KI-Stimmen auf neuem Level

Vergiss alles, was du bisher kanntest. Microsofts VibeVoice erzeugt so realistische und lange Gespräche, dass die Grenzen zur Realität verschwimmen.

gpt-image-1 | All-AI.de

Microsoft hat eine neue KI vorgestellt, die die Produktion von Audioinhalten grundlegend verändern könnte. Das System namens VibeVoice kann als erstes seiner Art komplette, bis zu 90 Minuten lange Gespräche mit vier verschiedenen Sprechern in einem einzigen Durchgang erzeugen. Diese Entwicklung stellt einen technischen Durchbruch dar, da bisherige Modelle oft nach wenigen Minuten oder bei mehr als zwei Stimmen an ihre Grenzen stießen. Für Podcaster und Hörbuchproduzenten eröffnen sich damit völlig neue Möglichkeiten.

Ein neuer Ansatz für die Sprach-KI

Die entscheidende Neuerung von VibeVoice liegt in einer hocheffizienten Methode zur Audiokompression. Ein von Microsoft Research entwickelter "Speech Tokenizer" komprimiert Audiodaten so stark, dass selbst sehr lange Gespräche komplett im Arbeitsspeicher eines Computers verarbeitet werden können. Das System nutzt dabei eine zweigeteilte Architektur: Ein Modul ist auf die reine Klangqualität und die Charakteristik der Stimmen spezialisiert, während ein zweites Modul den Inhalt und die Bedeutung des Gesprächs analysiert.

Als technische Basis dient das Sprachmodell Qwen2.5, das für die Steuerung komplexer Dialoge zuständig ist. Diese Kombination erlaubt es der KI, nicht nur Text in Sprache umzuwandeln, sondern auch die Dynamik einer echten Unterhaltung mit mehreren Teilnehmern nachzubilden. Flüssige Sprecherwechsel, realistische Pausen und kontextabhängige Betonungen entstehen dabei automatisch.

Emotionen, Gesang und klare Regeln

VibeVoice überzeugt in Demonstrationen mit beeindruckender Vielseitigkeit. Die KI kann Emotionen in die Stimmen legen, spontan zwischen Sprachen wie Englisch und Chinesisch wechseln oder sogar kurze Gesangspassagen einfügen. In einem Beispiel generierte das System ein 93-minütiges Gespräch über den Klimawandel, in dem vier simulierte Sprecher natürlich miteinander diskutieren, ihre Meinungen austauschen und sogar emotionale Reaktionen zeigen.

Microsoft veröffentlicht VibeVoice als Open-Source-Projekt, um die Forschung in diesem Bereich voranzutreiben. Gleichzeitig ist sich das Unternehmen der Missbrauchsrisiken bewusst und hat entsprechende Schutzmaßnahmen integriert. Jede von VibeVoice erzeugte Audiodatei enthält sowohl einen hörbaren Hinweis auf ihren künstlichen Ursprung als auch ein unsichtbares digitales Wasserzeichen. Damit positioniert sich Microsoft klar im Rennen um die fortschrittlichste Sprachsynthese, auch wenn der Wettbewerb hart umkämpft bleibt.

Beispiele: Spontane Emotionen, Spontanes Singen, Podcast

Hat Dir der Beitrag gefallen oder geholfen? Dann hilf uns mit einem Klick weiter - dauert nur Sekunden.

Teile diesen Beitrag

Folge uns auf Social Media

Unterstütze uns direkt

KI-Tools sind teuer – unser Wissen bleibt kostenlos. Spende einmalig via PayPal oder werde YouTube-Mitglied (ab 0,99 €). Dafür liefern wir täglich News, ehrliche Tests und praxisnahe Anleitungen. Danke dir!