Beim Dubbing wird aus einer aufgenommenen Performance eine Fassung für einen neuen Markt. Lokalisierung ist die größere Aufgabe drumherum: Untertitel, Timing, Stimme und Lip Sync. Zusammen sorgen sie dafür, dass ein Video für sein Publikum gemacht wirkt und nicht bloß übersetzt. Keines von beidem ist ein einzelner Knopfdruck. Es sind kurze Schrittfolgen, und in Morphic liegen alle Schritte an einem Ort, sodass der Clip dazwischen nicht hin- und herwandert.
Dieser Guide führt den Workflow von Anfang bis Ende vor und nutzt dafür nur, was Morphic tatsächlich kann: Quelle transkribieren, Untertitel übersetzen, Audio neu vertonen, an das Bild anpassen und den Schnitt zusammenbauen.
Im deutschsprachigen Raum ist das keine Randfrage. Viele Zuschauer erwarten Filme und Serien in gesprochener Fassung statt mit Untertiteln. Wer Marketing-, Schulungs- oder Erklärvideos in neue Märkte bringt, sollte deshalb früh klären, ob Untertitel genügen oder eine Synchronfassung nötig ist.
Was KI-Dubbing und Lokalisierung umfassen
Beim Dubbing ersetzen Sie den gesprochenen Ton eines Videos durch eine Fassung in einer neuen Sprache oder Stimme, die zum Bild passt. Die Lokalisierung ergänzt Transkript, übersetzte Untertitel und den finalen Zusammenbau. Früher waren dafür getrennte Dienstleister nötig, für Transkription, Übersetzung, Stimme, Lip Sync und Schnitt. Heute durchlaufen Sie diese Schritte nacheinander, statt Dateien zu verschicken.
Es gibt zwei Wege, und die meisten Videos brauchen nur den ersten:
- Ein Schritt mit Morphic Dub. Hängen Sie in Copilot das Video an und nennen Sie die Sprache (in bezahlten Tarifen). Morphic Dub übersetzt die Sprache, vertont jeden Sprecher in der eigenen Stimme neu und passt die Lippen in den Nahaufnahmen an die neuen Worte an. Danach erhalten Sie das gedubbte Video.
- Schritt für Schritt, mit Kontrolle in jeder Phase. Das ist der Workflow weiter unten. Er passt, wenn Sie die Übersetzung prüfen wollen, bevor etwas vertont wird. Er passt auch, wenn die Zeile eine andere Stimme bekommen soll oder Sie mit einer Audiodatei arbeiten. So finden Sie eine Fehlübersetzung oder einen schiefen Vortrag, solange die Korrektur noch wenig kostet. Auf diesem Weg wird die Originalstimme nicht geklont. Speech-to-Speech wandelt die Aufnahme in eine Zielstimme um und legt keine bleibende Kopie des Sprechers an.
Der Workflow Schritt für Schritt
Quelle in eine SRT-Datei transkribieren
Beginnen Sie damit, das gesprochene Audio in Text zu verwandeln. Laden Sie das Video hoch und lassen Sie Copilot transkribieren. Die gesprochenen Worte landen mit Timing in einer herunterladbaren SRT-Datei, die Sprache wird automatisch erkannt. Dieses Transkript ist das Rückgrat für alles Weitere, denn jeder spätere Schritt arbeitet mit diesen Worten und diesem Timing.
Untertitel für den neuen Markt übersetzen
Übersetzen Sie das Transkript in die Zielsprache. Sie erhalten Untertitel in der Sprache des neuen Markts, im Timing des Originals. Prüfen und korrigieren Sie sie, bevor etwas vertont wird. Der Text muss hier stimmen, denn Stimme und Synchronität sind nur so gut wie die Worte, auf denen sie aufbauen.
Audio neu vertonen
Jetzt entsteht das neue gesprochene Audio. Welchen Weg Sie wählen, hängt davon ab, was erhalten bleiben soll:
- Speech-to-Speech bewahrt die Originalperformance. Es vertont die vorhandene Aufnahme in einer anderen Stimme neu und behält dabei Vortrag, Tempo und Emotion der Aufnahme bei. Greifen Sie dazu, wenn gerade der Originalvortrag erhaltenswert ist.
- Text-to-Speech spricht das übersetzte Skript frisch ein. Greifen Sie dazu, wenn Sie in eine neue Sprache wechseln und die Zeile aus dem übersetzten Text natürlich gesprochen haben wollen.
Der Vergleich Speech-to-Speech vs. Text-to-Speech zeigt, was sich für welche Aufgabe eignet.
Neues Audio per Lip Sync an das Bild anpassen
Mit dem neuen Audio gleichen Sie den Ton an das Bild an, damit der Mund zu den Worten passt. Morphic Dub übernimmt diesen Schritt für Sie, auf diesem Weg ist er ein eigener. Lip Sync (Lippensynchronisation) richtet die Mundbewegungen des Sprechers an der neuen Tonspur aus. Erst dadurch wirkt eine Synchronfassung nicht mehr wie eine Synchronfassung. Dieser Schritt macht die lokalisierte Version zu einer, die sich original anfühlt und nicht aufgesetzt.
Auf der Compose-Timeline zusammenbauen
Führen Sie in Compose alles zusammen: Footage, neues Audio und, falls Sie sie einbrennen, die Untertitel. Stellen Sie die Lautstärke pro Clip so ein, dass die Stimme gegenüber Musik und Effekten sitzt. Setzen Sie Übergänge, wo der Schnitt sie braucht, und exportieren Sie. Das fertige Video verlässt Compose im Format, das der Markt verlangt, und zwar dort, wo Sie gestartet sind.
Warum eine einzige Umgebung hier zählt
Dubbing war bisher langsam, und der Grund liegt nicht in einem einzelnen Schritt, sondern in den Übergaben dazwischen. Das Transkript geht an einen Übersetzer, die Übersetzung an einen Stimmen-Dienstleister, die Stimme an einen Cutter. Jede Übergabe kostet Zeit und Kontext. Läuft alles in einer Umgebung, entfallen diese Übergaben: Transkription, Übersetzung, Stimme, Lip Sync und Timeline. Nichts wird exportiert, neu hochgeladen oder neu erklärt. Aus einem Job mit mehreren Dienstleistern wird so ein Nachmittag.
Videobewusste Audiomodelle verkürzen den Stimmschritt weiter. Seed Audio 1.5 sieht sich den fertigen Schnitt an und liefert einen Dub, bei dem Originalmusik und Effekte auf eigenen Spuren bleiben. Wie Sie dafür Prompts schreiben, zeigt der Seed-Audio-1.5-Guide.
Speech-to-Speech vs. Text-to-Speech beim Dubbing
| Speech-to-Speech | Text-to-Speech | |
|---|---|---|
| Ausgangspunkt | Die Originalaufnahme | Das übersetzte Skript |
| Behält den Originalvortrag | Ja, Tempo und Emotion bleiben erhalten | Nein, das Modell spricht die Zeile frisch ein |
| Geeignet für | Eine starke Originalperformance in neuer Stimme erhalten | Den Wechsel in eine neue Sprache aus dem übersetzten Text |
Ein Praxisbeispiel: eine Microdrama-Serie synchronisieren
Die Schritte oben gelten für jedes Video. Am meisten bringen sie bei einer vertikalen Serie, denn dort wiederholt sich die Arbeit, und die Ansprüche an die Konstanz sind hoch. Der entscheidende Kniff ist eine gespeicherte Stimme pro Figur, die in jeder Zielsprache wiederverwendet wird. So klingt die Hauptfigur gleich, ob die Folge auf Deutsch, Spanisch oder Japanisch läuft. Danach richtet Lip Sync den Mund jeder Figur Take für Take an der synchronisierten Zeile aus. Im Batch läuft ein Backkatalog pro Sprache in einem Durchgang, statt als Einzeljob pro Datei.
Das ganze Studio-Vorgehen finden Sie unter Microdrama-Serie synchronisieren und lokalisieren. Dort geht es um Batches über eine Staffel mit hundert Folgen, die Kosten pro Folge und die Qualitätskontrolle.
Häufig gestellte Fragen
Das hängt von Publikum und Kanal ab. Viele Zuschauer im deutschsprachigen Raum sind an gesprochene Fassungen gewöhnt, und bei Erklär-, Schulungs- und Werbevideos kann eine Synchronfassung deshalb überzeugender wirken. Für Social-Clips mit Ton aus bleiben eingebrannte Untertitel oft die schnellere Wahl. In Morphic können Sie beides machen: Untertitel übersetzen und einbrennen oder neu vertonen und per Lip Sync anpassen. Beginnen Sie mit einem kurzen Test für Ihre Zielgruppe.
Mit Speech-to-Speech ja. Es arbeitet mit der Originalaufnahme, daher gehen Vortrag, Tempo und Emotion der Aufnahme in die neue Stimme über. Wenn Sie stattdessen Text-to-Speech aus dem übersetzten Skript nutzen, wird die Zeile frisch gesprochen. Die Emotion legen Sie dann über die Regie dieses Vortrags fest, sie wird nicht aus der Quelle übernommen. Wie das funktioniert, steht unter Speech-to-Speech.
Morphic Dub synchronisiert in eine breite Auswahl an Sprachen, jeweils eine Sprache pro Synchronisation. Auf dem Weg Schritt für Schritt erkennt die Transkription die Quellsprache automatisch. Die Untertitel lassen sich für den Zielmarkt übersetzen, und die Neuvertonung funktioniert auf Englisch und in weiteren Sprachen.
Nein. Transkription, Untertitelübersetzung, Neuvertonung, Lip Sync und die Compose-Timeline sind alle in Morphic. Der Sinn einer einzigen Umgebung: Der Clip verlässt sie zwischen den Schritten nicht, es gibt also keine Übergaben an einen Transkriptionsdienst, Übersetzer, Stimmen-Anbieter oder Cutter.
Es kann einer sein. In bezahlten Tarifen macht Morphic Dub aus einem Video in einem Schritt einen lippensynchronen Dub. Der Weg Schritt für Schritt (transkribieren, übersetzen, vertonen, anpassen, zusammenbauen) bleibt für den Fall, dass Sie das Ergebnis in jeder Phase prüfen wollen. So fangen Sie eine Fehlübersetzung oder einen schiefen Vortrag ab, solange die Korrektur wenig kostet.
Nehmen Sie Speech-to-Speech, wenn die Originalperformance erhaltenswert ist und Sie denselben Vortrag in einer neuen Stimme wollen. Nehmen Sie Text-to-Speech, wenn Sie in eine neue Sprache wechseln und die übersetzte Zeile natürlich aus dem Text gesprochen haben möchten. Viele Lokalisierungen nutzen im Projekt beides. Der ausführliche Vergleich zeigt die Abwägung im Detail.
Nicht in eine Form, die Sie behalten. Morphic Dub vertont jeden Sprecher mit einer Stimme neu, die aus der eigenen aufgebaut wird. Diese Stimme existiert aber nur im Dub. Speech-to-Speech wandelt die Aufnahme für diesen einen Job in eine Zielstimme um. Keines von beiden legt eine wiederverwendbare Kopie des Originalsprechers an.
Ja. Die übersetzten Untertitel lassen sich gestalten und in den Clip einbrennen, oder Sie exportieren sie als SRT-Datei zur Auslieferung neben dem Video. Beim Einbrennen arbeiten Sie auf derselben Timeline, auf der Sie den finalen Schnitt zusammenbauen. Untertitel, Audio und Footage kommen so in einem Export zusammen.
Ja. Hat sich eine Dubbing-Abfolge bewährt, speichern Sie sie als Workflow und führen dieselben Schritte beim nächsten Clip aus. Eine Lokalisierung, die Sie einmal festgelegt haben, müssen Sie dann nicht jedes Mal neu aufbauen.