Die manuelle Nachbearbeitung von Sprachaufnahmen gehört zu den zeitaufwendigsten Aufgaben bei der Produktion von Podcasts, Hörbüchern und Voiceover-Projekten. Das manuelle Herausschneiden von Hunderten von „ähs“, „ähms“ und Füllwörtern in der Wellenform, das mühsame Vergrößern von Speichelklicks und Schmatzgeräuschen sowie das Glätten von verhaspelten Silben kann die Schnittzeit einer einstündigen Episode leicht verdreifachen.
Cleanvoice AI setzt genau an diesem Flaschenhals der Postproduktion an. Anders als reine Textschnitt-Tools (Speech-to-Text), die auf Transkriptionen basieren, analysiert Cleanvoice das Audiomaterial direkt auf akustischer Wellenform-Ebene. Dadurch erkennt und entfernt das System Füllwörter in über 20 Sprachen, eliminiert störende Mundklicks und Lippenschmatzen von empfindlichen Mikrofonen und schneidet Stotterer nahtlos heraus – während der natürliche Sprachrhythmus vollständig erhalten bleibt.
Dieser Leitfaden erklärt Schritt für Schritt, wie Podcaster, Sprecher und Videoproduzenten Cleanvoice einsetzen, welche Einstellungen für verschiedene Aufnahmeformate optimal sind und wie man zwischen schnellem Direktexport und professionellem DAW-Timeline-Export wählt.
1. Akustische Erkennung vs. Textschnitt: Warum Cleanvoice gründlicher arbeitet
Viele Creator kennen textbasierte Audio-Editoren, bei denen man Füllwörter wie in einem Textdokument löscht. Das funktioniert bei standardisierter, deutlicher Sprache gut, stößt in der Praxis jedoch schnell an Grenzen: Erstens scheitern Transkriptions-Engines häufig an regionalen Akzenten (wie australischem, irischem oder stark gefärbtem deutschen Englisch) oder an Nicht-Englisch-Sprachen. Zweitens werden stotternde Silben oder verwaschene Wortanfänge oft als normale Wortwiederholungen missverstanden, wodurch saubere Schnittpunkte fehlen. Drittens sind physische Mundgeräusche (Speichelklicks, Schmatzer) keine Worte und für reine Text-Engines unsichtbar.
Cleanvoice setzt daher auf eine direkte akustische Analyse:
- Mehrsprachige Füllworterkennung (Filler Words): Das Modell wurde auf den akustischen Frequenzen menschlicher Sprache trainiert. Es erkennt Fülllaute in über 20 Sprachen (darunter Deutsch, Englisch, Französisch, Spanisch, Portugiesisch, Italienisch, Niederländisch, Rumänisch, Polnisch, Türkisch und Arabisch). Auch regionale Dialekte und verwaschene Pausenlaute werden präzise erfasst, ohne benachbarte Konsonanten abzuschneiden.
- Entfernung von Mund- und Schmatzgeräuschen (Mouth Sounds): Empfindliche Kondensatormikrofone fangen kleinste Klicklaute von Speichel und Lippenöffnungen ein. Herkömmliche De-Click-Plugins (wie iZotope RX Mouth De-Click) verlangen für jede Stimme eine manuelle Kalibrierung von Schwellenwerten und Frequenzbändern. Cleanvoice scannt die gesamte Spur automatisch und entfernt diese Mikrostörgeräusche, ohne Transienten wie „t“ oder „k“ zu dämpfen.
- Korrektur von Stotterern und Verhasplern (Stutters & Hesitations): Wenn Sprecher vor Aufregung oder beim Nachdenken Silben wiederholen (z. B. „w-w-wir haben“), erkennt Cleanvoice die redundanten Signalmuster. Es schneidet die Wiederholungen heraus und fügt den Satz flüssig zusammen, lässt aber rhetorisch gewollte Pausen intakt.
2. Der Arbeitsablauf: Von der Rohaufnahme zum sauberen Master
Die browserbasierte Oberfläche von Cleanvoice ermöglicht eine Bearbeitung ohne tiefgehende tontechnische Vorkenntnisse:
Schritt 1: Audio- oder Videodateien hochladen
Im Cleanvoice-Dashboard werden die Rohdateien importiert:
- Unterstützte Formate: Alle gängigen Audiocontainer (WAV, MP3, M4A, FLAC, OGG, AAC) sowie Videoformate (MP4, MOV, WebM).
- Dateigrößen: Bis zu 3 GB pro Datei für registrierte Nutzer (1,5 GB für Gastnutzer) und bis zu 8 GB Gesamtvolumen bei Multitrack-Projekten.
- Multitrack-Verarbeitung: Bei Interviews mit getrennten Mikrofonspuren können bis zu 5 Spuren gleichzeitig hochgeladen werden. Cleanvoice bearbeitet die Spuren phasensynchron: Schnitte auf der Sprecherspur führen zu keinerlei Zeitversatz auf den Gästespuren.
Schritt 2: Filter- und Schnittparameter konfigurieren
Je nach Genre und gewünschtem Klangbild lassen sich die Module gezielt aktivieren:
| Parameter | Funktion | Empfohlener Einsatzbereich |
|---|---|---|
| Filler Words (Füllwörter) | Erkennt und schneidet verbale Pausenlaute („äh“, „ähm“, „halt“, „sozusagen“) in 20+ Sprachen | Solo-Podcasts, Erklärinhalte, gestraffte Interviews |
| Mouth Sounds (Mundgeräusche) | Entfernt feuchte Schmatzer, Speichelklicks und Zungengeräusche | Hörbücher, professionelles Voiceover, Nahbesprechungsmikrofone |
| Stutters (Stottern & Haspeln) | Schneidet unabsichtliche Silbenwiederholungen und Fehlstarts heraus | Spontane Gesprächsaufnahmen, Livetalks, lockere Interviews |
| Breath Removal (Atemgeräusche) | Reduziert oder eliminiert lautes Luftholen und Keuchen | Modus natural oder legacy empfohlen, um unnatürliche Totenstille zu vermeiden |
| Dead Air (Lange Pausen) | Kürzt überlange, zähe Sprechpausen | Empfohlen; Schwellenwert so wählen, dass der natürliche Denkfluss erhalten bleibt |
| Preserve Length (Länge beibehalten / Mute-Modus) | Ersetzt Fülllaute durch Raumton, ohne die Zeitlinie zu verkürzen | Zwingend für Videopodcasts (verhindert Jump Cuts) und externen DAW-Videoschnitt |
Schritt 3: Berechnung starten und per A/B-Vergleich prüfen
Die Bearbeitung einer 60-minütigen Podcast-Folge dauert in der Regel nur 5 bis 10 Minuten. Nach Abschluss liefert Cleanvoice eine präzise Statistik über die Anzahl entfernter Füllwörter, Mundklicks, korrigierter Stotterer und verkürzter Pausen.
Über den integrierten Webplayer lässt sich per A/B-Umschaltung direkt zwischen Vorher- und Nachher-Zustand hin- und herhören, bevor man Credits für den Export einsetzt.
3. Zwei Ausgabewege: Direkter Datei-Render vs. DAW-Timeline-Export
Ein wesentlicher Vorteil von Cleanvoice gegenüber reinen Automations-Tools liegt darin, dass Tonschaffende nicht auf ein starres, fertig gerendertes Ergebnis festgelegt sind:
Weg A: Direkter Render-Download (Maximale Geschwindigkeit)
Ideal für Einzelpodcaster, YouTube-Kanäle, Unternehmens-Webinare und enge Veröffentlichungszeitpläne:
- Audio-Export: Ausgabe in unkomprimiertem WAV, FLAC, 320 kbps MP3, AAC oder Opus.
- Integrierte Klangoptimierung: In einem Schritt können Füllwörter entfernt, Hintergrundrauschen per Noise v2 gesenkt und die Lautheit per Normalize v2 auf den Broadcast-Standard von -16 LUFS gebracht werden.
- Videosynchronität: Bei aktiviertem
Preserve Lengthfür MP4- oder MOV-Dateien werden störende Stellen stummgeschaltet, sodass Bild und Ton perfekt synchron bleiben und keine irritierenden Bildsprünge entstehen.
Weg B: Timeline- und Marker-Export (Professioneller Workflow in der DAW)
Für narrative Podcasts, kommerzielle Produktionen und anspruchsvolle Mischungen, bei denen Toningenieure die volle Kontrolle über jeden Schnitt behalten wollen:
- Adobe Audition & Premiere Pro: Export von XML-Projektdateien mit vorgeschnittenen Clips oder Timeline-Markern.
- DaVinci Resolve: Export von standardisierten EDL-Dateien (Edit Decision Lists) zur framegenauen Einbindung.
- REAPER: Generierung von REAPER-Projektdateien, bei denen an allen Schnittstellen bereits weiche Crossfades anliegen.
- Audacity: Export von Label-Spuren, die exakt visualisieren, wo Klicks und Füllwörter liegen.
Dieser Hybrid-Ansatz spart Stunden: Die KI markiert und schneidet hunderte Störstellen in Sekunden vor, während der Tonmensch mit wenigen Klicks entscheidet, ob ein emotional wichtiges Zögern erhalten bleiben soll.
4. Vergleich: Cleanvoice vs. herkömmliche Plugins und Text-Editoren
| Kriterium | Cleanvoice AI | Klassische Reparatur-Plugins (z. B. iZotope RX) | Textbasierte Editoren (z. B. Descript) |
|---|---|---|---|
| Erkennungsmethode | Auf Stimmakustik trainiertes KI-Modell | Spektrale Schwellenwert-Algorithmen | Spracherkennung (ASR) via Textabgleich |
| Mehrsprachige Füllwörter | Nativ in 20+ Sprachen auf akustischer Basis | Nicht vorhanden (muss manuell geschnitten werden) | Stark abhängig vom Transkript; fehleranfällig bei Dialekten |
| Mund- und Speichelklicks | Automatische Bereinigung der ganzen Spur in Minuten | Sehr wirksam, aber zeitaufwendige manuelle Kalibrierung | Nicht unterstützt (physische Laute haben keinen Text) |
| Stotter-Entfernung | Erkennt Silbenschleifen und glättet Übergänge | Erfordert manuelles Zoomen und Crossfaden | Verwechselt Stottern oft mit regulären Wortwiederholungen |
| DAW-Timeline-Export | Nativer Export nach Audition, Resolve, REAPER, Audacity | Läuft direkt als VST/AU im DAW-Kanal | Erfordert proprietäre Projekt-Workflows |
| Multitrack-Synchronität | Bis zu 5 Spuren phasensynchron verknüpft | Erfordert manuelle Spurgruppierung in der DAW | Rudimentäre textbasierte Mehrspur-Angleichung |
5. Praxistipps für ein natürliches, unverfälschtes Klangbild
Damit die bearbeitete Stimme natürlich und lebendig klingt, sollten folgende Regeln beachtet werden:
- Vorsicht vor „Überbereinigung“: Wer jedes Atemholen und jede Denkpause radikal eliminiert, lässt den Sprecher gehetzt und roboterhaft wirken. Nutzen Sie bei der Atembereinigung die Modi
naturaloderlegacy, um der Stimme ihren menschlichen Charakter zu lassen. - „Preserve Length“ für Video- und DAW-Mixe nutzen: Wenn der Ton später mit Videomaterial kombiniert oder in einer DAW zu Musik gemischt wird, aktivieren Sie immer
Preserve Length(API-Parameter:muted: true). Dadurch bleibt die Gesamtlänge unberührt. - Akustische Vorbeugung: Obwohl die Mundklick-Erkennung hervorragend arbeitet, können bei extrem trockenem Mund und starkem Nahbesprechungseffekt Artefakte an Vokalen entstehen. Ein Glas lauwarmes Wasser vor der Aufnahme und ein Abstand von 10–15 cm mit Poppschutz entlasten den Algorithmus spürbar.
- 7-tägige Speicherfrist beachten: Cleanvoice speichert hochgeladene und berechnete Dateien 7 Tage lang auf gesicherten Servern, bevor sie unwiderruflich gelöscht werden. Exporte und Timeline-Dateien sollten innerhalb dieser Frist gesichert werden.
6. Preis- und Tarifmodelle im Überblick
Cleanvoice rechnet nach verarbeiteten Audiostunden ab und eignet sich für Gelegenheitsnutzer ebenso wie für Produktionsfirmen:
- Kostenlose Testphase: 30 Freiminuten direkt nach der Registrierung, keine Kreditkarte erforderlich.
- Prepaid-Stundenpakete (Gültigkeit: 2 Jahre):
- 5 Stunden: 11 $ (2,20 $ / Stunde)
- 10 Stunden: 20 $ (2,00 $ / Stunde)
- 30 Stunden: 45 $ (1,50 $ / Stunde)
- Großpakete bis zu 200 Stunden (180 €).
- Monats-Abonnements (Mit Übertrag ungenutzter Stunden):
- Tarife ab 10 € / Monat.
- Beliebtes 30-Stunden-Paket für 28 $ / Monat.
- Ungenutzte Monatskontingente verfallen nicht sofort, sondern können bis zum 3-fachen des monatlichen Kontingents in Folgemonate mitgenommen werden.
- Entwickler-REST-API und SDKs: Offizielle Pakete für Python (
cleanvoice-sdk) und JavaScript/TypeScript (@cleanvoice/cleanvoice-sdk) ermöglichen die nahtlose Einbindung in Automationsplattformen (Make, n8n) oder eigene Video-SaaS-Tools.
Cleanvoice schließt die Lücke zwischen zäher manueller Wellenform-Pfriemelei und unflexiblem Textschnitt. Durch den Fokus auf echte Sprachakustik spart das Tool Stunden repetitiver Routinearbeit und lässt Creatorn den Freiraum für erstklassige Inhalte und lebendige Moderation.
Referenzen
- Cleanvoice AI | Edit Audio & Video Podcast in 10 Mins, in Clicks
- Cleanvoice AI Marketing & Feature Overview (llms.txt)
- AI Filler Word Remover: Cut the Ums & Uhs | Cleanvoice AI
- Mouth Noise Remover: Clicks & Lip Smacks | Cleanvoice AI
- Stutter Remover — Fluent Audio with AI | Cleanvoice AI
- Cleanvoice AI API & Developer Documentation (llms.txt)
- Pricing — Start Free, Plans from €10/month | Cleanvoice AI