Die kurze Antwort: Whiteboard-Videos können auf zwei Arten vertont werden: Nimm deine Stimme Segment für Segment mit einem Mikrofon auf oder verbinde deinen eigenen TTS-API im Tab „KI-Stimme“ und generiere die Vertonung pro Segment (mit Voice Cloning anhand von Referenzaudio); übersetze anschließend Skript und Canvas-Text in 13 Sprachen, wechsle die Sprache, generiere das Voiceover neu und nimm es erneut auf – ein Canvas, viele Sprachversionen.
Die beiden Vertonungsmodi
Bei der Aufnahme von Segmenten stammt die Vertonung jedes Segments aus einer von zwei Quellen:
| Modus | Ablauf | Besonderheit |
|---|---|---|
| Mikrofonaufnahme | Nimm deine Stimme Segment für Segment mit dem Mikrofon auf und lies dabei vom Teleprompter ab | Besonders persönlich; du kannst währenddessen Anpassungen vornehmen |
| KI-Voiceover | Generiere im Tab „KI-Stimme“ TTS aus dem Skript und nimm anschließend auf, während die Timeline abgespielt wird | Du musst nicht selbst sprechen, mehrere Sprachen, einfaches erneutes Aufnehmen nach Skriptänderungen |
Die beiden Modi lassen sich pro Segment frei kombinieren: Nimm den Hauptteil mit deiner eigenen Stimme auf und verwende KI für Intro und Outro.
Der eigentliche Aufnahmeablauf (Segmente, Folienverknüpfung, eingebrannte Untertitel und Export) wird in der Aufnahme-Anleitung beschrieben; dieser Artikel konzentriert sich auf Stimme und Sprachen.
Eigenes TTS mit Voice Cloning einrichten
Der Tab „KI-Stimme“ beginnt mit einer einmaligen Einrichtung: deinem eigenen TTS-Dienst:
- Endpunkt und Authentifizierung: Funktioniert mit gängigen TTS-API-Formaten; die Namen der Anfragefelder lassen sich anpassen;
- Modell und Sprachcode: Werden entsprechend deinem Dienst eingetragen;
- Referenzaudio und Referenztext: Stelle einen Beispielclip und dessen Transkript für Voice Cloning bereit, damit das TTS dein Skript mit dieser Stimme liest.
Es gibt also keine integrierte Stimmenbibliothek; dein TTS-Dienst legt die verfügbaren Stimmen fest. Generierte Clips werden im Browser zwischengespeichert, sodass eine erneute Aufnahme desselben Skripts das Audio nicht noch einmal generiert.
Eine Karte pro Segment: TTS generieren, Vorschau ansehen, erneut generieren oder alle Segmente gleichzeitig erstellen
Generierung pro Segment und Aufnahme im Vertonungsmodus
Das Voiceover ist nach Segmenten organisiert und den Folien zugeordnet:
- Pro Segment generieren: Auf jeder Segmentkarte lässt sich TTS generieren, abspielen und bei Bedarf erneut erstellen;
- Alle generieren: Gleichzeitige Generierung für jedes Segment, lokal zwischengespeichert;
- Aufnahme im Vertonungsmodus: Während der Aufnahme wird die TTS-Timeline automatisch abgespielt und das Canvas wechselt pro Segment, sodass das vollständig vertonte Video in einem Durchlauf entsteht;
- Export: Wie bei der normalen Aufnahme direkt als MP4.
Sobald das Skript in Segmente unterteilt ist, verwenden Voiceover, Untertitel und Folien dieselbe Struktur
Untertitel und Voiceover basieren auf demselben Skript: Die Untertitel werden anhand der geschätzten Zeit eingebrannt, während das Voiceover den Text per TTS vorliest. Dadurch stimmen die Inhalte automatisch überein; die zeitliche Abstimmung wird über die Einstellung für die Untertitelgeschwindigkeit angepasst.
In 13 Sprachen übersetzen
Sowohl das Vertonungsskript als auch die Textelemente im Canvas können per KI übersetzt werden:
- Umfang: beides / nur Skript / nur Canvas-Text;
- Zielsprachen: 13 (Chinesisch, Englisch, Deutsch, Französisch, Spanisch, Japanisch, Koreanisch und weitere);
- Übersetzungsdienst: Ebenfalls selbst konfigurierbar; trage deine LLM-API ein (die Protokolle OpenAI Chat Completions und Anthropic Messages werden beide unterstützt);
- Stilvorgaben: umgangssprachlich / formell / locker;
- Übersetzungen können pro Segment bearbeitet werden und werden zusammen mit der Originalsprache gespeichert.
Die Übersetzung betrifft das Vertonungsskript und den Canvas-Text; Formen und Struktur bleiben unverändert
Sprache wechseln und erneut aufnehmen
Ein Canvas, viele Sprachversionen – entscheidend ist, nach der Übersetzung eine neue Vertonung zu erstellen:
- Übersetzen: Wähle eine Zielsprache und übersetze Skript und Canvas-Text (pro Segment bearbeitbar);
- Sprache wechseln: Das Projekt wechselt die Sprache, und Canvas-Text sowie Skript werden entsprechend angepasst;
- Voiceover neu generieren: TTS generiert für jedes Segment anhand des Textes in der neuen Sprache eine neue Vertonung;
- Erneut aufnehmen: Führe die Aufnahme im Vertonungsmodus erneut durch und exportiere die MP4-Datei in der Zielsprache.
Die Daten der Originalsprache bleiben im lokalen Speicher erhalten; du kannst jederzeit zurückwechseln und erneut aufnehmen.
Im Vergleich zu einem manuellen Voiceover-Workflow
| Manuelles Voiceover / Nachbearbeitungstools | Whiteboard-Studio | |
|---|---|---|
| TTS | Ein separates TTS-Tool suchen und das Audio anschließend von Hand synchronisieren | Ein Klick pro Segment, automatisch an den Segmenten ausgerichtet |
| Mehrere Sprachen | Für jede Sprache umschreiben, neu aufnehmen und erneut synchronisieren | Skript mit einem Klick übersetzen; Sprache wechseln und neu generieren |
| Untertitel | Eine Untertitel-App für die zeitliche Abstimmung | Automatisch aus demselben Skript eingebrannt |
| Stimme | Festgelegte Stimmen oder ein weiterer Kauf | Dein TTS-Dienst mit Voice Cloning |
| Daten | Assets sind über mehrere Tools verteilt | Alles befindet sich in einem lokalen Projekt |
Kurz gesagt: Manuelle Workflows bieten den Vorteil, bei jedem Schritt Tools auszutauschen, während das Studio überzeugt mit „Skript einmal ändern – Voiceover, Untertitel und Übersetzung folgen automatisch“.
Häufig gestellte Fragen
Benötigt das KI-Voiceover meinen eigenen TTS-Dienst?
Ja. Es gibt keine integrierte Stimmenbibliothek. Hinterlege in den Einstellungen deine eigene TTS-API (Endpunkt, Authentifizierung, Modell und Sprachcode). Die Namen der Anfragefelder lassen sich anpassen, und gängige API-Formate werden unterstützt.
Wird Voice Cloning unterstützt?
Ja. Stelle einen Referenzaudio-Clip und dessen Transkript bereit. Anschließend liest das TTS dein Skript mit dieser Stimme vor. Die Einrichtung erfolgt in den Einstellungen.
Welche Sprachen werden unterstützt?
Als Übersetzungsziele stehen 13 Sprachen zur Verfügung (Chinesisch, Englisch, Deutsch, Französisch, Spanisch, Japanisch, Koreanisch und weitere). Welche TTS-Sprachen verfügbar sind, hängt von deinem Dienst ab und wird über den Sprachcode festgelegt.
Lassen sich Mikrofonaufnahme und KI-Voiceover kombinieren?
Ja, pro Segment: Einige Segmente können mit dem Mikrofon aufgenommen und andere per TTS generiert werden. Anschließend werden sie zu einem Export zusammengeführt.
Bleiben die Untertitel mit dem Voiceover synchron?
Beide basieren auf demselben Skript, sodass die Inhalte automatisch übereinstimmen. Die Untertitelzeiten werden anhand der Geschwindigkeit geschätzt. Passe die Untertitelgeschwindigkeit in den Einstellungen an, um die Abstimmung mit dem Sprechtempo zu verbessern.
Verändert die Übersetzung die Canvas-Grafiken?
Nein. Die Übersetzung betrifft nur das Vertonungsskript und den Textinhalt der Canvas-Elemente. Formen, Positionen und Struktur bleiben unverändert.
Was kostet das?
Für KI-Voiceover und Übersetzung werden deine eigenen TTS- und LLM-Dienste aufgerufen. Die Kosten fallen daher bei deinem jeweiligen Dienst an. Für die Canvas-Aufnahme und das Entfernen des Wasserzeichens ist ein kostenpflichtiges Upgrade von Eyesme erforderlich.
Wo werden die Daten gespeichert?
Skript, Übersetzungen, Segmentvideos und Voiceover-Audio werden im lokalen Speicher deines Browsers gespeichert und niemals hochgeladen.
Funktionen und Details entsprechen dem Stand des Studios vom November 12, 2026 und können sich weiterentwickeln; die Produkt-Screenshots stammen aus der aktuellen Benutzeroberfläche.
Bereit, ein Canvas in vielen Sprachen sprechen zu lassen? Öffne Draw Studio, nimm das Original mit der Aufnahme-Anleitung auf und nutze anschließend KI-Voiceover und Übersetzung für jede Sprachversion.




