Laden Sie einen Clip und die Sprachspur hoch. Die KI zeichnet den Mund für jedes Wort neu, für Dubs, neue Sätze und KI-Figuren.
Du erhältst eine MP4 mit der neuen Sprache und passenden Lippen. Die meisten kurzen Clips dauern 2–3 Minuten.
Einer unserer eigenen Tests, von Anfang bis Ende. Wechseln Sie mit Ton zwischen dem stummen Clip und dem lippensynchronen Ergebnis.
Der Satz, den er auf Englisch sagt: „Hi there. A minute ago this clip was silent. Now every word I say matches my lips.“

Das Foto einer Person, die es nicht gibt: Gesicht zur Kamera, Mund geschlossen, gleichmäßiges Licht.

Acht Sekunden Blinzeln und kleine Kopfbewegungen, mit Veo 3.1 Lite aus dem Foto generiert.

Die KI-Lippensynchronisation hat seinen Mund für jedes Wort neu gezeichnet. Der Rest des Bildes blieb, wie er war.
KI-Lippensynchronisation ist ein Tool, das die Mundbewegungen in einem Video so verändert, dass sie zu einer neuen Tonspur passen. Sie geben ihm Aufnahmen einer Person und die gewünschte Sprache, und es zeichnet Lippen, Kiefer und Zähne Frame für Frame neu, bis Worte und Mund übereinstimmen.
Sie erspart einen Neudreh. Eine synchronisierte Werbung, ein korrigierter Produktname oder eine KI-Figur, die eine Stimme braucht, bedeutete früher einen neuen Dreh oder Animation von Hand. Die KI-Lippensynchronisation erledigt das mit dem Clip, den Sie bereits haben.
Das Modell hört die Tonspur und zerlegt sie in Phoneme, die Laute der Sprache. Jeder Laut entspricht einer Mundform, einem sogenannten Visem: Lippen geschlossen bei M, weit offen bei A, rund bei O. Dann malt das Modell die untere Gesichtshälfte in jedem Frame neu, damit es diese Formen im richtigen Moment trifft, und fügt sie in Haut und Licht der Umgebung ein.
Bildausschnitt, Hintergrund, Licht, Kopfbewegung und der Rest des Gesichts bleiben, wie sie waren. Nur der Mundbereich wird neu gezeichnet.
Lippen, Zähne und Kiefer folgen der neuen Sprache, und die neue Tonspur ersetzt den Originalton des Clips.
Die gesamte KI-Lippensynchronisation läuft in Ihrem Browser. Keine Schnittsoftware und kein Plug-in.
Ziehen Sie eine MP4 oder MOV mit 2 bis 60 Sekunden in das Tool. Eine Person, die mit sichtbarem Mund in die Kamera blickt, liefert das beste Ergebnis.
Laden Sie Audio als MP3, WAV, M4A oder AAC bis 10 MB hoch. Nehmen Sie es mit dem Handy auf, exportieren Sie es aus einem Sprach-Tool oder nutzen Sie eine Synchronfassung.
Setzen Sie das Häkchen bei der Einwilligung und klicken Sie auf „Sync starten“. Die meisten kurzen Clips sind in zwei bis drei Minuten als MP4 fertig.
Die KI-Lippensynchronisation kann nur einen Mund neu zeichnen, den sie findet. Diese fünf Punkte entscheiden, ob sie einen findet.
Frontal oder leicht gedreht funktioniert am besten. Ein reines Seitenprofil verdeckt die halben Lippen.
Das Modell braucht beide Mundwinkel, um jede Form zu setzen.
Nutzen Sie für Nahaufnahmen mindestens 720p. Sehr kleine oder unscharfe Gesichter ergeben weiche, verschmierte Lippen.
Mehr Pixel um den Mund bedeuten mehr Details zum Neuzeichnen.
Halten Sie ein klares Gesicht im Bild. Bei mehreren Personen kann die Synchronisation die falsche treffen.
Das Tool steuert ein einziges Gesicht pro Clip.
Hände, Mikrofone, Masken und dichte Bärte vor den Lippen stören.
Alles, was den Mund verdeckt, wird schlecht oder gar nicht neu gezeichnet.
Schnelle Kopfdrehungen und flackerndes Licht machen es schwer, den Mund von Frame zu Frame zu verfolgen.
Bewegungsunschärfe verdeckt genau die Form, die das Modell verändern will.
Das Ergebnis behält die Länge Ihres Videos, und Sie zahlen für die Sekunden des Videos. So läuft es, wenn die beiden Dateien nicht gleich lang sind.
| Ihre Dateien | Was Sie erhalten | Tipp |
|---|---|---|
| Audio so lang wie das Video | Die Lippen bewegen sich im ganzen Clip | Der Idealfall für Synchronfassungen |
| Audio kürzer als das Video | Die Person hört auf zu sprechen, wenn das Audio endet | Kürzen Sie das Video vorher auf die Audiolänge und zahlen Sie für weniger Sekunden |
| Audio länger als das Video | Das Audio wird dort abgeschnitten, wo das Video endet | Sprechen Sie den Satz schneller oder nutzen Sie einen längeren Clip |
Das Tool zeigt beide Längen vor der Synchronisation an, sodass ein Unterschied nie überrascht.
Es gibt drei Wege zu einem Video, in dem jemand Ihre Worte sagt. Welcher passt, hängt davon ab, womit Sie beginnen.
Preis auf Imgveo
40 Credits für einen 5-Sekunden-Clip
Preis auf Imgveo
Ab 30 Credits für einen 8-Sekunden-Clip mit Ton
Die Preise stammen aus unserer aktuellen Preisliste. Die Zeile „Sprechendes Foto“ ist genau der Weg, den wir für das Beispiel oben genutzt haben.
Die KI-Lippensynchronisation ist der letzte Schritt einer Synchronfassung. Dieselben Aufnahmen können Spanisch, Japanisch oder Deutsch sprechen, ohne neuen Dreh.
Übersetzen Sie den Satz und lesen Sie ihn laut vor. Halten Sie ihn nah an der Originallänge.
Nehmen Sie einen Muttersprachler auf oder exportieren Sie den Satz aus einem Sprach-Tool als MP3 oder WAV.
Schneiden Sie Stille am Anfang und am Ende weg, damit die Sprache den Clip füllt.
Laden Sie das Originalvideo mit dem neuen Audio hoch. Wiederholen Sie das für jede Sprache.
Manche Sprachen brauchen für denselben Gedanken mehr Silben. Wird ein deutscher Satz zu lang, kürzen Sie lieber den Wortlaut, statt die Stimme zu beschleunigen, denn das klingt gehetzt. Die KI-Lippensynchronisation folgt jedem Tempo, das das Audio hat.
Überall, wo ein Gesicht auf dem Bildschirm etwas sagen soll, das es am Drehtag nicht gesagt hat.
Ändern Sie einen Preis, einen Produktnamen oder einen Call-to-Action, ohne den Moderator erneut zu buchen.
Bewahren Sie für spätere Änderungen einen sauberen Take auf, in dem der Moderator in die Linse blickt.
Veröffentlichen Sie ein Video in mehreren Sprachen, mit Mundbewegungen, die zu jeder passen.
Beginnen Sie mit dem wichtigsten Markt und prüfen Sie das Ergebnis, bevor Sie den Rest angehen.
Geben Sie einer generierten Figur eine Stimme und einen Dialogsatz, der zu Ihrer Geschichte passt.
Generieren Sie die Figur frontal zur Kamera mit geschlossenem Mund, wie in unserem Beispiel.
Tauschen Sie ein falsches Wort in einem Vortrag, einem Kurs oder einem Social-Clip aus, ohne neu zu drehen.
Schneiden Sie nur den Satz heraus, synchronisieren Sie ihn und fügen Sie ihn wieder in Ihren Schnitt ein.
Wir haben die Grenzen an unseren eigenen Clips getestet. Darauf können Sie sich einstellen.

Ist das Gesicht abgewandt, winzig oder durch Bewegung verschwommen, stoppt die Synchronisation, und Sie erhalten Ihre Credits zurück.
Pro Clip wird ein Gesicht synchronisiert. Schneiden Sie bei einem Gespräch jede sprechende Person in einen eigenen Clip.
Die KI-Lippensynchronisation passt den Mund an, nicht den Vortrag. Eine flache Aufnahme klingt weiterhin flach.
Was die KI-Lippensynchronisation annimmt, was sie liefert und was sie kostet.
Video: MP4 oder MOV, 2 bis 60 Sekunden, bis 100 MB, mindestens 360p. Audio: MP3, WAV, M4A oder AAC bis 10 MB.
Eine MP4 in der Länge des Videos, mit der neuen Sprache als Tonspur und dem Mund passend dazu.
8 Credits pro Sekunde Video, auf ganze Sekunden gerundet. Nur in kostenpflichtigen Plänen. Fehlgeschlagene Durchgänge werden erstattet.
| Videolänge | Credits |
|---|---|
| 5 s | 40 |
| 10 s | 80 |
| 30 s | 240 |
| 60 s | 480 |
KI-Lippensynchronisation kann jemandem Worte in den Mund legen, deshalb fragen wir zuerst nach der Erlaubnis. Vor jedem Durchgang bestätigen Sie, dass Sie das Recht haben, das Gesicht und die Stimme zu verwenden.
Mehr dazu: Ratgeber aus unserem Blog
Öffne Imgveo Studio, um dieses und jedes andere KI-Video- und Bildmodell aus einem Arbeitsbereich mit einem Credit-Guthaben zu nutzen.
Erst den Clip erstellen, dann ihm eine Stimme geben.
Machen Sie aus einem Porträt einen kurzen Clip, den Sie lippensynchronisieren können.
Foto animierenBringen Sie Ihren lippensynchronen Clip auf 1080p, 2K oder 4K.
Video hochskalierenGenerieren Sie neue Szenen mit eingebautem Dialog und Ton.
Veo 3.1 testenLaden Sie ein Porträt und eine Sprachaufnahme hoch, und Ihr sprechendes Foto mit KI ist in wenigen Minuten fertig.
Foto animierenLaden Sie einen Clip und die gewünschte Sprachaufnahme hoch, und die KI-Lippensynchronisation erledigt den Rest in wenigen Minuten.