Was CapCut aus Ihrem Text macht
Die Stimme ist hier ein Baustein, kein fertiges Video. Sie liefern geschriebenen Text; CapCut Web liest ihn vor; Sie legen die Spur unter vorhandenes Bildmaterial. Das lohnt sich, wenn der Inhalt feststeht und niemand ins Mikrofon sprechen soll.
Eingabe ist ein Skript, das Sie selbst geschrieben oder aus einem Kursblatt übernommen haben. Die Funktion sitzt im kostenlosen KI-Sprachgenerator und im Werkzeug Text to Speech. Ausgabe ist eine Audiospur, die Sie herunterladen oder über «Mehr bearbeiten» in ein Projekt ziehen.
Der Ablauf läuft im Browser auf CapCut. Sie brauchen keine Desktop-Installation für den ersten Durchgang. Am Ende der Schritte zeigt die Seite «Kostenlos anmelden» — prüfen Sie, ob Ihr Konto für Download oder Editor verlangt wird. Wer später schneidet, bleibt in derselben Online-Werkzeugsammlung.
Die Stimme reicht, wenn Sätze kurz sind, Pausen im Text stehen und Fachwörter nach dem Hören noch stimmen. Sie reicht nicht, wenn der Text geschachtelt ist oder ein Name falsch betont wird und niemand gegenliest.
Funktionen, die den Text zur Stimme machen
Vier Einstellungen entscheiden, ob aus dem Skript ein brauchbarer Baustein wird: Sprache, Stimmlage, Tempo und der Weg zurück ins Video.
Sprachen, Akzente und Tonlagen
Der Generator erzeugt aus eingegebenem Text Stimmen mit unterschiedlichen Akzenten, Tönen und Emotionen. Die Produktseite nennt ausdrücklich Englisch, Russisch, Französisch und weitere Sprachen. Die Text-to-Speech-Seite ergänzt eine wachsende Liste, darunter Chinesisch, Malaiisch, Vietnamesisch, Thai, Englisch, Spanisch, Japanisch und mehr.
Deutsch steht in diesen Listen nicht als eigene Zeile. Auf der deutschen Produktseite liegt trotzdem ein deutscher Beispieltext im Feld, samt benannter Stimmen wie «Professionelle warme Erzählerin». Wählen Sie Sprache und Akzent in der Bibliothek, statt eine bestimmte Anzahl deutscher Stimmen zu erwarten.
Über 200 Stimmen nach Stil filtern
CapCut wirbt mit über 200 KI-Stimmen. Sie filtern nach Geschlecht, Alter, Stil oder Sprache. Die Bibliothek umfasst männliche, weibliche, kindliche, animierte und Charakterstimmen. Im rechten Feld stehen Filter für kommerzielle Nutzung, Emotionen und Akzent.
Für Erklärclips ist meist eine ruhige Erzählstimme die bessere Wahl als eine aufgeregte Figur. Die Seite bietet auch «Aufgeregte Roboterstimme, lustig» — das ist ein anderer Baustein, tauglich für Intro oder Merksatz, nicht für eine Hausaufgabe. Legen Sie sich zwei, drei Kandidaten zurecht, statt die erste Stimme zu nehmen.
Sprache und Stil wählen Sie in der Bibliothek, nicht im fertigen Export.
Tempo, Tonhöhe und Lautstärke setzen
Nach der Stimme kommen die Angaben, die der Text selbst nicht trägt. Über den Geschwindigkeitsschieberegler setzen Sie das Sprechtempo. Tonhöhe, Sprechdauer und Sprachlautstärke lassen sich nachziehen. Ein- und Ausblenden sowie Hintergrundgeräusche sind ebenfalls vorgesehen.
Für Lernclips hilft oft ein etwas langsameres Tempo und eine Pause nach jedem Satz. Die Pause schreiben Sie mit Komma, Punkt oder Gedankenstrich in den Text; das Tempo holen Sie aus dem Schieberegler. Eine offizielle Aussprache-Syntax ist nicht dokumentiert. Was falsch klingt, ändern Sie im Quelltext und erzeugen die Spur erneut.
Vorschau, Datei und Spur im Video
Vor dem Festlegen hören Sie die Stimme fünf Sekunden lang. Auf der Blog-Anleitung heißt der Knopf «Vorschau 5s»; danach folgt «Generieren». Fertig ist die Spur in wenigen Sekunden. Sie laden «Nur Audio» oder «Audio mit Untertiteln» herunter. Darunter liegt «Mehr bearbeiten», um den Clip ins Video zu ziehen.
Exportformate der Audio-Datei sind AAC, FLAC, MP3 und WAV. Nutzen Sie das Audio kommerziell, gelten die Nutzungsbedingungen von CapCut und die Regeln der Zielplattform. Die Stimme ist damit ein Baustein: erst hören, dann legen, dann die Mischung gegen Musik prüfen.
So erzeugen Sie die Stimme in CapCut Web
Der Weg bleibt auf CapCut Web. Mischen Sie ihn nicht mit der Desktop-Leiste. Drei offizielle Schritte reichen, wenn der Text vorher steht.
Schritt 1: CapCut Web und Text to Speech öffnen
Öffnen Sie CapCut Web im Browser. Klicken Sie auf die Option «AI tools» und wählen Sie das Werkzeug «Text to speech». Alternativ starten Sie auf der Produktseite mit dem Feld und dem Knopf «KI-Stimme generieren»; der führt in denselben Online-Pfad.
Legen Sie das Skript daneben bereit, statt es erst in der Maske zu erfinden. Kurze Sätze, ein Gedanke pro Zeile, Satzzeichen dort, wo die Stimme atmen soll. Im Textfeld der Web-Oberfläche sitzt das Zeichen «/»: darüber können Sie sich einen Entwurf erzeugen lassen. Für Fachtexte ist ein selbst geschriebener Satz meist klarer als ein generierter Absatz.
Zuerst das Werkzeug öffnen, dann den fertigen Text einsetzen.
Schritt 2: Text einfügen und Stimme wählen
Geben Sie den Text ein oder fügen Sie ihn ein. Wählen Sie danach Sprachstil, Ton und Sprache in der KI-Sprachbibliothek. Öffnen Sie das rechte Feld und setzen Sie Filter, statt die Liste von oben nach unten durchzuklicken.
Klicken Sie eine Stimme an. Beim Überfahren erscheinen kleine Schieberegler für Geschwindigkeit und Tonhöhe. Hören Sie mit «Vorschau 5s». Eine deutsche KI-Stimme erkennen Sie nicht am Marketingtext, sondern daran, dass Betonung, s-Laute und zusammengesetzte Nomen im Ohr sitzen. Fachwörter isoliert anhören. Klingt «Propriozeption» falsch, schreiben Sie die Stelle phonetisch um und lassen die Vorschau noch einmal laufen.
Filter, Stimme und kurze Vorschau gehören zusammen, bevor Sie erzeugen.
Schritt 3: Vorschau, erzeugen und unter das Video legen
Wenn die fünf Sekunden tragen, klicken Sie «Generieren». Die Seite erzeugt den Sprachton. Laden Sie «Nur Audio», wenn die Spur unter vorhandenes B-Roll soll; wählen Sie «Audio mit Untertiteln», wenn der Text mitlaufen soll. Über «Mehr bearbeiten» legen Sie den Clip in ein Videoprojekt und setzen das Format, etwa 16:9 unter Praxisaufnahmen.
Hören Sie die ganze Spur, nicht nur die Vorschau. Atemgeräusche einer Studioaufnahme fehlen hier — das ist der Vorteil. Dafür rutschen Komposita und Eigennamen. Liegt Musik darunter, mischen Sie die Stimme hörbar darüber, nicht umgekehrt; als Faustregel bleiben drei bis sechs Dezibel Abstand. Die Seite kann «Kostenlos anmelden» einblenden. Klären Sie das, bevor Sie den Clip an Teilnehmende schicken.
Nach «Generieren» entscheiden Sie zwischen Datei-Download und weiterem Schnitt.
Fall: 90 Wörter zur Ergotherapie-Hausaufgabe
Ein Ergotherapeut in Bielefeld hat ein Skript von etwa 90 Wörtern: was die Patientin zu Hause üben soll, in welcher Reihenfolge, woran sie merkt, dass die Spannung stimmt. Er will nicht selbst sprechen und kein Studio buchen. Das Bildmaterial liegt als ruhiges B-Roll aus der Praxis vor.
Der Text wird gesprochen gebaut: ein Satz, ein Schritt, danach Punkt. Nach jedem Satz eine Pause im Schriftbild. Die Stimme soll deutsch und ruhig sein, das Tempo etwas unter dem Alltagsmaß. Das Fachwort «Propriozeption» wird isoliert gehört; klingt es schief, steht im Skript eine Lautschrift, die der Generator treffen kann.
Ziel ist ein kurzer Erklärclip von etwa 35 Sekunden unter 16:9-B-Roll, ohne Atemgeräusche, mit einer Spur, die man einmal verstehen kann. Die KI-Stimme reicht hier, weil niemand Emotion improvisieren muss. Sie reicht nicht, wenn der Therapeut einen einzelnen Patienten beim Namen trösten will — das bleibt menschliche Stimme.
Nutzen für Trainer und Creator
Die drei Gewinne liegen nicht in der Magie der Stimme, sondern darin, dass der Baustein wiederholbar, prüfbar und ohne Aufnahmetermin entsteht.
Wiederkehrende Erklärungen ohne Aufnahmetermin
Kursintros, Hausaufgaben und Karteikarten ändern sich häufiger als eine gebuchte Sprecherstunde. Sie ändern den Satz, erzeugen die Spur neu und tauschen die Datei. Das spart Honorar und den Termin im stillen Raum. Voraussetzung bleibt: der Text ist schon klar. Wer noch sucht, was gesagt werden soll, braucht zuerst das Skript, nicht den Generator.
Dieselbe Aussage, mehrere Fassungen
Aus einem Skript lassen sich mehrere Sprachversionen erzeugen, mit anderem Ton, Stil oder Tempo. Das hilft, wenn dieselbe Karte einmal für Jugendliche und einmal für Eltern gesprochen werden soll. Vergleichen Sie die Fassungen über die Fünf-Sekunden-Vorschau, bevor Sie exportieren. Die bessere Fassung ist die, bei der kein Satz wiederholt werden muss.
Stimme als prüfbarer Baustein
Weil die Spur getrennt vom Bild entsteht, können Sie sie hören, ohne die Timeline zu zerstören. Sie prüfen Fachwörter, Länge und Mischung, bevor jemand den Clip teilt. Das ist der Unterschied zu «einmal aufnehmen und fertig»: die Stimme bleibt austauschbar. Tauschen Sie sie, wenn ein Wort falsch sitzt — nicht das ganze Video.
Drei Einsatzorte ohne Sprecherhonorar
Die folgenden Orte brauchen dieselbe Disziplin: Text zuerst, Stimme danach, Bild zuletzt.
Ergotherapie-Praxis in Bielefeld
Die Praxis legt Hausaufgaben unter Aufnahmen aus dem Übungsraum. Die KI-Stimme spricht die Schritte, das B-Roll zeigt Griffe und Lagerung. Teilnehmende hören die Anweisung, ohne dass die Praxis jedes Mal neu aufnimmt. Kommerzielle Nutzung der erzeugten Spur ist laut Produkt-FAQ zulässig, sofern Nutzungsbedingungen und Plattformregeln eingehalten werden; eigene Patientenbilder bleiben Sache der Praxis.
Fahrschule in Oldenburg
Die Theorie-Karteikarte wird vorgelesen, während auf dem Bild die Tafel oder ein Schema steht. Eine ruhige Stimme hält das Tempo, das Fahrschüler beim Wiederholen brauchen. Schachtelsätze aus dem Lehrbuch gehören nicht ins Feld — sie werden vorher gebrochen. Die Sprachausgabe im Video ersetzt nicht den Unterricht, sie entlastet die Wiederholung zu Hause.
Volkshochschule in Erfurt
Kapitel-Intros für den Onlinekurs entstehen ohne Sprecherhonorar. Jedes Kapitel bekommt denselben Sprecherstil, damit der Kurs nicht jede Woche anders klingt. Filter für Stil und Sprache bleiben stehen; geändert wird vor allem der Text. Vor der Veröffentlichung hört eine zweite Person die Intros — besonders Ortsnamen und Kursbezeichnungen.
Vorteile und Grenzen
Vorteile
- Sie erzeugen die Stimme im Browser, ohne Studio und ohne erst eine App zu installieren.
- Über 200 Stimmen plus Filter nach Sprache, Stil und Emotion ersetzen die Suche nach einer einzelnen Sprecherin.
- Fünf Sekunden Vorschau, Schieberegler für Tempo und Tonhöhe sowie getrennte Audioformate machen die Spur prüfbar, bevor sie unters Video kommt.
Grenzen
- Die offiziellen Sprachlisten nennen Deutsch nicht namentlich. Wählen Sie die Stimme über Filter und Vorschau; verlassen Sie sich nicht auf eine versprochene Zahl deutscher Stimmen.
- Eine Aussprachehilfe oder SSML ist auf den Produktseiten nicht beschrieben. Fachwörter schreiben Sie im Quelltext um und hören sie isoliert.
- Technische Texte können laut der Web-Anleitung an Feinheiten scheitern. Planen Sie eine Hörkontrolle ein, bevor Teilnehmende den Clip sehen.
Text so schreiben, dass die Stimme trägt
Schreiben Sie, wie man spricht: kurze Sätze, keine Schachtelung. Setzen Sie Kommas und Gedankenstriche, wo die Stimme atmen soll. Hören Sie Fachwörter isoliert und schreiben Sie sie notfalls so, wie sie klingen sollen. Mischen Sie die Stimme klar über die Musik, nicht darunter.
Diese vier Regeln ersetzen keine Produktfunktion. Sie sind die Angaben, die der Text mitbringen muss, damit der Generator überhaupt etwas Brauchbares ausgeben kann.
Häufig gestellte Fragen
Ist der KI-Sprachgenerator in CapCut Web kostenlos?
Ja. Die Produktseite stellt den Generator online kostenlos bereit und die Startseite nennt «Keine Kreditkarte erforderlich». Am Ende der Schritte kann «Kostenlos anmelden» erscheinen. Klären Sie vor dem Export, ob Ihr Ablauf ein Konto verlangt. Die genaue Gratisgrenze in Minuten oder Credits steht auf der Sprachseite nicht.
Wie prüfen Sie, ob die deutsche Stimme verständlich ist?
Hören Sie zuerst die fünf Sekunden Vorschau, danach die ganze Spur. Achten Sie auf Tempo, Satzenden und Fachwörter. Klingt ein Wort schief, ändern Sie nur diese Stelle im Text und erzeugen Sie neu. Die Seite verspricht keine messgenaue Aussprache; die Prüfung bleibt bei Ihnen.
In welchem Format kommt die Sprachausgabe aus dem Video-Workflow?
Die Audio-Datei können Sie als AAC, FLAC, MP3 oder WAV holen. Zusätzlich gibt es «Nur Audio» und «Audio mit Untertiteln». Über «Mehr bearbeiten» landet die Spur im Editor neben dem Bild. Das Seitenverhältnis setzen Sie im Videoprojekt, nicht in der Stimme selbst.
Reicht eine KI-Stimme für Fachwörter wie «Propriozeption»?
Oft ja, wenn das Wort im Text isoliert steht und Sie die Vorschau ernst nehmen. Offiziell gibt es keine hinterlegte Lautschrift. Hilft die erste Fassung nicht, schreiben Sie die Stelle so, wie sie gesprochen werden soll, und hören Sie erneut. Bleibt der Fehler, sprechen Sie nur dieses Wort selbst oder ersetzen Sie es durch einen klareren Alltagsausdruck.
Darf ich die erzeugte Stimme in Kursen und Werbung nutzen?
Die Text-to-Speech-FAQ erlaubt die Nutzung für Werbung, YouTube und Markenwerbung. Es gelten die Nutzungsbedingungen von CapCut und die Regeln der Plattform, auf der Sie veröffentlichen. Eigenes Bildmaterial und Patienten- oder Schülerstimmen bleiben getrennt zu klären.
Eine KI-Stimme ersetzt das Mikrofon, nicht das Skript. Wenn der Text wie gesprochene Sätze dasteht, erzeugen Sie die Spur in CapCut Web, hören Fachwörter nach und legen sie unter das vorhandene Bild. Kostenlos herunterladen steht bereit, falls Sie denselben Clip später am Rechner weiter schneiden wollen. Im Browser reicht der Editor, um den ersten Baustein zu hören und zu legen.