Verwendete Produkte
Migriert vonWas passiert, wenn eine Stimme nicht amerikanisch klingt
HeyGens Kreative kommen aus aller Welt: Australien, Indien, Großbritannien, Südafrika, Singapur, Irland, Schottland, den Philippinen und der Karibik. Sie alle sprechen Englisch, aber sie klingen unterschiedlich.
Die bisher von HeyGen eingesetzte Text-to-Speech-Technologie erzeugte präzises amerikanisches Englisch und näherte alle anderen Akzente daran an. Die Prosodie wurde flacher, Vokale verloren ihre Eigenheiten. Der Akzent, an dem das Publikum einen Kreativen erkannte, klang plötzlich fast neutral amerikanisch. Dieses Muster zeigte sich bei einem Großteil des Marktes, und das hatte einen Grund: Modelle, die zuerst auf amerikanisches Englisch trainiert und später angepasst werden, liefern dort gute Ergebnisse, während ihre Qualität bei anderen Akzenten vorhersehbar abnimmt.
Das häufigste Anliegen im Support
Die Creator bemerkten es sofort. Die Akzentähnlichkeit wurde zum wiederkehrenden Beschwerdegrund: Ihre Stimmen klangen nicht mehr nach ihnen selbst. Besonders problematisch war, dass dies genau die Zielgruppe betraf, die HeyGen ausbauen wollte. Internationale Creator mussten ihre Stimmen über Sprachen und Akzente hinweg einsetzen können, ohne ihre wiedererkennbare Identität zu verlieren.
HeyGen prüfte den Markt anhand einer Frage
Die Bewertung war kein Funktionsvergleich. HeyGen fragte weder nach der niedrigsten Latenz noch nach dem ausdrucksstärksten Vortrag oder der längsten Sprachliste. Stattdessen stand eine viel einfachere Frage im Mittelpunkt: Klang die geklonte Stimme eines Creators noch nach ihm selbst?
Konkret prüfte HeyGen, ob das Modell den Akzent erhalten konnte, der eine Stimme erkennbar machte. Konnte ein britischer Creator seinen britischen Akzent behalten? Konnte eine Stimme zwischen Sprachen wechseln, ohne automatisch zu einer amerikanisierten Version ihrer selbst zu werden?
Das wurde zum Maßstab. Eine Stimme konnte schnell, ausdrucksstark und technisch beeindruckend sein. Wenn sich der Akzent änderte, bestand sie den Test nicht.
Fish ist ein fantastisches Sprachmodell, um die Stimmähnlichkeit bei sehr einzigartigen Stimmen zu maximieren.
John Wu
Leiter Audio Engineering, HeyGen
Ähnlichkeit war wichtiger als Latenz und Kosten
HeyGen entschied sich für Fish Audio, weil es dieses Kriterium am besten erfüllte. Geschwindigkeit und Preis waren wichtig, aber nicht ausschlaggebend. Sobald die Modelle die Leistungsanforderungen erfüllten, war die entscheidende Frage einfach: Welches lieferte über verschiedene Akzente hinweg die originalgetreueste Stimme?
Fish Audio bewahrte die Eigenschaften der ursprünglichen Stimme, statt sie an einen gemeinsamen Standard anzugleichen. Diese Konsistenz ermöglichte HeyGen, sein Sprachprodukt für mehr Creator und Märkte anzubieten, ohne Kompromisse beim Klang ihrer Stimmen zu verlangen.
Das Ergebnis war mehr als ein besseres Sprachmodell. Es beseitigte eine Hürde für die sprachübergreifende Nutzung von HeyGen und stärkte die Grundlage der globalen Creator-Strategie des Unternehmens.
Volles Produktionsvolumen ab der ersten Woche
HeyGen integrierte S2 Pro über die Cloud-API von Fish Audio. Jedes Video, das ein Creator mit einer Fish-Stimme veröffentlicht, läuft durch das Modell. Weder eine schrittweise Einführung noch eine Pilotgruppe waren erforderlich. Die Integration ging sofort im Produktionsmaßstab in Betrieb.
Das Ergebnis: Stimmen, die sich selbst treu bleiben
Seit der Migration zu Fish Audio hat HeyGen im Produktivbetrieb keine Probleme mit der Akzentähnlichkeit mehr erlebt. In Sprachtests entschieden sich Creator im Verhältnis 3:1 für Fish Audio gegenüber der Alternative.
Heute unterstützt Fish Audio die Spracherlebnisse der weltweiten HeyGen-Community und sorgt dafür, dass jede Stimme unverkennbar nach ihrem Creator klingt, wo immer er spricht.
