Gemini 3.8 Stimmklonen: wo es geht, was die Einwilligung deckt

Eine Stimme aus einem 30-Sekunden-Clip – wenn Sie sie nutzen dürfen

Googles neue Text-zu-Sprache-Modelle können eine Stimme aus einer kurzen Aufnahme kopieren und dann jedes beliebige Skript damit vorlesen. Ein vertontes Produktvideo, eine Audioversion eines Blogbeitrags oder ein Trainingsmodul in der Stimme der Gründerin oder des Gründers braucht keine neue Aufnahmesitzung mehr für jedes Skript. Man nimmt einmal auf, dann tippt man.

Die Modelle heißen Gemini 3.8 Flash TTS und Gemini 3.8 Flash-Lite TTS und wurden am 23. September veröffentlicht. Text-zu-Sprache bedeutet: Sie fügen ein Skript ein und erhalten eine gesprochene Audiodatei zurück. Google nennt die Kopierfunktion Stimmreplikation (voice replication). Die meisten Menschen nennen es Stimmklonen. Googles Ankündigung formuliert es so:

Recreate consistent vocal profiles from just a 30-second audio sample of your voice or a voice you have the rights to use

Google knüpft daran zwei Bedingungen. Die erste ist Einwilligung. Laut Google braucht das Klonen eine zweite Aufnahme derselben Person:

users must provide a verbal consent recording from the voice owner that matches the reference speaker before a voice can be created.

Googles Entwicklerdokumentation erklärt genau, was das bedeutet. Sie brauchen zwei echte Aufnahmen derselben erwachsenen Person. Die eine ist eine 10 bis 30 Sekunden lange Probe natürlicher Sprache. Die andere ist diese Person, die laut einen festen Satz vorliest, den die Dokumentation auf Englisch so angibt:

I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model.

Die zweite Bedingung ist, laut Google, eine verborgene Markierung auf allem, was die Modelle erzeugen. Google erklärt:

every audio clip generated by our Gemini Audio models is watermarked with SynthID.

Google beschreibt SynthID als ein unhörbares Wasserzeichen, das in das Audio eingewoben wird: Zuhörende hören nichts, und Erkennungssoftware kann die Sprache trotzdem als KI-generiert markieren. Laut Google tragen geklonte Stimmen außerdem C2PA-Credentials, eine an die Datei angehängte Markierung, die festhält, woher sie stammt.

Warum diese Woche: ein niedriger Preis, der sich im Januar verdoppelt, und Apps ohne Code

Auslöser ist das Release selbst. Zwei Details machen es über Entwicklerinnen und Entwickler hinaus relevant.

Das Erste sind die Kosten, und die kommen mit einem Datum. Googles Preisseite, Stand 26. September, listet das Audio von Flash TTS mit $9 pro Million Tokens bis 31. Dezember 2026, und $18 ab 1. Januar 2027. Tokens sind die kleinen Einheiten, in denen Google Text und Audio zählt. Dieselbe Seite rechnet den Audio-Satz in $0.00225 pro 10 Sekunden jetzt und $0.0045 ab Januar um. Das sind etwa 1.35 Cent pro Minute fertiges Audio in diesem Jahr, und etwa 2.7 Cent ab Neujahr. Ein zehnminütiges vertontes Modul kommt dieses Jahr auf etwa 13.5 Cent Audio und danach auf 27 Cent. Flash-Lite TTS ist mit $6, dann $12 gelistet, was etwa 0.9 Cent pro Minute jetzt und 1.8 Cent ab Januar entspricht. Das eingereichte Skript wird zusätzlich berechnet, mit $0.50 pro Million Tokens für beide Modelle, dann $1.00.

Dieselbe Tabelle listet eine kostenlose Stufe, kostenlos, und eine Zeile, die für alle wichtig ist, die eine Stimme hochladen. Unter „Used to improve our products“ steht auf Googles Seite „Yes“ für die kostenlose Stufe und „No“ für die bezahlte Stufe.

Die einzige unabhängige Messung, die wir gefunden haben, stammt von Simon Willison. Er ist Entwickler und Autor und hat am Launch-Tag, 23. September, seinen eigenen Test durchgeführt:

It took ~20 seconds to generate 1m 18s of audio using Gemini 3.8 Flash TTS (not the cheaper Flash-Lite), at a cost of 2.74 cents.

Das ist ein Clip, ein geschriebener Dialog zwischen zwei Pelikanen, und die Kosten sind die, die er berichtet. Das ist keine Preisliste. Planen Sie mit Googles gelistetem Satz, einschließlich der Verdopplung im Januar.

Das Zweite ist die Reichweite. Googles Launch-Beitrag listet die Modelle als verfügbar für „everyone“ in zwei Apps, die keinen Code brauchen: Flash TTS in Gemini Notebook, und Flash-Lite TTS in Google Vids. Entwicklerinnen und Entwickler bekommen beide über die Gemini API, die Verbindung, über die andere Software Google ein Skript schickt und Audio zurückbekommt, sowie über Google AI Studio, Googles Browser-Arbeitsbereich zum Ausprobieren seiner Modelle. Der Zugang für Unternehmen über Gemini Enterprise ist als demnächst verfügbar gelistet.

Lesen Sie diese Liste genau. Sie nennt Modelle, keine Funktionen. Keine der von uns geprüften Seiten sagt, ob Stimmklonen Teil dessen ist, was Notebook und Vids erreicht. Die Modelle sind da. Das Klonen vielleicht nicht.

Warum Google das Klonen jetzt ausgeliefert hat, dazu hat Willison eine Vermutung, und das ist seine Lesart, nicht die von Google:

I guess voice cloning is widely enough available now from other providers that Google are no longer hesitant to ship it.

Googles Schutzmaßnahmen, und die dokumentierten Einwände

Googles Argument ist das oben genannte: eine Einwilligungsaufnahme, die mit der Sprachprobe übereinstimmen muss, ein Wasserzeichen auf jedem Clip, und eine regionale Einschränkung. Zu dieser Einschränkung sagt eine Fußnote in Googles Ankündigung, dass Stimmreplikation über AI Studio in Illinois, Texas, dem Europäischen Wirtschaftsraum (der EU plus Norwegen, Island und Liechtenstein), dem Vereinigten Königreich, der Schweiz oder Indien nicht verfügbar ist. Google sagt nicht, warum. Die Fußnote bezieht sich auf AI Studio. Die von uns geprüften Seiten sagen nicht, ob dieselbe Einschränkung auch über die API oder in den Verbraucher-Apps gilt.

Die Kritik ist dünn, und das sollte man klar benennen. Stand 26. September fand unsere Suche bei The Verge, TechCrunch und Ars Technica keinen kritischen Beitrag zu diesem Release. Wir fanden auch keine Stellungnahme dazu von SAG-AFTRA, Equity oder NAVA, drei Organisationen, die Sprecherinnen und Sprecher vertreten. Die Einwände, die wir fanden, stammen von vier pseudonymen Nutzerinnen und Nutzern in einem einzigen Thread auf Hacker News, einem bei Softwareentwicklerinnen und -entwicklern beliebten Diskussionsforum.

Der erste betrifft das Wasserzeichen. Ein Nutzer namens gruez schlug einen Workaround vor: Sprache in einer generischen Stimme mit Googles Modell erzeugen und sie dann mit einem auf dem eigenen Rechner laufenden Klon-Tool in die Zielstimme umwandeln:

That'll probably get rid of any C2PA watermarks too.

Das ist eine Vorhersage, abgeschwächt mit „probably“, und sie nennt die C2PA-Markierung, nicht SynthID. Niemand in unseren Quellen hat das getestet. Der dahinterliegende Punkt gilt trotzdem, und Willisons Kommentar oben stützt ihn: Klon-Tools existieren außerhalb von Google. Wie Google es beschreibt, regelt die Einwilligungsprüfung nur das Klonen, das über Google läuft. Sie kann niemanden davon abhalten, eine Stimme mit einem anderen Tool zu klonen, und ein Wasserzeichen hilft nur, wenn es noch im Audio ist, wenn jemand danach sucht.

Googles Seiten lassen außerdem eine Frage offen. Sie sagen, die Einwilligungsaufnahme müsse mit der Probe übereinstimmen. Sie sagen nicht, ob die Prüfung eine echte Einwilligungsaufnahme von einer synthetischen unterscheiden kann. Ein Nutzer namens kmoser fragte genau das:

Does it detect synthesized consent recordings?

Ein anderer Nutzer, pixl97, antwortete, dass eine solche Prüfung nicht lange bestehen würde:

There is no world in which something like that works over a few months.

Das ist eine Behauptung. Der Thread liefert keinen Test dazu, und Googles Seiten liefern keinen dagegen.

Der letzte Einwand ist praktisch: Kann man das überhaupt bei der Arbeit einsetzen? Ein Nutzer namens rcr-anti schrieb:

there's no alignment across the three platforms they have, consumer, prosumer, cloud.

Derselbe Kommentar sagt, dass die Modelle nicht einmal von Plattform zu Plattform dieselben Fähigkeiten haben. Googles eigene Launch-Liste hat genau diese Form: ein Modell in Notebook, das andere in Vids, Enterprise-Zugang noch ausstehend, und eine regionale Einschränkung, die nur für AI Studio formuliert ist.

Stand 26. September berichtet keine der von uns geprüften Quellen von einem unabhängigen Test, ob SynthID Bearbeitung, Kompression oder erneutes Vertonen übersteht, oder ob ein synthetischer Einwilligungsclip durchkäme.

Voiceovers ohne Einwilligungsproblem

Teilen Sie die Aufgabe in zwei.

Die meiste Voiceover-Arbeit braucht niemandes Stimme: Produkterklärvideos, Audioversionen von Beiträgen, interne Schulungen. Nutzen Sie eine von Googles Bibliotheksstimmen oder, bei Flash TTS, eine aus einer schriftlichen Beschreibung entworfene Stimme, die dieses Modell laut Googles Ankündigung erzeugen kann. Keine der beiden Stimmen gehört einer echten Person. Googles Einwilligungspflicht ist für das Klonen geschrieben, ebenso die regionale Fußnote.

Klonen Sie eine Stimme nur, wenn die Stimme selbst der Punkt ist: die Gründerin oder der Gründer, die Unternehmensupdates spricht, oder eine Moderatorin bzw. ein Moderator, den Ihr Publikum bereits kennt. Prüfen Sie vorher drei Dinge.

Wo Sie sind. Wenn Sie an einem der gelisteten Orte arbeiten und in AI Studio klonen wollten, sagt die Fußnote: Sie können nicht. Wenn Sie über ein Firmen-Google-Konto arbeiten, prüfen Sie, ob das Produkt, das Sie tatsächlich haben, die Funktion enthält. Googles eigene Liste ordnet unterschiedlichen Produkten unterschiedliche Modelle zu.

Wer die Einwilligung aufnimmt. Es muss die Stimminhaberin oder der Stimminhaber sein, die bzw. der Googles Satz in der eigenen Stimme vorliest. Laut Google wird diese Aufnahme gegen die Probe geprüft.

Was Google behält. Laut Googles Dokumentation wird die geklonte Stimme standardmäßig in Ihrem Google-Projekt gespeichert, dem Kontobereich, in dem Google Ihre API-Einstellungen und Nutzung verwaltet.

Die Dokumentation nennt eine Aufbewahrungsdauer von einem Jahr für gespeicherte Stimmen. Die Alternative ist ein verschlüsselter Stimmschlüssel, den Ihre eigene Software statt Google behält, und dafür nennt die Dokumentation sieben Tage. Die von uns gelesene Dokumentation sagt nicht, wie lange Google die Einwilligungsaufnahme aufbewahrt. Wenn Sie eine Kollegin oder einen Kollegen bitten, ihre oder seine Stimme zu leihen, lohnt es sich, das vor der Aufnahme zu wissen.

Ein Teil dieser Arbeit wiederholt sich, etwa wenn jeder neue Blogbeitrag oder Changelog-Eintrag in einen Audioclip verwandelt wird. Das ist eine kleine Automatisierung, keine wöchentliche Pflichtübung. In Latenode ist das Herzstück davon ein einziger kurzer Code-Schritt. Ein JavaScript-Schritt dort kann jede beliebige NPM-Bibliothek installieren, die fertigen Code-Pakete, die Entwicklerinnen und Entwickler untereinander teilen, und so die Gemini API mit Ihrem eigenen Google-API-Schlüssel aufrufen, dem passwortähnlichen Code, der Google mitteilt, welches Konto abgerechnet werden soll. Er schickt den Text des Beitrags und fordert eine Bibliotheksstimme oder eine aus einer Beschreibung entworfene an, niemals eine geklonte. Derselbe Schritt kann die fertige Datei dann über die NPM-Bibliothek dieses Dienstes, sofern er eine veröffentlicht, an Ihren eigenen Speicher oder Ihre Website übergeben. Dass das Klonen fehlt, ist Absicht. Klonen braucht die aufgezeichnete Einwilligung der Stimminhaberin oder des Stimminhabers und ist regional eingeschränkt, und keins von beidem gehört in eine Aufgabe, die unbeaufsichtigt läuft. Die beiden Rechnungen bleiben getrennt. Google berechnet das Audio auf Ihrem Google-Konto, zu den Sätzen auf Googles Preisseite, die sich am 1. Januar 2027 verdoppeln. Latenode misst jeden Lauf in CPU-Sekunden, die er verbraucht, der Rechenzeit, die er nutzt, sodass ein kürzerer Lauf proportional weniger kostet. Es gibt keine Mindestgebühr pro Lauf, und Latenodes kostenlose Stufe umfasst 10,000 CPU-Sekunden im Monat.

Nutzen Sie die Stimmen, die niemandem gehören, klonen Sie nur im Beisein der Person, der sie gehört

Nutzen Sie Gemini 3.8 TTS schon jetzt für Voiceovers, wenn sich Ihre Skripte oft ändern und eine Bibliotheks- oder entworfene Stimme ausreicht: Erklärvideos, Audioversionen, Schulungen. Zu Googles gelistetem Satz kostet Audio von Flash etwa 1.35 Cent pro Minute bis Ende 2026 und etwa 2.7 Cent ab 1. Januar 2027, und dabei sind keine Rechte Dritter im Spiel.

Klonen Sie eine Stimme nur, wenn sie Ihnen gehört oder jemandem, der Googles Einwilligungssatz selbst aufnehmen wird. Bevor Sie einem Kunden geklonte Erzählung versprechen, prüfen Sie, ob der Weg, den Sie tatsächlich nutzen wollen, an Ihrem Standort funktioniert. Wenn Sie in der EU, im Vereinigten Königreich oder an einem anderen gelisteten Ort sind, gehen Sie davon aus, dass Klonen in AI Studio für Sie gesperrt ist. Für Notebook und Vids schauen Sie im Produkt selbst nach, bevor Sie darauf planen, denn Googles Ankündigung sagt nicht, ob Klonen dort verfügbar ist.

Verlassen Sie sich nicht darauf, dass die Schutzmaßnahmen die Menschen schützen, um deren Stimmen es geht. Laut Google verhindert die Einwilligungsprüfung, dass die Stimme einer fremden Person innerhalb von Googles eigenen Produkten geklont wird, und das ist etwas wert. Darüber hinaus bleibt nur das Wasserzeichen. Stand 26. September berichtet keine der von uns geprüften Quellen von einem Test, ob es Bearbeitung übersteht, und es gibt bereits andere Klon-Tools, die Googles Prüfung nicht erreicht. Wenn Ihr Publikum wissen soll, dass eine Stimme synthetisch ist, ist der einzig verlässliche Weg, es selbst zu sagen.