KI-Videogenerator mit Ton: welche Modelle, was es kostet

Stummes KI-Video ist nur die halbe Arbeit

Ein Teil der KI-Videomodelle liefert Clips ohne Ton. Auf dem stummgeschalteten Handy sieht das gut aus, aber zum Posten fehlen noch Stimme, Geräusche und Atmo. Jedes dieser Elemente musst du aufnehmen oder suchen und dann bildgenau unter das Video legen. Bei einer sprechenden Figur ist das der schwierigste Teil, weil die Lippen zu den Worten passen müssen.

Was sich ändert, wenn der Ton mit dem Bild entsteht

KI-Video mit Ton in einem Durchgang bedeutet: Das Modell erzeugt Bild und Tonspur gleichzeitig, also den Satz einer Figur, Schritte, Straßenlärm. Du bekommst eine einzige MP4-Datei, in der die Lippenbewegung von Anfang an zu den Worten passt. Es gibt keinen separaten Dubbing-Schritt und kein Verschieben von Spuren auf einer Timeline.

Update vom 13.10.2026: Dieser Beitrag handelte früher von Veo 3.1. Fattly bietet das Modell nicht mehr an, weil der Anbieter, über den wir es bereitgestellt haben, seinen Zugang zu Veo 3.1 am 22.10.2026 abschaltet. Veo 3.1 selbst bleibt ein Google-Modell und ist in Google-Produkten weiter verfügbar. Als Nachfolger nennt Google Gemini Omni 1.1 Flash, das du in Fattly als Gemini Omni Flash 1.1 findest. Alles Weitere beschreibt nur, was bei uns heute funktioniert.

Welche Modelle in Fattly erzeugen Video mit Ton?

Im Videogenerator wählst du aus 13 Modellen. Den Ton zusammen mit dem Bild erzeugen Gemini Omni Flash 1.1, Seedance 2.5 und Kling 3.0 Pro. Alle drei arbeiten mit einem Text-Prompt oder mit einem Startbild.

Bei den übrigen Modellen der Liste versprechen wir keinen Ton. Wenn dir die Tonspur wichtig ist, nimm eines der ersten drei aus der Tabelle. Was ein Clip genau kostet, steht auf dem Button „Video erstellen“, bevor du klickst.

Wie machst du ein Video mit Ton, Schritt für Schritt?

• Beschreibe die Szene in ein bis drei Sätzen: wer, wo, was passiert und was man hört. Du kannst auf Deutsch schreiben, denn wir übersetzen die Beschreibung ins Englische, bevor sie ans Modell geht.
• Setze den Satz, den eine Figur sagen soll, in Anführungszeichen. Nimm dafür die geraden Anführungszeichen von der Tastatur oder «…» wie im Beispiel unten. Text in Anführungszeichen wird nicht übersetzt und kommt Wort für Wort beim Modell an.
• Wähle Modell und Länge, stelle das Seitenverhältnis ein (16:9 oder 9:16) und klicke auf „Video erstellen“. Ein Clip ist meist nach 1–3 Minuten fertig.

Ein Prompt zum Kopieren: Eine Frau im grünen Pullover sitzt an einem Cafétisch und sagt in die Kamera: «Drei Monate habe ich nach so einem Kaffee gesucht.» Im Hintergrund leises Stimmengewirr und klirrende Tassen. Statische Kamera, warmes Licht.

Nur eine grobe Idee? Der Button „Prompt verbessern“ macht aus ein paar Wörtern kostenlos eine vollständige Szenenbeschreibung. Wenn die Generierung fehlschlägt oder die Moderation das Ergebnis blockiert, bekommst du die Credits automatisch zurück.

Kann das Video auch Deutsch sprechen?

Das versprechen wir noch nicht. Kling 3.0 erzeugt Sprache auf Englisch und Chinesisch und überträgt Sätze in anderen Sprachen ins Englische, fällt für deutsche Dialoge also weg. Bleiben Gemini Omni Flash 1.1 und Seedance 2.5. Eine ausdrückliche Empfehlung geben wir bisher nur für eine weitere Sprache: Polnisch auf Gemini Omni Flash 1.1, nach unseren Tests vom Oktober 2026. Deutsch ist im Feld „Sprache“ als Beta markiert.

Wenn du Deutsch brauchst: Schreib den Satz in Anführungszeichen, erzeuge einen einzelnen Clip mit Gemini Omni Flash 1.1 (144 Credits für 8 s) und hör genau hin, bevor du eine Serie planst. Soll in jedem Clip dieselbe Stimme sprechen, ist ein separates KI-Voiceover berechenbarer, das du im Schnitt unter das Video legst.

Was kostet KI-Video mit Ton?

Du zahlst Credits pro Clip. Kling 3.0 Pro kostet 80 Credits für 5 s und 160 für 10 s. Gemini Omni Flash 1.1 kostet immer 144 Credits für 8 s. Seedance 2.5 ist am teuersten: 300 Credits für 5 s, 600 für 10 s und 1800 für die vollen 30 s.

Ehrlich zu den Gratis-Credits: Zum Start bekommst du 10 Credits ohne Karte, und die reichen für keinen Videoclip. Der günstigste stumme Clip (LTX-2, 6 s) kostet 30 Credits, ein Clip mit Ton 80. Für 10 Credits kannst du aber ein Startbild im Bildgenerator vorbereiten (ab 1 Credit). Das kleinste Paket hat 150 Credits: genug für einen Clip mit Gemini Omni Flash 1.1 oder für einen 5-Sekunden-Clip mit Kling 3.0 Pro plus zwei Testclips mit LTX-2. Credits verfallen nicht, ein Monatsabo ist optional. Die aktuellen Paketpreise stehen auf der Preisseite.

Was kann KI-Video mit Ton noch nicht?

• Lange Formate. Gemini Omni Flash 1.1 macht immer 8 s, Kling 3.0 Pro 5 oder 10 s, Seedance 2.5 höchstens 30 s. Längere Videos schneidest du aus mehreren Clips zusammen.
• Lange Texte. In 8 Sekunden passt ein Satz, höchstens zwei kurze. Längere Texte verteilst du auf mehrere Clips.
• Stimmenauswahl. Im Videogenerator gibt es keine Stimmenliste und keine getrennten Einstellungen für Musik und Effekte. Du beschreibst den Klang im Prompt, das Modell wählt ihn selbst, und dieselbe Figur kann im nächsten Clip anders klingen.
• Stille auf Wunsch. Die Modelle mit Ton haben keinen Schalter, um ihn abzustellen. Für einen stummen Clip nimmst du LTX-2 oder LTX-2.5.
• Weitere empfohlene Sprachen. Außer Englisch (Kling 3.0 Pro) und Polnisch (Gemini Omni Flash 1.1) empfehlen wir für Deutsch, Spanisch und Französisch noch kein Modell.
• Hohe Auflösung bei jedem Modell. Gemini Omni Flash 1.1 und Seedance 2.5 erzeugen bei uns Clips in 720p.

Wann ist ein stummer Clip die bessere Wahl?

Wenn du ohnehin Musik oder ein eigenes Voiceover unterlegst: ein Loop für einen Post, ein animiertes Produktfoto, ein Hintergrund für Untertitel. LTX-2 kostet dann 30 Credits für 6 s, und du testest damit die Bewegung, bevor du mehr für ein Modell mit Ton ausgibst. Wie du ein Foto animierst, steht im Ratgeber Foto animieren mit KI, und Tools vom ganzen Markt vergleichen wir im Beitrag bester KI-Videogenerator.