Zum Inhalt springen
CSuite
Funktionen · Audio

Stimme, Musik und Klang: alles in einem Bereich.

Lassen Sie ein Skript von einer natürlichen Stimme einsprechen, unterlegen Sie es mit generierter Musik und fügen Sie die Soundeffekte hinzu: drei Arten der Audiogenerierung in einem Arbeitsbereich, mit einem integrierten Wellenform-Editor für den Feinschliff. Derselbe Arbeitsbereich transkribiert außerdem eine Aufnahme oder die Tonspur eines Videos in Text und Untertitel. Cloud-Modelle laufen mit Ihren eigenen API-Schlüsseln, Sprachausgabe und Transkription können vollständig offline laufen, und die Bearbeitung läuft lokal auf Ihrem Computer.

Auswählen

Drei Arten von Klang, eine Auswahl.

Schalten Sie den Eingabebereich zwischen Sprache, Musik und Soundeffekten um. Die Modellauswahl zeigt nur, was den aktiven Typ unterstützt, und jede Kategorie behält ihr eigenes Standardmodell, Auto eingeschlossen. ElevenLabs für einen warmen Erzähler, Lyria für eine Filmmusik, SFX 1.5 für Foley-Geräusche: Ein API-Schlüssel pro Plattform (Runware, OpenRouter oder Replicate) schaltet sie alle frei, mit dem Schlüssel eines Herstellers wie OpenAI, Google oder ElevenLabs kommen dessen eigene Modelle hinzu, und Supertonic TTS spricht offline ganz ohne Schlüssel. Ein vierter Typ, „Transkribieren“, stellt die Auswahl auf Sprache-zu-Text-Modelle wie Whisper, GPT-4o Transcribe und Scribe v2 um.
Sprechen

Aus einem Skript wird ein Voiceover.

Fügen Sie das Skript ein, wählen Sie ein Modell und eine Stimme, und generieren Sie. Die Stimmen stammen aus dem Angebot des jeweiligen Modells, mit Reglern pro Stimme (Tempo, Stabilität, Ähnlichkeit) bei Modellen, die sie anbieten. Klicken Sie auf die Wiedergabetaste neben der Auswahl, um sich eine Stimme anzuhören, bevor Sie ihr ein ganzes Skript anvertrauen: Das erste Anhören kostet den Bruchteil eines Cents, und jedes weitere ist zwischengespeichert und kostenlos. Bei Modellen, die Klonen unterstützen, geben Sie stattdessen eine Stimmprobe und ein Transkript mit, und das Modell liest Ihr Skript mit dieser Stimme.Der Clip unter dem Mockup ist eine echte, unbearbeitete Generierung von ElevenLabs v3 aus CSuite. Spielen Sie ihn ab. Der Prompt in der Leiste ist genau das Skript, das gelesen wurde.
Echtes Ergebnis · ElevenLabs v3narration.mp3
0:00 / 0:10
Komponieren

Beschreiben Sie die Stimmung, und die Musik folgt.

Instrumentierung, Tempo, Klangtextur: Beschreiben Sie es wie in einem Briefing für einen Studiomusiker, und das Modell komponiert es. Lyria 3 nimmt auch Referenzbilder an, sodass ein Moodboard den Ton vorgeben kann, und bei Music 2.6 und ACE-Step v1.5 hält ein separates Feld für den Liedtext Ihre Worte genau so fest, wie Sie sie geschrieben haben. Fragen zu Lizenzgebühren verfolgen Sie nicht: Es ist Ihre Generierung, erstellt mit Ihrem Schlüssel.Der 30-Sekunden-Clip unten ist eine echte Komposition von Lyria 3 aus genau dem gezeigten Prompt, demselben Briefing, das jedes Musikmodell im Katalog auf seiner Detailseite beantwortet.
Echtes Ergebnis · Lyria 3ambient.mp3
0:00 / 0:30
Foley

Soundeffekte auf Abruf.

Die zuschlagende Tür, die Waldatmosphäre, das Surren des Projektors: Beschreiben Sie den Klang, statt Sample-Bibliotheken zu durchforsten, oder geben Sie SFX 1.5 ein Quellvideo, und es vertont das Bild passend. Legen Sie das Ergebnis direkt in eine Video-Komposition oder exportieren Sie es für Ihr Schnittprogramm.Unten: eine echte Generierung von SFX 1.5 für den gezeigten Prompt, eine schwere Holztür in einem steinernen Korridor.
Echtes Ergebnis · SFX 1.5impact.mp3
0:00 / 0:10
Transkribieren

Aus einer Aufnahme wird ein Transkript.

Stellen Sie den Typ auf „Transkribieren“, laden Sie dann eine Audiodatei oder ein Video hoch oder legen Sie es ab, und CSuite holt die Tonspur für Sie aus dem Video. Das Modell schreibt eine Textdatei neben die Aufnahme, dazu eine SRT-Untertiteldatei, wenn es Zeitstempel liefert. Das Transkript erscheint unter dem Player, und ein Klick auf eine Zeile mit Zeitangabe springt in der Wiedergabe genau an diese Stelle. Whisper Base, Small und Large V3 Turbo laufen ohne Schlüssel auf Ihrem eigenen Computer, und Scribe v2 kann mit Ihrem ElevenLabs-Schlüssel jeden Sprecher kennzeichnen.Bei Modellen, die einen Hinweis lesen, etwa Whisper und GPT-4o Transcribe, nimmt das Prompt-Feld Namen und Fachbegriffe auf, damit sie richtig geschrieben herauskommen.
Optimieren

Die Idee eintippen, das ganze Briefing erhalten.

Bei Musik und Effekten klicken Sie auf den Zauberstab, und Ihr eigenes Textmodell macht aus einer Zeile ein vollständiges Briefing: zuerst, worum es in dem Stück geht, dann Genre, Instrumentierung, Tempo und Stimmung. Liedtexte landen dort, wo das Modell sie liest. Sprache hat keinen Zauberstab, weil genau der Text gesprochen wird, den Sie eingeben.Musik wird pro Generierung abgerechnet, die verworfenen Versuche sind also der teure Teil.
Bearbeiten

Feinschliff, ohne die App zu verlassen.

Ein in den Player integrierter Wellenform-Editor erledigt den üblichen Feinschliff, ohne Export in ein anderes Tool. Jede Bearbeitung wird lokal auf Ihrem Computer gerendert und direkt in der Datei oder als neue Kopie gespeichert, im ursprünglichen Format der Datei, sodass ein getrimmtes MP3 ein MP3 bleibt.

Auf den besten Take trimmen

Schneiden Sie die Stille an beiden Enden einer Aufnahme ab, oder holen Sie einen sauberen Take aus einer langen Session. Ziehen Sie die Griffe in der Wellenform, und alles außerhalb der Auswahl fällt weg.

Einblenden, ausblenden

Geben Sie generierter Hintergrundmusik einen sanften Ein- und Ausstieg, bevor sie unter ein Voiceover kommt. Legen Sie die Länge der Blenden fest, und die Hüllkurve wird auf die Wellenform angewendet.

Den Pegel korrigieren

Ein leises Voiceover neben lauter Hintergrundmusik ist das häufigste Mischproblem überhaupt. Heben oder senken Sie die Lautstärke des Clips, bis die Pegel stimmen.

Das Tempo ändern

Machen Sie aus der Aufnahme einer 42-minütigen Vorlesung bei 1,5× ein Hörstück von 28 Minuten, oder verlangsamen Sie einen zu schnellen Take. Die Dauer passt sich der Geschwindigkeit an.

Das Format konvertieren

Liefern Sie für den Schnitt ein verlustfreies WAV oder FLAC, oder verkleinern Sie eine Session zum Teilen auf MP3 oder OGG. Wählen Sie das Ziel, und die Datei wird direkt aus der Quelldatei umgewandelt, ohne verlustbehafteten Umweg dazwischen.
Kompositionen

Nicht nur Clips, ganze Folgen.

Kompositionen sind ein zweiter Modus zum Erstellen von Podcasts, Interviews und erzählten Geschichten: Schreiben Sie ein Skript, geben Sie jedem Sprecher eine eigene Stimme, mischen Sie Musik und Soundeffekte auf einer mehrspurigen Zeitleiste darunter, und exportieren Sie eine einzige MP3-, M4A- oder WAV-Datei. Skript, Besetzung und Mischpult werden auf der Seite zu Kompositionen ausführlich beschrieben.
Arbeitsbereich

Alles Weitere in der Sprecherkabine.

Die kleinen Dinge rund um die Schaltfläche „Generieren“: eine Stimme vorher hören, den Preis kennen und zum Prompt zurückfinden, der funktioniert hat.

Eine Stimme probehörenSpielen Sie jede Stimme des Angebots direkt in der Auswahl ab, bevor Sie ihr ein Skript anvertrauen. Das erste Anhören kostet den Bruchteil eines Cents, jedes weitere ist zwischengespeichert und kostenlos, und bei Supertonic TTS ist jede Vorschau kostenlos, weil sie auf dem Gerät generiert wird.
Eine Stimme klonenHängen Sie bei Modellen, die es unterstützen, eine Stimmprobe und ihr Transkript an, und das Modell liest Ihr Skript mit dieser Stimme statt mit einer vorgegebenen.
Das Briefing mit KI schreibenBei Musik und Effekten tippen Sie das Wesentliche ein und klicken auf den Zauberstab: Ihr Textmodell erweitert es um Thema, Genre, Instrumentierung, Tempo und Stimmung und schreibt bei Modellen, die aus dem Prompt singen, auch gleich den Liedtext. Sprache bleibt unangetastet, denn gesprochen wird genau der eingegebene Text.
Vorher wissen, was es kostetDer Eingabebereich zeigt vor dem Generieren den geschätzten Preis (pro Clip bei Musik, anhand der aktuellen Zeichenzahl bei Sprache), und eine Statuszeile verfolgt die Generierung.
Wiederverwenden, was funktioniert hatDie letzten Prompts liegen als Chips über dem Eingabebereich, und jeder generierte Clip merkt sich das Modell und die Einstellungen, mit denen er entstand, und lädt sie mit einem Klick zurück.
Dateien, die Ihnen gehörenClips sind ganz normale Dateien in Ihrem Projektordner. Ziehen Sie Aufnahmen hinein, filtern Sie eine lange Liste nach Namen, und öffnen oder sichern Sie sie mit einem beliebigen Tool.
Katalog

Verfügbare Modelle und Anbieter.

Hier steht jedes Audiomodell des Katalogs, für Text zu Sprache, Musik, Soundeffekte und Sprache zu Text. Sie laufen in der Cloud über Runware, OpenRouter und Replicate oder direkt bei Herstellern wie OpenAI, Google, ElevenLabs und weiteren, mit Ihren eigenen Schlüsseln, und auf dem Gerät über die mitgelieferte Hugging-Face-Laufzeitumgebung. Jedes Modell, das Audio generiert, hat echte Beispielclips auf seiner Detailseite.

OpenAICloud · Ihr API-Schlüssel
OpenRouterCloud · Ihr API-Schlüssel
ReplicateCloud · Ihr API-Schlüssel
GoogleCloud · Ihr API-Schlüssel
RunwareCloud · Ihr API-Schlüssel
xAICloud · Ihr API-Schlüssel
ElevenLabsCloud · Ihr API-Schlüssel
MiniMaxCloud · Ihr API-Schlüssel
Fish AudioCloud · Ihr API-Schlüssel
Hugging FaceLokal · Ihre Hardware
KlingCloud · Ihr API-Schlüssel
OllamaLokal · Ihre Hardware
GPT-4o Mini TTS
Cloud

OpenAI's steerable speech model: ten natural voices you can direct with free-text instructions for tone, accent and pacing.

OpenAI
Gemini 3.8 Flash TTS
Cloud

Google's most expressive Gemini speech model, for long-form narration and two-speaker scenes in 130 languages, with inline vocal cues such as sighs and laughs.

Google · OpenRouter · Replicate
Gemini 3.8 Flash-Lite TTS
Cloud

A faster, lower-cost Gemini speech model for high-volume narration and voice agents in 101 languages, with the same voices and vocal cues as 3.8 Flash TTS.

Google · OpenRouter · Replicate
Grok Text-to-Speech
Cloud

xAI's expressive text-to-speech model with multiple voices and 20-language support.

xAI · Runware · Replicate
Lyria 3.5
Cloud

Google's music model for full-length songs with structure, vocals or instrumentals, guided by a text prompt, optional lyrics and reference images.

Google · Replicate
Lyria 3
Cloud

Enhanced Lyria model with improved musical coherence and audio quality.

Google · OpenRouter · Replicate
Lyria 3 Pro
Cloud

Google's professional-grade music model with enhanced fidelity and musical expression.

OpenRouter · Replicate
v4
Cloud

ElevenLabs' most expressive speech model, with closer voice cloning, audio tags for delivery and more than 90 languages.

ElevenLabs · OpenRouter
v4 Turbo
Cloud

The low-latency tier of ElevenLabs v4, with the same audio tags and more than 90 languages at half the per-character price.

ElevenLabs · OpenRouter
v3
Cloud

ElevenLabs' most expressive voice model with rich emotional and tonal range.

ElevenLabs · OpenRouter · Replicate
v3 Conversational
Cloud

A variant of ElevenLabs' v3 voice model tuned for natural dialogue in conversational agents, in more than 70 languages.

ElevenLabs · OpenRouter
Music
Cloud

ElevenLabs music generation model for creating original AI-composed tracks.

ElevenLabs · Replicate
Music 2.6
Cloud

MiniMax music model for full-arrangement AI compositions with rich instrumentation.

Runware · Replicate
SFX 1.5
Cloud

Mirelo sound effects model for generating custom audio SFX from text prompts.

Runware
Speech 2.8
Cloud

MiniMax's studio-grade speech model with 332 voices, emotion control, voice cloning, and a 50,000-character input limit.

MiniMax · Runware · Replicate
Drama 3
Cloud

Fish Audio's text-to-speech model for directed voice performances: you describe how each line should be delivered in square brackets, add sounds and pauses, and script several speakers in one call.

Fish Audio · OpenRouter
Voice
Cloud

HeyGen's text-to-speech model with preset voices on OpenRouter and Runware; on Runware it can also clone a voice from a recording.

OpenRouter · Runware
Voice Turbo
Cloud

A lower-latency version of HeyGen Voice with the same preset voices on OpenRouter and Runware, and voice cloning on Runware.

OpenRouter · Runware
Voxtral TTS 3
Cloud

Mistral's text-to-speech model with preset voices in eight languages; emotion and pace tags written into the text, such as [emotion=happy] or [pace=slow], direct the delivery. In public preview.

OpenRouter
S2.1 Pro
Cloud

Fish Audio's recommended production TTS with natural-language cues in brackets, multi-speaker synthesis in one call, and zero-shot voice cloning across 83 languages.

Fish Audio · OpenRouter · Runware
S2.1 Pro Free
Cloud

Fish Audio's S2.1 Pro model at $0 for development and testing under fair-use limits, with the same bracket cues, multi-speaker synthesis and voice cloning but no latency or data-processing guarantees.

Fish Audio
S2 Pro
Cloud

Fish Audio's previous-generation open S2 TTS with natural-language cues in brackets, multi-speaker dialogue and zero-shot voice cloning across 80+ languages.

Fish Audio · OpenRouter
Seed Audio 1.0
Cloud

ByteDance's audio generation model that reads a script word for word or builds a whole scene from one prompt, with a described voice, ambience, music and sound effects, and clones a voice from short reference clips.

OpenRouter · Runware
MAI-Voice-2.1
Cloud

Microsoft AI's highest-fidelity text-to-speech model, with detailed prosody and a consistent speaker over long passages. It reads in 23 languages through preset voices across 28 locales, and the voice you pick sets the language.

OpenRouter
MAI-Voice-2.1 Flash
Cloud

Microsoft AI's low-latency text-to-speech model, built for real-time responsiveness. It reads in 23 languages through the same preset voices as MAI-Voice-2.1, across 28 locales, and the voice you pick sets the language.

OpenRouter
ACE-Step v1.5
Cloud

Open full-track music generation with lyric editing, remix, cover generation, and voice cloning in 50+ languages.

Runware
Flash v2.5
Cloud

ElevenLabs' fastest speech model, with about 75 ms latency across 32 languages at half the per-character price of Multilingual v2.

ElevenLabs · OpenRouter · Replicate
Multilingual v2
Cloud

ElevenLabs' previous-generation voice model for lifelike, consistent long-form narration such as voice-overs and audiobooks, in 29 languages.

ElevenLabs · OpenRouter
Flash v2
Cloud

ElevenLabs' English-only speech model with very low latency, suited to conversational and real-time use.

ElevenLabs · OpenRouter
Sound Effects v3
Cloud

ElevenLabs' newest text-to-sound-effects model: foley, ambiences and impacts up to 30 seconds that follow several cues in one prompt, handle music and vocals, and loop seamlessly.

ElevenLabs
GPT Transcribe
Cloud

OpenAI's high-accuracy transcription model for recorded audio, which follows a hint for names and terms and returns plain text without timestamps.

OpenAI · OpenRouter
Whisper Large V3
Cloud

OpenAI's open-weight Whisper Large V3, which transcribes speech in close to a hundred languages and returns timed segments for subtitles.

OpenRouter · Replicate
Whisper Large V3 Turbo
CloudLokal

A faster, slimmed-down Whisper Large V3 that keeps most of its accuracy and returns timed segments for subtitles.

OpenRouter · Hugging Face
Transcribe 1 Pro
Cloud

Fish Audio's speech-to-text model for multi-speaker conversations, which labels who is speaking and keeps emotion and vocal-event cues such as laughter in the transcript.

Fish Audio · OpenRouter
Muse Voice Transcribe 1.0
Cloud

Meta's speech-to-text model for push-to-talk and speaker-aware transcription, which returns plain text.

OpenRouter
MAI-Transcribe 2
Cloud

Microsoft AI's multilingual transcription model, which covers 60 languages with automatic language detection and returns plain text.

OpenRouter
Voxtral Small Transcribe 3
Cloud

Mistral's flagship transcription model, which returns a timestamped transcript and detects the language on its own. In public preview.

OpenRouter
Voxtral Mini Transcribe 3
Cloud

Mistral's compact transcription model, a lower-cost sibling of Voxtral Small Transcribe 3 with timestamps and language detection. In public preview.

OpenRouter
Universal-3.6 Pro
Cloud

AssemblyAI's speech-to-text model and the successor to Universal-3.5 Pro, served through its synchronous API for clips of up to two minutes. The app sends a longer recording in two-minute pieces and returns plain text.

OpenRouter
TTS 1
Cloud

AssemblyAI's text-to-speech model for voice agents, narration and multilingual applications, with twenty preset voices here in English, Spanish, French and German.

OpenRouter
Gemini 3.5 Transcribe
Cloud

Google's speech-to-text model for fast synchronous transcription with automatic language detection; this route returns plain text.

Google · OpenRouter
Scribe v2
Cloud

ElevenLabs' batch transcription model, which returns word-level timing for subtitles and can label who is speaking.

ElevenLabs · OpenRouter
Scribe v2 Medical
Cloud

ElevenLabs' batch transcription model tuned for clinical and medical terminology, which returns word-level timing for subtitles and can label who is speaking.

ElevenLabs · OpenRouter
Kling Text to Audio
Cloud

Kuaishou's Kling sound effects model, generating 3 to 10 second clips from a short text description.

Kling
Kling TTS
Cloud

Kuaishou's Kling text-to-speech model, reading up to 1,000 characters aloud in English or Chinese system voices.

Kling
Phonon
Lokal

Gradium's 31M-parameter English text-to-speech model, run on device by Ollama on Apple silicon Macs. It reads text as written, so numbers and dates are best spelled out.

Ollama
LFM3-Audio 2B
Lokal

Liquid AI's 2B audio model, run on device by Ollama: it speaks text in 19 languages with a female or male voice per language, and transcribes speech.

Ollama
Supertonic TTS
Lokal

On-device English text-to-speech that runs entirely in the app, with ten preset voices and no API key.

Hugging Face
Whisper Base
Lokal

A small on-device Whisper model that transcribes speech in the app with no API key, trading accuracy for speed.

Hugging Face
Whisper Small
Lokal

A mid-sized on-device Whisper model that transcribes speech in the app with no API key, balancing speed and accuracy.

Hugging Face
FAQ

Fragen zu Audio, beantwortet.

So funktionieren Sprache, Musik, Soundeffekte und Transkription in CSuite: Stimmen, Kosten, Bearbeitung und Formate.

Einmal bezahlen. Für immer behalten.

Kein Abo, keine Lizenzen pro Nutzer, keine Verlängerung. Sie kaufen CSuite einmal, alle künftigen Updates inklusive.

Sichere Bezahlung über Stripe. Sie haben bereits eine Lizenz? App herunterladen