Gemini TTS Stimme: Eigene KI-Stimmen per Voice Remixing

Was passiert ist

Google hat am 4. November 2026 Voice Remixing für Gemini 3.8 TTS veröffentlicht. Du nimmst eine vorgefertigte oder selbst entworfene Stimme und beschreibst als Text, was sich ändern soll. Heraus kommt eine neue, gespeicherte Stimme mit eigener ID, die Ausgangsstimme bleibt unverändert.

Angekündigt hatte Google die Funktion im September beim Start der Modelle als „coming soon“. Erstellen kannst du die Stimme per API oder interaktiv in Google AI Studio. Sprechen lässt du sie danach mit Gemini 3.8 Flash TTS oder Flash-Lite TTS.

Wie erstellst du mit Voice Remixing eine KI-Stimme?

Der Ablauf hat laut Googles Anleitung vier Schritte:

1. Basisstimme wählen: Infrage kommen die 30 vorgefertigten Studiostimmen, Stimmen aus der Extended Voice Library und eigene designte oder bereits remixte Stimmen.
2. Änderung beschreiben: Du schreibst nur, was anders werden soll, nicht die komplette Figur.
3. Vorschau anhören: Du bekommst eine WAV-Probe mit 24 kHz.
4. Stimme nutzen: Die neue ID gibst du bei der Sprachausgabe an.

Eine Anweisung kann so aussehen (mein Beispiel, nicht aus Googles Doku):

Mach die Stimme etwas tiefer und ruhiger, mit mehr Wärme.
Sprich etwas langsamer. Sprache und Akzent bleiben gleich.

Ändern lassen sich Alter, Tonhöhe, Klangfarbe, Sprechtempo, Energie, Projektion und Akzent. Sprache und regionaler Akzent bleiben erhalten, solange du nichts anderes angibst. Deutsch steht in der Sprachtabelle beider Modelle, ob es in der Bibliothek deutsche Stimmen gibt, belegt die Seite nicht.

Google rät, bei mehreren Remixes hintereinander pro Schritt ein bis zwei Merkmale zu ändern. Remixing ist für dauerhafte Merkmale gedacht. Spontane Vorgaben wie „flüsternd“ oder „aufgeregt“ gehören in die Stil-Angabe bei der Sprachausgabe.

Was kostet eine eigene Gemini TTS Stimme?

Voice Remixing braucht ein kostenpflichtiges Projekt ab Paid Tier 1, obwohl die TTS-Modelle selbst ein kostenloses Kontingent haben. Für Tier 1 verknüpfst du ein Abrechnungskonto, die Hochstufung erfolgt in der Regel sofort.

Für die Sprachausgabe gelten diese Standardpreise (Stand: November 2026). Der Minutenpreis ist meine Rechnung aus Googles 25 Tokens pro Sekunde Audio und enthält keine Texteingabe:

Modell	Audio pro 1 Mio. Tokens, bis 31.12.2026	ab 01.01.2027	1 Minute Audio, bis 31.12.2026	ab 01.01.2027
Gemini 3.8 Flash TTS	9,00 $	18,00 $	0,0135 $	0,027 $
Gemini 3.8 Flash-Lite TTS	6,00 $	12,00 $	0,009 $	0,018 $

Dazu kommt die Texteingabe mit 0,50 $ pro 1 Mio. Tokens, ab 2027 mit 1,00 $. Batch und Flex kosten jeweils die Hälfte.

Für das Erstellen selbst nennt die Preisseite keinen Betrag. Die API liefert beim Anlegen aber Token-Statistiken zurück. Schau also nach den ersten Tests auf deine Abrechnung.

Was es für dich bedeutet

Wenn du für dein kleines Team eine wiedererkennbare Stimme suchst, musst du niemanden mehr ins Studio schicken. Anders als bei der Voice Replication brauchst du weder Referenz- noch Einwilligungsclip.

Erklärvideos: Hier passt Flash TTS, das Google für höchste Klangtreue einordnet. Drei Minuten Audio kosten nach der Tabelle oben rund 4 Cent plus Texteingabe (Stand: November 2026). Das Limit liegt bei 16.384 Tokens Ausgabe, rechnerisch also bei knapp elf Minuten. Längere Videos musst du aufteilen.

Telefonansagen: Die API kann optional A-law mit 8 kHz ausgeben, das Format, das Google für die europäische Telefonie nennt. Frag deinen Telefonanbieter, welches Format er erwartet.

Voice-Bots: Das geht, aber nicht mit der Stimme allein. Beide Modelle unterstützen die Live API nicht. Flash-Lite TTS ist laut Google für Voice-Agent-Ketten gedacht, also als letzter Baustein hinter Spracherkennung und Sprachmodell. Solche Ketten baut meist jemand mit Entwicklungserfahrung. Was so ein Bot überhaupt leisten soll, klärst du vorher am besten mit dem Ratgeber Was ist ein KI-Agent?. Eine Alternative aus Europa ist Mistral Voxtral 3 mit seinem Voice-Agent-SDK.

Wo sind die Grenzen?

• Kein Zweier-Dialog: Gemeinsame Generierung mit zwei Sprechern geht nur mit vorgefertigten Stimmen. Eigene Stimmen erzeugst du Sprecherwechsel für Sprecherwechsel einzeln.
• Begrenzter Speicher: Pro Projekt gibt es maximal 200 gespeicherte Stimmen.
• Ablauf: Eine Stimme bleibt ein Jahr ab letzter Nutzung gespeichert. Jede Sprachausgabe oder Nutzung als Basis setzt die Frist zurück.
• Keine Exklusivität belegt: Weder die Anleitung noch die Zusatzbedingungen regeln ausdrücklich Rechte an einer remixten Stimme. Geh nicht davon aus, dass sie nur dir gehört.
• Regionen offen: Die Remixing-Anleitung nennt keine Regionen. Bei der Stimmreplikation war AI Studio im September in EWR und Schweiz nicht verfügbar, die API laut Doku schon. Prüfe das in deinem eigenen Projekt.

Worauf musst du bei Kundenkontakt achten?

Die EU-Kommission schreibt, dass Menschen bei KI-Systemen wie Chatbots erfahren sollen, dass sie mit einer Maschine interagieren, und nennt für die Transparenzregeln August 2026 als Start. Bei einem Voice-Bot planst du am besten gleich einen Hinweis zu Beginn des Gesprächs ein.

Googles Nutzungsrichtlinie verbietet außerdem, Personen ohne Offenlegung nachzuahmen, um zu täuschen. Alle Clips der Gemini-Audiomodelle tragen ein SynthID-Wasserzeichen.

Bietest du eine eigene App oder einen Bot für Menschen im EWR, in der Schweiz oder in Großbritannien an, sind laut Googles Zusatzbedingungen nur Paid Services erlaubt. Dort nutzt Google Prompts und Antworten nicht zur Produktverbesserung. Welche Logs dabei trotzdem anfallen können, steht in meinem Artikel zum Speichern in der Gemini API.

Quellen

• Google: Changelog der Gemini API
• Google: Anleitung zu Voice Remixing
• Google: API-Referenz zur Voices API
• Google: Text-to-Speech-Dokumentation
• Google: Preise der Gemini API
• Google Blog: Gemini 3.8 text-to-speech says hello
• EU-Kommission: Rechtsrahmen für KI

Häufige Fragen

Brauche ich für eine eigene Gemini-Stimme eine Sprachaufnahme?

Nein. Beim Voice Remixing startest du mit einer vorhandenen Stimme und beschreibst die Änderung als Text. Eine Aufnahme und ein Einwilligungsclip sind nur bei der Voice Replication nötig, also beim Nachbilden einer echten Stimme.

Ist Voice Remixing kostenlos?

Nein. Die Funktion setzt laut Google ein kostenpflichtiges Projekt voraus. Das kostenlose Kontingent der TTS-Modelle reicht dafür nicht.

Kann ich mit Voice Remixing die Stimme einer bekannten Person nachbauen?

Lass das. Google verbietet in der Nutzungsrichtlinie, Personen ohne Offenlegung nachzuahmen, um zu täuschen. Für Werbung oder Kundenkontakt ist das ein unnötiges Risiko.

Funktioniert eine remixte Stimme auch auf Deutsch?

Deutsch steht in Googles Sprachtabelle für beide Modelle. Ob eine bestimmte Stimme auf Deutsch gut klingt, sagt die Dokumentation nicht. Prüfe das mit der Vorschau und einem eigenen Probetext.