Audio-Generierung (Ton direkt mit)

Audio-Generierung bedeutet bei KI-Videos, dass das Modell den Ton im selben Schritt wie das Bild erzeugt. Der fertige Clip enthält dann Umgebungsgeräusche, Soundeffekte, Musik oder sogar gesprochene Dialoge mit passenden Lippenbewegungen. Anbieter nennen das oft nativen Ton oder Native Audio.

Wie funktioniert die Audio-Generierung?

Früher erzeugten Videomodelle nur stumme Clips, der Ton kam später aus anderen Tools. Modelle mit Audio-Generierung berechnen Bild und Ton gemeinsam oder aufeinander abgestimmt. Dadurch passt ein Geräusch zeitlich zu dem, was im Bild passiert, etwa das Zuschlagen einer Tür oder ein Glas, das umfällt. Du steuerst den Ton über den Prompt, zum Beispiel mit „Regen prasselt, entfernter Donner“ oder einem Dialog in Anführungszeichen.

Laut Anbieter bietet Google Veo 3.1 nativen Ton. Welche Generatoren das außerdem können, siehst du unter KI-Video-Generator mit Ton.

Wofür lohnt sich nativer Ton?

Für kurze Clips in sozialen Medien, Werbeideen und erste Entwürfe spart er viel Arbeit, weil du nicht jedes Geräusch einzeln suchen und anlegen musst. Auch Szenen mit sprechenden Figuren werden einfacher, wenn Stimme und Lippen aus einem Guss kommen.

Worauf du achten solltest

Der generierte Ton ist nicht immer stimmig. Typische Fehler sind Geräusche, die nicht zum Bild passen, undeutliche Sprache, falsche Sprache bei deutschen Dialogen oder Musik, die mitten im Clip abbricht. Hör jeden Clip vor der Verwendung an. Wenn du mehrere Clips zu einem längeren Video schneidest, unterscheiden sich Klang und Lautstärke oft. Dann ist es meist besser, den Ton im Schnitt anzugleichen oder ganz durch eine eigene Tonspur zu ersetzen.