„Sehr geehrte Damen und Herren, ich bin keine KI, ich bin ein echter Synchronsprecher. Ich spreche jetzt für Sie einen Zungenbrecher – Achthundert Soldaten stürmen den Nordhang …”
Juli 2026, Xuzhou, Provinz Jiangsu. Der 31-jährige Shen Anyu spricht diese Zeilen mit seiner markanten tiefen Stimme in die Kamera seines Smartphones und lächelt bitter. Es ist das fünfte Mal innerhalb eines Jahres, dass er ein solches Video aufnimmt – ein „Selbstbeweis” gegenüber Plattformen, Kunden und jedem, der ihn verdächtigen könnte: Seine Stimme gehört einem lebendigen Menschen.
Eine gestohlene Stimme
Shen Anyu ist ein bekannter Synchronsprecher auf chinesischen Kurzvideo-Plattformen. Seit sechs Jahren leiht er einem Film-Erklärkanal seine Stimme; der Kanal hat auf Douyin über fünf Millionen Follower. Seine Videos erreichen regelmäßig millionenfache Aufrufe. Mit dieser Stimme stieg sein monatliches Einkommen von anfänglich 10.000 Yuan auf bis zu 30.000 Yuan in der Hochsaison. Erst letztes Jahr zog er mit seiner Frau Wei Yiyuan in eine neue Wohnung.
Doch ab 2025 änderte sich alles.
Im Netz hörte er „sich selbst” – Filmsynchronsprechen, Sportnachrichten, Produktwerbung, Verschwörungstheorien, sogar Beschimpfungen in Kurzvideos – alles Inhalte, die er nie aufgenommen hatte. Verwandte und Freunde schickten ihm diese Videos mit Glückwünschen, manche baten ihn um Geld, weil sie glaubten, er habe so viele Aufträge, dass er nicht nachkäme.
Das Gegenteil war der Fall. Die KI-Erkennungssysteme der Plattformen stuften seine echten Aufnahmen fälschlicherweise als „KI-generiert” ein. Die Aufnahmen wurden gekennzeichnet, die Empfehlungen brachen ein, die Aufrufzahlen stürzten ab, und auch die Einnahmen der Kunden schrumpften. Als ein Kunde bei der Plattform Einspruch einlegte, war die Antwort des Kundendienstes ernüchternd: „Ich weiß nicht, ich habe diese Stimme schon so oft gehört, ich dachte immer, sie sei KI-generiert.”
KI-Sprachsynthese – wie funktioniert das?
Um Shen Anyus Situation zu verstehen, muss man eines klären: Warum sind KI-Stimmenklone so verdammt echt?
Die traditionelle Sprachsynthese (wie bei Navigationsansagen) arbeitete mit „Aneinanderreihung” – echte Sprachaufnahmen wurden in winzige Fragmente geschnitten und nach Regeln neu zusammengesetzt. Diese Stimmen klangen eindeutig maschinell, weil an den Nahtstellen immer harte Brüche hörbar waren, Tonfall und Emotion durchgehend monoton.
Ab 2023 änderte eine Technologie namens „neuronale Sprachsynthese” die Lage grundlegend. Sie setzt keine Aufnahmen mehr zusammen, sondern lässt die KI die Stimmmerkmale eines Menschen „erlernen” – Tonhöhe, Klangfarbe, Sprechgeschwindigkeit, Rhythmus, Artikulationsgewohnheiten, sogar die Atemmuster. Wie ein Maler, der den Stil eines Künstlers gelernt hat und ohne Vorlage ein identisches Werk aus dem Handgelenk schüttelt.
Entscheidend: Dieses Lernen erfordert inzwischen extrem wenig Material. Frühe Stimmklone benötigten stundenlange Aufnahmen. Um 2025 herum reichten bei marktführenden KI-Sprachtools – international ElevenLabs, in China Fish Audio – bereits wenige Sekunden Audio für einen „Zero-Shot-Klon”. Drei Sekunden Aufnahme genügten, um zehn Minuten natürlich klingende Sprache zu erzeugen. Die Kosten: „etwa eine Flasche Mineralwasser.”
Die Forschungsergebnisse sind noch beunruhigender. Ein Experiment der Queen Mary University of London aus dem Jahr 2025 zeigte, dass KI-generierte Sprache die „Indistinguishability Threshold” überschritten hat – normale Hörer konnten unter Laborbedingungen KI-Sprache nicht mehr von echten Aufnahmen unterscheiden. Der Cybersicherheitsdienst DeepStrike meldete, dass die Zahl der Deepfakes von 500.000 (2023) auf 8 Millionen (2025) gestiegen ist – ein Anstieg von fast 900 %.
Das bedeutet: Das menschliche Ohr ist keine zuverlässige Verteidigungslinie mehr gegen „falsche Stimmen”.
Der Autor hat mehrere technische Berichte ausgewertet. Die heutige KI-Sprachsynthese folgt im Wesentlichen drei technischen Ansätzen: erstens Diffusionsmodell-basierte Spracherzeugung (ähnlich der Funktionsweise von KI-Bildgeneratoren), zweitens End-to-End-Synthese auf Basis von Audio-Codecs, drittens multimodale Sprachsynthese in Kombination mit großen Sprachmodellen – die KI imitiert nicht nur die Stimme, sondern passt Emotion und Pausen automatisch an den Textinhalt an. Diese drei Ansätze sind zwischen 2025 und 2026 rasant ausgereift. Die technische Hürde für das Klonen einer Stimme ist auf „eine App herunterladen und loslegen” gesunken.
Technologischer K.-o.-Schlag: Der Überlebenskampf einer Branche
Shen Anyu ist kein Einzelfall. Die chinesische Synchronsprecher-Branche erlebt einen „technologischen K.-o.-Schlag”.
Die 28-jährige Synchronsprecherin Ciya Liu hatte die Hauptrolle in einer Kurzserie eingesprochen, als die Produktionsfirma ihr mehrere Audiospuren zur „Qualitätssteigerung” schickte und um Neuaufnahmen bat. Sie war wie vor den Kopf gestoßen: Die Stimme klang zwar wie ihre – sogar die winzigen Artikulationsmängel waren vorhanden – aber die Satzbetonung und Phrasierung entsprachen überhaupt nicht ihren Gewohnheiten. Sie vermutete, dass die Firma mit ihren Aufnahmen ein KI-Modell trainiert hatte. Als sie zur Rede stellte, bestritt die Firma das KI-Training – konnte aber die Herkunft der Audiodateien nicht erklären. Noch alarmierender: Die Firma informierte andere Synchronsprecher später, sie müssten eine 10%ige Gehaltskürzung oder Zahlungsverzögerung akzeptieren, und dies sei die letzte Zusammenarbeit, da man auf „KI-produzierte Kurzserien” umsteigen werde.
Die 30-jährige Synchronsprecherin Xu Ziqi erlebte eine andere Seite der brutalen Realität: Der Stundenlohn für Hörbuch-Sprechen fiel von 80 Yuan auf 40 Yuan. In der WeChat-Gruppe für Aufträge gab es früher dutzende Aufgaben am Tag, heute kommt alle paar Tage eine. Anfang des Jahres äußerten sich Dutzende bekannter Synchronsprecher öffentlich und erklärten, sie hätten niemals die Nutzung ihrer Stimmen für KI-Training autorisiert. Das führende Synchronstudio 729 Voice Studio berichtete, dass KI-generierte Hörspiele in tausenden Episoden und unzähligen Konten aufgetaucht seien – die unerlaubte Nutzung sei praktisch nicht nachverfolgbar.
Xu Ziqi traf den Kern der Misere: „Viele Neueinsteiger glauben, wenn sie nur ihre Stimme trainieren und ihre Technik verbessern, seien sie besser als die KI. Aber wir, die das seit Jahren machen, wissen: Kunden wollen oft nur eine bestimmte Klangfarbe. Und die kann die KI jetzt in jeder gewünschten Variante reproduzieren.”
„Die KI nimmt die beste Stimme und die beste Performance von jedem”, sagte sie. „Je mehr du trainierst und perfektionierst, desto mehr Lernmaterial bietest du ihr.”
Hinter diesem Satz verbirgt sich ein grausames Paradox: Im Zeitalter der KI werden Synchronsprecher umso ersetzbarer, je mehr sie sich anstrengen.
Ein fast aussichtsloser Kampf
Wie schwierig ist es, gegen Stimmklone rechtlich vorzugehen?
Shen Anyu und seine Frau versuchten alles, was ihnen einfiel: Videos und Screenshots sammeln, jede einzelne Rechtsverletzung dokumentieren, die Uploader kontaktieren, bei Plattformen Beschwerde einreichen, Anwälte konsultieren, Klagen vorbereiten.
Die Kontaktaufnahme mit den Uploadern brachte unterschiedliche Reaktionen – einige löschten die Videos, die meisten ignorierten sie einfach. Einer antwortete: „Leg dich nicht mit mir an. Ich kann mit einer anderen Stimme auch gute Videos machen und dich in den Boden stampfen.” Ein anderer bot an, die Lizenz für den Stimmklon zu kaufen – als ob die Rechtsverletzung eine nachträglich zu ersteigende Geschäftsmöglichkeit wäre.
Die Beschwerdewege der Plattformen waren praktisch nutzlos. Wei Yiyuan berichtete, dass eine Beschwerde tatsächlich Erfolg hatte. Sie dachte, einen Weg gefunden zu haben – „von da an habe ich wie besessen Links kopiert”. Aber alle folgenden Beschwerden versickerten. „Jeden Tag Beweise sammeln, Beschwerden einreichen, und jeden Tag verzweifelter werden.”
Der Rechtsweg ist ebenso mühsam. 2024 vertrat der Pekinger Anwalt Ren Xiangyu den ersten chinesischen KI-Stimmklon-Rechtsfall, der später vom Obersten Volksgericht als Referenzfall ausgewählt wurde. Das Urteil war klar: Nicht autorisierte Stimmklone verletzen das Persönlichkeitsrecht. Der Besitz von Urheberrechten an Aufnahmen berechtigt nicht zur freien Nutzung der Stimme eines Synchronsprechers. Doch Ren Xiangyu räumte ein, dass Shen Anyus Lage weitaus komplexer sei als der erste Fall – dort hatte der Kläger über 50 Stunden Audiomaterial und einen eindeutig identifizierten Beklagten. Heute kann jeder aus drei Sekunden Audio eine Stimme klonen und über unzählige anonyme Konten verbreiten. Die Identität der Rechtsverletzer ist kaum nachverfolgbar, und die Kosten der Rechtsverfolgung (allein eine gerichtliche Stimmabdruck-Analyse kostet mindestens 10.000 Yuan) übersteigen bei weitem jede mögliche Entschädigung.
„Die Kosten der Rechtsverletzung sind viel zu niedrig”, sagte Ren Xiangyu.
„Ich werde diesen Kampf vielleicht mein ganzes Leben lang führen”
Manche rieten Shen Anyu: Da die Stimme bereits geklont sei, solle er sie doch selbst lizenzieren und daran verdienen. Einige arbeitslose Synchronsprecher sind tatsächlich dazu übergegangen, anderen das Klonen von Stimmen mit KI beizubringen.
Shen Anyu lehnte ab.
„Ich halte KI nicht für etwas Schlechtes. Es ist ein Werkzeug”, sagte er. „Aber wie die Menschen es einsetzen, das ist das Problem.” Nachdem er seine Geschichte online geteilt hatte, erreichten ihn Nachrichten von vielen Synchronsprechern und sogar Menschen aus anderen Branchen – sie standen vor denselben Schwierigkeiten. Diese Stimmen bestärkten ihn. Er investiert immer mehr Zeit in die Dokumentation von Rechtsverletzungen und die Vorbereitung von Klagen.
Er erwartet, dass der Rechtsstreit sehr schwer wird. „Ich werde vielleicht Jahre kämpfen müssen, vielleicht mein ganzes Leben”, sagte er. „Ich bin bereit zu verlieren, aber ich hoffe, zumindest etwas zu verändern.”
Um die Einkommensverluste auszugleichen, begannen Shen Anyu und seine Frau, eigene Kurzvideos zu produzieren. Sein liebstes Video handelt von Xin Qiji, dem Dichter und General aus der Südlichen Song-Dynastie, der zeitlebens seine Ziele nie erreichte. Beim Aufnehmen stellte Shen Anyu fest, dass er seine Emotionen in die Worte legte.
In diesen Minuten spricht er mit seiner eigenen Stimme das, was er selbst sagen möchte.
Anmerkung des Autors: Dieser Artikel basiert auf einer Originalreportage von Sixth Tone, Diskussionen in der Hacker News-Community sowie mehreren technischen Berichten zur KI-Sprachsynthese. Die technischen Erläuterungen wurden in allgemeinverständlicher Sprache gehalten; die fachlichen Einschätzungen stützen sich auf öffentlich zugängliche akademische Studien und Branchenberichte. Die dargestellten Positionen der Beteiligten entstammen öffentlichen Interviews oder Stellungnahmen. Ziel des Autors ist es, die Komplexität des Themas ohne Parteinahme darzustellen – die KI-Sprachtechnologie entfaltet sowohl beeindruckende Kreativität als auch beispiellose ethische Dilemmata. Wie beides in Einklang gebracht werden kann, ist derzeit ohne fertige Antwort.
Referenzen: