Audio zu Video, in beliebiger Länge

Was ein langes Video kostet

Sie zahlen pro Minute fertiges Video und sonst nichts. Kein Monatsabo, keine Minuten, die verfallen.

Zum Vergleich haben wir im November 2026 die Preise der Dienste für sprechende Videos aus Fotos erfasst, die wir überprüfen konnten. Die meisten, die Ihr eigenes Foto und Audio annehmen, verlangen pro Minute ein Mehrfaches, und die meisten begrenzen ein Video auf 10 Minuten oder weniger. Die ganze Preistabelle und die Testergebnisse ansehen (EN).

So funktioniert es

1. 1
   Audio hochladen

   Eine MP3, WAV oder M4A mit Sprache, bis 500 MB: eine Podcast-Folge, ein Vortrag, ein Hörbuchkapitel, ein Voiceover. Für ein Video bis etwa fünf Minuten können Sie stattdessen einen Text tippen und eine von 22 Stimmen wählen; diese sprechen 10 Sprachen, Deutsch noch nicht.

2. 2
   Ein Foto der sprechenden Person hinzufügen

   Ein klares Foto mit einem Gesicht, das ungefähr in die Kamera blickt. Ihr eigenes Porträtfoto, ein Sprecher, den Sie verwenden dürfen, oder eine gezeichnete Figur.

3. 3
   Format wählen und starten

   16:9 für YouTube, 9:16 für Shorts und Reels oder 1:1. Sie sehen den genauen Preis, bevor Sie starten. Schließen Sie den Tab, wenn Sie möchten: Wir schreiben Ihnen eine E-Mail, sobald das Video fertig ist.

Was Nutzer damit machen

Was Sie bekommen und was nicht

Das Modell animiert das Gesicht und fügt es wieder in Ihr Originalfoto ein, sodass Bildausschnitt, Kleidung und Hintergrund genau so bleiben, wie sie sind. Es ist ein Sprecher, der in die Kamera spricht, keine Person, die durch ein Studio läuft. Das ist der Kompromiss: nur Kopf- und Gesichtsbewegung, dafür zu einem Preis, bei dem zehn Minuten Video weniger kosten als eine Minute bei den Modellen, die den ganzen Körper animieren.

Kurze Clips, Grüße und getippte Texte finden Sie auf der Seite zum sprechenden Foto. Sie möchten das in Ihr eigenes Produkt einbauen? Nutzen Sie die Talking Photo API.

Häufige Fragen

Was kostet es, Audio in Video umzuwandeln?

$0.20 pro Minute fertiges Video in 720p ohne Logo oder $0.40 pro Minute für Pro, das schärfer und ruhiger ist. Ein 10-Minuten-Video kostet $2, 30 Minuten kosten $6 und eine Stunde $12. Sie zahlen mit Prepaid-Credits von Stork (1 Credit = 1 Cent, Pakete ab $5). Es gibt kein Abo. Abgerechnet wird je angefangene 10 Sekunden, mindestens 5 Credits, und wenn ein Video fehlschlägt, erhalten Sie jeden Credit zurück.

Gibt es ein Längenlimit?

Nicht bei bezahlten Videos. Die meisten Avatar-Tools hören bei 10 Minuten pro Video oder weniger auf, sodass eine ganze Folge zerschnitten und wieder zusammengesetzt werden muss. Hier laden Sie die ganze Datei hoch und erhalten ein Video.

Kann ich es kostenlos testen?

Ja. Mit einer kostenlosen Google-Anmeldung können Sie 2 Videos pro Tag erstellen, je bis zu 1 Minute, mit einem kleinen stork.ai-Logo in der Ecke. Das reicht, um zu prüfen, wie Ihr Foto und Ihre Stimme wirken, bevor Sie für ein langes Video zahlen.

Wie lange dauert die Erstellung eines langen Videos?

Ungefähr so lange wie das Audio selbst, bei Pro etwa doppelt so lange, dazu bis zu zwei Minuten, bis der Renderer startet. Eine einstündige Folge ist in etwa einer Stunde fertig. Sie müssen die Seite nicht offen lassen; wir schicken Ihnen per E-Mail einen Link, sobald es fertig ist.

Was bewegt sich im Video?

Das Gesicht: Lippen, Kiefer, Augen, Brauen und kleine Kopfbewegungen, passend zur Sprache. Schultern, Hände und Hintergrund bleiben wie auf dem Foto. Wenn Sie einen Sprecher brauchen, der mit den Händen gestikuliert, ist dies nicht das richtige Tool; solche Modelle kosten pro Minute etwa das Zehn- bis Fünfzigfache.

Funktioniert es mit zwei Sprechern, etwa bei einer Audio-Zusammenfassung von NotebookLM?

Es wird ein Gesicht pro Video animiert, bei einer Aufnahme mit zwei Moderatoren landen also beide Stimmen auf demselben Gesicht. Am besten funktioniert es mit einem Sprecher. Für eine Sendung mit zwei Moderatoren trennen Sie das Audio nach Sprecher, rendern jeden mit einem eigenen Foto und schneiden beides in Ihrem Schnittprogramm zusammen.

In welchen Sprachen funktioniert es?

In jeder Sprache, auch auf Deutsch. Die Lippen folgen dem Klang des Audios, das Sie hochladen, nicht einer Liste unterstützter Sprachen. Die eingebauten Stimmen für getippten Text decken 10 Sprachen ab: Englisch, Arabisch, Hindi, Urdu, Französisch, Spanisch, Portugiesisch, Italienisch, Russisch und Türkisch. Deutsch ist noch nicht dabei.

Kann ich einen Text tippen, statt Audio hochzuladen?

Ja, für kürzere Videos, aber noch nicht auf Deutsch. Tippen oder fügen Sie bis zu 5.000 Zeichen ein (etwa fünf Minuten Sprache), wählen Sie eine der 22 eingebauten Stimmen in 10 Sprachen und hören Sie sie sich vorher mit Anhören an. Für alles Längere und für deutsche Videos laden Sie das Audio als Datei hoch.

Gibt es eine API?

Ja, zu denselben Preisen. Senden Sie eine Foto-URL und eine Audio-URL, Sie erhalten eine Job-ID und einen signierten Webhook, sobald das MP4 fertig ist. Siehe stork.ai/developers/talking-photo-api.

Wessen Foto darf ich verwenden?

Ihr eigenes Gesicht oder das einer Person, die es Ihnen erlaubt hat. Sie dürfen es nicht nutzen, um jemanden zu täuschen, sich als jemand anderes auszugeben oder jemanden zu belästigen. Bitte weisen Sie Zuschauer überall, wo Sie das Video veröffentlichen, darauf hin, dass es KI-generiert ist.

Was passiert mit meinem Audio und meinem Foto?

Wir verkaufen Ihre Uploads niemals. Wir bewahren Ihr Foto, Ihr Audio und Ihr Video auf und sichten und analysieren sie, auch mit KI-Diensten (zum Beispiel, indem wir das Audio transkribieren und das Foto beschreiben), um Stork zu betreiben und zu verbessern. Ihr Download-Link gilt 30 Tage bei Videos, die mit Credits erstellt wurden. Schreiben Sie an support@stork.ai, und wir löschen Ihre Dateien.