Erzeugung von Musik und Soundeffekten

Kleine Teams brauchen Musik und Klang für Videos, Werbung, Podcasts, Apps, Spiele und Shops, doch Stock- Bibliotheken sind austauschbar und Auftragsproduktionen langsam und teuer. Text-zu-Musik- und Text-zu-Klang-Modelle liefern heute in Sekunden brauchbare Stücke, Loops und Effekte. Das Schwierige ist nicht mehr die Erzeugung, sondern die Rechtefrage: Herkunft der Trainingsdaten, Lizenzbedingungen, Fragen zu Verwertungsgesellschaften (GEMA/SACEM) und die Kennzeichnung von KI-Inhalten.

Problem & Nutzen

• Heute: Marketing- und Content-Teams lizenzieren Stock-Musik (pro Titel oder im Abonnement), beauftragen Komponisten/Sounddesigner oder durchsuchen Bibliotheken für Soundeffekte. Die Ergebnisse sind austauschbar, die Lizenzen restriktiv, und jedes neue Format (15-Sekunden-Schnitt, Loop, Stinger) kostet Zeit.
• KI-Nutzen: viele briefingtreue Varianten in Minuten (längenangepasste Kurzfassungen, Stimmungsvarianten, Loops, Stems), günstige Erzeugung von Soundeffekten und Atmosphäre, Prototyp-Vertonung, bevor ein Komponist beauftragt wird, adaptiver Klang für Spiele und Apps.
• Realistischer Rahmen: am besten für Hintergrundmusik, Jingles, Warteschleifenmusik, Atmosphäre und Foley-artige Effekte. Herausragende Kompositionen, Markenhymnen und Filmmusik profitieren weiterhin von menschlichen Komponisten, wobei KI für Skizzen dient. Verlässliche öffentliche Zahlen zu Zeit- oder Kosteneinsparungen werden hier nicht genannt; messen Sie sie in einem Pilotprojekt.

Varianten

• Marketing- & Social-Video: Hintergrundmusik passend zu Clip-Länge und Stimmung (siehe GEN-002, GEN-012).
• Podcasts, E-Learning, Unternehmensvideo: Intro/Outro, Klangteppiche, Klanglogo; kombiniert mit TTS (SPEECH-006).
• Spiele & Apps: Loops, adaptive Stems, Oberflächentöne, Atmosphäre (GEN-013).
• Film-/TV-/Werbeproduktion: Temp-Tracks und Sounddesign für die Previsualisierung (GEN-021).
• Einzelhandel & Gastgewerbe: Musik im Geschäft oder in der Warteschleife mit vollständig geklärter Lizenz.
• Private Nutzung: Lieder als Geschenke, Familienvideos, Hobbymusik; Verbraucherwerkzeuge, es gelten Bedingungen für den privaten Gebrauch.

So funktioniert es

1. brief (mood, genre, BPM, length, brand rules; optional video/reference)
2. prompt building (LLM expands the brief into model-specific prompts)
3. generation (text-to-music / text-to-audio model, 2–4 candidates)
4. post-processing (loudness normalisation, loop points, stems, trim to picture, mastering)
5. human review (listening, similarity check, brand fit, legal/licence check)
6. labelling & metadata (AI-generated flag, provenance/watermark, licence record)
7. delivery to editor / DAW / CMS / game engine

• Modelle: Latente Diffusionsmodelle oder autoregressive Transformer über Audio-Codec-Token erzeugen Stereo-Audio mit 44,1/48 kHz; moderne Systeme ergänzen Gesang mit Liedtext, Abschnittsstruktur, Stem-Trennung und Bearbeitung (verlängern, Lücken füllen, remixen).
• Steuerung: Text, Liedtext, Referenzaudio (Konditionierung auf Stil oder Melodie), Dauer und teils Tempo/Tonart; Video-zu-Audio-Modelle richten Effekte an Ereignissen im Bild aus.
• Mensch-in-der-Schleife (Human-in-the-Loop): Eine Person hört jedes Element vor der Veröffentlichung an, prüft auf erkennbare Melodien oder Stimmen und hält fest, welches Werkzeug, welcher Prompt und welche Lizenzstufe es erzeugt hat.

Datenaufbereitung

Die Erzeugung von Musik und Soundeffekten braucht wenig klassische Daten; die wichtigsten Eingaben sind ein klares Audio-Briefing (Genre, Stimmung, Tempo, Dauer), Klangrichtlinien der Marke, Referenzstücke und Timing-Angaben aus dem Video. In einem KMU sind diese selten dokumentiert: Referenzstücke liegen in Chatnachrichten, Marken-Jingles auf dem Laufwerk einer Agentur, Videoprojekte auf Dateiservern, Lizenzen in E-Mails. Typische Lücken sind fehlende Klangrichtlinien, keine Übersicht, welche Titel für welche Nutzung geklärt sind, unbeschriftete Audiobibliotheken und unklare Rechte an vorhandenem Material.

Schritte der Aufbereitung: (1) mit dem Marketing ein kurzes Briefing zur Klangmarke schreiben; (2) ein Inventar vorhandener Audioelemente mit Lizenz, Quelle und erlaubter Nutzung anlegen (PREP-010 für Metadaten und Verschlagwortung); (3) gute Referenzbeispiele sammeln (PREP-016); (4) eine Nutzungsrichtlinie festlegen, welche Werkzeuge kommerzielles Audio erzeugen dürfen und wie die Ergebnisse dokumentiert werden, einschließlich Prompt und Werkzeugversion; (5) Rechte prüfen, da die Herkunft der Trainingsdaten sich zwischen Anbietern unterscheidet. Werkzeuge: eine einfache Tabelle oder ein DAM, Audio-Editoren wie Audacity, eine Konvention für Dateinamen. Anteil am Aufwand: etwa 10 bis 15 Prozent. Siehe auch GEN-005 für Präsentationen, die das Audio verwenden.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil lizenzierte Musikgeneratoren mit klaren kommerziellen Bedingungen zu Abonnementpreisen verfügbar sind und der Bedarf gelegentlich auftritt.
• Großunternehmen: Weg B, weil Markenaudio im großen Maßstab API-Anbindung an Produktionsabläufe, Nutzungsverfolgung und vertragliche Lizenzfreistellungen braucht.
• Entwickler: Weg C, weil offene Musik- und Audiomodelle (Klasse MusicGen/Stable Audio Open) auf HW2 laufen und die Integration in Apps ohne Gebühren pro Titel erlauben.
• Privat: Weg A, weil gehostete Apps oder lokale Werkzeuge Hobbyprojekte ohne Einrichtung abdecken.

Weg A — Kaufen (Standardsoftware)

• Prompt-zu-Song-Plattformen: Suno und Udio (USA; einige große Labels haben sich Ende 2025 geeinigt und die Dienste zu Tarifen mit lizenzierten Modellen bewegt, während andere Ansprüche von Labels offen bleiben, daher aktuelle Bedingungen prüfen; am 31. Juli 2026 hat das Landgericht München I der Klage der GEMA gegen Suno überwiegend stattgegeben, Az. 42 O 763/25, nicht rechtskräftig), ElevenLabs Music (Positionierung mit geklärten Lizenzen), Stability AI Stable Audio (kommerzielle Tarife), Google Lyria in YouTube-/Gemini-Werkzeugen.
• Generatoren im Stil von Bibliotheken für Kreative: Soundraw, Mubert, Beatoven.ai, AIVA (Luxemburg, EU), Loudly. Oft einfachere Lizenzierung: tantiemenfrei für kommerzielle Nutzung in bezahlten Tarifen.
• Soundeffekte: ElevenLabs-Generator für Soundeffekte, Stable Audio, dazu klassische Bibliotheken, die jetzt KI-Suche ergänzen (Epidemic Sound, Artlist; KI-Erzeugungsfunktionen prüfen).
• Wählen Sie A, wenn: Sie schnell Hintergrundaudio brauchen und die Lizenzbedingungen des Anbieters akzeptieren können. Prüfen: Einräumung kommerzieller Nutzung im eigenen Tarif, Freistellung, Angaben zu Trainingsdaten, Content-ID- Ansprüche auf YouTube, Exportformate, Datenverarbeitung in der EU.

Weg B — Auf Cloud-KI-Diensten aufbauen

• APIs: ElevenLabs-APIs für Musik und Soundeffekte, Stability-AI-Stable-Audio-API, Google Lyria über Vertex AI (EU-Region für viele Google-Dienste verfügbar; je Modell prüfen), auf Replicate/fal gehostete offene Modelle.
• Orchestrierung: Ein LLM macht aus Briefings Prompts; n8n/Make/ein eigener Dienst ruft die API auf, normalisiert die Lautheit (ffmpeg, EBU R128) und schreibt Ergebnisse und Lizenzmetadaten in ein DAM/CMS.
• Wählen Sie B, wenn: Sie Stapelerzeugung brauchen (Hunderte Kurzfassungen, Varianten pro Markt), Anbindung an eine Videopipeline oder App oder Prüfprotokolle.

Weg C — Selbst betreiben (Open Source)

• Modelle mit offenen Gewichten: Stable Audio Open (kurze Clips und Effekte, Community-Lizenz), Meta AudioCraft (MusicGen, AudioGen; Code MIT, Modellgewichte nicht kommerziell, daher prüfen), ACE-Step (offenes Basismodell für Musik), YuE (Liedtext-zu-Song), dazu Tencent und weitere offene Text-zu-Audio-Veröffentlichungen. Die Lizenzen unterscheiden sich stark, und mehrere Gewichte sind nicht kommerziell nutzbar.
• Aufbau: PyTorch/Diffusers, ComfyUI-Audio-Knoten, Demucs zur Stem-Trennung, ffmpeg.
• Hardware: HW2 (eine GPU mit 16–24 GB) betreibt die meisten offenen Modelle in nahezu Echtzeit oder schneller; HW1 ist langsam, aber für kurze Clips brauchbar.
• Wählen Sie C, wenn: Daten On-Premises bleiben müssen, die Mengen hoch sind oder Sie eine kontrollierbare tantiemenfreie Pipeline wollen; nehmen Sie dafür geringere Qualität als bei führenden geschlossenen Produkten in Kauf.

Weg D — Eigenes Training

Feintuning (LoRA) auf dem eigenen Katalog ist für Labels, Spielestudios und Agenturen, die ihre Aufnahmen besitzen, gangbar: Es ergibt einen Hausstil und eine saubere Rechtelage. Es braucht Hunderte bis Tausende Stunden lizenziertes, gut verschlagwortetes Audio und die schriftliche Einwilligung von Komponisten und Interpreten. Trainieren Sie niemals ohne Lizenz mit Katalogen Dritter.

Stand der Technik (2026)

• Qualität: Führende Systeme erzeugen vollständige Songs mit Gesang, Struktur und Stereo-Mastering, die viele Hörer in kurzen Ausschnitten nicht verlässlich von menschlicher Produktion unterscheiden können. Stärken: Genre-Pastiche, Klangteppiche, Loops. Schwächen: Struktur über lange Strecken, feine Bearbeitung, exaktes Timing zum Bild, präzise Instrumentensteuerung, Verständlichkeit des Liedtexts in einigen Genres.
• Steuerbarkeit: Stems, Abschnittsbearbeitung, Verlängern/Lücken füllen, Konditionierung auf Referenzaudio und Video-zu-Audio-Soundeffekte werden zu Standardfunktionen.
• Lizenzierte Modelle: Nach Klagen großer Labels und Verwertungsgesellschaften gegen Prompt-zu-Song-Dienste wechselte der Markt zu Lizenzvereinbarungen und Aussagen zu „geklärtem“ Training. Mehrere Verfahren sind offen oder in der Berufung (zum Beispiel GEMA gegen Suno und OpenAI-bezogene Musikfälle in Deutschland, in denen Gerichte erster Instanz weitgehend der GEMA gefolgt sind); die Ergebnisse werden die EU-Regeln zu Text- und Data-Mining (TDM) in der Praxis prägen.
• Erkennung und Herkunft: C2PA-Inhaltsnachweise, unhörbare Wasserzeichen (zum Beispiel SynthID in Google-Audiomodellen) und KI-Kennzeichnungsregeln von Streaming-Plattformen breiten sich aus, doch die Erkennung ist unzuverlässig, sobald Audio neu kodiert wird.
• Fehlerbilder: zufällige Ähnlichkeit mit bestehenden Songs, Imitation von Künstlerstimmen oder -stilen, Artefakte und Klicks an Loop-Stellen sowie uneinheitliche Lautheit. Vertrauen Sie Anbieteraussagen wie „tantiemenfrei“ nicht, ohne die Lizenz zu lesen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Aufbau (Musikerzeugung, GPU HW2): GEN-013 Spielinhalte, GEN-021 Temp-Tracks für Produktionen; die Audio-Nachbearbeitung wird mit SPEECH-008 geteilt.
• Kombinierbar mit: GEN-002 Videoerzeugung und GEN-012 automatisiertem Schnitt (Soundtrack pro Schnitt), GEN-003 Avatar-Videos, SPEECH-006 Sprechertext und SPEECH-007 Synchronisation (Musik unter die Stimme mischen), KNOW-016 multimodale Archivsuche (zuerst vorhandene Klänge finden).
• Workflow-Engine und DAM werden mit den Asset-Pipelines von GEN-001/GEN-002 geteilt.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage; Abonnement pro Arbeitsplatz oder pro Guthaben. Kostentreiber: Lizenzstufe (kommerziell, Rundfunk, Freistellung).
• Weg B: 2–6 Wochen für eine Stapelpipeline mit Metadaten und Prüfung; API-Kosten pro erzeugter Minute.
• Weg C: 1–2 Monate; eine GPU-Workstation plus Entwicklungsaufwand; Lizenzprüfung je Modell.
• Weg D: Quartale; Datenlizenzierung und Einwilligungsmanagement dominieren.
• Kennzahlen: Annahmequote der erzeugten Kandidaten, Zeit vom Briefing bis zum freigegebenen Titel, Lizenz- vorfälle / Content-ID-Ansprüche (Ziel null), Anteil der Elemente mit vollständigem Herkunftsnachweis, Publikumsresonanz von KI- gegenüber Stock-Audio in A/B-Tests, umgewidmete Komponistenstunden.

Menschen & Veränderung

Binden Sie die Geschäftsleitung für die Entscheidung über Marke und Budget ein, die Marketing- oder Videoleitung als Prozessverantwortliche und die Kreativen, die das Audio täglich nutzen. Recht oder Compliance müssen Lizenzbedingungen, Freistellungen und Fragen zur Verwertungsgesellschaft (GEMA) klären; die IT kümmert sich um Konten und Speicher. Musiker oder Agenturen, die bisher für Sie gearbeitet haben, sollten früh erfahren, wie sich ihre Rolle ändert.

Betriebsrat: in den meisten Fällen nein, da das Werkzeug das Verhalten von Beschäftigten nicht überwacht; §87 Abs. 1 Nr. 6 BetrVG würde nur bei individueller Nutzungsprotokollierung in einer unternehmensweiten Plattform greifen. §90 Abs. 1 Nr. 3 BetrVG verlangt Unterrichtung, wenn sich Arbeitsabläufe durch KI ändern, relevant bei internem Audiopersonal. Datenschutz: in der Regel keine personenbezogenen Daten; beziehen Sie den/die Datenschutzbeauftragte(n) ein, wenn Stimmen identifizierbarer Personen geklont oder als Referenz verwendet werden, da die Stimme ein personenbezogenes Datum ist und eine Einwilligung nötig ist, und schließen Sie mit dem Anbieter einen AVV (Art. 28 DSGVO) ab.

KI-Kompetenz: Fördern Sie die Kompetenz der Beschäftigten nach Art. 4 der KI-Verordnung (AI Act) mit einer kurzen Schulung zu Prompting, Lizenzbedingungen und den Transparenzpflichten nach Art. 50 der KI-Verordnung für synthetisches Audio (GUIDE-006, GUIDE-014). Führen Sie einen Pilot mit einer Kampagne oder Videoreihe durch und vergleichen Sie Kosten und Qualität mit Stock-Musik. Kommunizieren Sie, dass KI Hintergrundmusik und Effekte abdeckt, während die endgültige kreative Entscheidung bei einer Person bleibt, die jeden Titel anhört und freigibt. Typische Sorgen sind Urheberrechtsansprüche, der Verlust von Komponistenaufträgen und ein einheitlicher Klang; begegnen Sie ihnen mit dokumentierten Lizenzen, Auswahl durch Menschen und hybrider Nutzung. Siehe GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise begrenztes Risiko. Die Erzeugung synthetischen Audios unterliegt Art. 50: Anbieter müssen Ausgaben maschinenlesbar kennzeichnen, und Betreiber müssen Deepfakes offenlegen. Reine Hintergrundmusik hat geringeres Risiko, doch Audio, das die Stimme einer realen Person imitiert, ist ein Deepfake. Verbotene Praktiken nach Art. 5 (z. B. manipulative oder unterschwellige Techniken) dürfen im Sounddesign nicht eingesetzt werden. Anbieter von KI-Modellen mit allgemeinem Verwendungszweck schulden eine Urheberrechtsstrategie und Zusammenfassungen der Trainingsdaten (Art. 53), die in die Sorgfaltsprüfung von Anbietern einfließen. Art. 4 (KI-Kompetenz) gilt.
• Urheberrecht: EU-TDM-Schranke (DSM-Richtlinie Art. 4) mit Widerspruchsmöglichkeit; rein KI-generierte Ergebnisse genießen in der EU in der Regel keinen Urheberrechtsschutz, daher ist Exklusivität nicht vorauszusetzen. Fordern Sie von Anbietern Angaben zu Trainingsdaten und Freistellungen; vermeiden Sie Prompts, die Künstler oder Songs nennen.
• Verwertungsgesellschaften: GEMA und andere fordern Vergütung für KI-Training und Ergebnisse; prüfen Sie, ob erzeugte Werke angemeldet werden müssen oder von Repertoireansprüchen auszunehmen sind.
• DSGVO: meist keine personenbezogenen Daten, doch Stimmproben, Referenzaufnahmen identifizierbarer Interpreten und Nutzerkonten sind personenbezogene Daten; Stimmimitation erfordert eine Einwilligung (auch Persönlichkeitsrechte). Nutzen Sie AVV und möglichst Verarbeitung in der EU.
• Gegenmaßnahmen: schriftliche Richtlinie für KI-Audio, Archiv der Anbieterlizenzen, Ähnlichkeitsprüfungen vor der Veröffentlichung, KI-generierte Inhalte kennzeichnen, keine Prompts mit Künstlernamen, Freigabe durch Menschen.

Erste Schritte

1. Den Einsatz festlegen (Werbung, Podcast, Spiel) und das Risiko einstufen: Jede Imitation der Stimme oder des Stils einer realen Person ist ausgeschlossen.
2. 2–3 Werkzeuge aus Weg A anhand derselben 10 Briefings vergleichen; Bedingungen zu kommerzieller Nutzung, Freistellung und Trainingsdaten lesen.
3. Eine Prüfschranke einrichten: Hörprüfung, Ähnlichkeitsprüfung, Lautheit (EBU R128) und Lizenznachweis pro Element.
4. Kennzeichnung ergänzen (KI-generiert im Abspann, C2PA/Wasserzeichen, wo verfügbar) für veröffentlichte Inhalte.
5. Über die API skalieren (Weg B), sobald die Annahmequote stabil ist; Komponisten für herausragende Stücke behalten.

Quellen

1. Regulation (EU) 2024/1689 (AI Act), Art. 5, 50, 53 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
2. Directive (EU) 2019/790 (DSM), Art. 4 text-and-data mining — https://eur-lex.europa.eu/eli/dir/2019/790/oj
3. European Commission — Code of practice on marking and labelling AI-generated content — https://digital-strategy.ec.europa.eu/en/policies/code-practice-ai-generated-content
4. ElevenLabs — Music and sound effects API documentation — https://elevenlabs.io/docs/overview/capabilities/music
5. Stability AI — Stable Audio — https://stability.ai/stable-audio
6. Stable Audio Open (open weights) — https://huggingface.co/stabilityai/stable-audio-open-1.0
7. Meta AudioCraft (MusicGen, AudioGen) — https://github.com/facebookresearch/audiocraft
8. ACE-Step open music foundation model — https://github.com/ace-step/ACE-Step
9. Google DeepMind — Lyria music generation — https://deepmind.google/models/lyria/
10. GEMA — AI and copyright (position and legal actions) — https://www.gema.de/en/
11. C2PA — Content credentials specification — https://c2pa.org/
12. Landgericht München I — press release on GEMA v. Suno, 42 O 763/25 (31 Jul 2026) — https://www.justiz.bayern.de/gerichte-und-behoerden/landgericht/muenchen-1/presse/2026/16.php