Vozo

Vozo ist ein KI-Werkzeug für Videoübersetzung und Synchronisation in über 160 Sprachen. Im Verzeichnis stehen mit HeyGen, Synthesia, ElevenLabs und Descript bereits Tools, die Teile davon abdecken — Vozo grenzt sich vor allem über zwei Funktionen ab, die in dieser Kombination selten sind.

Die erste ist die Stimmklonung. Statt die übersetzte Tonspur mit einer generischen KI-Stimme zu belegen, überträgt VoiceREAL™ Klangfarbe, Intonation und Sprechtempo der Originalsprecher:innen in die Zielsprache — die Person klingt also weiterhin nach sich selbst, nur eben auf Spanisch oder Japanisch. Alternativ optimiert VoiceNATIVE™ auf maximal natürliche muttersprachliche Wirkung, wenn Verständlichkeit wichtiger ist als Wiedererkennbarkeit. Da Vozo Dialekte und regionale Varianten unterstützt, lassen sich Zielsprachen entsprechend feiner wählen — für den deutschsprachigen Raum etwa mit Blick auf regionale Klangfarben, wobei die konkrete Auswahl je Sprache variiert und man das für den eigenen Anwendungsfall prüfen sollte.

Die zweite Besonderheit ist Visual Translate: Vozo erkennt Text, der im Videobild eingeblendet ist — Folien, Beschriftungen, Grafik-Overlays —, entfernt ihn und setzt ihn übersetzt wieder ein, unter Erhalt von Layout, Stil und Animation. Genau dieser Schritt ist bei klassischen Dubbing-Werkzeugen der teure Rest, der manuell in einem Videoschnittprogramm nachgebaut werden muss. Für Schulungsvideos, Software-Demos und Präsentationsaufzeichnungen, die stark mit Bildschirmtext arbeiten, ist das der praktisch relevanteste Unterschied. Ergänzt wird das durch Lippensynchronisation (LipREAL™), die die übersetzte Sprache an die Mundbewegungen angleicht.

Rundherum gibt es die üblichen Bausteine: Untertitel-Generierung mit Import und Export als SRT, ASS und VTT, einen Editor zum Korrekturlesen, Glossare und Marken-Vorgaben in den größeren Tarifen sowie Team-Workspaces und eine API.

Das Preismodell arbeitet mit Punkten: Der Free-Tarif gibt 20 AI-Punkte (rund 6 Minuten Dubbing) für maximal drei Projekte und setzt ein Wasserzeichen. Creator (29 $/Monat) entfernt das Wasserzeichen und bringt 150 Punkte, Studio (99 $/Monat) 600 Punkte plus Bulk-Upload und Governance-Funktionen. Wichtig zu verstehen: Dubbing, Lipsync und Visual Translate verbrauchen die Punkte unterschiedlich schnell — 150 Punkte reichen für etwa 50 Minuten Dubbing, aber nur rund 15 Minuten Lipsync. Wer viel synchronisiert, sollte vorab durchrechnen.

Beim Datenschutz ist Nüchternheit angebracht. Die Website wirbt mit „GDPR compliant" und einem SOC-2-Type-II-Testat, was für Sicherheitsprozesse spricht. Betreiber ist laut Nutzungsbedingungen jedoch die Honeybee Technology Ltd, registriert in Delaware (USA), mit US-Recht und Gerichtsstand. Für die Verarbeitung heißt das: Videomaterial — und damit Stimmen und Gesichter identifizierbarer Personen — wird bei einem US-Anbieter verarbeitet. Das ist mit Auftragsverarbeitungsvertrag gangbar, aber kein EU-Setup; im Verzeichnis steht der Eintrag deshalb auf „bedingt".

Ein Punkt, der über den Datenschutz hinausgeht: Stimmklonung berührt Persönlichkeitsrechte. Wer die Stimme anderer Personen klont — Referent:innen, Kund:innen, Mitarbeitende —, braucht deren informierte Einwilligung; bei fremdem Material kommen zusätzlich Urheber- und Leistungsschutzrechte ins Spiel. Vozo liefert die Technik, die rechtliche Absicherung bleibt beim Anwender.

Empfohlen für Teams, die bestehende Videos in mehrere Märkte bringen wollen und dabei Wert darauf legen, dass die Originalstimme erhalten bleibt — besonders bei Kursen, Tutorials und Produktdemos mit viel Text im Bild, wo Visual Translate die manuelle Nachbearbeitung spart. Wer dagegen Videos mit synthetischen Avataren von Grund auf erzeugen will, ist bei Synthesia oder HeyGen besser aufgehoben; für reine Sprachsynthese ohne Video genügt ElevenLabs.