Am 4. November hat Google Voice Remixing in das Änderungsprotokoll der Gemini API aufgenommen: Mit einem Satz lässt sich eine vorhandene Stimme in eine neue Klangfarbe verwandeln und als eigenständige voice_-ID speichern, die sich immer wieder verwenden lässt. Die Funktion richtet sich an Gemini 3.8 Flash TTS und Flash-Lite TTS und lässt sich auch interaktiv in Google AI Studio nutzen.
Stimme mit einem Satz ändern — so geht's
Ausgangspunkt ist eine vorgefertigte Stimme, die Extended Voice Library oder eine gespeicherte eigene Stimme. Die gewünschte Änderung wird in natürlicher Sprache beschrieben — etwa ein anderer Akzent, eine andere Tonhöhe, ein langsameres Tempo oder ein älterer Klang — und ein Aufruf von POST /v1beta/voices liefert eine neue, eigenständige Stimme zurück, mit der sich Sprache synthetisieren lässt. Eine gemischte Stimme kann selbst erneut gemischt werden, sodass sich eine unverwechselbare Stimme Schicht für Schicht verfeinern lässt.
Das ist kein Voice-Cloning
Voice Remixing verändert eine vorhandene Stimme; es zaubert keinen Klon einer echten Person aus dem Nichts. Es teilt die Arbeit anders auf als Voice Design und Voice Replication, die im September erschienen sind: Ersteres beschreibt eine völlig neue Stimme von Grund auf in Worten, Letzteres bildet eine echte Stimme mit Einwilligung nach. Das Änderungsprotokoll vom 22. September zeigt, dass Gemini 3.8 Flash TTS und Flash-Lite TTS allgemein verfügbar wurden und der zugehörige Voices-Endpunkt am selben Tag startete — Voice Remixing baut auf diesem Endpunkt auf.
Für Podcasts, Kurse, Audioinhalte und Sprachassistenten verwandelt das die „Stimmabstimmung" von einem Einstellungsmenü in einen einzigen Satz: Eine feste Charakterstimme muss nicht mehr durch Ausprobieren von Parametern gefunden werden. Doch je leichter sich Stimmen ändern lassen, desto wichtiger wird die Lizenzgrenze — wem eine gemischte Stimme ähnelt und ob sie kommerziell genutzt werden darf, müssen Kreative vor der Verwendung klären. Bei der Wahl eines Werkzeugs lohnt auch ein Blick auf die Auswahlkriterien für KI-Stimmklon-Tools, gegenübergestellt für Podcasts, Hörbücher und Kurzvideos.
