Part 2 nimmt das Setup aus Part 1 und testet die eigentliche Frage: Kann ein kostenloser lokaler Stimmenklon an ElevenLabs herankommen?
Part 2 ist der eigentliche Voice-Cloning-Test. Lukas nimmt Referenzsamples live auf, jagt sie durch Voicebox und vergleicht das Ergebnis direkt mit seinem professionellen ElevenLabs-Klon.
Das stärkste Ergebnis kommt von Qwen. Im Test klingt Qwen deutlich näher an Lukas als Chatterbox Multilingual und hält sich besser über Englisch, Deutsch und Französisch. ElevenLabs wirkt weiterhin polierter, aber der Abstand ist kleiner als erwartet.
Das Video lässt die unsauberen Stellen drin: Whisper-Halluzination, falsche Spracheinstellung, langsame Effekte, Crash und ein Stories-Editor, der noch nicht überzeugt. Genau dadurch ist das Fazit brauchbar: starkes lokales Voice Cloning, aber noch keine rundum fertige Creator-Suite.
| Modell oder Schritt | Ergebnis | Urteil |
|---|---|---|
| Qwen 1.7B, Englisch | Kam meiner echten Stimme im Test am nächsten | Der Sieger. Dieses Modell würde ich behalten. |
| Chatterbox Multilingual, Englisch | Bei demselben Satz merklich schwächer als Qwen | Nützlich für Emotionskontrolle, nicht für den saubersten Klon. |
| Chatterbox Turbo | Versteht Laugh-Tags, wenn auf Turbo gestellt | Gut zu wissen, wenn du ausdrucksstarke Marker im Ergebnis willst. |
| ElevenLabs Professional-Klon | Insgesamt runder | Weiter vorn, aber der Abstand zum kostenlosen lokalen Klon ist kleiner als erwartet. |
| Qwen mit Referenz, Deutsch | Näher an meiner echten Stimme als das englische Ergebnis | Deutsch hält sich besser als erwartet. |
| Referenzaufnahmen | Vorbereitetes Skript schlägt freies Sprechen | Sauberes Audio zählt. Whisper halluzinierte bei einer unsauberen Aufnahme. |
| Effekte und Stories | Robotic-Effekte funktionieren, der Stories-Editor lud nicht | Noch rau. Hier zeigt die App ihren frühen Stand. |
Im Test kam Qwen in Voicebox überraschend nah an den ElevenLabs-Klon heran. ElevenLabs war weiter polierter, aber das kostenlose lokale Ergebnis war deutlich stärker als erwartet.
Für Lukas Stimme gewann Qwen klar gegen Chatterbox Multilingual und Chatterbox Turbo.
Das Qwen-Ergebnis hielt auf Deutsch gut mit. Gleichzeitig zeigt das Video Sprach- und Transkriptionsprobleme, deshalb muss der Workflow sauber geprüft werden.
Für Tests und einige praktische Fälle ist es vielversprechend, aber noch nicht komplett rund. Effekte waren langsam, die App stürzte einmal ab und der Stories-Editor überzeugte noch nicht.
Zusammenfassung aller Kapitel. Die Zeitmarken springen direkt an die passende Stelle im Video. Die deutsche Volltranskript-Fassung folgt, sobald die deutsche Untertitelspur bereinigt ist.
Das Video setzt den direkten Vergleich auf: eine lokal erzeugte Stimme aus Voicebox gegen einen professionellen ElevenLabs-Klon. Die Frage ist nicht theoretisch, sondern akustisch: Kommt der kostenlose lokale Ansatz nah genug ran?
Lukas nimmt eine neue Sprachprobe live auf und zeigt, warum ein vorbereitetes Skript besser funktioniert als spontanes Reden. Für Voice Cloning zählt sauberes, konsistentes Ausgangsmaterial.
Beim Transkribieren taucht eine Halluzination auf. Das ist ein wichtiger Reality-Check: Auch lokale Modelle können Dinge erfinden, wenn das Audio oder die Modellwahl nicht passt.
Das Video testet nicht nur Englisch, sondern auch Deutsch. Dabei geht es auch darum, automatische Übersetzungs- und Dubbing-Logik aus dem Weg zu räumen, damit wirklich die Stimme und nicht YouTube-Funktionen bewertet werden.
Die erste Ausgabe mit Qwen zeigt, dass Voicebox ernsthaft mithalten kann. Das Ergebnis klingt deutlich näher an Lukas als erwartet und bildet die Grundlage für den Vergleich mit Chatterbox und ElevenLabs.
Qwen und Chatterbox werden direkt gegenübergestellt. Für Lukas Stimme wirkt Qwen klar besser, während Chatterbox deutlich stärker danebenliegt.
Jetzt kommt der Kernvergleich: Der lokale Voicebox-Klon wird gegen den ElevenLabs-Klon gehört. ElevenLabs bleibt sehr stark, aber Voicebox ist nah genug dran, um als kostenlose Alternative spannend zu sein.
Der Test prüft, ob der Klon auch außerhalb von Englisch trägt. Gerade für mehrsprachige Creator ist das entscheidend, weil ein englisch guter Klon allein nicht reicht.
Chatterbox Turbo unterstützt Tags wie Lachen, aber für Lukas Stimme überzeugt das Ergebnis nicht. Qwen bleibt der klare Gewinner innerhalb von Voicebox.
Die Effekte zeigen Schwächen: Rendering dauert, und es gibt einen Crash. Das gehört ins Fazit, weil eine gute Stimme allein nicht reicht, wenn die App im Produktionsalltag hakelt.
Der Stories-Bereich wirkt im Test noch nicht stark genug für ernsthafte längere Produktionen. Für direkte Generierung und Tests ist Voicebox spannender als als kompletter Editor.
Das Fazit: Qwen ist überraschend gut, Voicebox aber noch nicht perfekt. Part 3 prüft anschließend die Diktat- und Transkriptionsseite als lokale Alternative zu Wispr Flow.
Ich arbeite 1:1 mit Selbstständigen, Beratern, Coaches und kleinen Teams an praktischen KI-Workflows für Content, Automatisierung und Alltag.
Kostenloses Erstgespräch buchen