Typecast erklärt: Eine Stimmenbibliothek mit über 700 Sprechern in mehr als 35 Sprachen, bei der die Steuerung von Emotionen im Mittelpunkt steht. Der Test zeigt, wo die Stärken liegen, was der Gratis-Tarif erlaubt und für wen sich ein Abo rechnet.
Was Typecast ist
Typecast ist ein Werkzeug, das geschriebenen Text in gesprochene Sprache verwandelt, und zwar mit einer Betonung auf Ausdruck. Der Anbieter aus Korea richtet sich an Kreative, Videomacher und Teams, die Sprachaufnahmen brauchen, ohne selbst ins Mikrofon zu sprechen. Die Bibliothek umfasst über 700 Stimmen in mehr als 35 Sprachen.
Der Unterschied zu den meisten Konkurrenten liegt nicht in der schieren Masse, sondern in der Steuerung. Während andere Werkzeuge vor allem die Wahl der Stimme und das Tempo anbieten, geht Typecast tiefer in die Klangfarbe hinein: Man sagt dem System, wie eine Stelle klingen soll, und es passt die Betonung entsprechend an.
Nicht mehr Lautstärke, sondern mehr Kontrolle.
Für diesen Test habe ich drei Wochen mit der Plattform gearbeitet, zwei deutsche Werbeskripte, eine englische Erzählpassage und eine Reihe kurzer Ansagen für ein Erklärvideo vertont.
Stimmen und Emotionen
Die Auswahl an Stimmen ist groß und nach Anwendungsfall sortiert. Es gibt Sprecher für Werbung, Hörbücher, kurze Videoclips und Figuren. Wer für Social Media produziert, findet schnell eine Stimme, die lebhaft genug ist, ohne künstlich zu wirken, und wer eine ruhige Erzählstimme für ein Hörbuch braucht, wird in derselben Bibliothek fündig, weil die Kategorien sich überschneiden und nicht gegeneinander abschotten. Die deutsche Abteilung ist gut bestückt, auch wenn sie nicht die größte im Angebot ist.
Der eigentliche Vorzug liegt bei den Emotionen. In den höheren Tarifen lässt sich eine Passage etwa als ruhig, freudig oder nachdenklich markieren, und das System passt Tonhöhe und Tempo an. Für ein Werbeskript ist das wertvoll, weil derselbe Satz anders wirken soll, je nach Zielgruppe. Die Steuerung funktioniert über eine einfache Voreinstellung, die man in den Text einbaut, ohne sich mit Tonhöhenwerten beschäftigen zu müssen.
Was gut gelingt, ist der Wechsel innerhalb eines Absatzes. Eine Frage kann fragend klingen, die Antwort darauf sachlich, und der Übergang wirkt flüssig. In meinen Tests war das der Teil, der die Vertonung von einer reinen Vorlesung abhob.
Ein Beispiel gefällig? Ein Satz wie „Das können Sie auch anders sehen“ klang spöttisch, sobald ich ihn als lebhaft markierte, und sachlich, sobald ich die Vorgabe auf ruhig stellte.
Im Arbeitsablauf
Die Bedienung ist auf Nicht-Techniker ausgelegt. Man öffnet ein Projekt, fügt den Text ein, wählt eine Stimme und markiert Stellen mit Vorgaben. Die Vorschau läuft flüssig, ohne Wartezeit nach jeder Änderung.
Kein Einarbeiten nötig.
Die Aufteilung in Projekte hilft, wenn mehrere Sprecher in einem Stück vorkommen. Für ein Hörspiel oder ein Erklärvideo mit Gespräch ist das praktisch, weil man die Rollen sauber trennt statt mit einer Stimme alles zu lesen.
Ein Sprecher, eine Rolle.
Ein zweiter Bereich kümmert sich um Video. Man kann eine Tonspur mit einem Standbild oder einem Avatar verbinden und eine fertige Videodatei exportieren. Das ist ein Zusatz, kein Kern, aber für kurze Werbeclips spart es einen separaten Schnitt.
Was kostet und was gratis bleibt
Erzeugen und Anhören ist in jedem Tarif kostenlos, auch im Gratis-Tarif. Bezahlt wird erst beim Herunterladen. Das ist ein anderes Modell als bei den meisten Konkurrenten, die schon beim Erzeugen ein Kontingent verbrauchen, und es lädt zum Ausprobieren ein.
Die Gratisstufe bringt 3.000 Guthaben, umgerechnet rund fünf Minuten Audio, und beschränkt den Export auf Teststimmen. Wer eine bestimmte Stimme braucht, landet schnell in einem Bezahltarif. Zusätzlich verlangt der Anbieter im Gratis-Tarif eine Nennung des Werkzeugs bei veröffentlichtem Material. Das ist ein Punkt, den man vor der Nutzung für ein Kundenprojekt kennen sollte.
Die Bezahltarife staffeln sich nach Download-Menge. Basic kostet 5 US-Dollar im Monat und öffnet alle Stimmen, Plus 19 US-Dollar ergänzt die Temposteuerung, Pro 29 US-Dollar bringt die Emotionssteuerung, und Business 69 US-Dollar bietet Platz für Teams. Der Sprung von Basic auf Pro ist der entscheidende: Nur in Pro und darüber lassen sich die Emotionen wirklich nutzen, und genau das ist der Grund, weshalb man Typecast wählt, denn ohne die Emotionssteuerung verliert das Werkzeug sein wichtigstes Unterscheidungsmerkmal.
Typecast gegen ElevenLabs und die Systemstimmen
ElevenLabs ist der bekannteste Name in diesem Feld und bietet die größte Stimmenauswahl sowie sehr natürliche Ergebnisse. Sein Schwerpunkt liegt auf Klonqualität und sprachlicher Vielfalt, die Emotionssteuerung ist feiner über Parameter zugänglich, aber für Laien sperriger.
Die Stimmen, die in Betriebssystemen und gängigen Schnittprogrammen eingebaut sind, sind der kostenlose Ausgangspunkt. Sie reichen für einfache Ansagen, klingen aber bei längeren Passagen schnell gleichförmig.
Die Aufteilung ist klar: Wer die einfachste Bedienung mit direkter Emotionssteuerung sucht, ist bei Typecast gut aufgehoben. Wer die beste Klonqualität und die größte Sprachvielfalt braucht, greift zu ElevenLabs. Wer nur eine kurze Ansage braucht, bleibt bei den Systemstimmen.
Datenschutz und Rechte
Wer eine eigene Stimme klont, hinterlegt eine Kopie davon beim Anbieter. Vor dem Einsatz in einem Kundenprojekt sollte man die Bedingungen zur Nutzung und zur Aufbewahrung prüfen. Für Agenturen mit vertraulichen Skripten ist das kein Nebenaspekt.
Für wen Typecast passt
Typecast passt zu Erklärvideomachern, Werbetreibenden und kleinen Teams, die regelmäßig Sprachaufnahmen brauchen und Wert auf die Klangfarbe legen. Die direkte Emotionssteuerung und die kostenlose Vorschau sind die Argumente für die Plattform.
Weniger geeignet ist es für alle, die nur gelegentlich eine kurze Ansage brauchen, und für Nutzer, die die größte Stimmenvielfalt über alles stellen. Auch wer keine Nennung im Video dulden will, sollte gleich zu einem Bezahltarif greifen.
Vertonen Sie ein echtes Skript, das Ihnen wichtig ist, und vergleichen Sie eine ruhige mit einer lebhaften Passage. Der Unterschied zwischen den beiden sagt mehr als jede Funktionsliste.






