Sprechen Sie mit Ihrer eigenen Stimme — in einer Sprache, die Sie nicht sprechen

Hier ist der Teil der Echtzeit-Übersetzung, den fast alle falsch machen und über den fast niemand spricht: die Stimme, die Sie hören.

Sie können eine exzellente Spracherkennung und eine exzellente Übersetzung haben und am Ende trotzdem ein Meeting haben, das sich anfühlt, als würde eine Maschine eine Liste vorlesen. Denn beim letzten Schritt — der Rückverwandlung des übersetzten Textes in Klang — tauschen die meisten Tools Sie leise gegen eine einzige generische synthetische Erzählstimme aus. Acht Personen im Raum, eine Roboterstimme für alle. Sie verlieren, wer spricht, die Betonung, die Persönlichkeit. Verständlich, aber kein Gespräch.

InterMIND macht den letzten Schritt anders. Wenn Sie sprechen, hören die anderen Teilnehmenden die Übersetzung in einer Stimme, die deutlich Ihre ist — mit Ihrem Timbre und Ihrer Art zu sprechen — die nun die Wörter in ihrer Sprache sagt. Es ist noch keine makellose Imitation; der Punkt ist, dass Sie es sind und kein Standard-Erzähler, und es wird besser. Das funktioniert für alle Teilnehmenden, in beide Richtungen, gleichzeitig.

Dieser Beitrag ist das fehlende Kapitel von Inside the four translation pipelines that run InterMIND: jener Beitrag erklärte, wie Audio zu übersetztem Audio wird. Dieser hier handelt davon, wessen Stimme am anderen Ende herauskommt.

Der Standard, den alle ausliefern, und warum er flach klingt

Wenn Sie die Live-Übersetzung in einer der großen Meeting-Plattformen genutzt haben, kennen Sie den Klang. Eine neutrale, gleichmäßig gesetzte Stimme liest die Übersetzung vor. Es ist dieselbe Stimme, egal ob der Sprecher Ihr CEO ist, der eine Townhall eröffnet, oder ein Kollege, der einen Witz macht. Die Technologie darunter ist Text-to-Speech mit einem einzigen festen Sprachmodell, und die Designannahme ist, dass Verständlichkeit genügt.

In einem echten Meeting genügt sie nicht. Die Hälfte dessen, was ein Meeting vermittelt, ist wer etwas sagt und wie. Entfernen Sie die Stimme, und Sie haben eine Diskussion in ein Transkript verwandelt, das zufällig laut ausgesprochen wird. Die Menschen reagieren nicht mehr aufeinander, sondern warten auf ihren Zug.

Was InterMIND stattdessen tut

Die Übersetzung läuft als kaskadierte Pipeline — drei spezialisierte Stufen in Folge, anstatt eines Modells, das alles versucht. Die ersten beiden Stufen werden im Pipelines-Beitrag behandelt; die Stimmenstufe ist die, um die es in diesem Beitrag geht:

1. ASR — Spracherkennung. Ihre Wörter werden in Ihrer eigenen Sprache transkribiert, während Sie sprechen, auf unserer eigenen Engine — dem Medienserver, der den Anruf trägt (Mind API, OVH France) —, sodass die Übersetzung beginnen kann, bevor der Satz endet.
2. MT — Übersetzung. Das Transkript wird in stabile Satzanfänge — Klauseln — gruppiert, sodass die Übersetzung beginnen kann, bevor Sie den Satz beendet haben, und jeder Ausschnitt wird progressiv in die Sprache der Zuhörenden übersetzt.
3. Zero-shot TTS — Stimmensynthese. Jeder übersetzte Ausschnitt wird mit einem Sample Ihrer eigenen Stimme wieder ausgesprochen und an die Zuhörenden gestreamt.

Es ist diese dritte Stufe — ASR → MT → Zero-shot TTS —, die den Effekt erzeugt. „Zero-shot" bedeutet, dass das System keine vorab aufgenommene Registrierung oder ein Training für Ihre Stimme benötigt. Es modelliert Ihre Stimme aus dem Audio des Meetings, in dem Sie sich bereits befinden.

Der Warm-up: Wie es so schnell beginnt, wie Sie zu klingen

In „ein Sample Ihrer eigenen Stimme verwenden" steckt ein Henne-Ei-Problem. Ganz zu Beginn eines Anrufs hat das System noch nicht genug von Ihnen gehört, um Ihre Stimme gut zu modellieren.

InterMIND löst das mit einem progressiven Warm-up:

• Für etwa die ersten 5–10 Sekunden, während es noch genug von Ihrer Sprache sammelt, wird jeder übersetzte Ausschnitt mit dem Audio-Ausschnitt synthetisiert, der dem entspricht, was Sie gerade gesagt haben. Die Stimmgebung ist an Ihre echte, unmittelbare Sprache verankert.
• Sobald ein langes genug Sample vorhanden ist — jene 5–10-Sekunden-Marke — fixiert das System darauf und verwendet es, um alles danach zu stimmen.

In der Praxis hören Sie keinen Schalter umklappen. Die Übersetzung klingt mehr wie Sie, je ins Rollen das Gespräch kommt — kein perfekter Klon Ihrer Stimme, aber deutlich Ihre statt einer Maschine, und sie verbessert sich, je mehr das Modell hört. Die Kombination aus progressiver Übersetzung (Klausel für Klausel, nicht Satz für Satz) und progressiver Stimmgebung ist es, was das Ganze unter dem Latenzbudget hält und trotzdem menschlich klingen lässt.

Nehmen Sie Ihre Stimme einmal auf und überspringen Sie das Warm-up

Das Warm-up oben ist das, was standardmäßig passiert, ohne etwas eingerichtet zu haben. Seit September 2026 gibt es für angemeldete Benutzende einen optionalen zweiten Pfad: ein gespeichertes Stimmensample in Settings → Your voice in translation.

Die Aufnahme ist eine einzige Geste. Drücken Sie Record my voice, warten Sie auf Speak now und sagen Sie die Zahlen von eins bis zehn in beliebiger Reihenfolge. Jede Zahl leuchtet auf der Karte auf, wenn die Sprachengine sie hört; wenn alle zehn leuchten, wird das Sample geprüft und für sich gespeichert. Es gibt nichts abzuspielen oder zu bestätigen und keinen Countdown: die Karte behält den Teil Ihrer Aufnahme, der die Zahlen enthält. Ein ruhiger Raum und ein Headset liefern das beste Ergebnis.

Was das gespeicherte Sample ändert: ab Ihrem nächsten Meeting stimmt der Synthesizer Ihre Übersetzung damit ab dem ersten Ausschnitt, sodass die andere Seite Sie ab dem ersten Satz als Sie selbst hört statt nach dem Warm-up. Unter der Haube ist es dieselbe Zero-shot-Synthese mit einem besseren Startpunkt; das Live-Warm-up verfeinert die Stimme weiterhin, während der Anruf läuft.

Die Aufnahme wird geprüftet, bevor sie gespeichert wird. Sie muss 3 bis 10 Sekunden klare Sprache sein (das Eingabefenster des Synthesizers): zu leise, abgeschnitten, größtenteils Stille oder im Hintergrundrauschen ertränkt, und die Karte sagt Ihnen, was Sie beheben sollen, und bittet um eine weitere Aufnahme. Zahlen wurden aus einem praktischen Grund als Phrase gewählt: Sie sind kurz, in jeder der 23 Sprachen erkennbar, und die Engine kann bestätigen, dass sie alle zehn gehört hat, was „hat diese Aufnahme funktioniert?" in ein sichtbares Ja verwandelt.

Zwei Stimmensamples, zwei Lebensdauern

Das ist der Teil, über den ein Security- oder Legal-Team sofort fragt, deshalb hier in Klartext. Es gibt zwei verschiedene Samples, und sie leben unterschiedlich.

Das Live-Sample, das für das Warm-up im Meeting verwendet wird, ist ephemer. Es existiert nur für die Live-Konferenzsitzung, um die Übersetzung zu stimmen, und wird nirgendwo gespeichert. Die Mind API und das SDK, die die Echtzeit-Sitzung betreiben, behalten keine Daten; alles Temporäre stirbt, wenn die Konferenzsitzung endet.

Das gespeicherte Sample aus den Settings wird mit Ihrem Konto gespeichert, für einen Zweck: es wird jedes Mal an die Übersetzungs-Engine gesendet, wenn Sie einem Meeting beitreten, damit Ihre übersetzte Sprache damit gestimmt werden kann, und für nichts anderes. Es bleibt, bis Sie Remove auf der Karte drücken, was Sie sofort zum Standard-Warm-up zurückkehren lässt, und es wird zusammen mit Ihrem Konto gelöscht. Gäste können keins aufnehmen; es ist eine angemeldete Funktion by Design.

Es lohnt sich, genau zu sein, was keines der Samples ist: keines von InterMINDs Aufnahme-Funktionen. Ein Meeting in Video und Audio aufzunehmen ist eine separate, bewusste Aktion, die Sie absichtlich vornehmen, mit eigenen Steuerelementen. Ein Stimmensample ist ein Input für den Sprachsynthesizer: transient im Live-Fall, Ihrer zum Behalten oder Löschen im gespeicherten Fall.

Warum niemand anderes das ausliefert

Es liegt nicht daran, dass Voice-Cloning ein Geheimnis ist. Es liegt daran, es live, pro Teilnehmendem, in beide Richtungen, unter einem Ein-Sekunden-Budget, über 23 Sprachen, ohne etwas zu speichern, das Sie nicht darum gebeten haben zu tun, ein anderes Problem ist als eine Stimme offline für einen Podcast zu klonen.

Die großen Plattformen optimieren ihre Übersetzung auf Untertitelabdeckung und eine einzige sichere Erzählerstimme — das ist der günstige, robuste Standard bei Skalierung. Die Stimme jedes Sprechers zu erhalten bedeutet, dass die Synthesestufe jedem Teilnehmenden unabhängig folgen und im selben Latenzbudget bleiben muss, unter dem der Rest der Pipeline lebt. Wir haben die Stimmengine selbst gebaut, auf unserer eigenen Infrastruktur, und das ist es, was diesen Trade-off unseren macht. (Mehr dazu, warum die Engine unser eigener Code ist: What one InterMIND meeting is built from.)

Wohin das führt: Lip-Sync

Ihre Stimme zu behalten ist eine Hälfte eines größeren Ziels. Die andere Hälfte ist Ihr Gesicht.

Gegenwärtig hören Sie die andere Person in ihrer eigenen Stimme, aber wenn Sie mit Kamera drinsitzen, bewegen sich ihre Lippen immer noch zu den Wörtern, die sie tatsächlich gesagt hat — in einer Sprache, die Sie nicht lesen. Der nächste Schritt ist Lip-Sync: das Neu-Timing des Mundes des Sprechers auf das übersetzte Audio, sodass er auf Ihrem Bildschirm Ihre Sprache zu sprechen scheint.

Setzen Sie beides zusammen und der Sinn dieser Arbeit wird klar. Zwei Menschen, die keine gemeinsame Sprache teilen, sitzen sich in einem Videoanruf gegenüber und sehen und hören einander, als wäre jeder ein Muttersprachler der Sprache des anderen — dieselbe Stimme, dasselbe Gesicht, kein Dolmetscher dazwischen, kein Roboter, der ein Skript liest.

Zum Status klarheitlich: Stimme ist heute live; Lip-Sync ist auf der Roadmap, nicht ausgeliefert. Wir nennen das Ziel, weil es der Grund ist, warum die Stimmensache wichtig ist — Own-Voice-Übersetzung ist nicht das Feature, es ist die erste Hälfte von „mit jedem reden, in jeder Sprache, als man selbst".

Wo Sie es hören können

Own-Voice-Übersetzung ist heute live, über alle 23 Stimmensprachen — dieselben Sprachen, die in der Doku aufgeführt sind. Es gibt nichts separat einzuschalten: wenn die Übersetzung in einem Meeting aktiviert ist, hören Teilnehmende einander automatisch in ihren eigenen Stimmen. Wir sind ehrlich, wo es steht: heute ist die Stimme bereits deutlich Sie, und die Ähnlichkeit treiben wir aktiv näher. Gehen Sie hören und urteilen Sie selbst.

• Demo ausprobieren — führt die Live-Stimmen-Pipeline gegen Ihr Audio in jeder der 23 Sprachen aus.
• Die Qualitätszahlen ansehen — dieselbe Produktions-Pipeline, monatlich gegen FLORES-200 bewertet, mit der vollen Verteilung pro Sprachpaar veröffentlicht.
• Stimmensample aufnehmen — angemeldet, eine Aufnahme der Zahlen eins bis zehn, und Sie werden ab dem ersten Satz als Sie selbst gestimmt.
• Wie es funktioniert, in der Doku — die Kurzversion dieses Beitrags.

Ein übersetztes Meeting sollte sich anfühlen wie die Menschen, die tatsächlich darin sind, miteinander sprechend. Ihre Stimme zu behalten ist, wie es dorthin kommt.