Voice Cloning, auf Deutsch Stimmklonen, ist das Nachbilden einer bestimmten menschlichen Stimme durch ein KI-Modell. Aus wenigen Minuten Aufnahme entsteht eine Stimme, die beliebigen Text in derselben Klangfarbe, Sprechweise und Betonung vorträgt.
- Voice Cloning (Stimmklonen)
Das Nachbilden einer bestimmten menschlichen Stimme durch ein KI-Modell.
Beispiel: „Für das Voice Cloning genügten drei Minuten Aufnahme, und der Unterschied war am Telefon nicht zu hören.“Abgrenzung zur Sprachsynthese: Die erzeugt eine beliebige künstliche Stimme. Voice Cloning zielt auf eine bestimmte, vorhandene Stimme und braucht deshalb Aufnahmen genau dieser Person.
Eingeordnet wird es als Sonderfall der synthetischen Medien, und sobald eine bestimmte Person erkennbar nachgebildet wird, greifen die Regeln für Deep Fakes.
Wie wenig Material genügt: Je nach Werkzeug reichen wenige Sekunden für eine erkennbare Nachbildung und wenige Minuten für eine überzeugende. Material dieser Art liegt von vielen Menschen öffentlich vor, etwa in Videos und Vorträgen.
Wofür es taugt
Für Vertonungen in mehreren Sprachen mit derselben Stimme, für Korrekturen in einer Aufnahme ohne neuen Termin im Studio, für Hörfassungen von Texten und für Barrierefreiheit. In allen diesen Fällen gehört die Stimme der Person, die zustimmt, und das ist der entscheidende Unterschied zum Missbrauch.
Welche Rechte betroffen sind
Die Stimme ist ein Persönlichkeitsmerkmal und geschützt, unabhängig vom Urheberrecht. Für jede Nachbildung braucht es die Einwilligung der Person, und zwar für den konkreten Zweck; eine allgemeine Erlaubnis aus einem alten Vertrag deckt eine KI-Stimme nicht. Bei Sprecherinnen und Sprechern gehört die Nutzung ausdrücklich in den Vertrag, mit Dauer, Gebiet und erlaubten Verwendungen.
Wo die Gefahr liegt
Beim Betrug am Telefon. Ein nachgebildeter Vorgesetzter, der eine Überweisung anordnet, ist die verbreitetste Form, und sie funktioniert, weil Stimmen als Nachweis gelten. Das wirksame Gegenmittel ist organisatorisch: ein zweiter Weg für jede Zahlungsanweisung, unabhängig davon, wie vertraut die Stimme klingt. Technische Erkennung hilft dabei nicht zuverlässig. Dieselbe Technik, die eine Stimme überzeugend nachbildet, macht sie auch schwer als Nachbildung erkennbar; was bleibt, ist der zweite Kanal und die Verabredung, dass eine Anweisung ohne ihn nicht gilt.