#225 Erfahrungsbericht Voice-Clone: So habe ich meine Stimme für ElevenLabs aufgenommen (mit kostenlosem Aufnahme-Studio)

Worum es hier geht: Das ist mein Erfahrungsbericht, wie ich einen Voice-Clone meiner eigenen Stimme bei ElevenLabs erstellt habe. Der erste Versuch ging schief, der zweite hat geklappt. Hier steht, was ich dabei gelernt habe.

Kostenlos für dich: Das Aufnahme-Studio, das ich mir dafür mit Claude Code gebaut habe, kannst du dir gratis auf GitHub herunterladen: github.com/stephanbohr-stbc/voice-clone-studio. Es enthält einen Prompter, eine Pegelanzeige, eine automatische Prüfung jeder Aufnahme und Beispieltexte zum Einsprechen. Es läuft auf dem Mac.

Im September hatte ich über zwei Stunden Sprachaufnahmen beisammen, habe auf den ElevenLabs-Tarif „Creator“ hochgestuft und meinen Professional Voice Clone trainieren lassen. Drei Tage später kam die Mail, dass die Stimme fertig ist. Ich habe sie abgespielt, und sie knackte.

Es war kein Schmatzen, sondern ein elektronisches Knacken und Kratzen im Hintergrund, das stärker wurde, sobald ich lauter sprach. Und es steckte nicht nur im Klon, sondern schon in jeder einzelnen Aufnahme.

Die reine Sprechzeit ist dabei das Wenigste. Rechne ich alles zusammen, waren es gut zwei volle Arbeitstage: Mikrofon aussuchen und bestellen, einen ruhigen Raum finden und einrichten, Texte vorbereiten, Testaufnahmen, Fehlersuche, Reparaturversuche. Verteilt über zehn Wochen.

Dieser Artikel ist das, was ich gern vor dem ersten Versuch gewusst hätte.

Warum ein Stimmklon so empfindlich ist

Ein Professional Voice Clone (PVC) bei ElevenLabs lernt nicht nur deine Stimme. Er lernt alles, was in den Aufnahmen steckt: den Raum, das Rauschen, die Schmatzer, die Pegelautomatik deines Mikrofons. Was du beim Aufnehmen durchgehen lässt, hörst du später in jedem generierten Satz wieder.

ElevenLabs verlangt mindestens 30 Minuten Sprache, sinnvoll sind 1 bis 2 Stunden. Das heißt: Du sprichst lange, und jeder Fehler wiederholt sich über die ganze Strecke.

Zwei Dinge zu den Kosten, die ich vorher nicht wusste: Einen Professional Voice Clone gibt es erst ab dem Tarif „Creator“ (22 $ im Monat), mit „Starter“ geht nur der einfache Instant Clone. Und ein teurerer Tarif macht den Klon nicht besser. Das Verfahren ist überall dasselbe. Die Qualität hängt allein an deinem Material.

Meine zehn Wochen in Kurzform

Datum	Was passiert ist
21.08.	Erste Aufnahmen mit dem Shure MV7, Kommandos von Hand im Terminal
04.09.	Eine halbe Stunde gesprochen, aber nichts aufgenommen. Danach war die Stimme für diesen Tag durch
21.09.	Restliche Blöcke eingesprochen, auf „Creator“ hochgestuft, Klon zum Training geschickt
24.09.	Klon fertig. Er knackt. Die Originalaufnahmen auch
24.–25.09.	Reparaturversuche mit Audiofiltern, Recherche nach Profi-Werkzeugen
27.–29.09.	Neuaufnahme mit einem HyperX QuadCast, Socke als Popschutz. Es knackt weiter
06.10.	Wiedergabe verdächtigt (Bluetooth, Mac), eigenen De-Clicker gebaut. Ergebnis: dumpf oder knackend
31.10.	Neues MV7+, Paralleltest findet die Ursache. 51 Minuten saubere Aufnahmen an einem Nachmittag

Reparieren hilft nicht, sauber aufnehmen schon

Als der Klon knackte, war das Mikrofon schon 150 Kilometer weit weg. Neu aufnehmen ging also nicht sofort, und ich habe versucht, das Material zu retten.

• Audiofilter mit ffmpeg: Mehrere Varianten. Das Knacken wurde etwas leiser, war aber weiter hörbar.
• Mehrband-Kompressor: Er hat das Knacken gedämpft, aber gleich alle Höhen mit. Die Stimme klang dumpf.
• Eigener „chirurgischer“ De-Clicker: Er sucht jeden Knackser einzeln und senkt nur dort für ein paar Millisekunden die Höhen ab. Das war besser, aber nicht sauber. Entweder blieb Knacken übrig oder die Stimme verlor Klang.
• iZotope RX, der Industriestandard für Audioreparatur: Die Version mit „Mouth De-click“ kostet rund 400 $, die günstige Elements-Version für 99 $ kann es nicht. Die Testversion habe ich installiert. Exportieren kann man damit aber nicht, also hätte sie mein Material ohnehin nicht gerettet.

Am Ende war das ernüchternd. Jede Reparatur nimmt der Stimme etwas weg, und der Klon lernt genau das mit. Zehn Minuten Fehlersuche vor der Aufnahme sind mehr wert als zehn Stunden Reparatur danach.

Lektion 1: Raum isolieren, absolute Ruhe

Bevor du über Mikrofone nachdenkst, kümmerst du dich um den Raum.

• Kleines, möbliertes Zimmer statt großem, leerem Raum. Teppich, Vorhänge, Regale, ein Sofa schlucken Hall.
• Weiches vor und hinter sich: Du brauchst keine Akustikplatten. Ich habe Sofakissen vor und neben dem Mikrofon aufgestellt und eine Bettdecke hinter meinem Stuhl aufgehängt. Das fängt den Schall ab, der sonst von Wand und Fenster zurückkommt.
• Alles aus, was summt: Lüfter, Kühlschrank in Hörweite, Heizungsgluckern, Waschmaschine nebenan.
• Handy auf lautlos, Türe zu, Mitbewohner oder Familie vorwarnen.
• Tisch entkoppeln: Ein gefaltetes Handtuch unter dem Mikrofonfuß hat bei mir das tiefe Brummen unter 120 Hz um gut 11 dB gesenkt. Jedes Antippen des Tischs, jeder Fuß am Tischbein landet sonst als Rumpeln in der Aufnahme.

Lektion 2: Vorher testen, nicht hinterher hoffen

Mein größter Fehler im September: Ich habe sofort losgelegt. Diesmal kam vor dem ersten Satz ein fester Ablauf.

1. Rechner neu starten und alle Apps schließen, die du nicht brauchst. Bei einer meiner Testaufnahmen lief nebenbei Google Drive mit der Synchronisierung und hat den Mac so beschäftigt, dass der Lüfter dauernd mitlief. Das hört das Mikrofon. Und wenn der Rechner unter Last steht, gehen beim Aufnehmen eher Samples verloren. Das hört man später als Knacken.
2. Rauschtest: 20 Sekunden absolute Stille aufnehmen. Ein echter, ruhiger Raum liegt bei etwa −70 bis −85 dBFS.
3. Sprechprobe: ein paar Sätze in normaler Lautstärke. Ziel: Spitzen um −7 bis −8 dBFS, kein Clipping.
4. Kopfhörer auf und reinhören. Messwerte sind gut, aber manche Fehler hört man schneller, als man sie misst. Und umgekehrt.

Dieser Test hat bei mir gleich zwei Probleme aufgedeckt, die ich sonst erst im fertigen Klon bemerkt hätte.

Lektion 3: Alle „Verbesserungen“ im Mikrofon ausschalten

Mein Shure MV7+ kam ab Werk mit vier eingeschalteten Helfern: automatischer Pegel, Echtzeit-Rauschunterdrückung, Popper Stopper und Limiter. Für Podcasts sinnvoll, für einen Stimmklon schädlich.

Der Rauschtest zeigte das deutlich: Die Stille lag bei −103 dBFS. Das ist keine Stille mehr, das ist digitale Null. Die Rauschunterdrückung hat die Pausen weggeregelt, und genau dieses Pumpen hätte der Klon gelernt.

Deshalb:

• In der Mikrofon-Software (bei Shure: MOTIV Mix) alle Effekte aus: Auto-Pegel, Denoiser, Popschutz, Limiter, Kompressor, Hochpass, EQ flach.
• Verstärkung von Hand einstellen und dann sperren. Bei mir: +30 dB.
• Kopfhörerlautstärke nie über die Verstärkung regeln. Ich habe das einmal gemacht, weil es mir im Ohr zu laut war, und die Aufnahme war plötzlich 14 dB zu leise. Für das Ohr gibt es den Regler am Kopfhörer.

Lektion 4: Es lag nie am Mikrofon

Das hat mich am meisten Zeit gekostet. Das Knacken trat mit dem alten MV7 auf, dann mit einem HyperX QuadCast, dann mit dem neuen MV7+. Drei Mikrofone, dasselbe Problem. Zwischendurch hatte ich die Socke als Popschutz im Verdacht, dann die Bluetooth-Kopfhörer, dann den Mac selbst.

Die Ursache war das Aufnahmeprogramm. Mein Setup nahm über ffmpeg auf, und ffmpeg hat auf meinem Mac beim Aufnehmen Samples verloren. Bewiesen hat es ein einfacher Paralleltest: dieselbe Sprache, gleichzeitig über zwei Wege aufgenommen.

Aufnahmeweg	Knackser pro Minute	Dauer bei 22 s Soll
ffmpeg	168	20,0 s (Samples fehlen)
sox (CoreAudio)	11	22,0 s

Im ersten Anlauf kam noch ein USB-Hub dazu, der rund 50 Aussetzer pro Minute erzeugte.

Die Lehre: Wenn ein Fehler mit jedem Mikrofon auftritt, tausch nicht das nächste Mikrofon. Prüf die Kette dahinter: Kabel, Hub, Aufnahmesoftware. Und schließ das Mikrofon direkt am Rechner an, ohne Hub.

Lektion 5: Abstand messen, nicht schätzen

20 Zentimeter, leicht seitlich am Mikrofon vorbei sprechen. Mein Maß: eine Handbreite plus zwei Finger.

Das Problem ist nicht, den Abstand einmal richtig zu haben, sondern ihn zu halten. Über die Session bin ich unmerklich nach hinten gerutscht. Mein Sprechpegel fiel von Take zu Take: −25,8, −26,4, −27,3, −28,5, −29,3, −30,9 dBFS. Das sind 5 dB, und mit dem Abstand ändert sich auch die Klangfarbe.

Deshalb: vor jedem Take nachmessen. Ein Streifen Klebeband auf dem Tisch hilft.

Noch besser ist ein gutes Mikrofon an einem Arm, der am Tisch festgeklemmt ist. Das Mikrofon steht dann immer an derselben Stelle. Du stellst die Position einmal ein und kannst sie dir leicht merken. Und wenn du zwischendurch aufstehst, findest du sie danach sofort wieder. Ein Tischstativ dagegen rutscht beim Aufräumen oder Anstoßen leicht weg.

Lektion 6: Trinken, aber das Richtige

Neben dem elektronischen Knacken gibt es ein zweites, ganz natürliches Problem: Mundgeräusche, also leises Schmatzen und Klicken. Auch die lernt der Klon mit. In meinen Septemberaufnahmen lagen sie bei 38 bis 63 pro Minute, diesmal unter 20. Was geholfen hat:

• Stilles Wasser in Zimmertemperatur, vor jedem Take ein Schluck. Auf keinen Fall Sprudelwasser. Das habe ich zuerst falsch gemacht: Kohlensäure führt zu Aufstoßen und zu kleinen Geräuschen im Mund und im Hals.
• Danach 20 Sekunden warten und nicht mehr schlucken, bevor die Aufnahme startet.
• Keine Säure. Ich hatte Limettenwasser vorbereitet, weil Zitrone angeblich „die Stimme schmiert“. Säure macht den Speichel aber eher zäh. Mit stillem Wasser fielen die Mundgeräusche von 26 auf 16 pro Minute.
• Grüner, säuerlicher Apfel. Ein paar Bissen kurz vor dem Start lösen den Speichelfilm. Das ist ein alter Sprecher-Trick, und er funktioniert.

Lektion 7: Pausen machen, in Teilen sprechen

Mein längster Text hätte am Stück 28 Minuten gedauert. Das wäre schiefgegangen. Mit der Zeit wird der Mund trocken, und du machst ganz automatisch mehr Klick- und Knackgeräusche. Halt die Pausen deshalb wirklich ein, auch wenn es gerade gut läuft.

• Takes von 7 bis 8 Minuten, am Ende eines Absatzes stoppen.
• Nach jedem Take: Wasser, kurz prüfen, weiter.
• Nach etwa einer Stunde: 10 bis 15 Minuten richtig Pause. Aufstehen, bewegen, etwas essen.
• Nach zwei Stunden ist Schluss. Eine müde Stimme ist leiser und hat mehr Mundgeräusche. Mein letzter Block lag erschöpft bei 26 Mundgeräuschen pro Minute; nach zehn Minuten Pause und neu eingesprochen bei 16.

Ein weiterer Vorteil der Teile: Ist einer schlecht, sprichst du nur 7 Minuten neu, nicht 28.

Lektion 8: Stille ist Teil der Aufnahme

Zweimal hatte ich eine Übersteuerung mitten in einer Sprechpause. Keine Stimme, sondern ein Stoß: Mausklick nahe am Mikrofon, Hand auf dem Tisch. Bei einem Stimmklon müssen auch die Pausen sauber sein.

• Maus weg vom Mikrofonfuß, nur in Sprechpausen klicken.
• Hände ruhig, Füße weg vom Tischbein.
• Keine raschelnde Kleidung, kein Schmuck.

Lektion 9: Ein eigenes Aufnahme-Studio mit Claude Code

Was den zweiten Anlauf wirklich verändert hat, war nicht das neue Mikrofon. Es war ein kleines Aufnahme-Studio, das ich mir mit Claude Code gebaut habe. Und zwar während der Session, immer genau dann, wenn mir etwas fehlte.

Am Anfang habe ich die Aufnahmen noch mit Befehlen im Terminal gestartet. Das ging einmal gründlich schief: Ich habe eine halbe Stunde lang gesprochen, und es lief keine Aufnahme. Danach war meine Stimme für den Tag verbraucht. Ein Werkzeug, das sichtbar zeigt, ob gerade aufgenommen wird, ist deshalb kein Luxus.

Es läuft im Browser und kann:

• Prompter mit Lauftext: Der Text scrollt im eingestellten Tempo, ich lese einfach mit.
• Mausrad regelt das Tempo, auch während der Aufnahme. Wer nicht schnell genug liest, muss nicht stoppen, sondern bremst einfach. Mit Shift und Mausrad hole ich eine verpasste Zeile zurück.
• Leseposition merken: Bei langen Texten in Teilen geht es nach dem Stopp genau dort weiter, wo ich aufgehört habe.
• Mikrofon-Check vor dem Start: Ist das richtige Mikro gewählt? Ist es stummgeschaltet? (Ja, das ist mir passiert, beim Einstecken der Kopfhörer.)
• Live-Pegelanzeige und Tasten für Pause und Versprecher-Markierung.
• Automatische Prüfung jedes Takes: Pegel, Rauschabstand, Clipping, Knackser, Mundgeräusche pro Minute. Nach jedem Take sagt mir Claude, ob er brauchbar ist und was ich vor dem nächsten ändern soll.
• Upload-Vorbereitung: Überschriften und Regieanweisungen am Anfang werden per Transkription gefunden und in der Stille abgeschnitten, damit der Klon keine Ansagen lernt. Sonst bleibt alles unbearbeitet: kein Normalisieren, kein Filter.

Der Effekt: Ich muss mich nur noch aufs Sprechen konzentrieren. Ich musste nie zwischen Fenstern wechseln oder WAV-Dateien von Hand anhören. Und ich muss nach zwei Stunden nicht feststellen, dass alles umsonst war.

Das Studio kannst du dir kostenlos holen: github.com/stephanbohr-stbc/voice-clone-studio. Es enthält den Prompter, die Pegelanzeige, die Take-Prüfung, die Aufnahme über sox und vier Beispieltexte zum Einsprechen. Es läuft auf dem Mac. Die Feinarbeit dazwischen, also Takes prüfen, Fehler suchen und den Upload vorbereiten, habe ich im Gespräch mit Claude Code erledigt.

Das Ergebnis

Nach gut zwei Stunden am Mikrofon hatte ich 51 Minuten sauberes Material: Rauschabstand um 47 dB, keine elektronischen Knackser, Mundgeräusche unter 20 pro Minute. Das liegt über dem ElevenLabs-Minimum von 30 Minuten. Der Klon trainiert gerade über Nacht.

Checkliste für deine Aufnahme

• ✓ Ruhiger, möblierter Raum, alles Summende aus, Handy lautlos
• ✓ Kissen vor und neben dem Mikrofon, Decke hinter dem Stuhl
• ✓ Rechner neu gestartet, alle unnötigen Apps geschlossen
• ✓ Gutes Mikrofon am Tischarm, direkt am Rechner, kein USB-Hub
• ✓ Alle Effekte in der Mikrofon-Software aus, Verstärkung von Hand und gesperrt
• ✓ Handtuch unter dem Mikrofonfuß
• ✓ Rauschtest (20 s Stille) und Sprechprobe vor dem ersten Take
• ✓ Mit Kopfhörern reinhören
• ✓ Abstand 20 cm, vor jedem Take nachmessen
• ✓ Stilles Wasser (kein Sprudel, keine Zitrone), grüner Apfel griffbereit
• ✓ Takes von 7 bis 8 Minuten, nach einer Stunde richtige Pause, nach zwei Stunden Schluss
• ✓ Maus und Hände weg vom Mikrofon
• ✓ Aufbau fotografieren, damit die nächste Session identisch klingt

Dein nächster Schritt

Bevor du die erste Minute einsprichst, nimm 20 Sekunden Stille auf und hör sie dir mit Kopfhörern an. Wenn du dabei etwas hörst, das nicht dein Raum ist, hast du gerade zwei Stunden Arbeit gespart. Das Studio dafür findest du auf GitHub.