KI-Videos mit Sprache und Hintergrundgeräuschen erstellen
Bild und Ton getrennt zu produzieren kostet Zeit und kann zu unpassenden Lippenbewegungen führen. Mit einem Modell für native Audiogenerierung lassen sich Szene, gesprochener Text und Umgebungsgeräusche gemeinsam anlegen. In Oranzy stehen dafür unter anderem Veo 3 und Kling zur Verfügung.
Format und Ton vorab festlegen
Plane zunächst einen kurzen Clip mit einer sprechenden Person und einem Satz. Für Reels und Stories eignet sich 9:16, für YouTube und Präsentationen 16:9. Für einen kurzen Test sind etwa 8 Sekunden ein guter Ausgangspunkt, sofern das gewählte Modell diese Dauer anbietet.
Beschreibe den Ton als Teil der Szene: Wer spricht, was wird gesagt, wie schnell und welche Geräusche sind im Hintergrund zu hören? Modelle mit nativer Audiounterstützung können Dialoge und Stereo-Sound erzeugen; prüfe vor dem Start, welche Tonoptionen für das gewählte Modell und die Einstellungen verfügbar sind.
In vier Schritten zum Video mit Ton
- Öffne Oranzy und wähle ein Modell mit nativer Audiounterstützung, etwa Veo 3 oder eine passende Kling-Variante. Falls du noch kein Konto hast, kannst du dich für 100 Bonus-Token registrieren.
- Lege das Seitenverhältnis und, soweit verfügbar, die Clipdauer fest. Prüfe, ob die Tonausgabe für die gewählte Konfiguration aktiviert ist. Bei einem Hochkantclip sollte die sprechende Person mittig und nah genug für sichtbare Lippenbewegungen stehen.
- Schreibe einen Prompt mit Bildbeschreibung, exakter wörtlicher Rede und Tonkulisse. Setze die gewünschte Aussage in Anführungszeichen und nenne Sprache, Sprechtempo und Stimmung. Beschreibe Hintergrundgeräusche als leise, damit sie den Dialog nicht überdecken.
- Starte die Generierung und prüfe anschließend Bild und Ton gemeinsam. Höre den Clip mit Kopfhörern ab: Ist der Satz vollständig, verständlich und ungefähr lippensynchron? Korrigiere bei Bedarf gezielt den Prompt und erstelle eine neue Variante.
Beispielprompt für eine Produktszene
Passe Produkt, Ort und Text an deine Kampagne an. Dieser Prompt ist für einen kurzen Hochkantclip gedacht:
Ein achtsekündiges Video im Format 9:16. Eine Person steht an einem hellen Küchentisch und hält eine wiederverwendbare Trinkflasche auf Brusthöhe. Die Kamera zeigt sie von der Taille aufwärts und bleibt ruhig. Die Person blickt in die Kamera und sagt auf Deutsch, freundlich und in ruhigem Tempo: „Diese Flasche begleitet mich durch den ganzen Tag.“ Leises Klirren von Geschirr im Hintergrund, dezentes Raumambiente. Die Stimme ist klar und im Vordergrund; keine Musik, keine weiteren Stimmen.
Halte den Satz kurz genug für die gewählte Dauer. Bei mehreren Personen solltest du jede Stimme eindeutig einer sichtbaren Figur zuordnen und die Reihenfolge der Sätze angeben. Auch dann können Aussprache und Lippenbewegungen von der Vorgabe abweichen.
Häufige Fehler und unnötige Generierungen vermeiden
- Zu viel Text: Ein langer Werbetext passt selten in einen kurzen Clip. Kürze auf eine Kernaussage und teile längere Inhalte bei Bedarf auf mehrere Szenen auf.
- Vage Tonangaben: „Mit Sound“ lässt offen, was zu hören sein soll. Nenne stattdessen konkrete Quellen wie Schritte, Verkehr oder Geschirr und gib deren gewünschte Lautstärke an.
- Konkurrierende Geräusche: Laute Musik oder mehrere Stimmen können die Hauptaussage verdecken. Verzichte beim ersten Test auf Musik und ergänze sie erst, wenn der Dialog funktioniert.
- Zu viele Änderungen zugleich: Ändere nach einem misslungenen Test zuerst nur den betroffenen Teil, etwa das Sprechtempo oder den Hintergrundton. So lässt sich besser erkennen, welche Formulierung hilft.
- Falsche Einstellungen: Kontrolliere vor jeder Generierung Modell, Tonoption, Format und angezeigten Tokenverbrauch. Nicht jede Modellvariante bietet dieselben Audiofunktionen.
Ergebnis prüfen und weiterverwenden
Spiele den Clip einmal mit und einmal ohne Blick auf das Bild ab. So fallen unverständliche Wörter, abgeschnittene Satzenden und störende Hintergrundgeräusche leichter auf. Prüfe außerdem, ob der Ton auf beiden Seiten des Stereobilds plausibel wirkt, sofern die Ausgabe Stereo enthält.
Für längere Videos kannst du mehrere kurze Szenen erzeugen und anschließend in einem Schnittprogramm zusammenfügen. Kontrolliere vor der Veröffentlichung auch Untertitel sowie die Rechte an verwendeten Vorlagen und Stimmen.
FAQ
Welche Modelle eignen sich für KI-Videos mit Sprache und Ton?
In Oranzy kommen unter anderem Veo 3 und Kling-Varianten mit nativer Audiounterstützung infrage. Prüfe vor der Generierung, ob die gewünschte Modellkonfiguration Ton ausgeben kann.
Wie gebe ich einen gesprochenen Satz im Prompt vor?
Schreibe die wörtliche Rede in Anführungszeichen und nenne die sprechende Person, die Sprache und das gewünschte Sprechtempo. Halte den Satz für einen kurzen Clip möglichst knapp.
Wie verhindere ich, dass Hintergrundgeräusche die Stimme überdecken?
Beschreibe die Stimme als klar und im Vordergrund und die Umgebungsgeräusche als leise. Verzichte beim ersten Test auf Musik und prüfe das Ergebnis mit Kopfhörern.
Kann ich mit 100 Bonus-Token mehrere Videos erstellen?
Das hängt vom gewählten Modell, den Einstellungen und dem angezeigten Verbrauch pro Generierung ab. Prüfe die Kosten vor dem Start und beginne mit einem kurzen Testclip.