Einordnung

Warum der Ton so wichtig ist

Eine falsche Betonung, ein Geräusch ohne passenden Nachhall oder eine zu laute Musikspur schwächen auch gute Bilder. Plane den Ton deshalb von Anfang an mit.

Die Tonplanung gehört zum Konzept. Stimme, Musik und Geräusche müssen zur Aussage und zum Rhythmus der Szenen passen.

Ton direkt aus dem Videomodell

Videomodelle können Bild und Ton inzwischen in einem Durchgang erzeugen. Google beschreibt das für Veo 3.1 so. Dialog, Geräusche und Umgebungston entstehen nativ zusammen mit dem Bild, inklusive Sprache, die zur Mundbewegung passt. Auf der Modellseite von Google DeepMind steht allerdings genauso deutlich, dass natürliche und konsistente Sprache gerade bei kurzen Passagen noch in Entwicklung ist. Prüf die Sprachqualität deshalb am konkreten Clip.

Bei Kuaishou geht die Entwicklung in dieselbe Richtung. Die Kling-3.0-Modelle wurden Anfang Februar 2026 vorgestellt, laut Mitteilung des Unternehmens mit nativer Audiogenerierung über mehrere Sprachen, Dialekte und Akzente hinweg und mit Clips bis fünfzehn Sekunden. Zum Start war Kling 3.0 laut Mitteilung zunächst Ultra-Abonnenten zugänglich. Für Szenen mit sprechenden Figuren macht das einen Unterschied, weil die Lippensynchronität nicht mehr nachträglich erzwungen werden muss.

Kommt der Ton als fertige Mischung aus dem Modell, liegen Stimme, Raum und Geräusche in einer Spur. Eine einzelne Betonung lässt sich dann nicht ohne Weiteres separat ändern, und eine neue Generierung kann auch das Bild verändern. Für Entwürfe ist das praktisch. Müssen Aussprache und Mischung genau steuerbar sein, bietet eine getrennte Tonproduktion mehr Kontrolle.

KI-Stimmen: wo sie funktionieren und wo nicht

Für Sprechertexte bieten spezialisierte Werkzeuge eigene Möglichkeiten, Aussprache und Ausdruck zu steuern. ElevenLabs beschreibt für Eleven v3 über siebzig Sprachen und Regieanweisungen im Text. Laut dem Leitfaden zu Aussprachewörterbüchern unterstützt auch v3 Wörterbücher. Ob Alias- oder Lautschriftregeln im gewählten Modell und Zugang funktionieren, testest du am besten mit deinen Markennamen und Fachbegriffen.

Bei einer KI-Stimme solltest du Betonung, Rhythmus und Pausen prüfen. Deutsche Fachwörter werden mitunter auf der falschen Silbe betont, Abkürzungen manchmal uneinheitlich gelesen. Auch zurückhaltende Gefühle wie leise Skepsis brauchen oft zusätzliche Versuche.

Synthetische Stimmen eignen sich für Erklärvideos, Sprachvarianten und regelmäßig aktualisierte Inhalte. Kommt es auf eine besondere Ausdrucksweise an, lohnt der Vergleich mit einem menschlichen Sprecher.

Voice Cloning und Rechte

Für das Klonen einer Stimme müssen die Rechte der betreffenden Person geklärt sein. In Deutschland ist die Stimme über das allgemeine Persönlichkeitsrecht geschützt, auch ohne eigene Norm; die Bildnisregeln der Paragrafen 22 und 23 KUG werden analog herangezogen. Das Landgericht Berlin hat das am 20. August 2025 bestätigt (Az. II 2 O 202/24). Ein Synchronsprecher, dessen charakteristische Stimme per KI nachgebildet und auf einem kommerziell genutzten YouTube-Kanal eingesetzt wurde, bekam Schadensersatz nach den Grundsätzen der fiktiven Lizenzgebühr. Bemerkenswert ist, dass der Schutz ausdrücklich auch die berufliche Rollenstimme umfasst, nicht nur die private Sprechstimme.

Für die Praxis heißt das: Eine Einwilligung, die nur den Aufnahmetermin abdeckt, reicht nicht, wenn die Stimme anschließend als Modell weiterlebt. Willst du eine Sprecherstimme später synthetisch weiterverwenden, gehört das schriftlich in den Vertrag, und zwar bevor aufgenommen wird. Diese Punkte sollten geregelt sein:

  • ausdrückliche Einwilligung in Erstellung und Nutzung eines Stimmmodells, getrennt von der Nutzung der Originalaufnahme
  • Zweckbindung: für welche Marke, welche Kanäle und welche Art von Inhalten das Modell verwendet werden darf
  • zeitliche Begrenzung und Widerrufsrecht, mit klarer Folge für Modell und Trainingsdaten
  • Vergütung für die synthetische Weiternutzung, getrennt vom Tageshonorar
  • Ausschlüsse, etwa politische Aussagen oder Gesundheitsthemen, und ein Verbot der Weitergabe des Modells an Dritte

Eine synthetische Stimme kann als Audio-Deepfake offengelegt werden müssen. Ein erforderlicher Hinweis muss rechtzeitig wahrnehmbar sein, bei reinen Audioinhalten kommt ein hörbarer Hinweis infrage. Die Prüfung der Stimmenrechte bleibt zusätzlich nötig. Einzelheiten stehen in den Beiträgen zur Kennzeichnung und zu den Nutzungsrechten.

Musik: drei Wege

Für die Musik kommen Bibliotheksmusik, eine eigene Komposition oder KI-generierte Tracks infrage. Musikbibliotheken bieten dokumentierte Lizenzen für unterschiedliche Nutzungen. Eine Komposition kann ein wiederkehrendes musikalisches Motiv für die Marke entwickeln. Bei KI-Musik musst du neben den Tarifbedingungen auch mögliche Rechte Dritter prüfen.

Am 31. Juli 2026 gab das Landgericht München I der GEMA in der Klage gegen Suno weitgehend recht (Az. 42 O 763/25). Die Gerichtspressemitteilung beschreibt unzulässiges Training und die Wiedergabe geschützter Musik in Ausgaben. Das Urteil war laut dieser Mitteilung nicht rechtskräftig. Es betrifft einen konkreten Sachverhalt und ist kein allgemeines Verbot von KI-Musik.

Trotzdem ändert es die Risikolage für Auftraggeber. Hat ein Anbieter selbst nicht sauber lizenziert, ist die Frage, welche Rechte er dir weitergeben kann, nicht mehr theoretisch. Dazu kommt die praktische GEMA-Frage: Bei einem KI-Track lässt sich kaum zuverlässig sagen, ob und wem eine Melodie zuzurechnen ist, was Anmeldung und Abrechnung erschwert. Meine Empfehlung ist deshalb pragmatisch. Für interne Präsentationen, Moodfilme und schnelle Tests ist KI-Musik in Ordnung. Sobald ein Film als Werbung mit Mediabudget läuft, nehme ich lizenzierte Bibliotheksmusik oder komponiere, weil die Ersparnis in keinem Verhältnis zum Rückrufrisiko steht.

Sounddesign ist Handarbeit

Sounddesign gibt einer Szene einen hörbaren Raum. Ein Konferenzraum klingt anders als ein Treppenhaus, Schritte auf Beton anders als auf Teppich. Wer eine Glasflasche abstellt, erwartet einen Anschlag und einen kurzen Nachklang. Sitzt das Klicken eines Verschlusses passend zur Bewegung, wirkt die Szene glaubwürdiger.

Auch Pausen gehören zur Tongestaltung. Eine kurze Ruhe vor der Kernaussage lenkt die Aufmerksamkeit auf sie. Nachhall verändert die Wirkung ebenfalls: Eine trockene Stimme über einer Landschaft klingt wie ein Kommentar, mit passendem Raumklang steht die Person scheinbar mitten in der Szene. Solche Entscheidungen gehören in die Konzeptphase.

Lautstärke auf den Plattformen

Die EBU-Empfehlung R 128 nennt für die Programmlautheit einen Zielwert von minus 23 LUFS. LUFS ist eine Maßeinheit für die wahrgenommene Lautheit. Bei einer Produktion für das Fernsehen sind die jeweiligen Sendeanforderungen zu beachten.

Für Social-Videos gelten die Anforderungen des jeweiligen Kanals. Ein pauschaler Zielwert wie minus 14 LUFS ist keine allgemeine Vorgabe für alle Plattformen. Lautheit, Spitzenpegel und Verständlichkeit misst du am Export, danach kontrollierst du den Upload auf dem Zielkanal.

Social-Videos sollten auch ohne Ton verständlich sein, etwa durch Untertitel und klare Bilder. Für die Wiedergabe mit Ton braucht es trotzdem eine abgestimmte Mischung. Ein übersteuertes Musikbett schwächt den Einstieg ebenso wie eine unverständliche Stimme.

Eine mögliche Reihenfolge

Eine mögliche Reihenfolge für den Tonaufbau ist:

  • Sprechertext final machen, bevor ein Bild generiert wird, denn der Text bestimmt Länge und Rhythmus der Szenen
  • Voice-over produzieren und schneiden, inklusive Aussprachefestlegung für Marken- und Fachbegriffe
  • Bild auf die Stimme schneiden, nicht umgekehrt, damit Betonungen und Schnitte zusammenfallen
  • Atmosphäre und Raum legen, also den Grundton jeder Szene, bevor Einzeleffekte kommen
  • Effekte punktgenau setzen, sparsam und auf den Frame, mit bewussten Lücken
  • Musik zuletzt auswählen und dem Schnitt anpassen, nicht den Schnitt der Musik
  • mischen, Lautheit für das Zielformat messen und eine Textlos-Fassung für spätere Sprachvarianten ablegen

Getrennt archivierte Tonspuren erleichtern spätere Sprachfassungen und kürzere Varianten von KI-Werbefilmen. Stimme, Geräusche und Musik bleiben dabei einzeln bearbeitbar.

Alle Angaben erfolgen nach bestem Wissen und ohne Gewähr. Für Richtigkeit, Vollständigkeit und Aktualität übernehme ich, soweit gesetzlich zulässig, keine Haftung.

Was soll man bei deinem Film hören und fühlen?

Schick mir den geplanten Einsatz und die gewünschte Wirkung. Ich gebe dir eine persönliche Einschätzung zu Stimme, Musik und Sounddesign.

Projekt einordnen