Wandelt eingefügten Rohtext in Rolle/Dialog/Regieanweisung/Handlung/Szenenkopf um — läuft auch automatisch nach jedem Einfügen. Ist ein Gemini-Schlüssel hinterlegt (unter „Text-Analyse“), übernimmt Gemini das Einordnen — inhaltlich zuverlässiger bei uneindeutigem Text als die lokale Regel-Erkennung. Nur Text in (Klammern) gilt dabei als Regieanweisung; unmarkierte Handlungsbeschreibungen werden als stumme Handlung erkannt, nicht als Dialog gesprochen. Schlägt Gemini fehl oder verändert den Text zu stark, springt automatisch die lokale Erkennung ein — nie Netzwerkpflicht, nie Textverlust.

Erreichbar über „＋ Neue Szene“ im Szenen-Bereich → „Aus PDF importieren“ — ein PDF-Import beginnt ja ohnehin eine neue Szene. Liest den Inhalt einer als PDF gespeicherten Szene ein und formatiert ihn automatisch per Auto-Format (siehe oben). Funktioniert komplett offline, ganz ohne Gemini-Schlüssel — dafür eigens gebaut, keine externe Bibliothek. Mit Gemini-Schlüssel wird stattdessen Gemini zum Lesen verwendet: zuverlässiger bei exotischen Schriften, und als einziger Weg auch bei gescannten PDFs ohne echte Textebene (Texterkennung). Ohne Schlüssel geht das nicht — das kann keine Offline-Lösung.

Mehrere Funktionen dieser App (Auto-Format bei uneindeutigem Text, PDF-Import bei gescannten Dateien, 🧠 KI-Analyse, Formulierungs-Alternativen für den Schlussbereich) nutzen optional Google Gemini. Ohne Schlüssel läuft alles andere unverändert weiter, nur diese vier Funktionen bleiben dann aus.

Gratis oder bezahlt? Was über einen kostenlosen Schlüssel geht, darf Google für seine Produkte nutzen; mit Abrechnung („Set up billing“ in AI Studio) nicht.

1. Direkt zur Schlüssel-Seite von Google AI Studio — mit einem Google-Konto anmelden, falls noch nicht eingeloggt (Google leitet danach automatisch genau hierher zurück).
2. „Create API key“ bzw. „API-Schlüssel erstellen“ wählen — ein bestehendes Google-Cloud-Projekt auswählen oder automatisch eines erstellen lassen, falls gefragt.
3. Den angezeigten Schlüssel kopieren.
4. In dieser App über das ⚙︎-Menü in der Kopfzeile (links vom Fragezeichen) → „Gemini Text-Analyse …“ in das Feld „Key“ einfügen und „Speichern“ klicken.

Der Schlüssel liegt in deinem Selftaper-Ordner (in der Datei der App-Einstellungen) und geht an niemanden ausser direkt an Google beim jeweiligen Aufruf.

Natürlicher klingende Stimmen für die Partnerrollen sind optional — ohne Schlüssel liest die App weiterhin mit den eingebauten Systemstimmen deines Geräts vor. Ein ElevenLabs-Schlüssel ist im Rahmen des kostenlosen Kontingents kostenlos, keine Zahlungsmethode nötig.

1. Direkt zur Schlüssel-Seite von ElevenLabs — falls noch kein Konto besteht, führt derselbe Link zuerst zur Anmeldung/Registrierung (dauert unter 2 Minuten) und danach automatisch genau hierher zurück.
2. „Create API Key“ bzw. „API-Schlüssel erstellen“ wählen und einen Namen dafür vergeben.
3. Den angezeigten Schlüssel sofort kopieren — er wird aus Sicherheitsgründen nur einmal angezeigt.
4. In dieser App über das ⚙︎-Menü in der Kopfzeile (links vom Fragezeichen) → „ElevenLabs KI-Stimmen …“ in das Feld „Key“ einfügen und „Laden“ klicken.

Der Schlüssel liegt in deinem Selftaper-Ordner (in der Datei der App-Einstellungen) und geht an niemanden ausser direkt an ElevenLabs beim jeweiligen Aufruf.

Kontingent-Anzeige bleibt leer? Neuere ElevenLabs-Schlüssel haben einzeln vergebene Berechtigungen. Damit die App anzeigen kann, wie viele Zeichen dir noch zur Verfügung stehen, geh in deinem ElevenLabs-Konto unter „Developers“ → „API Keys“, öffne deinen Schlüssel über das „…“-Menü zum Bearbeiten, und stelle unter „Administration“ → „User“ von „No Access“ auf „Access“ — danach speichern. Ohne diese Berechtigung funktionieren Stimmen/Sprachausgabe trotzdem ganz normal, nur die Kontingent-Zahl bleibt leer.

Die App kann keine neuen Stimmen direkt installieren — das lassen die Betriebssysteme nur über ihre eigenen Einstellungen zu, nicht über eine Webseite. Mehr Auswahl bekommst du so:

Mac

1. Systemeinstellungen öffnen → Bedienungshilfen → Gesprochener Inhalt.
2. Bei „Systemstimme“ auf „Verwalten…“ klicken.
3. Gewünschte Stimme(n) für deine Sprache anhaken zum Herunterladen (kann je nach Stimme einige Minuten dauern).
4. Zurück zu dieser App wechseln und diese Seite einmal neu laden (Cmd+R) — neue Stimmen erscheinen danach in der Liste.

Apples eigene Siri-Stimmen erscheinen dabei nicht in der Liste — sie werden von macOS aus technischen Gründen nicht an Drittanbieter-Apps weitergegeben, auch nicht über diesen Umweg.

Windows

1. Einstellungen → Barrierefreiheit → Sprachausgabe (in älteren Versionen: Erleichterte Bedienung → Sprachausgabe).
2. Unter Stimmen auf Weitere Stimmen hinzufügen klicken und die gewünschte Sprache/Stimme installieren.
3. Chrome danach komplett schließen und neu öffnen, dann diese Seite neu laden (Strg+R).

Windows liefert je nach Sprachpaket unterschiedlich viele Stimmen mit. Kommt keine dazu, hilft Einstellungen → Zeit und Sprache → Sprache und Region: dort die Sprache hinzufügen und beim Installieren die Sprachausgabe mit anhaken.

Android

1. Einstellungen → Bedienungshilfen → Text-in-Sprache-Ausgabe (auf manchen Geräten unter System → Sprachen & Eingabe).
2. Bei Google Text-in-Sprache auf das Zahnrad → Sprachdaten installieren → gewünschte Sprache herunterladen.
3. Chrome neu starten und diese Seite neu laden.

Unabhängig vom Gerät gibt es die deutlich natürlicheren Stimmen von Google Cloud und ElevenLabs — die laufen über das Internet und brauchen keine Installation.

Mit der Maus über eine Zeile fahren oder sie anklicken, dann ⚙️: legt fest, ob eine Zeile Rolle, Dialog, Regieanweisung, stumme Handlung oder Szenenkopf ist. Versteht die Spracherkennung ein Wort nicht, tippst du es im Probelauf an und sprichst es einmal vor — die App merkt sich deine Aussprache.
⏸ Lange Pause vor dem Schluss setzt du bei einer Replik, in der du direkt vor einem der letzten Wörter bewusst eine lange Pause spielst. Die App wartet dann auf das letzte Wort, statt die Pause für das Ende zu halten. Markierte Zeilen bekommen ein ⏸ im Skript.

Ebenfalls im Zeilenmenü: nimmt deine eigene gesprochene Version dieser Zeile auf. Nützlich, um dir vorab anzuhören, wie du eine Replik sagen willst, oder um sie testweise zurückzuspielen — unabhängig von der computergenerierten TTS-Stimme.

Klammerangaben wie (3s) oder (3,5s) lösen eine Sprechpause der angegebenen Länge aus — egal ob als eigene Regieanweisungszeile oder mitten in einer Replik (z. B. „Warte… (1,5s) ich muss nachdenken.“). Wird beim Vorlesen als echte Pause eingehalten und beim Sprechen der eigenen Zeilen von der Spracherkennung ignoriert, genau wie jede andere Klammerangabe.

Kurze Klammerangaben (bis 4 Wörter) vor einer Replik steuern die Stimme. Erkannt werden u. a. (wütend), (traurig), (glücklich), (ruhig), (nachdenklich), (nervös), (ängstlich), (überrascht), (sarkastisch), (zärtlich), (angewidert), (verwirrt), (müde), (verlegen), (hoffnungsvoll), (gelangweilt), (flüsternd), (aufgeregt) — auf Deutsch, Englisch, Französisch, Italienisch und Spanisch.
Die drei Engines nutzen das unterschiedlich gut: ElevenLabs (Modell „eleven_v3“) erhält das Wort direkt eingebettet im Text und kann damit auch mit Wörtern außerhalb dieser Liste etwas anfangen — das ist die einzige Engine mit echter, praktisch unbegrenzter Bandbreite. Google Cloud und System-Stimmen kennen nur die Wörter aus der Liste oben und bilden sie grob über Tempo/Tonhöhe/Lautstärke nach; ein unbekanntes Wort ändert bei ihnen schlicht nichts an der Stimme.

Für alle anderen Szenensprachen (Bulgarisch, Kroatisch, Tschechisch, Dänisch, Niederländisch, Estnisch, Finnisch, Griechisch, Ungarisch, Lettisch, Litauisch, Polnisch, Portugiesisch, Rumänisch, Slowakisch, Slowenisch, Schwedisch) gibt es diese Wortliste noch nicht in der jeweiligen Sprache — hier bitte die englischen Wörter aus der Liste oben verwenden (z. B. (angry) statt einer Übersetzung), auch wenn der Rest der Szene in einer anderen Sprache geschrieben ist. Die Erkennung schaut nur auf das Klammerwort selbst, nicht auf die Szenensprache — das funktioniert also unabhängig davon, welche Sprache oben bei der Szene eingestellt ist. Alternativ übernimmt die 🧠 KI-Analyse (siehe unten) das automatisch: sie schlägt ohnehin immer englische Emotionswörter vor, unabhängig von der Szenensprache.

In erster Linie eine Schauspiel-Einschätzung für dich als Darsteller — sie fügt vor jeder Replik eine möglichst treffende Regieanweisung ein, nicht nur die vier Grundgefühle, sondern gezielt auch Nuancen wie (pensive) statt pauschal (sad). Zusätzlich schlägt sie natürliche Sprechpausen INNERHALB einzelner Repliken vor (siehe „Pausen im Text“ oben) — etwa ein Zögern, eine bewusste Stille vor einem schweren Wort, oder auch direkt VOR dem ersten Wort einer Replik, wenn eine Figur erstmal reagieren muss, bevor sie zu sprechen anfängt — und trägt sie direkt als (Xs) in den Dialogtext ein. Aus Sicherheitsgründen nur bei Zeilen, die noch keine eigene Klammerangabe im Dialogtext enthalten. Rührt darüber hinaus nichts an: Szenenköpfe, Handlungszeilen und die bestehende Zeilenaufteilung bleiben exakt so stehen, wie du sie geschrieben hast. Von Hand gesetzte Regieanweisungen werden nie überschrieben. Da diese Regieanweisungen dieselben Klammerangaben von oben sind, steuern sie ganz nebenbei auch die Stimmen, wenn du sie zum Vorlesen nutzt. Braucht einen eigenen, kostenlosen Gemini-Schlüssel (siehe „🔑 Gemini-Schlüssel erstellen“ oben). Ein erneuter Klick auf den Knopf macht die komplette letzte Änderung (Emotionen UND Pausen) wieder rückgängig und stellt die vorherige Fassung her.

Beim Start einer Szene liest Gemini (falls ein Schlüssel hinterlegt ist) die ganze Szene und schlägt für die letzten Worte jeder Replik bis zu vier alternative Formulierungen vor — falls du beim Sprechen unbewusst umformulierst oder eine Redewendung anders sagst, erkennt die App das trotzdem. Läuft für alle Rollen, nicht nur deine eigene, falls du die Rolle später wechselst. Wird pro Textstelle gespeichert und nur bei tatsächlicher Textänderung neu abgefragt — nicht bei Reglern wie „Zwingend verstandene Stichwörter“. Braucht denselben Gemini-Schlüssel wie die KI-Analyse.

Jede bei ElevenLabs erzeugte Replik wird lokal gespeichert (Stimme + Text + Emotionswort als Schlüssel). Kommt exakt dieselbe Kombination noch einmal vor — z. B. bei jedem weiteren Probendurchlauf derselben Szene — wird sie aus dem Speicher abgespielt statt neu abgerufen. Ändert sich der Text oder die Emotion auch nur geringfügig, wird automatisch neu geholt.

ElevenLabs: im Besetzungs-Menü ganz unten „🔎 Weitere Stimmen suchen…“ wählen — durchsucht die ElevenLabs-Stimmenbibliothek und fügt eine gewählte Stimme direkt zu deinem Konto hinzu. Dafür braucht es einen eigenen ElevenLabs-Account mit eingetragenem API-Schlüssel (unter „Besetzung“ → „Externe Stimmen“, siehe „🔑 ElevenLabs-Schlüssel erstellen“ oben) — ohne Schlüssel erscheint diese Option gar nicht erst im Menü.
Systemstimmen: lassen sich nicht von dieser Seite aus installieren. Wo du sie am Mac, unter Windows und auf Android nachinstallierst, steht in der Hilfe unter „➕ Weitere Systemstimmen laden“. Dort auf Stufe „Premium“ oder „Erweitert“ achten — nur solche werden hier angezeigt. Nach dem Herunterladen diese Seite neu laden.

Die Spracherkennung kommt von Google und ist nicht in jeder Sprache gleich gut. Deshalb steht im Sprachmenü neben dem Szenennamen jede Sprache in einer anderen Textfarbe — je blasser, desto mehr musst du damit rechnen, dass ein Wort nicht ankommt:

• Schwarz — sehr gut. Deutsch, Englisch (US/UK), Französisch, Italienisch, Spanisch. Hier läuft die Erkennung so zuverlässig, wie sie heute überhaupt sein kann.
• Mittelgrau — gut. Niederländisch, Portugiesisch, Polnisch, Schwedisch, Finnisch. Solide, aber vereinzelt geht ein Wort verloren.
• Hellgrau — brauchbar, mit Abstrichen. Dänisch, Griechisch, Rumänisch, Kroatisch. Funktioniert, verlangt aber mehr Nachhelfen — deutlicher sprechen, und im Zweifel Wörter antippen statt auf die Erkennung zu warten.

Am stärksten spürst du das beim letzten Wort einer Replik: wird es nicht erkannt, kommt dein Stichwort nicht. Dagegen helfen die Formulierungs-Alternativen (weiter oben), das Antippen eines Wortes im Prompter und ein ruhiger, naher Mikrofonabstand.

Sprachen, in denen die Erkennung erfahrungsgemäss zu oft danebenlag, bietet die App bewusst gar nicht mehr an — lieber keine Sprache als eine, auf die beim Proben kein Verlass ist. Die Einstufung stützt sich auf Googles eigene Angaben zum Reifegrad seiner Sprachmodelle und auf veröffentlichte Fehlerraten; sie ist eine begründete Einschätzung, keine Messung an dieser App.

Dieselben Tipps, die auch nach „🎤 Mikrofon testen“ → „Aufnahmesituation testen“ erscheinen — hier zum Nachlesen, ohne den Test extra durchlaufen zu müssen:

Eine Zeile je Versuch. Die beiden mittleren Spalten sind die interessanten: Denken ist, was Gemini verbraucht hat, bevor es überhaupt anfing zu antworten — Gemini 3 überlegt intern, und für die Szenen-Analyse ist das ausdrücklich hoch eingestellt, weil drei Lesarten Nachdenken brauchen. Ausgabe ist die Antwort selbst. Steht bei „Denken“ eine grosse Zahl, hat die Wartezeit genau dort gelegen; steht dort wenig, lag sie woanders (Warteschlange bei Google, Netz, schiere Antwortlänge).

Bleibt nur auf diesem Gerät (letzte 40 Versuche) und enthält keine Szeneninhalte — nur Zeiten und Zahlen. Die Formatierungs-Anfrage beim Einfügen läuft an dieser Stelle vorbei und taucht deshalb nicht auf.

Stimmen aus Systemeinstellungen → Siri & Spotlight sind für Siri selbst reserviert. macOS gibt sie an keine andere App weiter — sie tauchen deshalb nirgends in der Besetzung auf, egal wie oft du neu lädst. Das ist eine Sperre von Apple, kein Fehler dieser App. Lade Stimmen also immer über Bedienungshilfen herunter, nicht über Siri.