Vom Text zum Audio – Geschrieben ist nicht gesprochen

Der übliche erste Versuch geht so: Du nimmst einen Blogbeitrag, den du gut findest, kippst ihn in ein Vorlese-Werkzeug und hörst dir das Ergebnis an. Es klingt gehetzt, monoton, an manchen Stellen unverständlich. Der Schluss liegt nahe: schlechte Stimme.

Meistens ist die Stimme in Ordnung und der Text ungeeignet. Geschriebene Sätze sind für das Auge gebaut. Sie dürfen verschachteln, weil du zurückspringen kannst. Sie dürfen Aufzählungen haben, weil du sie siehst. Beim Hören gibt es kein Überfliegen und kein Zurückscrollen.

Derselbe Inhalt, zweimal

Lies beide einmal laut vor. Der erste stolpert an fünf Stellen: an der Klammer, an dem Kürzel, an der Prozentzahl, an dem Gedankenstrich-Einschub und an der Aufzählung ohne Ansage. Der zweite trägt beim ersten Hören.

Wenn du bei Bildern schon mit einem Vier-Felder-Modell gearbeitet hast, ist dir das Prinzip vertraut: Nicht an allem gleichzeitig drehen, sondern wissen, welche Schraube welches Problem löst.

Die vierte Dimension, Klang, ist die, bei der du am wenigsten falsch machen kannst und die am meisten Zeit frisst. Für eine Audio-Version eines Beitrags brauchst du sie kaum: eine Stimme, kein Raum, keine Musik, gleichmäßiger Pegel. Fertig.

Das hier ist der Schritt mit dem meisten Übungswert. Er kostet dich zehn Minuten pro Beitrag und macht den Unterschied zwischen brauchbar und peinlich.

1. Nebensätze auflösen. Ein Gedanke, ein Satz. Was gelesen elegant wirkt, verliert gehört den Faden.
2. Zahlen und Abkürzungen ausschreiben, so wie du sie sprechen würdest. Nicht das Werkzeug raten lassen.
3. Pausen setzen, wo im Text ein Absatz stünde. Absätze sind für das Auge, Pausen sind für das Ohr.
4. Aufzählungen ansagen. "Drei Dinge. Erstens ..." statt Aufzählungszeichen, die niemand hört.
5. Vorwärts verweisen statt zurück. "Wie oben beschrieben" funktioniert beim Hören nicht. "Gleich wird klar, warum" schon.
6. Betonung markieren, wo der Sinn daran hängt. Meist reicht, das wichtige Wort ans Satzende zu ziehen.
7. Fremdwörter ersetzen, wo es ein deutsches Wort gibt. Gelesen wirkt ein Fachbegriff präzise, gehört bremst er.

Ein Absatz, Zeile für Zeile umgebaut

Technisch ist Klonen keine Hürde mehr. Wenige Sekunden sauberes Material reichen inzwischen für ein brauchbares Ergebnis, und der Abstand zwischen Klon und Original schrumpft weiter. Genau deshalb verschiebt sich die eigentliche Frage vom Können zum Dürfen.

Drei Filter, die ständig verwechselt werden

Besonders bei offenen Modellen. Die drei Fragen sind unabhängig voneinander, und ein Projekt kann die erste bestehen und an der dritten scheitern.

1. Sind die Gewichte verfügbar? Also: Kannst du das Modell überhaupt selbst betreiben?
2. Erlaubt die Lizenz kommerzielle Nutzung? Viele frei verfügbare Modelle sind ausdrücklich nur für Forschung oder nicht kommerzielle Zwecke freigegeben. „Frei verfügbar" heißt nicht „frei verwendbar".
3. Ist die Qualität aus der Demo Teil der Veröffentlichung? Das ist der Filter, an dem überraschend viele Projekte scheitern. Was im gehosteten Dienst beeindruckt, ist manchmal ein größeres oder anders trainiertes Modell als das, was veröffentlicht wurde.

Wo deine Aufnahmen landen

Bei kostenlosen und Hobby-Angeboten ist häufig unklar, ob eingereichte Texte und Stimmproben zum Training weiterverwendet oder weitergegeben werden. Kommerzielle Anbieter regeln Speicherdauer und Löschung meistens ausdrücklich. Selbst betreiben hält alles im Haus. Eine Stimmprobe ist ein biometrisches Merkmal, kein Dateianhang.

Aus einem Beitrag lassen sich verschiedene Audio-Formate machen, und sie lösen verschiedene Aufgaben. Drei, die sich in der Praxis bewährt haben.

Warum ein Gespräch anders funktioniert

Ein Vortrag trägt eine Position. Ein Gespräch trägt eine Auseinandersetzung. Das ist der Grund, warum Dialogformate bei sperrigen Themen besser funktionieren: Der Einwand, den dein Zuhörer im Kopf hat, wird ausgesprochen, statt umgangen zu werden.

Der Schritt vom deutschen Original in andere Sprachen ist technisch inzwischen möglich, teils mit Erhalt von Stimme und Tonfall. Das ist ein eigenes Thema mit eigenen Fallstricken, vor allem beim Kennzeichnen. Fang nicht damit an, bevor die einsprachige Fassung sitzt.

Bis hierhin hast du einen Text, der sich vorlesen lässt. Jetzt kommt der Teil, den die meisten gar nicht kennen: Du kannst dem Modell in normaler Sprache sagen, wie es klingen soll. Kein Regelwerk, keine Auszeichnungssprache. Du schreibst es hin wie eine Regieanweisung im Drehbuch.

Die Anweisung steht vor dem Text und wird nicht mitgesprochen. Das ist der ganze Trick. Und er wirkt auf mehr Ebenen, als man zuerst vermutet.

Marker mitten im Text

Für einzelne Stellen kannst du zusätzlich in den Text hineinschreiben. Die Marker werden nicht gesprochen, sondern umgesetzt.

Fünf Bausteine für die lange Fassung

Bei längeren Produktionen lohnt sich eine ausführlichere Anweisung. Fünf Bausteine haben sich eingebürgert, und sie stehen in dieser Reihenfolge vor dem Skript.

1. Wer spricht. Rolle, Haltung, Verhältnis zum Zuhörer.
2. Wo. Die Situation, in der man sich das gesprochen vorstellt.
3. Regie-Notizen. Stil, Tempo, was ausdrücklich vermieden werden soll.
4. Ein Beispielsatz. Wie der Einstieg klingen soll, als Muster für den Rest.
5. Das Skript. Erst ganz zum Schluss der eigentliche Text.

Dieselbe Vorlage für Teaser und Gespräch

Der letzte Fall ist der lehrreichste. Du kannst pro Sprecher eine eigene Anweisung geben, und genau daraus entsteht der Eindruck eines echten Gesprächs. Zwei gleich klingende Stimmen ergeben einen Vortrag mit verteilten Rollen.

Eigennamen, Abkürzungen und alles, was falsch klingt

Der Rest der Arbeit sind Sonderbegriffe. Hier gilt eine simple Regel: Was falsch ausgesprochen wird, schreibst du im Skript so, wie es klingen soll. Nicht wie es geschrieben wird.

Der EU AI Act enthält in Artikel 50 Transparenzpflichten. Für Betreiber gelten sie ab dem 2. August 2026. Dieses Datum steht fest, es ist von den Verschiebungen bei anderen Teilen des Gesetzes nicht betroffen.

Vier Fälle, einmal durchentschieden

Der Begriff, um den es geht, ist weiter gefasst als im Alltagsgebrauch. Gemeint sind alle künstlich erzeugten oder manipulierten Bild-, Ton- und Videoinhalte, die realen Personen, Orten oder Ereignissen ähneln und als echt erscheinen könnten. Eine Stimme, die nach einem Menschen klingt, fällt darunter, auch wenn niemand getäuscht werden sollte.

Was praktisch zu tun ist

1. Sichtbarer Hinweis dort, wo der Inhalt läuft. Ein Satz am Player oder in der Beschreibung reicht: dass die Stimme künstlich erzeugt ist.
2. Maschinenlesbar mitgeben, soweit dein Werkzeug das anbietet. Kennzeichnung in den Metadaten, teils auch als Wasserzeichen im Ton.
3. Einheitlich handhaben. Eine Formulierung, überall dieselbe. Nichts wirkt unglaubwürdiger als eine Kennzeichnung, die mal da ist und mal nicht.
4. Altbestand nicht nachkennzeichnen müssen. Für Inhalte, die vorher veröffentlicht wurden, gilt die Pflicht nicht rückwirkend. Freiwillig ist es trotzdem eine gute Idee.

Ein ehrlicher Hinweis zur Technik dahinter: Ob Wasserzeichen und Metadaten Weiterverarbeitung, Kompression und erneutes Kodieren überstehen, ist offen. Die Pflicht setzt darauf. Verlass dich deshalb nicht allein auf das Maschinenlesbare, sondern schreib den Hinweis auch hin, wo Menschen ihn sehen.

Die sechs Regeln auf einen Blick