Veo 3 Text-to-Speech: Voiceover und Erzählerstimme zu Videos hinzufügen (2026)

Die meisten lernen Veo 3 als Text-zu-Video-Modell kennen: Du beschreibst eine Szene und erhältst bewegte Bilder. Doch die Funktion, die den Workflow still und leise verändert hat, ist Text-to-Speech. Veo 3 kann ein gesprochenes Voiceover oder eine Erzählerstimme direkt in demselben Clip erzeugen, der auch die Bilder rendert – mit Worten, die zur Handlung getaktet sind, und Mundbewegungen, die zur gesprochenen Zeile passen. Kein separates Sprachwerkzeug, keine manuelle Synchronisation, kein nachträgliches Legen von Ton über ein stummes Video im Schnittprogramm.

Das verändert die Art, wie du ein Video planst. Statt einen visuellen Prompt zu schreiben und den Ton hinterher anzuschrauben, schreibst du die gesprochene Zeile, die Bilder und die Art des Vortrags als eine einzige Anweisung. Gut gemacht, fühlt sich das Ergebnis wie ein fertiges Stück an – ein Erklärvideo, ein Werbespot, eine Produktdemo, ein dokumentarischer Moment – direkt aus dem Modell. Nachlässig gemacht, driftet die Stimme, das Timing verrutscht oder die Worte klingen flach.

Diese Anleitung zeigt dir genau, wie du Voiceover und Erzählung zu Veo-3-Videos hinzufügst: die beiden Vortragsmodi, die Prompt-Struktur, die funktioniert, fertige Beispiele für die häufigsten Anwendungsfälle, die Timing-Rechnung, die Sprache im 8-Sekunden-Clip hält, und eine Qualitätscheckliste, damit du Probleme vor der Veröffentlichung findest. Wenn du zuerst das größere Bild zum Thema Audio möchtest, behandelt unser Leitfaden zu nativen Audio-Prompts für Veo 3 Dialog, Soundeffekte und Musik zusammen; dieser Artikel zoomt auf den am häufigsten gewünschten Fall – eine saubere gesprochene Stimme über deinem Material.

Erzählung, Dialog und Voiceover: erst die Begriffe klären

Veo 3 behandelt gesprochenen Ton auf mehrere unterschiedliche Arten, und die falsche zu wählen ist der häufigste Grund, warum ein Prompt scheitert.

• Erzählung im Bild (lippensynchron): Eine sichtbare Figur spricht die Worte in die Kamera. Das Modell animiert den Mund passend dazu. Verwende das für Talking-Head-Erklärvideos, Moderator-Intros, Testimonials im UGC-Stil und Straßeninterview-Clips.
• Voiceover (aus dem Off): Die Stimme eines Erzählers läuft über Bildern, in denen niemand vor der Kamera spricht – Produktaufnahmen, B-Roll, Landschaften, als Szenen nachgebaute Bildschirmaufnahmen. Die Stimme ist körperlos; es gibt keinen Mund zum Synchronisieren.
• Dialog: Zwei oder mehr Figuren sprechen miteinander. Das ist eine eigene Disziplin – Zuordnung der Zeilen, Stimmkontrast, Reaktionsmomente – und wir behandeln sie vollständig im Leitfaden zum Zwei-Figuren-Dialog. Wenn dein Skript ein Hin und Her von Zeilen hat, starte dort.

Text-to-Speech in dem Sinne, den die meisten Kreativen meinen – „Ich habe ein Skript und will eine Stimme, die es über meinem Video liest“ – entspricht Voiceover oder Erzählung im Bild. Der Rest dieser Anleitung konzentriert sich auf diese beiden, denn genau danach suchen Menschen, wenn sie „Veo 3 Text-to-Speech“ oder „Veo 3 Voiceover“ eingeben.

Die praktische Regel: Soll das Publikum einen Mund sehen, der die Worte formt, willst du lippensynchrone Erzählung und musst die sprechende Person im Bild beschreiben. Soll das Publikum die Worte nur hören, willst du Voiceover und beschreibst die Stimme, ohne ein sprechendes Gesicht ins Bild zu setzen.

Wie Veo 3 Sprache aus deinem Prompt erzeugt

Veo 3 hat kein separates „Stimmen“-Feld. Die gesprochene Zeile lebt im selben natürlichsprachlichen Prompt wie alles andere. Das Modell liest deinen Prompt, entscheidet, wer spricht (oder ob die Stimme aus dem Off kommt), erzeugt eine Stimme, die zur Beschreibung passt, und rendert den Ton im Gleichschritt mit dem Video. Einen tieferen Blick auf die zugrunde liegende Mechanik bietet wie die Audioerzeugung in Veo 3 funktioniert.

Aus dieser Konzeption folgen drei Dinge, und sie treiben alle Techniken hier an:

1. Die genauen Worte, die gesprochen werden sollen, kommen in Anführungszeichen. Alles, was du in Anführungszeichen setzt, behandelt Veo 3 als die wörtlich zu sprechende Zeile. Alles außerhalb der Anführungszeichen ist Regieanweisung – Ton, Tempo, Akzent, wer spricht. Diese beiden getrennt zu halten ist die wirkungsvollste Gewohnheit.
2. Die Identität der Stimme entsteht aus der Beschreibung, nicht aus einer Vorlage. Du bekommst die Stimme, die du beschreibst: Altersbereich, Geschlecht, Akzent, Wärme, Energie, Beruf. Vage Beschreibungen („eine schöne Stimme“) liefern über Renderings hinweg uneinheitliche Ergebnisse. Konkrete Beschreibungen („eine ruhige Frau Anfang dreißig, warmer mittlerer Bereich, unaufgeregt“) reproduzieren sich weit zuverlässiger.
3. Sprache konkurriert mit der Cliplänge. Ein 8-Sekunden-Clip fasst nur so viele gesprochene Worte. Überschreibst du die Zeile, wird Veo 3 entweder den Vortrag hetzen oder das Ende abschneiden. Die Lösung ist das Zählen der Worte vor dem Rendern, was wir im Timing-Abschnitt behandeln.

Die Voiceover-Prompt-Struktur, die funktioniert

Nach Hunderten von Generierungen ist die Struktur, die am zuverlässigsten saubere Sprache liefert, aus fünf geordneten Teilen aufgebaut. Du brauchst nicht jeden Teil in jedem Prompt, aber diese Reihenfolge hält das Modell davon ab, Regie mit Dialog zu verwechseln.

1. Szene / Bild – was wir sehen.
2. Sprecherdefinition – wer spricht, im Bild oder aus dem Off, konkret beschrieben.
3. Die gesprochene Zeile, in Anführungszeichen – die wörtlichen Worte.
4. Vortragsanweisung – Ton, Tempo, Emotion, Akzent, Betonung.
5. Klangumgebung – Hintergrundatmosphäre oder „sauberes Voiceover, keine Hintergrundmusik“, damit die Stimme klar bleibt.

Hier das Gerüst:

[Visuelle Szene]. [Sprecher: im Bild oder Off-Erzähler, beschrieben].
Der Erzähler sagt: „[genaue gesprochene Zeile]“.
Vortrag: [Ton, Tempo, Akzent, Betonung].
Ton: [sauberes Voiceover / leichte Atmosphäre], Stimme klar und vorne im Mix.

Eine konkrete Ausfüllung für ein Produkt-Voiceover aus dem Off:

Langsame Heranfahrt auf einen mattschwarzen kabellosen Ohrhörer, der sich auf einem
weich beleuchteten Podest dreht, geringe Schärfentiefe, edles Produktlicht.
Off-Erzähler, ruhiger Mann Ende dreißig, warme Mittellage, amerikanischer Akzent.
Der Erzähler sagt: „Zwölf Stunden Wiedergabe. Eine Ladung. Keine Kompromisse“.
Vortrag: selbstbewusst, unaufgeregt, kurze Pause vor „Keine Kompromisse“.
Ton: sauberes Voiceover, keine Musik, Stimme vorne und intim.

Und eine lippensynchrone Version im Bild, in der die sprechende Person sichtbar ist:

Halbnahe einer freundlichen Barista, Ende zwanzig, hinter einer Café-Theke,
Morgenlicht, sanftes Hintergrundtreiben.
Sie blickt in die Kamera und spricht, Mund synchron zu ihren Worten.
Sie sagt: „Ehrlich? Das ist der weichste Cold Brew, den wir je gemacht haben“.
Vortrag: warm, locker, echtes Lächeln, gesprächiges Tempo.
Ton: leichte Café-Atmosphäre unter einer klaren Leadstimme.

Beachte den Unterschied: Im Off-Beispiel kommt nie ein sprechendes Gesicht ins Bild, also gibt es nichts zu synchronisieren, und die Stimme liest sich als Erzählung. Im Bild-Beispiel steht ausdrücklich „Mund synchron zu ihren Worten“, was Veo 3 anweist, die Lippen zu animieren. Dieses Detail richtig zu treffen unterscheidet ein sauberes Ergebnis von einem Video, in dem eine Stimme über einer Person schwebt, deren Lippen sich nicht bewegen – oder schlimmer, von einer Produktaufnahme, in der ein Phantommund zu sprechen scheint.

Acht echte Anwendungsfälle mit fertigen Prompts

Das sind die gefragtesten Voiceover- und Erzählaufgaben, die Menschen tatsächlich zu Veo 3 bringen. Jeder Prompt ist bereit zur Anpassung – tausch das Motiv aus, behalte die Struktur.

1. Produktwerbe-Voiceover (aus dem Off)

Kinoreife Nahaufnahmen einer Edelstahl-Trinkflasche auf einem nassen Stein am Bach,
Sonnenaufgang-Streiflicht, langsame Dolly-Bewegungen.
Off-Erzählerin, Frau Anfang dreißig, warm und geerdet, neutraler amerikanischer Akzent.
Die Erzählerin sagt: „Gebaut für den Trail. Gemacht für jeden Tag“.
Vortrag: aspirational, ruhig, gleichmäßiges Tempo.
Ton: sauberes Voiceover, leise Bach-Atmosphäre, keine Musik.

2. Erklär- / Funktionsweise-Erzählung

Saubere Szene im Animationsstil: ein leuchtendes Datenpaket reist entlang einer
Netzwerklinie zwischen zwei stilisierten Servern, sanfte blaue Palette.
Off-Erzähler, Mann Anfang vierzig, klar und lehrreich, neutraler Akzent.
Der Erzähler sagt: „Wenn du auf Senden tippst, wird deine Nachricht in Pakete zerlegt
und über den schnellsten verfügbaren Pfad geleitet“.
Vortrag: klar, gemessen, lehrerhaft, ohne Eile.
Ton: sauberes Voiceover, dezentes Umgebungsbrummen, Stimme vorne.

3. Talking-Head-Moderator-Intro (im Bild, lippensynchron)

Halbtotale eines selbstbewussten Moderators, Anfang dreißig, in einem modernen Studio
mit weichem Führungslicht und unscharfem Bokeh-Hintergrund. Er blickt direkt in die
Kamera, Lippen synchron.
Er sagt: „Willkommen zurück. Heute zerlegen wir drei Dinge, die dir niemand über
dein erstes Jahr als Freelancer erzählt“.
Vortrag: schwungvoll, freundlich, klare Aussprache, natürliche Handenergie.
Ton: sauberer Studioton, Leadstimme knackig.

4. Testimonial im UGC-Stil (im Bild)

Handgehaltene vertikale Selfie-Aufnahme einer Frau Ende zwanzig, die eine sonnige
Stadtstraße entlanggeht, lässiges Outfit, natürliches Licht, Lippen synchron zur Rede.
Sie sagt: „Ich war auch skeptisch, aber nach drei Wochen schlafe ich wirklich besser“.
Vortrag: offen, leicht aufgeregt, gesprächig, authentisch.
Ton: leichte Straßenatmosphäre unter einer klaren Nahmikrofon-Stimme.

5. Dokumentarische / kinoreife Erzählung

Schwungvoller Flug über eine Bergkette im nebligen Morgengrauen, langsames Driften,
gedämpfte kalte Farben.
Off-Erzähler, älterer Mann, Ende fünfzig, tiefe resonante Stimme, vornehmer
britischer Akzent.
Der Erzähler sagt: „Zehntausend Jahre lang haben diese Gipfel ihr Schweigen bewahrt“.
Vortrag: langsam, gewichtig, ehrfürchtig, lange Pausen.
Ton: sauberes Voiceover, schwacher Wind, kinoreifer Raum um die Stimme.

6. App-/SaaS-Demo-Voiceover

Stilisierte Nachbildung einer sauberen Dashboard-Oberfläche, die ins Bild animiert,
Cursor gleitet, Karten schieben sich herein, helle moderne Oberfläche.
Off-Erzählerin, Frau Anfang dreißig, freundlich und effizient, neutraler Akzent.
Die Erzählerin sagt: „Zieh eine beliebige Aufgabe, um sie umzuplanen. Deine ganze
Woche aktualisiert sich sofort“.
Vortrag: hilfreich, flott aber klar, leichte Begeisterung.
Ton: sauberes Voiceover, sanfte UI-Klick-Akzente, kein Musikbett.

7. Social-Hook / Kurzform-Opener (im Bild)

Pointierte Nahaufnahme eines jungen Mannes in einer hellen Küche, der eine Kaffeetasse
hochhält, schnelle Energie, Lippen synchron, vertikale Bildaufteilung.
Er sagt: „Hör auf, teuren Cold Brew zu kaufen. So machst du ihn für ein paar Cent“.
Vortrag: hohe Energie, schnell, aufmerksamkeitsstark, starke Betonung auf „hör auf“.
Ton: klare Leadstimme, enger Raumklang.

8. Mehrsprachige / akzentuierte Erzählung

Eleganter langsamer Schwenk über die Auslage einer Pariser Patisserie, warmes
Fensterlicht, goldenes Gebäck.
Off-Erzählerin, Frau Anfang dreißig, sanfter französischer Akzent, intimer Ton.
Die Erzählerin sagt: „Jeden Morgen – die Butter, das Mehl, die Geduld – beginnt es
von neuem“.
Vortrag: sanft, sinnlich, unaufgeregt.
Ton: sauberes Voiceover, schwache Café-Atmosphäre.

Bei mehrsprachiger Arbeit benenne den Akzent ausdrücklich („sanfter französischer Akzent“, „neutrales Amerikanisch“, „vornehmes Britisch“) statt nur „fremd“. Soll die Zeile ganz in einer anderen Sprache gesprochen werden, schreib die Zeile in dieser Sprache in die Anführungszeichen und gib die Sprache in der Anweisung an – aber höre das Ergebnis immer ab, denn die Qualität nicht-englischer Sprache schwankt stärker.

Timing: bring die Worte in den Clip

Hier bricht das Voiceover am häufigsten. Veo-3-Clips sind kurz, und natürliche Erzählung läuft etwa mit 2 bis 3 Wörtern pro Sekunde für klaren Vortrag – langsamer bei kinoreifem, schneller bei energiegeladenem. Das ergibt ein nutzbares Budget:

• 8-Sekunden-Clip: etwa 16–22 gesprochene Wörter für bequemes Tempo, bis zu ~26 bei schnellem Vortrag.
• 6 Sekunden Sprache (mit Luft zum Atmen): etwa 12–18 Wörter.

Zähle die Wörter in deiner zitierten Zeile vor dem Rendern. Bist du über dem Budget, hast du drei Optionen: Wörter kürzen, das Skript auf mehrere Clips aufteilen oder schnelleren Vortrag akzeptieren. Das Produktwerbe-Beispiel oben („Gebaut für den Trail. Gemacht für jeden Tag“.) hat sechs Wörter – es landet mit Platz für einen Moment Stille, genau das, was eine edle Werbung will.

Wenn dein Skript wirklich mehr als einen Clip an Sprache braucht, erzeuge jede Zeile als eigenen Clip und füge sie zusammen oder nutze die Clip-Verlängerung, um eine Szene fortzusetzen. Unser Leitfaden zum Verlängern von Veo-3-Videos über 8 Sekunden hinaus zeigt, wie du Stimme und Szene über Schnitte hinweg konsistent hältst. Plane das Skript als Folge kurzer, in sich geschlossener Zeilen statt als einen langen Absatz, und der Mehr-Clip-Ansatz wirkt gewollt statt zerhackt.

Ein einfaches Rechenbeispiel. Angenommen, deine vollständige Erzählung lautet: „Triff den neuen Aurora-Lautsprecher. Raumfüllender Klang. Akku für den ganzen Tag. Und er verschwindet in jedem Raum.“ Das sind 18 Wörter – grenzwertig für einen 8-Sekunden-Clip bei ruhigem Tempo. Entweder kürzen auf zwei Clips (Zeile eins: die ersten zwei Sätze; Zeile zwei: die letzten zwei) oder den Vortrag leicht beschleunigen und es als einen Clip lassen. Vorher zählen verwandelt das Raten in eine Entscheidung.

Die Stimme steuern: Ton, Akzent, Tempo und Betonung

Die zitierte Zeile entscheidet, was gesagt wird. Alles andere im Prompt entscheidet, wie. Diese Hebel bewegen das Ergebnis am stärksten:

• Alter und Geschlecht verankern die Klangfarbe. „Mann Ende fünfzig“ klingt völlig anders als „Mann Anfang zwanzig“. Gib immer beides an.
• Akzent ist ein starker, zuverlässiger Regler. „Neutrales Amerikanisch“, „vornehmes Britisch“, „sanftes Australisch“, „warmes Südstaaten-Amerikanisch“ liefern jeweils klar unterscheidbare, wiederholbare Ergebnisse. Vage Begriffe erzeugen vage Stimmen.
• Energie und Ton – ruhig, selbstbewusst, aufgeregt, ehrfürchtig, flott, intim – setzen die emotionale Lesart. Passe sie an den Anwendungsfall an: Werbung will Aspiration, Erklärvideos wollen Klarheit, Dokumentation will Gewicht.
• Tempo – unaufgeregt, gemessen, schnell, pointiert. Das hängt direkt mit deinem Wortbudget zusammen. Schnelles Tempo erkauft dir ein paar Wörter mehr; langsames kinoreifes kostet dich mehrere.
• Betonung und Pausen – nenne konkrete Momente: „kurze Pause vor der letzten Zeile“, „betone das Wort ‚kostenlos‘“, „lass das letzte Wort landen“. Diese Mikroanweisungen lassen ein Voiceover inszeniert statt nur abgelesen klingen.

Willst du dieselbe Erzählerstimme über mehrere Clips – eine Serie, eine mehrteilige Werbung, ein episodisches Erklärvideo –, halte die Stimmbeschreibung in jedem Prompt wortwörtlich identisch. Stimmkonstanz funktioniert nach demselben Prinzip wie visuelle Figurenkonstanz: Das Modell reproduziert, was du wiederholst. Die Techniken aus unserem Leitfaden zur Figurenkonstanz gelten für die Stimme genauso wie für Gesichter. Speichere deine Erzählerbeschreibung als wiederverwendbaren Block und füge sie unverändert ein.

Die Stimme im Mix sauber halten

Eine häufige Klage ist, dass die Stimme unter erzeugter Musik oder Atmosphäre untergeht. Zwei Prompt-Gewohnheiten verhindern das:

1. Gib den Mix ausdrücklich an. Füge hinzu „Stimme vorne und klar“, „sauberes Voiceover, keine Musik“ oder „Leadstimme über der Atmosphäre“. Ohne das erzeugt Veo 3 manchmal ein Musikbett, das mit der Erzählung konkurriert.
2. Geh bewusst mit Atmosphäre um. Ein wenig Raumton oder Ortsatmosphäre lässt ein Voiceover echt wirken. Zu viel begräbt es. Für reine Erzählung ist „sauberes Voiceover, keine Hintergrundmusik“ die sicherste Voreinstellung; füge Atmosphäre nur hinzu, wenn die Szene es verlangt, und halte sie „schwach“ oder „leicht“.

Planst du, eigene Musik oder Sounddesign in der Postproduktion zu ergänzen, fordere eine trockene, saubere Stimme mit minimaler Atmosphäre an, damit du eine saubere Spur zum Arbeiten hast. Soll der Clip final aus dem Modell kommen, lass Veo 3 leichte Atmosphäre erzeugen, aber halte die Stimme vorne.

Qualitätscheckliste vor der Veröffentlichung

Lass jeden Voiceover-Clip durch diese Liste laufen. Sie fängt die Fehler, die offensichtlich sind, sobald man weiß, worauf man achten muss.

• Worte passen zum Skript. Höre die ganze Zeile ab. Veo 3 lässt gelegentlich ein Wort fallen oder verändert es, besonders gegen Ende eines knappen Clips. Wenn ja, kürze die Zeile oder rendere neu.
• Lippensynchronität (nur im Bild). Beobachte den Mund. Driften Lippen und Worte, fehlte deinem Prompt vielleicht „Lippen synchron“, oder die Zeile ist zu lang für den Clip. Off-Voiceover hat keinen Mund zu prüfen – stelle sicher, dass kein versehentlich sprechendes Gesicht im Bild ist.
• Stimme passt zum Briefing. Richtiges Alter, Geschlecht, Akzent, Energie? Wenn es driftet, mach die Beschreibung konkreter und greifbarer.
• Tempo passt. Kein gehetztes Ende, keine peinliche Stille. Passe Wortzahl oder Tempoanweisung an.
• Mix ist sauber. Stimme sitzt klar über der Atmosphäre. Keine konkurrierende Musik, sofern nicht beabsichtigt.
• Keine Artefakte. Höre auf robotisches Flirren, abgeschnittene Konsonanten oder seltsames Atmen. Denselben Prompt erneut zu rollen behebt oft einen einmaligen schlechten Take.
• Akzent ist nicht verrutscht. Stelle über mehrere Clips einer Serie sicher, dass Akzent und Klangfarbe des Erzählers konstant blieben.

Scheitert ein Clip an Worten oder Synchronität, ist die schnellste Lösung fast immer, die zitierte Zeile zu kürzen. Länge ist die Wurzel der meisten Sprachprobleme in Veo 3.

Häufige Fehler und wie man sie behebt

• Die Zeile außerhalb der Anführungszeichen setzen. Sind die Worte nicht in Anführungszeichen, behandelt Veo 3 sie vielleicht als Beschreibung und spricht sie gar nicht – oder spricht etwas Umschriebenes. Setze die wörtliche Zeile immer in Anführungszeichen.
• Regie in die Anführungszeichen mischen. „sag aufgeregt: kauf jetzt“ kann dazu führen, dass das Modell die Worte „sag aufgeregt“ spricht. Halte Regie außerhalb der Anführungszeichen; innen nur die gesprochenen Worte.
• Die Zeile überschreiben. Der Fehler Nummer eins. Zähle die Wörter jedes Mal gegen das Clip-Budget.
• Vage Stimmbeschreibung. „Eine gute Stimme“ gibt dir bei jedem Render eine andere Stimme. Lege sie mit Alter, Geschlecht, Akzent und Ton fest.
• Die Mix-Anweisung vergessen. Führt dazu, dass Musik die Erzählung begräbt. Füge „Stimme vorne, sauberes Voiceover“ hinzu.
• Ein sprechendes Gesicht erwarten, das du nicht beschrieben hast. Off-Voiceover hat per Konzept keine sprechende Person im Bild. Willst du Lippensynchronität, setze eine beschriebene sprechende Person ins Bild und sag, dass die Lippen synchron sind.

Wie sich Veo-3-Voiceover mit einem separaten TTS-Werkzeug vergleicht

Du kannst Bilder immer in Veo 3 erzeugen und die Stimme danach in einem dedizierten Text-to-Speech-Werkzeug hinzufügen. Manchmal ist das die richtige Wahl – für sehr lange Skripte, für eine bestimmte lizenzierte Stimme oder wenn du präzise redaktionelle Kontrolle über jede Silbe brauchst.

Doch native Erzeugung gewinnt an drei Fronten, die für die meisten Kurzform- und Werbearbeiten zählen. Erstens: Timing und Synchronität sind für dich erledigt – die Stimme ist bereits auf die Handlung und, bei Sprechern im Bild, auf die Lippen abgestimmt. Zweitens: Die Stimme gehört zur Szene – ihre Akustik, ihr Raumton und ihre Energie passen zu den Bildern, statt aufgeklebt zu klingen. Drittens: Es ist ein Schritt – kein Export, kein Re-Import, kein manuelles Ausrichten. Für eine 8-Sekunden-Werbung oder einen Social-Hook ist der native Weg meist schneller und stimmiger. Für eine fünfminütige erzählte Dokumentation kann ein dedizierter TTS-Durchlauf über zusammengesetztem B-Roll mehr Kontrolle geben. Wähle nach Länge und danach, wie viel redaktionelle Präzision du brauchst.

Alles zusammenfügen: ein Voiceover-Workflow

Ein wiederholbarer Prozess für einen fertigen Voiceover-Clip:

1. Entscheide den Modus – Off-Voiceover oder lippensynchrone Erzählung im Bild. Das treibt den ganzen Prompt.
2. Schreib zuerst die Zeile, dann zähle sie. Halte sie im Wortbudget für deine Cliplänge. Kürze rücksichtslos.
3. Beschreibe die Stimme konkret – Alter, Geschlecht, Akzent, Ton – und speichere diesen Block, wenn du den Erzähler wiederverwendest.
4. Setze den Prompt zusammen in der Fünf-Teile-Reihenfolge: Szene, Sprecher, zitierte Zeile, Vortrag, Klangmix.
5. Rendere, dann prüfe anhand der Checkliste – Worte, Synchronität, Stimmpassung, Tempo, Mix.
6. Arbeite zuerst an der Länge, wenn etwas bricht; meist ist sie der Übeltäter.
7. Für lange Skripte verkette Clips – eine Zeile pro Clip – und halte die Stimmbeschreibung über alle hinweg identisch.

Diese Schleife verwandelt „Veo 3 Text-to-Speech“ von einem hoffnungsvollen Einzeiler in eine zuverlässige Produktionsmethode. Starte mit einer der acht Anwendungsfall-Vorlagen oben, setz deine eigene Zeile ein, zähle die Wörter und rendere. Für das breitere Audio-Werkzeug – Dialog, Soundeffekte und Musikakzente neben Voiceover – halte den Leitfaden zu nativen Audio-Prompts im Nachbartab offen und probiere dein erstes Voiceover direkt auf veo3ai.io.

Häufig gestellte Fragen

Kann Veo 3 tatsächlich ein gesprochenes Voiceover erzeugen oder nur Soundeffekte? Ja – Veo 3 erzeugt echte gesprochene Sprache, nicht nur Effekte. Setze die genauen Worte in Anführungszeichen in deinen Prompt und beschreibe die Stimme. Es kann als Off-Erzähler oder als sichtbare, lippensynchrone Figur sprechen.

Wie mache ich die Stimme zum Off statt zum sprechenden Kopf? Setze keine sprechende Person ins Bild. Beschreibe die Bilder (Produkt, B-Roll, Landschaft) und kennzeichne die Stimme als „Off-Erzähler“. Ohne Mund im Bild liest Veo 3 die Stimme als Erzählung über den Bildern.

Warum schneidet Veo 3 das Ende meiner Erzählung ab? Die Zeile ist zu lang für den Clip. Natürlicher Vortrag läuft mit etwa 2–3 Wörtern pro Sekunde, also fasst ein 8-Sekunden-Clip rund 16–22 Wörter. Kürze die Zeile oder teile sie auf mehrere Clips.

Wie halte ich dieselbe Erzählerstimme über mehrere Clips? Wiederhole die Stimmbeschreibung in jedem Prompt wortwörtlich – gleiches Alter, Geschlecht, gleicher Akzent und Ton. Das Modell reproduziert, was du identisch hältst, genau wie bei visueller Figurenkonstanz.

Kann Veo 3 Voiceover in anderen Sprachen oder mit Akzenten? Ja. Benenne den Akzent ausdrücklich („sanfter französischer Akzent“, „neutrales Amerikanisch“) für akzentuierten Vortrag, oder schreib die zitierte Zeile in einer anderen Sprache und gib diese Sprache in der Anweisung an. Höre nicht-englische Ergebnisse immer ab, um die Qualität zu prüfen.

Soll ich Veo 3s native Stimme oder ein separates TTS-Werkzeug nutzen? Für Kurzform, Werbung und Social-Clips ist native Erzeugung schneller, und die Stimme passt automatisch zur Szene und zur Lippenbewegung. Für sehr lange Skripte oder eine bestimmte lizenzierte Stimme gibt ein dedizierter TTS-Durchlauf über zusammengesetztem Material mehr redaktionelle Kontrolle.