Welche Modelle was leisten
| Modell | Sprache in einem Durchgang | Eine spezifische Stimme verwenden | Zusatzkosten für Ton |
|---|---|---|---|
| Kling 4.0 | Ja, Stereo ist immer aktiviert | Erstellen Sie eine Stimme und übergeben Sie deren ID | Keine |
| Seedance 2.5 | Ja; schreiben Sie Dialoge in Anführungszeichen | Fügen Sie eine saubere Aufnahme hinzu, 1.8 bis zu 30.2 s auf fal | Keine |
| Wan 3.0 | Ja | Fügen Sie bis zu 15 s Referenzaudio im Fall von... an | Keine |
| Veo 3.1 | Ja; Google sagt, dass kurze Sprache noch verbessert wird | Keine der von uns getesteten Routen | $0.40 pro Sekunde mit Audio gegenüber $0.20 ohne, auf fal |
Ohne eine Sprachprobe erfindet jedes Modell eine Stimme, sodass diese Stimme nicht über verschiedene Aufnahmen hinweg übereinstimmt. Das wird relevant, sobald ein Charakter in mehr als einer Generierung spricht.
Was geschah bei unseren Versuchen
Die Puppenhaus-Szene hatte zwei sprechende Charaktere mit kurzen Sätzen. Der erste Take von Google Flow gab beide Zeilen dem Riesen, noch bevor etwas geworfen wurde, und der zweite ließ das Wort „Sorry“ komplett weg. Wan 3.0 lieferte beide Zeilen an die richtigen Charaktere und fügte einige Musiknoten hinzu, die im Prompt eigentlich ausgeschlossen waren. Bei MiniMax H3 Turbo zeigte ein großes, sprechendes Gesicht deutliche Artefakte. Hier ist das volle Modell erforderlich.
Wan 3.0, zwei Zeilen generierter Dialog mit Ton.
One Prompt Studio zeigt einen Moderator, der durchgehend spricht. Wan 3.0 hat die Sprache und den Lip Sync über 30 Sekunden generiert. Wir haben die Stimme dann mittels ElevenLabs Speech-to-Speech durch eine benutzerdefinierte ersetzt, wodurch das Timing der Wörter erhalten blieb und der Mund synchron blieb. Das Skript umfasste 49 Wörter in 30 Sekunden - das liegt über den etwa 40 Wörtern, die ein Seedance Prompt-Builder als sicher einstuft. Bei längeren Texten ist mit Verhaspeln zu rechnen.
Vier Wege und wann Sie welchen nutzen sollten
| Route | Am besten geeignet für | Abwägung | Unser Ergebnis |
|---|---|---|---|
| Dialog in der Generierung | Generierte Charaktere | Jeder Durchlauf generiert eine neue Stimme, sofern Sie keine vorgeben | Wan 3.0, 30 s bei 1080p, $6.00 |
| Speech-to-Speech über einen Take | Ihre eigene Stimme auf einem generierten Charakter | Das Timing muss gleich bleiben | Worttiming in One Prompt Studio beibehalten |
| Avatar aus einem Foto | Neue direkte Ansprache in die Kamera aus einem Foto | Erfundene Gesten, teilweise geglättete Haut | Kling AI Avatar v2 Pro, 5.55 s: $0.83 und 7 Minuten. OmniHuman 1.5: $0.89 und 3 Minuten |
| Lip-Sync-Überarbeitung von echtem Filmmaterial | Eine neue Zeile in einem echten Take | Mund etwas weicher als die umgebende Haut | sync lipsync-2-pro auf fal: 2.87 s für ca. $0.24 |
Wenn der Sprecher eine echte Person ist
Behalten Sie die Originalaufnahme nach Möglichkeit bei. In unserem Talking-Head-Test änderte Seedance 2.5 Video Edit den Raum und die Kleidung, während Blinzeln, Mundformen und Gesten unverändert blieben. Der 5.00-sekündige Input ergab 4.71 Sekunden, also haben wir ihn wieder gestreckt und die Originalstimme darübergelegt. Die Stimme wurde nie rekonstruiert, und die Gesten passten innerhalb von zwei Frames.
Wählen Sie für einen Lip-Sync-Durchgang eine Quellaufnahme, deren Sprechdauer mit der neuen Zeile übereinstimmt. Unser einzig gutes Ergebnis nutzte eine Aufnahme mit 2.17 Sekunden Sprache für eine 2.15-sekündige Zeile. Die Kopfbewegung bleibt von der Quelle erhalten, daher wirkt es wie synchronisiert, wenn der Rhythmus abweicht. Achten Sie auf verschmierte Lippenstrukturen, wenn sich der Mund nach der Zeile schließt.
Klonen oder animieren Sie Personen nur mit deren Zustimmung. Auf fal hat Seedance 2.5 in unserem Test ein Video einer realen Person direkt abgelehnt, daher benötigen Sie hierfür möglicherweise eine andere Plattform.
Wie man Dialoge schreibt, die Bestand haben
- Geben Sie den Sprecher jeder Zeile in der Reihenfolge ihres Auftretens an.
- Schreiben Sie alle paar Sekunden einen kurzen Satz. Lassen Sie Platz für die Handlung.
- Setzen Sie gesprochene Wörter in Anführungszeichen und geben Sie die Sprache an.
- Beschreiben Sie die Stimme oder fügen Sie eine hinzu. Geben Sie an, was stumm bleiben soll, wie zum Beispiel „keine Musik“, und führen Sie die Prüfung dennoch durch.
- Halten Sie das Gesicht groß genug im Bild und nutzen Sie ein vollständiges Modell anstelle eines Entwurfs.
- Prüfen Sie das Ergebnis mit Ton und in voller Größe, bevor Sie für die höhere Auflösung bezahlen.
Stimme, Bild und Schnitt vereint
Ich baue easyai.video auf, um Stimme, Takes und Untertitel zusammen mit dem Bild zu speichern - vom ersten Referenzbild bis zum Export. Es befindet sich in der finalen Entwicklung.
Warteliste abonnieren ↗