Ein Firmenpodcast ohne Studio
Ein Skript pro Folge, zwei feste Stimmen, eine Minute pro Node. Der Schnitt setzt die Nodes zusammen, fügt Jingle und Musik hinzu. Kein Mikrofon, kein Raum, kein verpatzter Take.
Einen Podcast mit zwei Stimmen per KI erstellen
Ein Wortwechsel aus acht Sätzen zwischen zwei Moderatoren, in einem Take gespielt von ElevenLabs Dialogue v3: zwei Stimmen, die Übergänge, das Lachen. Der komplette Workflow, ohne Konto sichtbar, mit der Folge.
Interaktive Demo
Echter Workflow, echte Ergebnisse. Beweg dich frei und zoome nach Belieben.
Diesen Workflow verwendenEchter Workflow: ein einziger Sprecher-Node im Dialogmodus, acht Sätze, eine Stimme pro Satz, auf ElevenLabs Dialogue v3. Hör dir die Folge an.
Auf einen Blick
- Was der Workflow liefert
- 1 Voice-over
- Aufbau des Canvas
- 2 Nodes, verbunden durch 0 Kabel
- Verdrahtete Modelle
- ElevenLabs Dialogue v3
- Kosten eines kompletten Durchlaufs
- rund 7 Credits, also 0,07 €
Ein Podcast mit zwei Stimmen entsteht nicht, indem man zwei Sprecherspuren hintereinanderklebt: Die Pausen zwischen den Sätzen klingen falsch, die Anschlüsse sind zu sauber, niemand lacht im richtigen Moment. ElevenLabs Dialogue v3 bekommt alle Sätze zusammen und spielt den Wortwechsel in einem Take, wie zwei Menschen im selben Raum. Die Demo dauert eine Minute, zu einer einfachen Frage: Warum vergeht die Zeit schneller, wenn wir älter werden.
Alles passt in einen Sprecher-Node im Dialogmodus. Jeder Satz hat seine Stimme aus den einundzwanzig Stimmen des Modells; die Demo nimmt eine weibliche und eine männliche, weil zwei ähnliche Stimmen wie ein Monolog klingen. Die Marken in eckigen Klammern, [laughs], [curious], [whispers], lenken das Spiel, ohne vorgelesen zu werden: Der fünfte Satz der Demo beginnt mit [laughs], und man hört es.
Höchstens zehn Sätze pro Node, dreitausend Zeichen. Für eine längere Folge mehrere Nodes aneinanderreihen und im Schnitt-Node zusammensetzen. Das Modell wird pro Zeichen abgerechnet: Rechne mit rund einem Dutzend Credits pro Minute Sprache. Eine Stunde Podcast kommt auf unter zehn Euro.
So geht's
- 1
Schreib den Wortwechsel, Satz für Satz
Kurze Sätze, wie man spricht. Ein Satz pro Gedanke. Lass antworten, nachhaken, unterbrechen: Das Hin und Her macht den Podcast, nicht die Länge der Reden.
- 2
Gib jedem Satz eine Stimme
Eine weibliche, eine männliche, im Timbre weit auseinander. Dieselbe Stimme für denselben Moderator von Anfang bis Ende. Der Node zeigt die Liste, hör zwei an, bevor du wählst.
- 3
Setze die Spielmarken
[laughs] vor einem amüsierten Satz, [curious] vor einer Frage, [sighs] vor einem Zugeständnis. Höchstens eine Marke pro Satz, den Rest macht das Modell.
- 4
Generiere, hör zu, korrigiere einen Satz
Der Node spielt den ganzen Wortwechsel. Klingt ein Satz falsch, ändere seinen Text oder seine Marke und starte neu: Das Modell spielt alles neu, stimmig von Anfang bis Ende.
Varianten und Anwendungsfälle
Derselbe Canvas, anders eingestellt: jede Variante kostet zwei bis drei geänderte Prompt-Zeilen.
Ein Artikel als Gespräch zusammengefasst
Lass eine Stimme fragen und die andere antworten: Ein Blogartikel wird zu einem fünfminütigen Wortwechsel, den man beim Gehen hört. Das Textmodell der Leinwand kann das Skript schreiben.
Ein Schulungs- oder Unterrichtsdialog
Lehrer und Schüler, Kunde und Berater, Patient und Arzt. Zwei Stimmen, Zögermarken, und der Fall wird lebendig. Jedes Szenario in seinem eigenen Node.
Eine Hörspielszene
Zwei Figuren, Emotionsmarken, [whispers], [sad], [excited], und ein generierter Soundeffekt unter der Szene. Der Schnitt-Node legt die Stimmen auf die Atmosphäre.
Ein Audiospot mit zwei Stimmen
Dreißig Sekunden, eine Frage und eine Antwort, die Marke im letzten Satz. Die weibliche und die männliche Stimme teilen sich die Rollen, der Schnitt fügt die Musik hinzu.
Die Folge, dann gereinigt und veröffentlicht
Die Datei kommt sauber heraus; muss ein Pegel geglättet werden, übernimmt das der Verbessern-Node. Das MP3 wird vom Node heruntergeladen, bereit für die Podcast-Plattform.
Häufige Fehler
Zwei Stimmen, die sich ähneln
Zwei Frauenstimmen gleichen Alters oder zwei tiefe Männerstimmen: Man weiß nicht mehr, wer spricht. Nimm je eine Stimme pro Timbre, wie die Demo, und behalte sie von Folge zu Folge.
Reden statt Sätze
Ein Satz von zweihundert Wörtern ist kein Wortwechsel mehr, sondern ein Vortrag. Kürze, lass die andere Stimme einhaken. Der Rhythmus eines Podcasts kommt aus dem Hin und Her.
Zu viele Marken
Eine Marke pro Satz lenkt das Spiel; vier machen eine Karikatur daraus. [laughs] in jeder Zeile klingt am Ende falsch. Die Demo nutzt zwei auf acht Sätze.
Mehr als zehn Sätze
Der Node nimmt zehn und dreitausend Zeichen, damit das Modell den Wortwechsel stimmig hält. Darüber hinaus in mehrere Nodes teilen und im Schnitt zusammensetzen.
Empfohlene Modelle
ElevenLabs Dialogue v3
MiniMax Speech 2.8 HD
DeepFilterNet 3Häufige Fragen
Antworten sich die beiden Stimmen wirklich?
Ja. Das Modell bekommt die Sätze zusammen und übernimmt die Übergänge, die Atmer und den Rhythmus des Wortwechsels. Das ist der Unterschied zu zwei im Schnitt aneinandergefügten Sprecherspuren.
Kann ich meine eigene Stimme verwenden?
Hier nicht. Das Modell hat einundzwanzig Stimmen, es klont nicht. Um einen Text mit einer Stimme zu lesen, die deiner ähnelt, spielt der Workflow die Stimme ändern deine Aufnahme mit einem anderen Timbre nach.
In welcher Sprache?
In der Sprache deiner Sätze, in den vierzehn Sprachen der Website. Die Sprache wird auf dem Node eingestellt; die Demo ist auf Deutsch, mit Stimmen, die es aussprechen können.
Was kostet eine Folge?
Der Preis wird pro Zeichen berechnet und steht vor dem Klick auf dem Node, rund ein Dutzend Credits pro Minute Sprache. Der Wortwechsel der Demo, tausend Zeichen, kostet vierzehn. Eine Stunde Podcast kommt auf unter zehn Euro.
Wie viele verschiedene Stimmen?
Einundzwanzig, weibliche und männliche, alle fähig, die vierzehn Sprachen der Website zu sprechen. Ein Dialog kann mehr als zwei mischen, aber zwei reichen für einen Podcast.
Wie lang darf ein Node sein?
Dreitausend Zeichen, etwa drei Minuten Sprache. Eine Folge von zwanzig Minuten sind sieben im Schnitt-Node aneinandergereihte Nodes, jeder einzeln neu startbar.
Kann ich Musik und einen Jingle hinzufügen?
Ja, auf derselben Leinwand: ein Musik-Node für die Titelmelodie und der Schnitt-Node, um die Stimmen darüberzulegen. Der Workflow ein Video vertonen zeigt das Prinzip.
Geht das vom Handy aus?
Ja. Die Leinwand läuft auf dem Handy, die Sätze werden im Node getippt und die Folge darin abgespielt. Der Leitfaden mobil erstellen erklärt die Gesten.
Einen Podcast mit zwei Stimmen per KI erstellen
Diesen Workflow verwendenKostenloses Konto, ohne Kreditkarte. Der Workflow öffnet sich vorausgefüllt in deinem Canvas.