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

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

Sie können eine hervorragende Spracherkennung und eine hervorragende Übersetzung haben und trotzdem ein Meeting erleben, das sich anfühlt, als läse eine Maschine eine Liste vor. Denn der letzte Schritt, die Rückverwandlung des übersetzten Textes in Klang, ist der Punkt, an dem die meisten Tools Sie stillschweigend durch einen einzigen generischen Synthesesprecher ersetzen. Acht Personen im Raum, eine Roboterstimme für alle. Es geht verloren, wer gerade spricht, welche Betonung er setzt, welche Persönlichkeit er hat. Verständlich, aber kein Gespräch.

InterMIND macht den letzten Schritt anders. Wenn Sie sprechen, hören die anderen Teilnehmenden die Übersetzung mit einer Stimme, die erkennbar Ihre eigene ist. Sie trägt Ihr Timbre und Ihre Art zu sprechen und sagt nun dieselben Worte in deren Sprache. Es ist noch keine makellose Imitation; entscheidend ist, dass Sie es sind und kein Standardsprecher, und es wird stetig besser. Das funktioniert für alle Teilnehmenden, in beide Richtungen, gleichzeitig.

Dieser Beitrag ist das fehlende Kapitel zu Die vier Übersetzungs-Pipelines hinter InterMIND: Dort wurde erklärt, wie aus Audio übersetztes Audio wird. Hier geht es darum, wessen Stimme am Ende herauskommt.

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

Wenn Sie die Live-Übersetzung einer der großen Meeting-Plattformen genutzt haben, kennen Sie den Klang. Eine neutrale, gleichmäßig getaktete Stimme liest die Übersetzung vor. Es ist dieselbe Stimme, ob die Geschäftsführung gerade eine Betriebsversammlung eröffnet oder ein Kollege einen Witz macht. Darunter liegt Text-to-Speech mit einem einzigen festen Stimmmodell, und die Designannahme lautet: Verständlichkeit genügt.

In einem echten Meeting genügt sie nicht. Die Hälfte dessen, was ein Meeting vermittelt, ist, wer etwas sagt und wie. Nimmt man die Stimme weg, wird aus einer Diskussion ein Transkript, das zufällig laut vorgelesen wird. Die Leute hören auf, aufeinander zu reagieren, und warten nur noch, bis sie an der Reihe sind.

Was InterMIND stattdessen tut

Die Übersetzung läuft als kaskadierte Pipeline: drei spezialisierte Stufen nacheinander, statt eines einzelnen Modells, das alles auf einmal leisten soll. Die ersten beiden Stufen werden im Pipelines-Beitrag behandelt; der Stimmschritt ist der, um den es hier geht:

1. ASR – Spracherkennung. Ihre Worte werden in Ihrer eigenen Sprache transkribiert, während Sie sprechen, auf unserer eigenen Engine, dem Media-Server, der den Anruf trägt (Mind API, OVH Frankreich). So kann die Übersetzung beginnen, bevor der Satz zu Ende ist.
2. MT – Übersetzung. Das Transkript wird zu stabilen Satzfragmenten gruppiert, den Clauses. Die Übersetzung kann so beginnen, bevor Sie den Satz beendet haben, und jedes Fragment wird fortlaufend in die Sprache der Zuhörenden übersetzt.
3. Zero-Shot-TTS – Stimmsynthese. Jedes übersetzte Fragment wird mit einer Probe Ihrer eigenen Stimme gesprochen und an die Zuhörenden gestreamt.

Diese dritte Stufe, ASR → MT → Zero-Shot-TTS, erzeugt den Effekt. „Zero-Shot" bedeutet: Das System braucht für Ihre Stimme keine vorab aufgenommene Registrierung und keine Trainingssitzung. Es modelliert Ihre Stimme anhand des Audios aus dem Meeting, in dem Sie ohnehin gerade sind.

Das Warm-up: wie es so schnell nach Ihnen klingt

In „eine Probe 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:

• In den ersten rund 5–10 Sekunden, solange noch nicht genug von Ihrer Sprache vorliegt, wird jedes übersetzte Fragment mit dem Audiofragment synthetisiert, das dem entspricht, was Sie gerade eben in Ihrer Ausgangssprache gesagt haben. Die Stimmgebung orientiert sich dabei an Ihrer realen, unmittelbaren Sprache.
• Sobald eine ausreichend lange Probe vorliegt, also ab der Marke von 5–10 Sekunden, rastet das System darauf ein und verwendet sie für alles, was danach kommt.

In der Praxis hören Sie keinen Umschaltpunkt. Die Übersetzung klingt mehr nach Ihnen, je weiter das Gespräch fortschreitet. Kein perfektes Double Ihrer Stimme, aber erkennbar Ihre und nicht die einer Maschine, und sie verbessert sich, je mehr das Modell hört. Die Kombination aus progressiver Übersetzung (Clause für Clause statt Satz für Satz) und progressiver Stimmgebung hält das Ganze im Latenzbudget und lässt es dennoch menschlich klingen.

Stimme einmal aufnehmen und das Warm-up überspringen

Das beschriebene Warm-up ist der Standard, bei dem Sie nichts einrichten müssen. Seit September 2026 gibt es für angemeldete Nutzerinnen und Nutzer einen optionalen zweiten Weg: eine gespeicherte Stimmprobe unter Einstellungen → Ihre Stimme in der Übersetzung.

Die Aufnahme ist ein einziger Handgriff. Klicken Sie auf Meine Stimme aufnehmen, warten Sie auf Jetzt sprechen und sagen Sie die Zahlen von eins bis zehn in beliebiger Reihenfolge. Jede Zahl leuchtet auf der Karte auf, sobald die Spracherkennung sie hört. Sind alle zehn erleuchtet, wird die Probe geprüft und automatisch gespeichert. Es gibt nichts abzuspielen oder zu bestätigen, und auch keinen Countdown: Die Karte behält den Abschnitt Ihrer Aufnahme, der die Zahlen enthält. Ein ruhiger Raum und ein Headset liefern das beste Ergebnis.

Was die gespeicherte Probe ändert: Ab Ihrem nächsten Meeting vertont der Synthesizer Ihre Übersetzung damit ab dem ersten Fragment. Die andere Seite hört Sie also schon im ersten Satz als Sie selbst und nicht erst nach dem Warm-up. Technisch ist es dieselbe Zero-Shot-Synthese, nur mit besserem Ausgangspunkt; das Live-Warm-up verfeinert die Stimme im weiteren Verlauf des Anrufs trotzdem weiter.

Die Aufnahme wird geprüft, bevor sie gespeichert wird. Sie muss 3 bis 10 Sekunden klare Sprache enthalten (das Eingabefenster des Synthesizers). Ist sie zu leise, übersteuert, größtenteils Stille oder von Hintergrundgeräuschen überdeckt, sagt Ihnen die Karte, was zu korrigieren ist, und bittet um eine neue Aufnahme. Zahlen wurden aus einem praktischen Grund als Phrase gewählt: Sie sind kurz, in allen 23 Sprachen wiedererkennbar, und die Engine kann bestätigen, dass sie alle zehn gehört hat. Aus „Hat die Aufnahme geklappt?" wird so ein sichtbares Ja.

Zwei Stimmproben, zwei Lebensdauern

Das ist der Teil, nach dem Security- oder Rechtsteams sofort fragen, deshalb hier ganz direkt: Es gibt zwei verschiedene Proben, und sie leben unterschiedlich lang.

Die Live-Probe für das Warm-up im Meeting ist flüchtig. Sie existiert nur für die Dauer der Live-Konferenz-Session, dient ausschließlich der Vertonung der Übersetzung und wird nirgendwo gespeichert. Die Mind API und das SDK, auf denen die Echtzeit-Session läuft, behalten keine Daten; alles Temporäre verschwindet, wenn die Konferenz-Session endet.

Die gespeicherte Probe aus den Einstellungen wird mit Ihrem Konto gespeichert, für genau einen Zweck: Sie wird bei jedem Meeting-Beitritt an die Übersetzungs-Engine gesendet, damit Ihre übersetzte Sprache damit vertont werden kann, und für nichts anderes. Sie bleibt, bis Sie auf der Karte auf Entfernen klicken, was Sie sofort zum Standard-Warm-up zurückführt, und sie wird zusammen mit Ihrem Konto gelöscht. Gäste können keine Probe aufnehmen; es ist bewusst eine Funktion für angemeldete Nutzerinnen und Nutzer.

Wichtig ist auch, was keine der beiden Proben ist: keine der Aufzeichnungs-Funktionen von InterMIND. Die Aufzeichnung von Video und Audio eines Meetings ist eine eigene, bewusste Handlung, die Sie gezielt auslösen und die eigene Steuerungen hat. Eine Stimmprobe ist eine Eingabe für den Sprachsynthesizer: im Live-Fall flüchtig, im gespeicherten Fall von Ihnen zu behalten oder zu löschen.

Warum sonst niemand das ausliefert

Voice Cloning ist kein Geheimnis. Aber es live, pro Teilnehmer, in beide Richtungen, im Gesprächstempo, über 23 Sprachen und ohne etwas zu speichern, das Sie nicht angefordert haben zu machen, ist ein anderes Problem, als eine Stimme offline für einen Podcast zu klonen.

Die großen Plattformen optimieren ihre Übersetzung auf Untertitelabdeckung und eine einzige sichere Sprecherstimme; das ist im großen Maßstab der günstige, robuste Standard. Die eigene Stimme jedes Sprechers zu erhalten bedeutet, dass die Synthesestufe jeden Teilnehmenden unabhängig verfolgen und dabei im selben Latenzbudget bleiben muss wie der Rest der Pipeline. Wir haben die Stimm-Engine selbst gebaut, auf unserer eigenen Infrastruktur, und genau deshalb liegt diese Abwägung bei uns. (Mehr dazu, warum die Engine unser eigener Code ist: Woraus ein InterMIND-Meeting gebaut ist.)

Wohin die Reise geht: Lip-Sync

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

Im Moment hören Sie Ihr Gegenüber in dessen eigener Stimme, aber wenn die Kamera an ist, bewegen sich die Lippen weiterhin zu den Worten, die tatsächlich gesprochen wurden, in einer Sprache, die Sie nicht lesen können. Der nächste Schritt ist Lip-Sync: Der Mund des Sprechenden wird zeitlich an das übersetzte Audio angepasst, sodass er auf Ihrem Bildschirm Ihre Sprache zu sprechen scheint.

Setzt man beides zusammen, wird der Sinn dieser Arbeit klar. Zwei Menschen ohne gemeinsame Sprache sitzen sich in einem Videoanruf gegenüber und sehen und hören einander, als wäre jeder Muttersprachler der Sprache des anderen: dieselbe Stimme, dasselbe Gesicht, kein Dolmetscher dazwischen, kein Roboter, der ein Skript abliest.

Zum Stand der Dinge: Die Stimme ist heute live; Lip-Sync steht auf der Roadmap und ist noch nicht ausgeliefert. Wir nennen das Ziel, weil es erklärt, warum die Arbeit an der Stimme wichtig ist: Übersetzung mit der eigenen Stimme ist nicht das Feature selbst, sondern die erste Hälfte von „mit jedem sprechen, in jeder Sprache, als man selbst".

Wo Sie es hören können

Übersetzung mit der eigenen Stimme ist heute live, in allen 23 Sprachen mit Stimme, also denselben Sprachen, die in den Docs aufgeführt sind. Sie müssen nichts separat aktivieren: Ist die Übersetzung in einem Meeting eingeschaltet, hören sich die Teilnehmenden automatisch gegenseitig mit ihren eigenen Stimmen. Wir sagen ehrlich, wo es steht: Schon heute ist die Stimme erkennbar Ihre, und die Ähnlichkeit bringen wir aktiv weiter voran. Hören Sie selbst hin und urteilen Sie.

• Demo ausprobieren: lässt die Live-Stimm-Pipeline mit Ihrem Audio in einer der 23 Sprachen laufen.
• Qualitätswerte ansehen: dieselbe Produktions-Pipeline, monatlich gegen FLORES-200 bewertet, mit der vollständigen Verteilung je Sprachpaar veröffentlicht.
• Stimmprobe aufnehmen: angemeldet, eine Aufnahme der Zahlen von eins bis zehn, und Sie werden vom ersten Satz an mit Ihrer eigenen Stimme vertont.
• So funktioniert es, in den Docs: die Kurzfassung dieses Beitrags.
• Neben Untertiteln und durchsuchbarem Transkript erleben: wie die drei Bausteine in einem Meeting zusammenspielen.

Ein übersetztes Meeting sollte sich anfühlen, als sprächen die Menschen, die tatsächlich dabei sind, miteinander. Die eigene Stimme zu behalten ist der Weg dorthin.