Eigene Stimme klonen mit VoxCPM: die kostenlose Open-Source-KI für Stimmklonen und neue Sprecherstimmen, mit Online-Test, Prompt für Claude Code und Tipps für die Sprachprobe

Von Ernst Neumeister · Lesezeit ca. 10 Minuten

Kurs-Lektionen, Podcast-Folgen, Erklärvideos: Wenn du all deine Inhalte selbst einsprichst, kostet dich das jedes Mal Zeit, ein ruhiges Zimmer und ein paar Nerven. Dafür gibt es seit einiger Zeit eine kostenlose Alternative: VoxCPM, eine KI von der Forschungsgruppe OpenBMB aus China, die aus Text natürlich klingende Sprache macht. Sie kann deine eigene Stimme aus einer kurzen Sprachprobe nachbilden oder eine komplett neue Stimme erschaffen, die du nur beschreibst.

Auf dieser Seite bekommst du die Links, einen Weg ganz ohne Installation, den Auftrag für Claude Code, mit dem du die KI auf deinem Mac einrichtest, Tipps für eine gute Sprachprobe und eine Beispiel-Beschreibung für eine Intro-Stimme. Und den Hinweis, ohne den du die Technik nicht benutzen solltest: Klone nur deine eigene Stimme.

Hier sind die Links

Kein Suchen, kein Umweg. Das sind die offiziellen Seiten von OpenBMB:

GitHub ist die große Plattform, auf der Entwickler ihre Software teilen. Hugging Face ist so etwas wie der App-Store für KI-Modelle, und ein „Playground“ ist eine Ausprobier-Seite, auf der du das Modell im Browser testest. Beides ist auf Englisch und technisch, du musst dort aber nichts verstehen. VoxCPM hat auf GitHub fast 40.000 Sterne (so etwas wie Likes unter Entwicklern). Die Apache-2.0-Lizenz erlaubt laut Projekt ausdrücklich auch die geschäftliche Nutzung.

Das bekommst du am Ende

✅ Deine eigene Stimme als KI-Stimme, die einen beliebigen Text für dich einspricht
✅ Einen Weg ohne Installation: Sprachprobe im Browser hochladen und sofort ausprobieren
✅ Einen Auftrag zum Kopieren, mit dem Claude Code VoxCPM auf deinem Mac einrichtet
✅ Tipps für eine gute Sprachprobe, damit die Stimme nach dir klingt und nicht nach Roboter
✅ Eine Beispiel-Beschreibung, mit der du dir eine Sprecherstimme für dein Podcast-Intro ausdenkst
✅ Klare Regeln, wie du das Ganze fair und sauber einsetzt

Was VoxCPM kann

VoxCPM ist Open Source. Das heißt: Das Programm und das KI-Modell sind öffentlich, jeder darf sie herunterladen und benutzen. Die aktuelle Version heißt VoxCPM2. Sie hat 2 Milliarden Parameter (so nennt man die Größe einer KI), spricht 30 Sprachen, Deutsch inklusive, und liefert Audio in Studioqualität (48 kHz). Du gibst den Text einfach in der gewünschten Sprache ein, eine Sprachangabe ist nicht nötig. Zwei Dinge sind für dich besonders spannend:

Stimme klonen. Du lädst eine kurze Aufnahme deiner Stimme hoch, und die KI liest danach jeden Text in dieser Stimme vor. Optional gibst du eine Stil-Anweisung mit, zum Beispiel „etwas schneller, fröhlich“. Für maximale Ähnlichkeit gibt es einen zweiten Modus („Ultimate Cloning“): Dort lieferst du zusätzlich den genauen Text deiner Aufnahme mit.
Stimme erfinden. Du lädst nichts hoch, sondern beschreibst nur, wie die Stimme klingen soll (Geschlecht, Alter, Tonfall, Gefühl, Tempo). Die KI erschafft daraus eine neue Stimme. Ideal für ein Podcast-Intro oder eine Sprecherstimme, die zu deiner Marke passt.

Du kannst damit zum Beispiel Kurs-Lektionen einsprechen lassen, einem Intro eine Sprecherstimme geben oder deine Videos auch auf Englisch vertonen. Zu den Grenzen komme ich weiter unten.

Weg 1: kostenlos im Browser testen

Der schnellste Start: Du brauchst nichts zu installieren und kein Konto. Öffne den Online-Playground aus dem ersten Abschnitt und probiere es so aus:

Gib im Feld „Target Text“ den Text ein, den die KI sprechen soll. Fang mit zwei, drei Sätzen an. Deutsch ist erlaubt.
Für eine neue Stimme schreibst du ins Feld „Control Instruction“, wie sie klingen soll, am besten auf Englisch (die Oberfläche nennt Chinesisch und Englisch). Ein Beispiel findest du weiter unten.
Für deine eigene Stimme lädst du bei „Reference Audio“ deine Sprachprobe hoch (Tipps dazu im nächsten Abschnitt).
Klicke auf „Generate Speech“ und höre dir das Ergebnis an. Klingt es nicht wie gewünscht, probiere es noch ein- oder zweimal. Laut Projekt schwanken die Ergebnisse von Durchgang zu Durchgang.
Für mehr Ähnlichkeit schaltest du den „Ultimate Cloning Mode“ ein. Die Seite schreibt den Text deiner Aufnahme automatisch mit, den du bei Bedarf korrigieren kannst. Beachte: In diesem Modus ist die Stil-Anweisung abgeschaltet.

Weg 2: lokal auf dem Mac mit Claude Code

Lokal heißt: Die KI läuft auf deinem eigenen Rechner. Deine Sprachprobe und deine Texte bleiben bei dir, nur die Modell-Dateien werden einmalig heruntergeladen. Das Projekt unterstützt laut README auch Macs mit Apple-Chip (M1, M2, M3, M4). Du musst nichts selbst im Terminal eintippen: Du öffnest Claude Code (oder die KI deiner Wahl, die auf deinem Rechner arbeiten darf), fügst diesen Auftrag ein und ersetzt die beiden Platzhalter in eckigen Klammern:

Installiere VoxCPM2 lokal auf meinem Mac und lies diesen Text mit meiner Stimme aus dieser Aufnahme vor.
Das Projekt: https://github.com/OpenBMB/VoxCPM (Modell: https://huggingface.co/openbmb/VoxCPM2)

Meine Aufnahme: [PFAD ZU MEINER SPRACHPROBE, zum Beispiel ~/Desktop/stimme.wav]
Der Text zum Vorlesen (Deutsch): [DEIN TEXT]

Bitte geh so vor:
1. Lies die README des Projekts. Prüfe, welchen Mac ich habe (Apple-Chip oder Intel) und welche Python-Version installiert ist. VoxCPM braucht laut README Python 3.10, 3.11 oder 3.12, nicht 3.13. Sag mir in einfachen Worten, was fehlt, und installiere nichts ohne meine Erlaubnis.
2. Richte alles in einer eigenen, abgetrennten Python-Umgebung ein, damit nichts anderes auf meinem Rechner verändert wird. Auf einem Mac mit Apple-Chip soll das Programm die eingebaute Grafikeinheit nutzen (Gerät "mps").
3. Das Modell ist rund 5 GB groß und wird beim ersten Start einmalig heruntergeladen. Sag mir das vorher und frag nach meinem Okay.
4. Klone meine Stimme aus der Aufnahme (Controllable Cloning, ohne Transkript) und lies den Text damit vor. Speichere das Ergebnis als WAV-Datei in einem neuen Ordner "stimme-test" auf meinem Schreibtisch und öffne die Datei.
5. Wenn das Ergebnis nicht gut klingt, erzeuge es bis zu dreimal neu. Laut Projekt schwanken die Ergebnisse. Sag mir, welche Fassung du am besten findest und warum.
6. Erkläre mir am Ende in zwei Sätzen, wie ich künftig selbst neue Texte vorlesen lassen kann.

Wichtig: Die Aufnahme darf nur meine eigene Stimme enthalten. Schick nichts an Online-Dienste, außer dem einmaligen Download der Modell-Dateien.

Wenn du lieber erst die Stimme erfinden willst, ohne Aufnahme, ersetzt du die Zeile mit der Aufnahme durch eine Beschreibung der Stimme (Beispiel im Abschnitt „Beispiel: eine Intro-Stimme beschreiben“) und lässt Schritt 4 „Stimme aus der Beschreibung erzeugen“ heißen.

So wird deine Sprachprobe gut

Die Qualität der geklonten Stimme hängt stark an der Aufnahme, die du hochlädst. Diese Tipps kommen teils aus der Dokumentation des Projekts, teils aus gesundem Menschenverstand:

🔇 Ruhiger Raum. Kein Hall, keine Musik, kein Rauschen im Hintergrund. Laut Doku erhält eine sauberere Aufnahme die Stimmfarbe besser.
⏱️ 5 bis 30 Sekunden. Das nennt die Doku als praktischen Bereich. Länger bringt nicht automatisch mehr.
🗣️ Nur deine Stimme. Keine zweite Person, die dazwischenredet, und keine Hintergrundmusik.
🎤 So sprechen, wie die Stimme später klingen soll. Ruhig und natürlich, mit normalem Tempo. Wer in der Probe flüstert oder hetzt, bekommt das später zurück.
📝 Den genauen Text der Aufnahme aufbewahren. Für den Modus mit maximaler Ähnlichkeit (Ultimate Cloning) braucht die KI das Transkript. Die Doku empfiehlt, es per Spracherkennung erstellen zu lassen statt abzutippen.
📁 Das Dateiformat ist egal. WAV, MP3 oder FLAC funktionieren. Wichtiger ist, dass du künftig immer dieselbe gute Probe nimmst, das hält die Stimme gleichmäßig.
🧹 Entrauschen nur, wenn nötig. Beide Wege haben dafür eine Option (im Playground „Reference audio enhancement“). Laut Doku kann sie die Stimme leicht verändern. Verschlechtert sich das Ergebnis, schalte sie wieder aus.

Beispiel: eine Intro-Stimme beschreiben

Für ein Podcast-Intro brauchst du keine echte Aufnahme. Du beschreibst die Stimme. Schreib die Beschreibung am besten auf Englisch, denn dafür ist die Oberfläche ausgelegt. Der Text, der gesprochen wird, darf Deutsch sein. Im Playground trägst du die Beschreibung bei „Control Instruction“ ein:

A warm, calm male narrator in his mid-40s, relaxed pace, friendly and trustworthy, like the host of a podcast about business and everyday life.

Und als Text, der gesprochen wird (bei „Target Text“), zum Beispiel:

Willkommen zu [NAME DEINES PODCASTS]. Hier erfährst du jede Woche, wie du mit KI Zeit sparst und mehr Freiheit gewinnst. Los geht's.

Im Programm selbst (und im Auftrag für Claude Code) steht die Beschreibung in Klammern direkt vor dem Text, so sieht das Muster laut README aus:

(A warm, calm male narrator in his mid-40s, relaxed pace, friendly and trustworthy)Willkommen zu [NAME DEINES PODCASTS]. Hier erfährst du jede Woche, wie du mit KI Zeit sparst und mehr Freiheit gewinnst. Los geht's.

Probiere mehrere Beschreibungen aus: andere Altersangabe, anderes Tempo („slightly faster“), anderer Ton („cheerful“ oder „serious“). Dieselbe Beschreibung kann bei jedem Durchgang etwas anders klingen. Erzeuge sie deshalb ein paar Mal und behalte die Fassung, die zu dir passt.

Nur die eigene Stimme: Regeln und Kennzeichnung

Eine geklonte Stimme klingt täuschend echt. Genau deshalb gilt:

🚫 Klone nur deine eigene Stimme. Fremde Stimmen sind ohne Erlaubnis tabu, egal ob Kollegin, Kunde oder Prominenter.
📜 Das Projekt verbietet es ausdrücklich. In der README steht, dass die Nutzung für Imitation fremder Personen, Betrug und Falschinformation strikt verboten ist.
🏷️ Kennzeichne KI-Audio. Das Projekt empfiehlt es ausdrücklich. Ein einfacher Satz reicht, zum Beispiel in der Videobeschreibung oder am Ende der Lektion: „Diese Lektion ist mit meiner KI-Stimme vertont.“ Das ist fair gegenüber deinen Zuhörern und baut Vertrauen auf.
⚖️ Das ist keine Rechtsberatung. Welche Pflichten es für dein Business zusätzlich gibt, klärst du für dich separat.

Ehrliche Grenzen

🎲 Nicht jeder Durchgang gelingt. Das Projekt schreibt selbst, dass Stimmerfindung und Stil-Anweisungen schwanken. Probiere ein- bis dreimal.
🇬🇧 Stil-Anweisungen auf Englisch. Die Oberfläche des Playgrounds nennt für diese Anweisungen Chinesisch und Englisch. Der gesprochene Text darf Deutsch sein.
🔁 Deutsche Stimme, englischer Text? Ob deine deutsche Sprachprobe auch englischen Text sauber spricht, ist nicht ausdrücklich dokumentiert. Das Projekt sagt nur, dass 30 Sprachen unterstützt werden. Probiere es mit einem kurzen Satz aus, bevor du ein ganzes Video vertonst.
💻 Rechner. Auf einem Mac braucht es Apple-Chip, Platz für rund 5 GB Modell-Dateien und etwas Geduld. Auf anderen Rechnern nennt das Projekt eine Nvidia-Grafikkarte mit etwa 8 GB Grafikspeicher.
🎧 Hör selbst kritisch hin. Betonung, Zahlen und Eigennamen können danebengehen. Hör jede Aufnahme einmal an, bevor du sie veröffentlichst.

Häufige Fragen

Kostet VoxCPM etwas?

Nein. Es ist Open Source unter der Apache-2.0-Lizenz. Der Online-Playground ist kostenlos, und lokal auf deinem Rechner fallen keine Kosten pro Aufnahme an. Du brauchst nur Claude Code (oder eine andere KI, die auf deinem Rechner arbeitet), wenn du Weg 2 gehen willst.

Darf ich die Stimme geschäftlich nutzen?

Die Lizenz erlaubt laut Projekt die kommerzielle Nutzung. Das gilt für deine eigene Stimme und für selbst erfundene Stimmen. Fremde Stimmen bleiben tabu, und KI-Audio solltest du kennzeichnen.

Spricht VoxCPM wirklich Deutsch?

Ja, Deutsch gehört laut Projekt zu den 30 unterstützten Sprachen. Gib den Text einfach auf Deutsch ein. Prüfe trotzdem Betonung, Zahlen und Namen, bevor du etwas veröffentlichst.

Brauche ich Claude Code?

Nein. Weg 1 geht komplett im Browser. Claude Code (oder eine andere KI, die auf deinem Rechner arbeiten darf) macht dir nur Weg 2 leichter, weil sie Installation und Aufruf für dich erledigt.

Wie klone ich meine Stimme, damit sie bei jeder Lektion gleich klingt?

Nimm immer dieselbe gute Sprachprobe und dieselben Einstellungen. Die Doku empfiehlt genau das. Für den professionellen Dauereinsatz nennt sie außerdem ein Nachtrainieren des Modells auf deine Stimme. Das ist eher etwas für Fortgeschrittene.

Keine Lust, dich da selbst reinzufuchsen?

Verständlich 😄 In meiner kostenlosen Community kannst du jederzeit in einen bezahlten Plan (Premium oder VIP) upgraden, dann bekommst du meine fertigen, geprüften Setups und Workflows (dieselben, mit denen meine eigenen KI-Agenten arbeiten), und Claude passt sie nur noch an dein Business an.

Und jetzt du

Lade im Playground eine ruhige Aufnahme von dir hoch, lass dir zwei Sätze vorlesen und hör genau hin. Wenn dir gefällt, was du hörst, hol dir mit dem Auftrag oben die Version für deinen Mac. Schreib mir gern auf Instagram, welche deiner Lektionen oder Intros du als Erstes von deiner KI-Stimme sprechen lässt. ❤️

PS: Falls du über „Kommentiere STIMME“ hierher gekommen bist – die DM kam von meinem selbstgebauten ManyChat-Ersatz. Wie du dir das baust, zeige ich dir in meiner kostenlosen Community: hier geht's direkt zum Video. 😉