. Kling Avatar verarbeitet Sprechvideos von 10 bis 60 Sekunden, abgerechnet pro 10-Sekunden-Abschnitt. Die Standardstufe ist der günstigste Weg für eine längere Ankündigung oder ein Intro; die Pro-Stufe erhält feinere Gesichtsdetails und ruhigere Bewegungen über lange Einstellungen hinweg.
Creatify Aurora. Trainiert mit Moderations- und nutzergeneriertem Werbematerial. Es verleiht der Person eine direkte, selbstbewusste Ansprache in die Kamera, gemacht für Produkt-Pitches und Social-Media-Hooks von bis zu 20 Sekunden.
Eine Schritt-für-Schritt-Anleitung für deinen ersten Clip findest du auf der Hilfeseite Wie du ein Foto sprechen oder singen lässt.
Wo es scheitert und wie du es behebst
Selbst gute Modelle scheitern, wenn die Eingaben sie zu Dingen zwingen, für die sie nicht trainiert wurden. Hier sind die häufigsten Probleme und wie du sie behebst, bevor du Credits ausgibst.
Das Gesicht verzieht sich, wenn sich der Kopf dreht. Du hast ein Seitenprofil oder eine Dreiviertelansicht hochgeladen, bei der nur ein Auge und der halbe Mund sichtbar sind. Wenn sich die Person zur Kamera dreht, muss die KI die fehlende Gesichtshälfte frei erfinden. Lösung: Nutze ein Foto von vorn, auf dem beide Augen und beide Mundwinkel klar zu erkennen sind.
Die Zähne oder Lippen wirken verschwommen. Das Originalfoto hat eine niedrige Auflösung, ist stark komprimiert oder rund um den Mund zu dunkel. Lösung: Starte mit einem gut ausgeleuchteten Selfie oder jage das Foto vorher durch den Upscaler, damit das Modell scharfe Kanten für die Lippen hat.
Die Sprache wird am Ende abgeschnitten. Das Skript hat zu viele Wörter für die gewählte Cliplänge. Lösung: Kürze das Skript auf etwa 20 bis 25 Wörter pro 10 Sekunden oder stelle die Längenauswahl auf 20 oder 30 Sekunden um.
Die Stimme spricht einen Namen oder eine Abkürzung falsch aus. Sprachmodelle erraten die Aussprache anhand der Textsprache. Lösung: Schreib das schwierige Wort im Textfeld nach Lautschrift, damit der Audiogenerator genau die Laute liest, die du hören willst.
Die Person wirkt zwischen den Sätzen steif. Im Skript ist eine lange Pause oder es fehlt eine Regieanweisung. Lösung: Entferne leere Pausen, indem du den Text straffst, oder wechsle zu OmniHuman und füge eine dezente Handlungsanweisung hinzu, wie "lächelt am Ende leicht".
FAQ
Kann ich ein Foto mit meiner eigenen Stimme sprechen lassen?
Ja. Du nimmst einmalig eine kurze Stimmprobe in der Doppelshot-Web-App auf. Deine geklonte Stimme ist nach wenigen Minuten bereit und erscheint auf jeder Sprechkarte direkt neben den 30 Stimmen aus der Bibliothek.
Wie lang kann ein sprechendes KI-Video sein?
Bis zu 60 Sekunden, je nach gewähltem Modell. LTX 2.5 erstellt Clips bis zu 9 Sekunden, Creatify Aurora geht bis 20 Sekunden, OmniHuman läuft bis 30 Sekunden und Kling Avatar unterstützt Skripte von 10 bis 60 Sekunden.
Muss ich 20 Selfies hochladen, um ein Sprechvideo zu erstellen?
Nein. Ein einziges klares Foto von vorn reicht für jede Sprech- und Gesangskarte völlig aus. 10 bis 20 Selfies brauchst du nur dann, wenn du zuerst einen wiederverwendbaren KI-Zwilling anlegen willst, um damit neue Fotoszenen zu generieren.
Kann ich das Sprechvideo für kommerzielle Projekte oder Social-Media-Anzeigen nutzen?
Ja. Jedes bezahlte Ergebnis auf Doppelshot enthält eine kommerzielle Lizenz ohne sichtbares Wasserzeichen und trägt eine maschinenlesbare KI-Kennzeichnung gemäß den EU-Vorgaben. Kostenlose Vorschauergebnisse tragen ein sichtbares Wasserzeichen und sind nur für den persönlichen Gebrauch gedacht.
