Picsart Flow bekommt KI-Videoübersetzer mit Stimmklonen und Lippensynchronisation

14. Oktober 2026, 18:13Quelle: Picsart

Picsart Flow hat jetzt einen Translate-Node, der ein Video mit Sprache in eine synchronisierte Fassung in einer anderen Sprache verwandelt. Dabei bleibt die Stimme jedes Sprechers erhalten, und die Lippenbewegungen passen zu den neuen Worten. Laut Picsart ist die Funktion ab sofort auf der Flow-Arbeitsfläche verfügbar.

Das Wichtigste in Kürze

Picsart Flow hat einen neuen Translate-Node, der Videos mit Stimmklonen und Lippensynchronisation vertont.
Er bietet 190 Zielsprachen, darunter regionale Varianten wie Spanisch (Mexiko) und Englisch (UK).
Der Speed-Modus liefert schnelle Ergebnisse mit Standard-Lippensynchronisation; Precision rendert die Münder neu und übersetzt kontext- und geschlechtsbewusst.
Jeder Durchlauf erzeugt eine Sprache; für mehrere Sprachen werden mehrere Nodes von einem Clip verzweigt.
Die Kosten hängen von Videolänge und Modus ab, die Schätzung erscheint vor dem Durchlauf auf dem Node.

Ein Node übernimmt die komplette Synchronisation

Nach Angaben von Picsart führt der Translate-Node ein Video in einem einzigen Durchlauf durch den gesamten Synchronisationsprozess. Flow erkennt die gesprochene Sprache, übersetzt die Rede in die gewählte Zielsprache, klont die Stimme jedes Sprechers und gleicht die Lippen neu an, sodass die Münder den übersetzten Worten folgen statt den originalen.

Das Unternehmen argumentiert, damit lasse sich beides beheben, was eine Synchronisation normalerweise verrät: eine fremde Stimme oder ein Mund, der sich nach dem Ende des Satzes weiterbewegt. Das Ergebnis sieht und klingt laut Picsart so, als wäre das Original gleich in der neuen Sprache aufgenommen worden.

Ein Video geht hinein, ein übersetztes Video kommt heraus. Die Synchronfassung erscheint auf einem neuen Node neben dem Original, sodass beide Versionen nebeneinander auf der Arbeitsfläche liegen und direkt nacheinander abgespielt werden können.

Der Node akzeptiert MP4-, MOV- oder WebM-Dateien mit mindestens 2 Sekunden Länge und klar hörbarer Sprache.

190 Sprachen, zwei Modi, kein Transkript

Die Sprachauswahl bietet 190 Zielsprachen, regionale Varianten haben eigene Einträge. Als Beispiele nennt Picsart Spanisch (Mexiko), Englisch (UK), Chinesisch (Kantonesisch, traditionell) und Arabisch (Ägypten). Jede Sprache erhält die volle Behandlung: übersetzte Sprache, geklonte Stimmen und neu angepasste Lippen.

Die Einrichtung ist minimal. Es muss kein Transkript hochgeladen und kein Prompt geschrieben werden, und ein Feld für die Ausgangssprache gibt es nicht, da Flow sie automatisch erkennt. Die Sprachauswahl ist neben dem Modus die einzige Pflichtangabe.

Der Node bietet zwei Modi:

Speed: Standard-Lippensynchronisation und schnelle Bearbeitung.
Precision: neu gerenderte Münder für hochwertige Lippensynchronisation sowie eine Übersetzung, die Kontext und Geschlecht berücksichtigt.

Picsart empfiehlt Precision für Clips, in denen der Mund des Sprechers im Mittelpunkt steht und die Übersetzung Kontext und Geschlecht berücksichtigen soll. Speed eignet sich, wenn es vor allem auf die Bearbeitungszeit ankommt und Standard-Lippensynchronisation genügt.

Verzweigung für mehrere Märkte und Kostenschätzung

Jeder Durchlauf erzeugt genau eine Sprache. Um dasselbe Video in mehreren Märkten zu veröffentlichen, verzweigen Nutzer pro Sprache einen Translate-Node vom selben Clip. Jeder Zweig ist ein eigener Durchlauf und liefert sein übersetztes Video auf einem eigenen Node neben dem Original. Der Modus wird pro Node festgelegt, sodass eine Sprachversion Speed und eine andere Precision nutzen kann. Eine weitere Sprache später hinzuzufügen heißt, einen zusätzlichen Zweig vom selben Clip anzulegen.

Laut Picsart skalieren die Kosten mit der Länge des Quellvideos und dem gewählten Modus. Ein längerer Clip kostet im selben Modus mehr als ein kürzerer, und auch ein Moduswechsel ändert den Preis. Die Schätzung wird vor dem Durchlauf auf dem Node angezeigt, und jeder Node hat seine eigene Schätzung, sodass ein Clip, der in fünf Sprachen verzweigt wird, fünf einzeln bepreiste Durchläufe bedeutet.

Neuerungen auf der Arbeitsfläche und was sie für Nutzer bedeuten

Zusammen mit dem Node erscheinen zwei Verbesserungen der Arbeitsfläche. Das Rechtsklickmenü öffnet sich jetzt in zwei Spalten: links, was erstellt werden soll, rechts, was damit geschehen soll. Translate und Captions werden überall angeboten, wo sich ein Video anschließen lässt: auf der Arbeitsfläche, an einem Video-Node oder auf einer Videospur.

Für Kreative und Teams, die mit Flow arbeiten, bedeutet das Release: Ein Video zu lokalisieren erfordert weder ein separates Transkript noch eine angegebene Ausgangssprache oder schriftliche Anweisungen. Picsarts Versprechen lautet, dass sich ein Clip auf einer einzigen Arbeitsfläche in eine Reihe von Sprachversionen verwandeln lässt, mit sichtbarem Preis vor jedem Durchlauf. Das Unternehmen rät, mit klar hörbarer Sprache zu beginnen, da der Node von der Sprache im Clip ausgeht.