Einen Clip auf LUVI in eine andere Sprache synchronisieren: vier Schritte und ihre Kosten

Transkribieren, neu schreiben, sprechen lassen, den Mund neu synchronisieren. Jeder Schritt ist ein eigenes Modell, und der letzte macht die Rechnung: Zwei Lipsync-Modelle lagen bei 130 und 2200 Credits für denselben Clip von zehn Sekunden.

Einen Clip in eine zweite Sprache zu bringen sind auf LUVI vier getrennte Arbeiten, und nur eine davon ist teuer. Du holst die Wörter heraus, schreibst sie neu, lässt sie sprechen und drückst die neue Stimme zurück auf den Mund. Am 22. September 2026 haben wir jeden Schritt an einem echten Clip von zehn Sekunden anbieten lassen: Transkription kam auf 4 Credits je Minute Audio, Sprache beginnt bei 30 Credits je tausend Zeichen, und die beiden Lipsync-Modelle lagen bei 130 und 2200 Credits für dieselben zehn Sekunden. Hier ist die Kette – und die Stelle, an der das Geld wirklich hingeht.

Schritt eins: die Wörter herausholen

Die Transkription ist das Günstigste in diesem Ablauf. Groks stt-v1 rechnet je Minute Audio mit 4 Credits ab, dreißig Sekunden Sprache zu transkribieren kostet also 2 Credits, Rundung eingeschlossen.

Das Transkriptionsmodell hört Audio, kein Video. Sein einziger Eingang nimmt nur eine Audiodatei an – du gibst ihm also nicht den Clip, sondern dessen Tonspur als MP3-, WAV-, OGG-, AAC- oder M4A-Datei.

Das Transkript landet als Textergebnis in deiner Bibliothek und nicht als Audiodatei. Das ist wissenswert, weil es sich anders verhält als alles andere, was du generierst: Transkripte sind bewusst von den Referenzauswahlen ausgenommen, denn ein Transkript ist nie eine Modelleingabe.

Schritt zwei: neu schreiben, nicht übersetzen

Dieser Schritt kostet nichts und wiegt am schwersten. Eine Synchronfassung ist keine Übersetzung mit derselben Wortzahl, sondern eine Neufassung, die in den Mund passen muss, auf dem sie sitzen wird. Zwei Bedingungen formen sie:

Länge. Die neue Zeile muss ungefähr so lange laufen wie die alte, sonst geht dem Lipsync-Modell entweder der Mund oder das Audio aus. Zähl Silben, nicht Wörter.
Betonung. Setz den Akzent dorthin, wo ihn das Gesicht ohnehin setzt. Gehen die Augenbrauen auf dem dritten Schlag hoch, braucht die neue Zeile dort etwas Betonenswertes.

Lies das Transkript, schreib die neue Zeile nach der Uhr, und geh erst dann weiter. An dieser Stelle wird eine Synchronfassung gewonnen oder verloren, und sie passiert vollständig außerhalb der Modelle.

Schritt drei: die neue Zeile sprechen lassen

Jedes Sprachmodell auf LUVI erledigt das, und die Spanne der Sätze ist groß: von 30 Credits je tausend Zeichen auf Grok Speech bis 300 auf der neuesten Gemini-Stufe, ElevenLabs v3 liegt bei 200. Dreißig Sekunden Sprache sind etwa 450 Zeichen, also rund 14 Credits auf dem günstigsten Modell und 90 auf ElevenLabs.

Bring die Stimme zuerst mit dem Gesicht in Einklang, dann mit deinem Geschmack. Ein Clip einer Frau Mitte sechzig braucht eine Stimme, die zu ihr gehören könnte; eine Stimme, die nach fünfundzwanzig klingt, kämpft gegen das Bild, so gut der Lipsync auch sein mag.

Schritt vier: die Stimme zurück auf den Mund legen

Dieser Schritt macht die Rechnung, und die beiden Modelle auf LUVI liegen mehr als eine Größenordnung auseinander. Am selben Clip von zehn Sekunden lag VEED Lipsync bei 130 Credits und Sync Lipsync v3 bei 2200. Das sind 13 Credits je Sekunde Video gegen 220.

Beide nehmen dieselben zwei Eingaben – ein Video und eine Audiodatei – und keines nimmt einen Prompt. Das Modell von VEED hat überhaupt keine Parameter, was es zum einfachsten Modell im ganzen Katalog macht.

Was kostet das Ganze?

Für einen Clip von dreißig Sekunden, mit der Rechnung von oben:

Transkribieren: 2 Credits
Neu schreiben: kostenlos
Sprechen lassen, auf dem günstigsten Modell: etwa 14 Credits
Lipsync auf VEED: 390 Credits

Das sind rund 406 Credits für einen synchronisierten Clip von dreißig Sekunden. Mit ElevenLabs als Stimme landet man bei etwa 482. Mit Sync Lipsync v3 statt VEED über 6600 – die Zahl, die man im Kopf haben sollte, wenn man entscheidet, ob gerade dieser Clip die zusätzliche Genauigkeit braucht.

Wie wir geprüft haben

Modelle: VEED Lipsync und Sync Lipsync v3, angeboten an einem echten Clip von zehn Sekunden; Grok stt-v1, Grok Speech tts-v1 und ElevenLabs v3 für die Sätze zu Transkription und Stimme.
Einstellungen: ein Clip mit 1280×720 und zehn Sekunden; Standardeinstellungen bei allen Modellen.
Datum und Gelesenes: 22. September 2026. Live-Angebote in Credits und die Parameterverträge der Modelle in LUVI.
Ergebnisse: 130 Credits auf VEED Lipsync und 2200 auf Sync Lipsync v3 für dieselben zehn Sekunden; 4 Credits je Minute für die Transkription; 30 und 200 Credits je tausend Zeichen für die beiden genannten Sprachmodelle. Die Summen für dreißig Sekunden oben sind Rechnungen aus diesen Sekunden- und Zeichensätzen, keine eigenen Angebote.
Offen geblieben: Für diesen Beitrag wurden keine Ausgaben generiert; er sagt also nichts darüber, welches Lipsync-Modell besser aussieht oder wie beide mit einer Sprache umgehen, deren Mundformen von der Originalsprache abweichen.

In LUVI

Lad den Clip und seine Tonspur als eigene Audiodatei hoch, lass die Transkription über die Audiodatei laufen und halte den Text daneben offen, während du die neue Zeile schreibst – die Bibliothek zeigt Textergebnisse direkt an. Erzeug danach die Stimme und gib dem Lipsync-Modell den Clip und das neue Audio als seine zwei Referenzen; wie man beides anhängt, steht auf der Seite wie nutze ich Referenzbilder, Videos und Audio. Bei mehreren Clips kannst du die Schritte im Workflow-Canvas einmal verdrahten und je Clip ausführen, statt alles von Hand zu wiederholen.

Neue Konten starten mit 200 Credits, und bestätigst du Telefon und Karte, kommen bis zu 1.500 dazu. Du kannst ein LUVI-Konto anlegen und die Kette an einem Clip testen, bevor du eine ganze Serie darauf setzt.