NPC-Voice-Generator: KI-Voice-over für NPCs und Erzähler

Der größte Teil des Dialogs in einem Spiel wird gelesen, nicht gehört. Der Wächter hat eine Zeile, der Questgeber vier, das Tutorial ein Dutzend, und alle stehen still auf dem Bildschirm, während du über das Pacing diskutierst. Niemand engagiert einen Sprecher für Text, der vor dem Vertical Slice noch zweimal umgeschrieben wird.

Genau diese Lücke füllt generiertes Voice-over. Du fügst die Zeile ein, wählst eine Stimme und kannst eine Sekunde später hören, ob der Bark funktioniert oder der Tutorial-Hinweis drei Wörter zu lang ist. Dieser Guide zeigt dir, wie du einen NPC-Voice-Generator für Platzhalterdialoge verwendest: eine Stimme aus der Bibliothek auswählen, verstehen, was die Einstellungen Voice stability und Voice closeness bewirken, Barks, Questzeilen, Tutorials und Narration schreiben, den Clip in deine Engine bringen und erkennen, wann du mit dem Generieren aufhören und eine Aufnahmesession buchen solltest. Jeder Clip weiter unten wurde mit Sloyds KI-Audio-Generator erstellt. Die Clips sprechen Englisch, und die englische Zeile sowie die Stimme stehen jeweils daneben, damit du denselben Text einfügen und denselben Take erhalten kannst.

Platzhalter-Voice-over, während sich das Skript noch ändert

Eine Dialogzeile hat zwei Probleme, die ein Dokument nicht zeigen kann. Das erste ist die Länge: Auf der Seite wirkt ein Bark knackig, laut gesprochen läuft er über die drei Sekunden hinaus, die die Animation vorgibt. Das zweite ist der Ton: „Die alte Mine ist still geworden“ klingt in deinem Kopf unheilvoll und in der Umsetzung gelangweilt, wenn der Text es nicht trägt.

Generiertes Voice-over macht aus beidem einen dreißigsekündigen Check:

• Timing. Spiele den Clip gegen die Animation oder den Untertitel-Timer ab, und du weißt, ob die Zeile passt, bevor ein Sprecher auch nur in der Nähe einer Aufnahmekabine ist.
• Barks unter Belastung. Einen Kampfschrei, den du in einem Playtest zweihundertmal hörst, erkennst du sofort. Generiere ihn, wiederhole den Kampf und entferne die Varianten, die nerven.
• Tutorial-Pacing. Gesprochene Anweisungen konkurrieren mit dem, was sie erklären. Nur beim Anhören merkst du, ob der Spieler genug Zeit zum Handeln hat.
• Die Stimmung erfassen. Gib einem Playtester einen Build mit temporärer Stimme, und er reagiert auf die Szene. Gib ihm einen Build mit stummen Untertiteln, und er reagiert auf die Untertitel.

Behandle die Ausgabe als temporäres Audio mit demselben Status wie Greybox-Level-Art oder ein Text-zu-3D-Platzhalter-Asset: gut genug, um eine Entscheidung zu treffen, aber nicht das, was du in einem Trailer veröffentlichst. Wenn du bereits Image-to-3D für Konzeptgrafiken und Text-to-Image für Referenzen verwendest, kommt der temporäre Dialog aus demselben Konto statt aus einem neuen Abonnement, und der Anwendungsfall Spieleentwicklung führt durch den gesamten Ablauf.

Einen NPC-Voice-Generator verwenden: Die Bibliothek und zwei Einstellungen

Die Sprachseite von Sloyd Audio besteht aus einer Stimmenbibliothek, einem Textfeld und zwei Schiebereglern. Das ist die gesamte Oberfläche für Dialoge, und aus den beiden Schiebereglern entsteht der Charakter.

Wähle zuerst die Stimme aus

Der Stimmenauswahldialog listet die Standardstimmen auf, die die App anbietet. Jede Zeile hat eine Vorschaltaste, sodass du eine Stimme hören kannst, bevor du eine Generierung dafür verwendest, sowie ein Herz, das Favoriten oben in der Liste anheftet. Das ist wichtig, sobald du dich für vier Stimmen für eine Besetzung entschieden hast und nicht an den übrigen vorbeiscrollen möchtest.

Zwei Dinge solltest du über die Bibliothek wissen. Du besetzt Rollen mit den dort aufgelisteten Standardstimmen: Sloyd klont keine Stimmen, du kannst also keine Aufnahme einer Person hochladen und ihre Stimme zurückbekommen. Außerdem ist das Sprachmodell mehrsprachig. Eine Stimme liest daher auch Zeilen in anderen Sprachen als Englisch, was hilfreich ist, wenn ein lokalisierter Build ebenfalls temporäres Audio benötigt.

Ein Besetzungstipp, der sich im Prototyp bewährt: Ein Game-Voice-Generator ist nur so gut wie die Besetzung, die du daraus zusammenstellst. Gib daher jeder wiederkehrenden NPC-Rolle eine eigene Stimme und schreibe die Rolle ab dem ersten Clip in deine Dateinamen. Vier konsequent eingesetzte Stimmen wirken wie eine Besetzung. Acht zufällig verteilte Stimmen wirken wie ein Bug.

Voice stability: konsistent oder ausdrucksstark

Der Schieberegler Voice stability reicht von 0 bis 1 und startet bei 0.50. Das eingeklappte Steuerelement zeigt 50 % an, der geöffnete Schieberegler 0.50. Der Hinweis in der App beschreibt die Funktion treffend: Niedrigere Werte erlauben eine ausdrucksstärkere Umsetzung, höhere Werte machen die Umsetzung konsistenter.

In der Praxis:

• Niedrigere Stabilität für Zeilen, die gespielt werden müssen. Schreie, Panik, ein Bösewicht, der Freude an sich selbst hat. Rechne mit mehr Variation zwischen den Takes – das ist in Ordnung, wenn du einen davon auswählst.
• Höhere Stabilität für Zeilen, die neutral sein müssen. Tutorials, Menüs, Systemnachrichten und alles, was ein Spieler wiederholt hört und irgendwann nicht mehr bewusst wahrnehmen sollte.
• Barks liegen dazwischen. Zu neutral, und der Kampf wirkt roboterhaft; zu locker, und jeder vierte Take klingt seltsam.

Voice closeness: Ähnlichkeit im Vergleich zu Natürlichkeit

Der Schieberegler Voice closeness reicht ebenfalls von 0 bis 1 und startet bei 0.75. Das eingeklappte Steuerelement zeigt 75 % an. Der Hinweis erklärt den Kompromiss: Er steuert, wie eng die Umsetzung an der ausgewählten Stimme bleibt. Höhere Werte erhöhen die Ähnlichkeit, können aber die Natürlichkeit verringern.

Lass den Regler beim Casting nahe am Standardwert, denn dort klingt eine Stimme noch nach sich selbst. Erhöhe ihn, wenn die Zeilen eines Charakters über mehrere Sessions hinweg generiert wurden und zusammenpassen müssen. Verringere ihn, wenn eine Zeile steif klingt und dir wichtiger ist, dass sie wie von einer Person gesprochen wirkt, als dass sie exakt zur Vorschau passt.

Ändere immer nur einen Schieberegler auf einmal und generiere dieselbe Zeile zweimal. Zwei Takes derselben Zeile sagen dir über eine Einstellung mehr als ein Take mit zwei verschiedenen Zeilen.

Barks, Questzeilen, Tutorials und Narration schreiben

Jede Generierung nimmt bis zu 5.000 Zeichen Text auf, also ungefähr 800 Wörter oder mehrere Minuten Sprache. Diese Zahl beeinflusst stärker, wie du ein Skript aufteilst, als dass sie einschränkt, was du schreiben kannst.

Die sinnvolle Aufteilung ist: ein Clip pro Element, das die Engine auslöst:

• Eine Zeile, ein Clip für alles mit einem Trigger: Barks, Begrüßungen und Bestätigungen. Die Engine muss sie unabhängig voneinander auslösen können.
• Eine Szene, ein Clip für Narration, die von Anfang bis Ende über einer Zwischensequenz oder einem Ladebildschirm läuft.
• Nie ein Clip pro Charakter. Wenn du eine komplette Questkette in eine Generierung einfügst, erhältst du eine einzelne MP3, die du anschließend in einem Editor von Hand schneiden musst.

Satzzeichen sind deine einzige Regieanweisung. Ein Punkt ist ein Takt, ein Komma ein kürzerer und eine Ellipse eine Pause. Schreibe aus, was korrekt gehört werden muss: Schreibe „fifty gold“ statt „50g“, und schreibe einen Namen so, wie er klingt, wenn die Schreibweise irreführend wäre. Regieanweisungen funktionieren nicht, weil das Modell liest, was du ihm gibst: [angrily] wird als Wort ausgegeben. Wenn du Wut brauchst, schreibe einen wütenden Satz und verringere die Stabilität.

Barks: kurz, wiederholt, in großer Zahl

Zeile (Englisch): „You picked the wrong road, stranger. Drop the coin and walk away.“, Stimme George, stability 0.50, closeness 0.75.

Halte Barks unter ungefähr drei Sekunden und schreibe vier oder fünf pro Situation. Abwechslung verhindert, dass ein Kampf wie eine Schleife klingt. Da jede Zeile ein separater Clip ist, kann die Engine zufällig eine davon auswählen.

Händler und Begrüßungen: die Zeilen, die einen Ort etablieren

Zeile (Englisch): „Fresh steel, fair prices. Everything must go before the frost sets in.“, Stimme River, stability 0.50, closeness 0.75.

Ambient-Dialog vermittelt kostengünstig Atmosphäre. Eine Zeile über das Wetter oder die Ernte erzählt dem Spieler mehr über eine Stadt als ein Absatz Lore in einem Menü. Kombiniere sie mit einem Crowd-Bett von derselben Audio-Seite, wie der Guide zu Spielsoundeffekte mit KI erstellen erklärt.

Tutorials und Hinweise: Klarheit vor Charakter

Zeile (Englisch): „Raise your shield to block, then strike while their guard is open.“, Stimme River, stability 0.50, closeness 0.75.

Eine Anweisung pro Clip, das Verb zuerst und keine Witze. Erhöhe die Stabilität, damit wiederholte Hinweise identisch bleiben, und halte jeden Hinweis kurz genug, damit der Spieler handeln kann, während er noch abgespielt wird.

Narration: die längsten Zeilen, die du generieren wirst

Zeile (Englisch): „Long before the towers fell, this valley answered to no king.“, Stimme George, stability 0.50, closeness 0.75.

Ein Narrator-Voice-Generator lohnt sich für Intros, Kapitelkarten, Kodexeinträge und Ladebildschirme, bei denen sich der Text ständig ändert und noch nichts darauf animiert ist. Schreibe Narration in kurzen Sätzen mit gesetzten Pausen, generiere jeweils einen Absatz statt eines ganzen Prologs und behandle jeden Absatz als eigenen Clip, damit eine Überarbeitung nur eine Generierung kostet.

Dieselbe Aufgabe gibt es auch außerhalb von Spielen. Store-Walkthroughs und Produkt-Erklärungen benötigen ebenfalls temporäre Narration, während sich das Skript stabilisiert. Das ist die E-Commerce-Version dieses Workflows.

Der Workflow: Skript, Generieren, Importieren

Vier Schritte – und der erste ist der einzige, der Urteilsvermögen erfordert.

1. Skript. Halte Dialoge in einem Tabellenblatt mit Spalten für die Zeile, den Charakter, den Trigger und den Dateinamen fest, zum Beispiel vo_guard_bark_01. Das Tabellenblatt ist die Grundlage, aus der du nach einer Überarbeitung erneut generierst.
2. Generieren. Füge die Zeile ein, wähle die Stimme des Charakters, stelle die Schieberegler passend zur Aufgabe der Zeile ein und generiere. Jeder Clip landet in My Activity, sodass der Take, der dir gestern gefallen hat, weiterhin vorhanden ist.
3. Herunterladen. Jeder Clip wird als einzelne MP3 heruntergeladen. Das ist das einzige Format, das Sloyd Audio liefert, und die Datei, die in die Engine kommt.
4. Importieren. Ziehe die Datei hinein, verknüpfe sie mit dem Trigger und spiele die Szene ab.

Zwei praktische Hinweise. Behalte die Dateinamen aus dem Tabellenblatt bei, denn Voice-over wächst schneller als Soundeffekte und hundert Clips namens tts_output kosten dich einen ganzen Tag. Schneide außerdem die Stille an beiden Enden eines Barks in einem kostenlosen Editor wie Audacity weg, bevor du ihn verknüpfst. Eine Viertelsekunde Vorlauf wirkt wie Verzögerung, wenn die Zeile durch einen Treffer ausgelöst wird.

Schneidest du einen Trailer für den Build? Sloyd Video Studio rendert Clips mit einer Länge von 5 bis 15 Sekunden, mit Extend zum Fortsetzen einer Einstellung. Kamera-Bewegungs-Renderings eines 3D-Modells dauern 1 bis 10 Sekunden. Lege deine eigene Narration unter den Schnitt.

Wann du es durch aufgenommenes Voice-over ersetzen solltest

KI-Voice-over ist ein Prototyping-Tool, keine Besetzung. Ob du neu besetzen solltest, hängt davon ab, was die Zeile tragen muss.

Buche einen Sprecher für:

• Hauptcharaktere und alle mit einem Handlungsbogen. Eine Performance, die sich über zwanzig Stunden hinweg verändern muss, ist eine Performance und keine Einstellung.
• Emotionale Schlüsselszenen. Die Szene, aus der der Trailer geschnitten wird, der Tod, der Verrat. Diese Momente leben von Atem und Timing.
• Comedy. Timing ist der Witz, und Timing kannst du in einem Textfeld nicht gezielt anleiten.
• Alles, was von einem Marketing-Moment abhängt. Wenn die Zeile in einem Trailer oder auf einer Store-Seite erscheint, lohnt sich eine Aufnahmesession.

Behalte die generierten Clips für:

• Barks und Crowd-Zeilen, bei denen die Menge wichtiger ist als Nuancen.
• System- und Tutorial-Stimmen, die ohnehin neutral sein sollten.
• Temporäres lokalisiertes Audio, damit ein nicht englischer Build getestet werden kann, bevor du eine zweite Besetzung finanzierst.
• Alles, was noch umgeschrieben wird, also bis spät in der Entwicklung den größten Teil des Skripts.

Zwei Dinge solltest du klären, bevor du generierte Stimmen veröffentlichst: Prüfe die Lizenzbedingungen, die für die von dir verwendete Stimme bei einer kommerziellen Veröffentlichung gelten, und teile deinen Playtestern mit, welches Audio temporär ist. So bezieht sich das Feedback auf den Text statt auf die Umsetzung. Wenn du eher Tools als Workflows vergleichst, stellt unser Vergleich von ElevenLabs-Alternativen für Game-Audio sie direkt gegenüber.

FAQ

Wie lang kann eine einzelne generierte Zeile sein?

Bis zu 5.000 Zeichen Text pro Generierung, also ungefähr 800 Wörter. Das ist weit mehr, als ein Bark benötigt. Die praktische Regel lautet daher: ein Trigger pro Clip. Ein Bark oder eine Begrüßung ist eine eigene Datei, und Narration wird nach Absätzen aufgeteilt, damit eine Überarbeitung eine Generierung statt eines erneuten Schnitts kostet.

Was verändern die Einstellungen Voice stability und Voice closeness?

Voice stability ist standardmäßig auf 0.50 eingestellt (50 % im eingeklappten Steuerelement) und verschiebt das Verhältnis zwischen Ausdrucksstärke und Konsistenz: Niedrigere Werte erlauben eine ausdrucksstärkere Umsetzung, höhere Werte machen sie konsistenter. Voice closeness steht standardmäßig auf 0.75 (75 %) und steuert, wie eng das Ergebnis an der ausgewählten Stimme bleibt. Höhere Werte erhöhen die Ähnlichkeit, können aber die Natürlichkeit verringern. Generiere dieselbe Zeile zweimal, wenn du eine Einstellung änderst.

In welchem Format werden die Clips heruntergeladen?

MP3, eine Datei pro Clip, gespeichert in My Activity und von dort herunterladbar. Unity, Godot und Roblox Studio importieren diese Datei direkt. Für Unreal oder eine verlustfreie Master-Datei konvertierst du die MP3 zuerst in Audacity oder deiner DAW in 16-Bit-WAV.

Kann die Stimme eines echten Sprechers geklont werden?

Nein. Die Bibliothek enthält ausschließlich Standardstimmen, und Sloyd klont keine Stimmen. Du kannst also keine Aufnahme einer Person hochladen und Sprache mit ihrer Stimme generieren. Für einen echten Sprecher musst du eine echte Aufnahmesession durchführen.

Kann damit auch ein Soundtrack generiert werden?

Nein. Sloyd Audio deckt Sprache und Soundeffekte ab, nicht Musik. Die Musik bleibt daher bei einem Komponisten oder einem speziellen Musik-Tool.

Brauche ich einen kostenpflichtigen Tarif, um Voice-over zu generieren?

Ja. Für Audio-Generierung und Downloads benötigst du Sloyd Plus oder Sloyd Pro. Vergleiche die Tarife auf der Preisseite.

Beginne mit den zwanzig Zeilen, die du am häufigsten hörst

Wähle den Dialog aus, der in einem Playtest tatsächlich auftaucht: vier Kampfbarks, zwei Begrüßungen, vier Tutorial-Hinweise, eine Todeszeile, einige Händlerzeilen und ein Erzähler-Intro. Gib jedem wiederkehrenden Charakter eine Stimme, benenne die Dateien anhand deines Dialog-Tabellenblatts, und du hast an einem Nachmittag einen vertonten Prototyp statt einer Casting-Runde.

Generiere deine ersten NPC-Zeilen in Sloyd Audio mit den Beispielen aus diesem Beitrag und kombiniere die Stimmen anschließend über Text-zu-3D mit den Charakteren, zu denen sie gehören.