Ein Podcast mit zwei Stimmen beginnt mit einem Gespräch, dem man gern zuhört. Schreiben Sie den Artikel als Dialog um, weisen Sie jeder sprechenden Person eine feste Stimme zu und erzeugen und schneiden Sie anschließend die einzelnen Beiträge. MiniMax Speech 2.8 übernimmt die Sprachsynthese. Drehbuch, Reihenfolge und Musikmischung sind eigene Produktionsschritte.
Ein aktuelles Beispiel ist Overhear, ein beim MiniMaxathon ausgezeichnetes Projekt, das ein Veranstaltungsbericht vom 21. September vorstellt. Das öffentliche Repository beschreibt einen Ablauf vom Artikel zum Dialog: Speech 2.8 erzeugt einzelne Sätze; die Titelmusik entsteht separat. Wir haben Bericht und Repository geprüft, die Anwendung aber weder ausgeführt noch angehört. Das Beispiel zeigt einen möglichen Arbeitsablauf. Es belegt nicht, dass eine einzige Sprachanfrage eine fertige Podcastfolge erzeugt. ,
MiniMax Speech 2.8: Podcast mit zwei Stimmen: Redaktionelle Ablaufgrafik, kein getestetes Modellergebnis
Zwei unterschiedliche Beiträge zum Gespräch planen
Wählen Sie eine Frage, die die Folge beantworten soll. Person A erklärt den Kerngedanken. Person B stellt Fragen, die auch Zuhörende haben könnten, oder führt ein hilfreiches Beispiel ein. Die beiden müssen sich nicht nach jedem Satz abwechseln.
Für einen Artikel über Videobudgets könnte ein noch nicht vertontes Skript so aussehen:
A: Der Preis der Generierung ist nur ein Teil des Budgets.
B: Warum sollten wir Geld für weitere Versuche einplanen, wenn schon der erste Clip passen könnte?
A: Auch eine erfolgreiche Generierung muss die Anforderungen erfüllen. Vielleicht müssen wir das Aussehen des Produkts korrigieren oder die Einstellung ändern.
Lesen Sie den Dialog vor der Generierung laut vor. Streichen Sie Passagen, in denen die zweite Person lediglich zustimmt oder bereits Gesagtes wiederholt.
Vor der Sprachsynthese einen Produktionsplan erstellen
Prüfen Sie den Ablauf zunächst mit einem kurzen Pilotprojekt, bevor Sie den gesamten Artikel umsetzen. Die folgenden Sätze wurden noch nicht vertont. Tragen Sie die tatsächlichen Laufzeiten erst nach dem Anhören der erzeugten Dateien ein.
Reihenfolge: 01 · Person und Aufgabe: A stellt die Frage vor · Beispielsatz: Wo sollte die Planung eines Videobudgets beginnen? · Prüfung bei der Generierung: Stimme A beibehalten und prüfen, ob die Frage verständlich ist
Reihenfolge: 02 · Person und Aufgabe: B benennt die bisherige Annahme · Beispielsatz: Früher habe ich nur auf den Preis einer einzelnen Generierung geschaut. · Prüfung bei der Generierung: Stimme B beibehalten und prüfen, ob beide Stimmen klar unterscheidbar sind
Reihenfolge: 03 · Person und Aufgabe: A erläutert die Methode · Beispielsatz: Zählen Sie jeden Versuch und messen Sie dann das Material, das Sie tatsächlich verwenden. · Prüfung bei der Generierung: Die Einstellungen von A wiederverwenden und die Aussprache der Fachbegriffe prüfen
Reihenfolge: 04 · Person und Aufgabe: B schlägt einen nächsten Schritt vor · Beispielsatz: Für die ersten beiden Einstellungen plane ich jeweils ein Budget für Überarbeitungen ein. · Prüfung bei der Generierung: Übergang und Abschluss prüfen, anschließend die Pause im Schnitt anpassen
Dokumentieren Sie für jeden Satz die Quellpassage, Stimmen-ID, Qualitätsstufe, Emotionseinstellung, Aufgaben-ID, den Dateinamen und den Abnahmestatus. Produktionshinweise gehören in separate Spalten, damit sie nicht versehentlich vorgelesen werden. Wenn Sie einen verworfenen Satz ersetzen, erhöhen auch diese erneut eingereichten Zeichen das Budget.
Erzeugen Sie zunächst zwei Beiträge pro Person. Sobald Stimmen und Tempo zusammenpassen, erweitern Sie die Folge. Bei sachlichen Inhalten sollte die zweite Person einen tatsächlich erklärungsbedürftigen Punkt hinterfragen, statt eine Gegenposition zu erfinden, die in der Quelle nicht vorkommt.
Die Stimme jeder Person konsistent halten
Beginnen Sie auf der Modellseite von MiniMax Speech 2.8. Wählen Sie zwei gut unterscheidbare Stimmen und notieren Sie Stimmenkennung, Geschwindigkeit, Lautstärke und Synthesemodus. Eine kurze Probe mit Aussagen, Fragen und Betonungen ist aussagekräftiger als eine Begrüßung.
Verwenden Sie dieselben Einstellungen, wenn Sie später einen Satz ersetzen. Für eine eigene Stimme müssen Sie den separaten Ablauf zur Stimmerstellung vor der Synthese abschließen. Das Hochladen einer Aufnahme bedeutet nicht, dass automatisch bei jeder Sprachanfrage eine Stimme erstellt wird.
Die Emotion passend zum Satz wählen
Halten Sie Erklärungen ruhig und ändern Sie die Emotion dort, wo es der Inhalt verlangt. Widersprüchliche Vorgaben innerhalb eines Satzes erschweren die Beurteilung des Ergebnisses.
Führen Sie eine Liste mit Person, Text, Stimme, Emotion und Dateiname. Namen wie episode01-A-001 und episode01-B-002 helfen, die Reihenfolge zu bewahren. Produktionshinweise und gesprochener Text bleiben getrennt.
Abschnitte erzeugen und anschließend zusammensetzen
Teilen Sie den Text an natürlichen Pausen und Sprecherwechseln. Prüfen Sie jeden Abschnitt auf fehlende Wörter, Aussprache und Betonung, bevor Sie ihn auf der Zeitleiste platzieren. Ersetzen Sie nur den Abschnitt, der korrigiert werden muss. Prüfen Sie danach seine Übergänge erneut, weil sich die Laufzeit ändern kann.
Die Speech 2.8 Docs erklären API-Modi und Felder. Im Browser können Sie im Modellarbeitsbereich beginnen und die Dateien in einem Audioeditor zusammenfügen. Ein API-Feld belegt nicht, dass die Website eine gleichnamige Schaltfläche anbietet.
Verständliche Sprache als Grundlage der Mischung
Gleichen Sie zunächst die wahrgenommene Lautstärke beider Stimmen an und fügen Sie erst danach Musik hinzu. Halten Sie die Musik während des Gesprächs leiser und prüfen Sie die Mischung sowohl mit Kopfhörern als auch über einen Telefonlautsprecher. Einleitung, Übergänge und Schluss bieten häufig mehr Raum für Musik als dichte Erklärungen.
Prüfen Sie vor der Budgetplanung APIXO Pricing. Die am 10. Oktober 2026 geprüfte öffentliche Preistabelle nennt $0.06 je 1.000 Zeichen für Speech Turbo und $0.10 für Speech HD. Bei angenommenen 5.000 erzeugten Zeichen kostet die Synthese somit etwa $0.30 beziehungsweise $0.50. Berücksichtigen Sie erneut generierte Texte. Die Erstellung eigener Stimmen und die Nutzung anderer Modelle verursachen separate Kosten.
API-Nutzungstarife; monatliche Studio-Credits sind separat.
Vor der Veröffentlichung
Zum Testen dieses Formats brauchen Sie keine geklonten Stimmen. Beginnen Sie mit vorhandenen Stimmen und einem kurzen Gespräch. Prüfen Sie Fakten, Satzreihenfolge, Pausen, Lautstärke und Musik. Wenn diese Probe funktioniert, erweitern Sie das Skript. Die Sprachsynthese bleibt ein einzelner Schritt in der Podcastproduktion.
Mit APIXO entwickeln
Entdecken Sie Bild-, Video- und Audiomodelle an einem zentralen Ort.
