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

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

Sie können eine exzellente Spracherkennung und eine exzellente Übersetzung haben und trotzdem ein Meeting erleben, das sich anfühlt, als lese eine Maschine eine Liste vor. Weil der letzte Schritt — die Rückverwandlung des übersetzten Texts in Klang — der Punkt ist, an dem die meisten Tools Sie leise durch einen einzigen generischen synthetischen Sprecher ersetzen. Acht Personen im Raum, eine Roboterstimme für alle. Es geht verloren, wer spricht, die Betonung, die Persönlichkeit. Verständlich, aber kein Gespräch.

InterMIND macht diesen letzten Schritt anders. Wenn Sie sprechen, hören die anderen Teilnehmenden die Übersetzung in einer Stimme, die als die Ihre erkennbar ist — mit Ihrem Timbre und Ihrer Art zu sprechen — die nun die Worte in ihrer Sprache sagt. Es ist noch keine makellose Imitation; der Punkt ist, dass Sie es sind und kein Standard-Sprecher, und es wird besser. Das funktioniert für jede teilnehmende Person, in beide Richtungen, zur gleichen Zeit.

Dieser Beitrag ist das fehlende Kapitel von Blick in die vier Übersetzungs-Pipelines, die InterMIND antreiben: jener Beitrag hat erklärt, 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 ist

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

In einem echten Meeting reicht sie nicht. Die Hälfte dessen, was ein Meeting vermittelt, ist wer etwas sagt und wie. Streift man die Stimme ab, hat man eine Diskussion in ein Transkript verwandelt, das zufällig laut ausgesprochen wird. Die Menschen reagieren nicht mehr aufeinander und warten stattdessen auf ihren Einsatz.

Was InterMIND stattdessen tut

Die Übersetzung läuft als kaskadierte Pipeline — drei spezialisierte Stufen nacheinander statt ein Modell, das alles versucht. Die ersten beiden Stufen werden im Pipelines-Beitrag behandelt; die Sprachstufe ist die, um die es in diesem Beitrag geht:

1. ASR — Spracherkennung. Ihre Worte werden in Ihrer eigenen Sprache transkribiert, während Sie sprechen, auf unserer eigenen Engine — dem Medienserver, der den Anruf führt (Mind API, OVH France) — damit die Übersetzung beginnen kann, bevor der Satz endet.
2. MT — Übersetzung. Das Transkript wird in stabile Satzfragmente — Teilsätze — gruppiert, damit die Übersetzung beginnen kann, bevor Sie den Satz beendet haben, und jedes Fragment wird progressiv in die Sprache der hörenden Person übersetzt.
3. Zero-Shot-TTS — Stimmensynthese. Jedes übersetzte Fragment wird mit einer Probe Ihrer eigenen Stimme wieder ausgesprochen und an die hörende Person 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, an dem Sie bereits teilnehmen.

Die Aufwärmphase: Wie Ihre Stimme so schnell nachgebildet wird

In „verwende eine Probe Ihrer eigenen Stimme" verbirgt sich 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 einer progressiven Aufwärmphase:

• Für etwa die ersten 5–10 Sekunden sammelt das System noch genug Ihrer Sprache; jedes übersetzte Fragment wird dabei mit dem Audiofragment synthetisiert, das dem entspricht, was Sie gerade in Ihrer Quellsprache gesagt haben. Die Vertonung ist an Ihre reale, unmittelbare Sprache angelehnt.
• Sobald eine lange genug Probe vorhanden ist — die Marke von 5–10 Sekunden — legt sich das System darauf fest und nutzt sie, um danach alles zu vertonen.

In der Praxis hören Sie keinen Schalter umlegen. Die Übersetzung klingt zunehmend wie Sie, je mehr das Gespräch in Gang kommt — nicht ein perfektes Duplikat Ihrer Stimme, aber eindeutig das Ihre statt das einer Maschine, und es wird besser, je mehr das Modell hört. Die Kombination aus progressiver Übersetzung (Teilsatz für Teilsatz, nicht Satz für Satz) und progressiver Vertonung ist es, die das Ganze unter dem Latenzbudget hält und trotzdem menschlich klingt.

Nehmen Sie Ihre Stimme einmal auf und überspringen Sie die Aufwärmphase

Die oben beschriebene Aufwärmphase geschieht standardmäßig, ohne dass etwas eingerichtet werden muss. Seit September 2026 gibt es einen optionalen zweiten Weg für angemeldete Nutzer: eine gespeicherte Stimmprobe unter Einstellungen → Ihre Stimme in der Übersetzung.

Die Aufnahme ist ein einziger Handgriff. Drücken Sie 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 Sprachengine sie hört; wenn alle zehn erleuchtet sind, wird die Probe geprüft und automatisch gespeichert. Es gibt nichts abzuspielen oder zu bestätigen und keinen Countdown: Die Karte behält die Passage Ihrer Aufnahme, die die Zahlen enthält. Ein ruhiger Raum und ein Headset liefern das beste Ergebnis.

Was die gespeicherte Probe verändert: Ab Ihrem nächsten Meeting vertont der Synthesizer Ihre Übersetzung damit vom ersten Fragment an, sodass die andere Seite Sie vom ersten Satz an als Sie selbst hört und nicht erst nach der Aufwärmphase. Unter der Haube ist es dieselbe Zero-Shot-Synthese mit einem besseren Startpunkt; die Live-Aufwärmphase verfeinert die Stimme weiterhin, während das Gespräch läuft.

Die Aufnahme wird vor der Speicherung geprüft. Sie muss 3 bis 10 Sekunden klare Sprache enthalten (das Eingabefenster des Synthesizers): zu leise, angeschnitten, größtenteils Stille oder im Hintergrundrauschen untergegangen — und die Karte sagt Ihnen, was Sie beheben sollen, und fordert eine weitere Aufnahme an. 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 aus „Hat die Aufnahme geklappt?" ein sichtbares Ja macht.

Zwei Stimmproben, zwei Lebensdauern

Das ist der Teil, den ein Security- oder Legal-Team sofort erfragt, also hier in aller Deutlichkeit. Es gibt zwei verschiedene Proben, und sie leben unterschiedlich.

Die Live-Probe, die für die Aufwärmphase im Meeting verwendet wird, ist ephemer. Sie existiert nur für die Live-Konferenzsitzung, um die Übersetzung zu vertonen, und wird nirgends gespeichert. Die Mind API und das SDK, die die Echtzeit-Sitzung antreiben, behalten keine Daten; alles Temporäre verschwindet, wenn die Konferenzsitzung endet.

Die gespeicherte Probe aus den Einstellungen wird mit Ihrem Konto gespeichert, für einen Zweck: Sie wird jedes Mal an die Übersetzungsengine gesendet, wenn Sie einem Meeting beitreten, damit Ihre übersetzte Sprache damit vertont werden kann, und für nichts anderes. Sie bleibt, bis Sie auf der Karte Entfernen drücken, was Sie sofort zur Standard-Aufwärmphase zurückbringt, und sie wird zusammen mit Ihrem Konto gelöscht. Gäste können keine aufnehmen; es ist by Design eine Funktion für Angemeldete.

Es lohnt sich, präzise zu sein, was keine der beiden Proben ist: keine von InterMINDs Aufnahme-Funktionen. Das Aufnehmen von Video und Audio eines Meetings ist eine eigene, bewusste Handlung, die Sie absichtlich vornehmen, mit eigenen Steuerungen. Eine Stimmprobe ist ein Input für den Sprachsynthesizer: im Live-Fall transient, in der gespeicherten Variante Ihnen überlassen, sie zu behalten oder zu löschen.

Warum sonst niemand das ausliefert

Es ist nicht so, dass Voice-Cloning ein Geheimnis wäre. Es ist so, dass es live, pro Teilnehmendem, in beide Richtungen, unter einem Ein-Sekunden-Budget, über 23 Sprachen hinweg, ohne etwas zu speichern, was Sie nicht angefordert haben auszuführen ein anderes Problem darstellt, als offline für einen Podcast eine Stimme zu klonen.

Die großen Plattformen optimieren ihre Übersetzung auf Caption-Abdeckung und eine einzige sichere Erzählstimme — das ist der günstige, robuste Standard bei Skalierung. Die eigene Stimme jeder sprechenden Person zu bewahren bedeutet, dass die Synthese-Stufe jede teilnehmende Person unabhängig verfolgen und innerhalb desselben Latenzbudgets bleiben muss, unter dem auch der Rest der Pipeline steht. Wir haben die Sprachengine selbst gebaut, auf unserer eigenen Infrastruktur, und das ist es, was diesen Trade-off zu unserem macht. (Mehr dazu, warum die Engine eigener Code ist: Woraus ein einzelnes InterMIND-Meeting besteht.)

Wohin das führt: Lip-Sync

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

Im Moment hören Sie die andere Person in ihrer eigenen Stimme, aber wenn Sie mit Kamera verbunden sind, bewegen sich ihre Lippen immer noch zu den Worten, die sie tatsächlich gesagt hat — in einer Sprache, die Sie nicht lesen. Der nächste Schritt ist Lip-Sync: das zeitliche Neu-Ausrichten des Mundes der sprechenden Person auf das übersetzte Audio, sodass sie auf Ihrem Bildschirm so wirkt, als spreche sie Ihre Sprache.

Setzt man beides zusammen, rückt der ganze Sinn dieser Arbeit in den Fokus. Zwei Personen, die keine gemeinsame Sprache teilen, sitzen sich in einem Video-Call gegenüber und sehen und hören einander, als wäre jede ein Muttersprachler der Sprache der anderen — gleiche Stimme, gleiches Gesicht, kein Dolmetscher dazwischen, kein Roboter, der ein Skript vorliest.

Klar zum Status: Stimme ist heute live; Lip-Sync ist auf der Roadmap, nicht ausgeliefert. Wir nennen das Ziel offen, weil es erklärt, warum die Stimmarbeit zählt — Own-Voice-Übersetzung ist nicht das Feature, sondern die erste Hälfte von „mit jedem reden, in jeder Sprache, als Sie selbst".

Wo Sie es hören können

Own-Voice-Übersetzung ist heute live, über alle 23 Stimmensprachen — dieselben Sprachen, die in der Dokumentation aufgeführt sind. Es gibt nichts separat einzuschalten: Wenn in einem Meeting die Übersetzung aktiviert ist, hören die Teilnehmenden einander automatisch in ihren eigenen Stimmen. Wir sind ehrlich dazu, wo es steht: Heute ist die Stimme bereits erkennbar die Ihre, und wir arbeiten aktiv daran, die Ähnlichkeit weiter zu erhöhen. Gehen Sie hören und urteilen Sie selbst.

• Demo ausprobieren — führt die Live-Stimmen-Pipeline gegen Ihr Audio aus, in jeder der 23 Sprachen.
• Die Qualitätszahlen ansehen — dieselbe Produktions-Pipeline, monatlich gegen FLORES-200 bewertet, mit der vollständigen Verteilung pro Sprachpaar veröffentlicht.
• Stimmprobe aufnehmen — angemeldet, eine Aufnahme der Zahlen eins bis zehn, und Sie werden ab dem ersten Satz als Sie selbst vertont.
• Wie es funktioniert, in der Dokumentation — die Kurzfassung dieses Beitrags.
• Sehen Sie es neben Captions und einem durchsuchbaren Transkript — wie die drei Teile zusammen in einem Meeting agieren.

Ein übersetztes Meeting sollte sich anfühlen, als sprächen die Personen, die tatsächlich darin sind, miteinander. Ihre Stimme zu bewahren ist, wie es dorthin kommt.