KI-Video und Sprachzeilen per Sprachbefehl: sprich mit dem Studio

Die Ask-Leiste oben im Studio hat ein Mikrofon. Tipp darauf, sag, was du willst – einen Clip, ein Bild, eine Sprachzeile –, und hör auf zu sprechen. Der Satz schickt sich von selbst ab, und Clap, der Assistent in Ask, antwortet mit einem Plan: dem Render mit seinem Preis und einem Button Freigeben, der ihn direkt im Chat rendert. Sag „öffne ihn in Video“ (oder in Bild, in Stimme), und er richtet stattdessen das Tool ein, einen Klick von der Seite entfernt. Ohne deinen Klick wird nichts gerendert.

Dieser Leitfaden zeigt, wo das Mikro funktioniert, wie du eine gesprochene Anfrage so formulierst, dass sie beim ersten Mal sitzt, wie du per Stimme nachhakst – und den Unterschied, auf den es in einem Studio ankommt, das auch Stimmen macht: Befehl oder Zeile zum Sprechen.

Wo das Mikro ist

• Ask ist die Leiste oben auf der Studio-Startseite (/studio, nach der Anmeldung) – der Standard-Tab des Eingabefelds auf der Startseite, mit dem Platzhalter „Frag alles, starte alles“. /ask beschreibt sie ausführlich.
• Das Mikro sitzt in dieser Leiste und nutzt die eingebaute Spracherkennung deines Browsers, die Chrome, Edge und Safari mitbringen. In einem Browser ohne sie, etwa Firefox, ist das Mikro ausgeblendet.
• Einen Senden-Button musst du nicht suchen. Sobald du aufhörst zu sprechen, schicken sich die Wörter von selbst ab.
• Kein Mikro? Tippen. Enter sendet, Shift+Enter beginnt eine neue Zeile. Von jeder anderen Studio-Seite aus öffnet ⌘K (Ctrl+K unter Windows) „Suchen oder etwas fragen…“ – tipp deinen Satz ein, und die letzte Zeile, Frag eroq: „…“, schickt ihn an deinen laufenden Chat oder startet einen neuen.

Was passiert, wenn du aufhörst zu sprechen

Deine erste Nachricht verwandelt die Studio-Startseite in einen Chat: deine Worte rechts, die Antwort links, Wort für Wort ausgeschrieben. Während Clap arbeitet, zeigt eine Zeile, was er gerade tut („Denkt es durch…“, „Schreibt das Storyboard…“, „Berechnet den Preis des Plans…“), und darunter schreiben sich seine Notizen mit.

Dann kommt der Teil, der sich zu lesen lohnt. Unter der Antwort sagt Claps Plan, was er machen wird und zu welchem Preis:

You say:    make a vertical clip of a woman walking through neon rain, 10 seconds
Plan:       10 s · 9:16    [Approve]

You say:    open it in Video
Grey line:  Video · 10 s · 9:16    [Open Video →]

Die Beispiele hier zeigen die englische Oberfläche und englische Ansagen; auf Deutsch funktioniert alles genauso, und die Buttons heißen dann Freigeben, Video öffnen →, Bild öffnen → und Stimme öffnen →.

Der Plan nennt auch die Engine und die exakten Credits. Freigeben rendert den Clip im Chat, und er landet dort und in deiner Bibliothek. Sagst du stattdessen „öffne ihn in Video“, steht in einer grauen Zeile, was Ask eingerichtet hat, mit dem Prompt, den Ask geschrieben hat, darunter. Klick auf Video öffnen →, und die Video-Seite öffnet sich mit genau diesem Prompt und diesen Einstellungen; bis dahin bleibst du im Chat. Eine gesperrte Engine zeigt neben dem Button ihr Plan-Badge.

Fragen kostet mit Auto nichts. Jeder Render wartet auf deinen Klick: Freigeben bei einem Plan oder Generieren auf der Tool-Seite, mit der üblichen Credit-Prüfung und Plan-Freischaltung.

Erst das Medium, dann die Szene, dann die Einstellungen

Gesprochene Sätze werden schnell lang und locker. Eine feste Reihenfolge hält sie verständlich:

1. Das Medium – „ein Clip“, „ein Bild“, „eine Sprachzeile“, „ein Kurzfilm“. Damit ist entschieden, was Clap macht: einen Clip, ein Bild, eine Sprachzeile oder einen ganzen Film.
2. Die Szene – Motiv, Handlung, Ort, Licht. Ask schreibt sie in den Prompt.
3. Die Einstellungen – Engine, Sekunden, Format, Anzahl der Takes.

You say:    make an image of a lighthouse at dusk, square, four versions
Plan:       4 renders · 1:1    [Approve]

Lässt du das Medium weg, fragt Ask nach: Auf „mach was Cooles“ kommt „Ein Bild, ein Clip, eine Sprachzeile oder Text?“ mit Antwort-Chips. Tipp auf einen oder sag ihn.

Für die Einstellungen nimmst du die schlichten Wörter, die Ask schon kennt: „vertikal“, „Reels“, „Querformat“, „quadratisch“, „Ultra-Wide“ für das Format; „10 Sekunden“ für die Länge; „mit Kling“ oder „mit Veo 3.1“ für die Engine. Alles, was du nicht sagst, bleibt bei den Standardwerten der Engine oder so, wie das Tool es schon eingestellt hat: Ask setzt nur, worum du gebeten hast. Wie Ask Engine, Länge und Format wählt listet die Wörter auf und was jedes davon einstellt.

Beim Diktieren zahlt sich eine Gewohnheit aus: Lies den Plan, bevor du ihn freigibst, oder die graue Zeile, bevor du die Seite öffnest. Sie nennt Engine, Länge und Format, die eingestellt wurden. Fehlt etwas, das du gesagt hast, ergänze es mit einer Nachfrage – oder tipp es ein.

Befehle und Sprachzeilen

eroq macht nicht nur Bilder, sondern auch Stimmen – eine gesprochene Anfrage kann also zwei verschiedene Dinge bedeuten.

Ein Befehl verlangt, dass etwas erstellt wird: „mach einen Clip von…“, „ein Bild von…“. Clap plant es und schreibt den Prompt. Video- und Bild-Prompts werden für die Engines auf Englisch geschrieben, egal in welcher Sprache du gesprochen hast.

Eine Sprachzeile ist Text, der gesprochen werden soll. Nenn zuerst die Stimme, dann nach einem Doppelpunkt die Wörter:

You say:    Aria, read this like a voicemail: Hey, it's me. I landed early, call me back when you're out.
Plan:       Voice One · Aria    [Approve]

Freigeben rendert die Zeile mit Arias Stimme, und sie spielt direkt im Chat. Sag „öffne sie in Stimme“, und stattdessen wird das Tool „Stimme“ eingerichtet, mit Aria ausgewählt und deiner Zeile als Text. Eine Sprachzeile behält die Sprache, in der du sie gesagt hast – sie wird gesprochen, wie sie geschrieben ist. Eine deutsche Zeile bleibt deutsch, eine französische französisch, und Ask antwortet dann auch auf Französisch:

You say:    Orion, lis ça doucement : la porte était déjà ouverte quand je suis arrivé.
Plan:       Voice One · Orion    [Approve]

Die Stimme kann eine Studio-Stimme sein (Aria, Orion oder jede andere der 24), einer deiner Stimmklone oder die Stimme eines Charakters – jeweils über den Namen gefunden. Die Anweisung steht vor dem Doppelpunkt, die Zeile danach; so ist immer klar, welche Wörter gesprochen werden sollen. Prompts in jeder Sprache geht ausführlicher auf die Sprachfrage ein.

Da der Render auf deinen Klick wartet, siehst du die Zeile, bevor sie gerendert wird: Klapp ihren Eintrag im Plan auf, um sie zu lesen. Bei einem diktierten Skript lohnt sich ein Blick, denn Satzzeichen prägen den Vortrag (Stimmregie mit Satzzeichen). Wird sie gerendert, kostet eine Zeile 3 Credits pro 100 Zeichen mit Voice One und 2 Credits mit Voice Turbo.

Per Stimme nachhaken

Der Verlauf behält den Kontext, der nächste Satz darf also kurz sein. Was du vorher gesagt hast, gilt weiter:

You say:    make a clip of a woman walking through neon rain at night, 10 seconds
Plan:       10 s    [Approve]

You say:    now make it vertical
Plan:       10 s · 9:16    [Approve]

You say:    make it with Kling instead
Plan:       Kling 3.0 · 10 s · 9:16    [Approve]

Ein Plan, den du nicht freigegeben hast, wird vom nächsten ersetzt: Nur der neueste wartet auf dein Freigeben. Noch kürzer geht auch: „dasselbe, aber vertikal“, „lieber mit Kling“, „mach 5 Sekunden draus“, „jetzt als Bild“. Wechsel zu Video und komm mit dem Zurück-Button zurück oder über Start in der linken Leiste und den Chat in der Spalte: Die Unterhaltung ist noch da. Neuer Chat startet eine frische, und deine Chats bleiben in diesem Browser, ohne Synchronisierung zwischen Geräten. Iterieren im Gespräch führt das weiter.

Per Stimme navigieren

Ask kann mehr als Dinge machen und Tools einrichten. Sag „öffne meine Bibliothek“, „Abrechnung“, „klon meine Stimme“, „meine API-Schlüssel“, „zeig mir, was die Community gemacht hat“ oder „neuer Film“, und der Button bringt dich hin.

Sag „öffne den Drachen-Clip“, und Ask durchsucht deine Kreationen nach den Wörtern in ihren Prompts und Titeln und zeigt bis zu fünf Treffer als anklickbare Vorschaubilder; ohne Treffer bringt dich Kreationen öffnen → zu deiner Bibliothek, gefiltert nach diesen Wörtern. Charaktere, Elemente und geklonte Stimmen werden über den Namen gefunden. Gelesen werden Prompts und Titel – in die Bilder oder Videos selbst schaut Ask nicht.

Ehrliche Grenzen

• Ask rendert nicht von selbst. Ausgegeben wird nichts, bis du bei einem Plan auf Freigeben oder auf einer Tool-Seite auf Generieren klickst.
• eroq hat kein Bild-Upscaling, kein Lip-Sync und kein Inpainting, und Ask sagt das, statt so zu tun als ob. Clips bringst du mit Hochskalieren in Video › Edit auf 1080p oder 2K, nicht über einen Plan.
• Chats werden 30 Tage lang in diesem Browser gespeichert, nur auf diesem Gerät.
• Ask ist Teil des Studios, kein API-Endpoint. Entwickler rufen die Generierungs-Endpoints direkt auf oder verbinden Assistenten über den MCP-Server unter /mcp.

Häufige Fragen

Welche Browser unterstützen Sprachbefehle bei eroq?

Chrome, Edge und Safari – das Mikro nutzt die eingebaute Spracherkennung des Browsers. In einem Browser ohne sie, etwa Firefox, ist das Mikro ausgeblendet, und du tippst stattdessen: Enter sendet, Shift+Enter fügt eine neue Zeile ein.

Muss ich nach dem Sprechen auf Senden drücken?

Nein. Sobald du aufhörst zu sprechen, schicken sich die Wörter von selbst ab. Hat eine Pause nur die Hälfte deines Satzes abgeschickt, vervollständige ihn mit einer Nachfrage – der Verlauf behält, was du vorher gesagt hast.

Kann ich Sprachbefehle in einer anderen Sprache geben?

Ja. Sprich in deiner eigenen Sprache, und Ask antwortet darin. Video- und Bild-Prompts werden für die Engines auf Englisch geschrieben, während eine Sprachzeile die Sprache behält, in der du sie gesagt hast.

Kostet ein Sprachbefehl Credits?

Nein. Fragen ist mit Auto kostenlos: Ein Befehl bringt dir einen Plan mit Preis oder ein eingerichtetes Tool hinter einem Button. Credits verbraucht nur dein Klick auf Freigeben beim Plan oder auf Generieren auf der Tool-Seite, mit der üblichen Credit-Prüfung und Plan-Freischaltung.

Wie lasse ich einen meiner Charaktere eine Zeile sprechen?

Nenn den Charakter und dann nach einem Doppelpunkt die Zeile – nach demselben Muster wie „Aria, lies das: …“. Clap plant die Zeile mit der Stimme dieses Charakters (oder richtet das Tool „Stimme“ damit ein, wenn du um das Tool bittest) und behält die Zeile in der Sprache, in der du sie gesagt hast.

Öffne das Studio, tipp aufs Mikro und sprich deinen ersten Clip ein: Clap nennt den Preis, und der Klick, der ihn rendert, bleibt deiner.