Dienstag, November 17, 2026
StartInterviewsHörbücher per KI-Plattform: CaptionCast senkt Produktionshürden für Verlage und Autoren

Hörbücher per KI-Plattform: CaptionCast senkt Produktionshürden für Verlage und Autoren

CaptionCast entwickelt eine KI-gestützte Plattform, mit der Verlage Hörbücher produzieren und unterschiedliche Stimmen für die Vertonung ihrer Geschichten einsetzen können.

Detlef, kannst du dich und CaptionCast kurz vorstellen und erzählen, wie aus deiner langjährigen Erfahrung als Tonmeister die Idee entstanden ist, eine KI-gestützte Plattform für die Hörbuchproduktion zu entwickeln?

Ich bin Detlef Wiese, Tonmeister, Ingenieur und Unternehmer. Seit über 30 Jahren beschäftige ich mich mit Audiotechnologie – damit, wie wir Klang erzeugen, übertragen und wahrnehmen. Als Musiker und Songwriter interessiert mich besonders die emotionale Seite: Wie können Geschichten hörbar werden? Wie schaffen wir es, dass Menschen in eine Geschichte eintauchen und dort gehalten werden?

Mit CaptionCast verbinden wir diese Erfahrung mit den Möglichkeiten künstlicher Intelligenz. Wir entwickeln eine Plattform, mit der Autoren und Verlage Hörbücher produzieren können: mit einer Erzählstimme, mehreren Figurenstimmen oder zusätzlich mit Musik, Geräuschen und Atmosphäre.

Die Idee entstand aus der Beobachtung, dass viele interessante Bücher nie als Hörbuch erscheinen, weil Aufwand und erwartete Erlöse nicht zusammenpassen. Gleichzeitig wurde die KI-Spracherzeugung zunehmend leistungsfähig. Für mich stellte sich deshalb die Frage: Wie können wir daraus einen vollständigen Produktionsprozess entwickeln, der bezahlbar ist und unseren klanglichen Ansprüchen gerecht wird? Genau daran arbeiten wir mit CaptionCast.

Du beschäftigst dich seit über 30 Jahren mit Audiotechnologie, hast bereits mehrere Unternehmen gegründet und hältst verschiedene Patente. Welche Erfahrungen aus deinen bisherigen Projekten haben dich besonders geprägt und wie fließen sie heute in die Entwicklung von CaptionCast ein?

Eine wesentliche Erfahrung ist, dass technische Qualität und wahrgenommene Qualität zusammengehören. Aus meiner Arbeit mit Audiocodierung und Psychoakustik weiß ich, wie wichtig es ist, das menschliche Hören zu verstehen. Ein technisch korrektes Signal kann trotzdem anstrengend oder unnatürlich wirken. Umgekehrt können kleine Veränderungen eine große Wirkung auf Verständlichkeit und emotionales Erleben haben.

Aus der Entwicklung professioneller Broadcastlösungen bringe ich außerdem einen hohen Anspruch an Zuverlässigkeit mit. Eine beeindruckende Demonstration ist ein guter Anfang. Im Alltag muss eine Lösung jedoch über viele Stunden und unterschiedliche Inhalte hinweg funktionieren. Korrekturen müssen möglich sein, Abläufe verständlich bleiben und Ergebnisse reproduzierbar werden.

Meine Arbeit mit binauralem und räumlichem Audio hat meinen Blick dafür geschärft, wie Klang Nähe und Atmosphäre erzeugt. Diese Erfahrungen und meine Forschungsarbeit mit über 30 Patenten fließen heute in CaptionCast ein. Dabei hilft mir auch die Erfahrung als Gründer: Entscheidend ist, ob wir ein konkretes Problem unserer Kunden lösen und ihnen Arbeit abnehmen.

Die professionelle Produktion eines Hörbuchs ist für kleinere Verlage und unabhängige Autoren häufig mit hohen Kosten verbunden. Welche konkreten Probleme hast du in der Branche erkannt und wie möchtest du mit CaptionCast den Zugang zum Hörbuchmarkt verändern?

Eine professionelle Hörbuchproduktion umfasst viele Arbeitsschritte: Textvorbereitung, Besetzung, Aufnahme, Regie, Schnitt, Korrekturen und Mastering. Das hat seinen Wert, erfordert aber ein Budget, das sich bei kleineren Auflagen häufig schwer darstellen lässt. So bleiben gerade Nischentitel, Bücher kleiner Verlage und ältere Titel aus dem Verlagsprogramm ohne Audioausgabe.

Hinzu kommt die organisatorische Hürde. Ein Autor oder kleiner Verlag hat nicht unbedingt ein eigenes Audioteam, das all diese Schritte koordinieren kann. CaptionCast soll deshalb sowohl die Produktionskosten als auch die Komplexität verringern. Wir führen die wesentlichen Schritte auf einer Plattform zusammen und unterstützen den Einstieg durch Onboarding.

Unser Ziel ist, dass mehr Bücher eine wirtschaftliche Chance als Hörbuch bekommen. Dabei bleiben Zeit für das Anhören, redaktionelle Entscheidungen und Korrekturen notwendig. Wir machen keine pauschale Zusage, dass jeder Titel rentabel wird. Aber wir möchten die Schwelle deutlich senken, ab der sich eine Audiofassung überhaupt prüfen und realisieren lässt.

CaptionCast analysiert Manuskripte, erkennt Kapitel und Dialoge und schlägt passende Stimmen vor. Wie funktioniert dieser Prozess im Detail und welche Aufgaben übernimmt die künstliche Intelligenz bei der Erstellung eines vollständigen Hörbuchs?

Am Anfang steht die Textgrundlage, typischerweise ein EPUB. Die Plattform analysiert die Struktur, erkennt Kapitel und untersucht, welche Passagen Erzähltext und welche Dialoge sind. Bei einer Mehrstimmenproduktion werden Figuren und ihre Textanteile zugeordnet und passende Stimmen vorgeschlagen. Diese Zuordnung kann anschließend geprüft und nachbearbeitet werden.

Vor der eigentlichen Produktion müssen auch redaktionelle Fragen geklärt werden: Was passiert mit Fußnoten, Tabellen oder Abbildungen? Sollen sie beschrieben, angepasst oder ausgelassen werden? Solche Entscheidungen hängen vom Buch und den Wünschen des Rechteinhabers ab.

Danach wird die Sprache abschnittsweise erzeugt. Wir verbinden dafür Sprachmodelle zur Textanalyse mit unterschiedlichen Systemen zur Spracherzeugung. Je nach Produktionsform kommen Musik, Geräusche und Atmosphäre hinzu. Anschließend folgen Korrekturen, die technische Aufbereitung und der Export.

Die KI übernimmt damit viel Analyse- und Produktionsarbeit. Der Mensch entscheidet über die Gestaltung und hört das Ergebnis kritisch ab. Gerade bei mehrdeutigen Dialogen, ungewöhnlichen Namen oder anspruchsvollen Texten bleibt diese Kontrolle wesentlich.

Viele KI-generierte Stimmen wirken noch immer künstlich oder können Emotionen nur eingeschränkt vermitteln. Welche Rolle spielen Psychoakustik und deine Erfahrung als Tonmeister bei der Entwicklung von CaptionCast und wodurch unterscheidet sich eure Technologie von klassischen Text-to-Speech-Lösungen?

Wir nehmen eine Stimme als Zusammenspiel vieler Merkmale wahr: Klangfarbe, Sprachrhythmus, Betonung, Pausen und Dynamik. Eine Stimme kann in einem kurzen Beispiel sehr überzeugend wirken und über mehrere Stunden trotzdem ermüden. Bei einem Hörbuch müssen wir deshalb immer den längeren Erzählfluss beurteilen.

Meine Erfahrung als Tonmeister hilft dabei, genauer hinzuhören: Passt die Betonung zum Sinn? Ist die Pause dramaturgisch sinnvoll? Bleibt die Stimme über Kapitel hinweg konsistent? Unterstützt eine musikalische Atmosphäre die Geschichte, und bleibt die Sprache dabei klar verständlich?

CaptionCast verbindet verschiedene KI-Bausteine mit redaktioneller Steuerung und Audiobearbeitung zu einem durchgängigen Produktionsablauf. Die reine Spracherzeugung ist ein Teil davon. Unser Anspruch umfasst das vollständige Hörerlebnis bis hin zur Mischung und zum Mastering.

Trotzdem hat die Technik Grenzen. Subtile Ironie, komplexe emotionale Entwicklungen oder sehr individuelle Interpretationen gelingen nicht automatisch. Wir prüfen deshalb, welche Stimme und welches Verfahren zum jeweiligen Werk passen. Für die sprachliche Bewertung beziehen wir auch linguistische Kompetenz ein und konzentrieren uns auf Sprachen, die wir selbst oder mit kompetenten Partnern beurteilen können.

Bei Hörbüchern kommt es nicht nur auf eine verständliche Stimme an, sondern auch auf Atmosphäre, Betonung und die Interpretation einer Geschichte. Wie stellt ihr sicher, dass die kreative Kontrolle bei Autoren und Verlagen bleibt und individuelle Vorstellungen bei der Audioproduktion berücksichtigt werden können?

Wir beginnen mit der Frage, wie das Buch klingen soll. Soll es eine ruhige Lesung sein, eine Produktion mit unterschiedlichen Figurenstimmen oder eine Inszenierung mit Musik und Geräuschen? Diese Entscheidung bestimmt den weiteren Ablauf. Eine repräsentative Hörprobe hilft dabei, Stimme und Gestaltung frühzeitig abzustimmen.

Autoren und Verlage können die Vorschläge der Plattform prüfen, Zuordnungen nachbearbeiten und Passagen, die noch nicht passen, korrigieren oder neu erzeugen. Die abschließende Freigabe liegt beim Kunden. Im regulären Plattformmodell produziert er selbst; eine weitergehende Betreuung stimmen wir gesondert ab.

Zur kreativen Kontrolle gehört auch, die Grenzen der verfügbaren Funktionen ehrlich zu benennen. Eine eigene geklonte Stimme lässt sich aktuell für die durchgängige Erzählerproduktion nutzen. Ihre Kombination mit bestehenden Stimmen im Mehrstimmenmodus ist derzeit nicht vorgesehen. Auch eine freie Besetzung ganzer Kapitel mit unterschiedlichen Erzählern ist aktuell nicht möglich.

Unser Grundsatz lautet: Die Plattform unterstützt die Regieentscheidungen. Welche Interpretation dem Werk gerecht wird, entscheiden die Menschen, die dafür verantwortlich sind.

Du arbeitest mit CTO Florian Wickert bereits seit mehr als 15 Jahren zusammen, und mit deiner Tochter Isabel Wiese ist auch die nächste Generation im Gründerteam vertreten. Wie ist diese besondere Teamkonstellation entstanden und welche Vorteile bringt die Verbindung aus langjähriger Zusammenarbeit, unterschiedlichen Erfahrungen und familiärem Vertrauen mit sich?

Florian und mich verbindet eine langjährige Zusammenarbeit in der Audiotechnologie. Über mehr als 15 Jahre lernt man sehr gut, wie der andere denkt, welche Stärken er hat und wie man auch schwierige Entwicklungsphasen gemeinsam bewältigt. Dieses gewachsene Vertrauen ist eine große Stärke, gerade wenn man sich in einem so dynamischen Feld wie KI bewegt.

Isabel bringt mit Marketing, Produktperspektive und ihrem Blick auf die Nutzer eine wichtige Ergänzung ein. Sie beschäftigt sich damit, wie wir unsere Technologie verständlich vermitteln und wie Menschen mit der Plattform tatsächlich arbeiten möchten. Dass wir als Vater und Tochter zusammenarbeiten, schafft Nähe und Vertrauen. Im Unternehmen zählen zugleich klare Verantwortlichkeiten und die Qualität unserer Beiträge.

Unser Team lebt insgesamt von unterschiedlichen Erfahrungen. Sehr erfahrene Entwickler arbeiten mit jüngeren Kolleginnen und Kollegen, auch Werkstudierenden, zusammen, die neue Perspektiven mitbringen. Wir verstehen uns als modernes Startup, in dem alle auf Augenhöhe arbeiten. Jeder liefert etwas und ist zugleich auf die Arbeit der anderen angewiesen. Dafür brauchen wir Offenheit, Vertrauen und die Bereitschaft, voneinander zu lernen.

Der Einsatz künstlicher Intelligenz in der Kreativbranche wird kontrovers diskutiert, insbesondere wenn es um die Zukunft professioneller Sprecher geht. Wie positionierst du CaptionCast in dieser Debatte und welche Verantwortung tragen aus deiner Sicht Unternehmen, die KI-generierte Stimmen kommerziell einsetzen?

Ich nehme die Sorgen professioneller Sprecherinnen und Sprecher ernst. Eine Stimme ist eng mit der Persönlichkeit verbunden und häufig das Ergebnis vieler Jahre Ausbildung und Berufserfahrung. Wer daraus kommerziellen Nutzen zieht, trägt Verantwortung. Die Veränderungen im Markt können auch bestehende Aufträge betreffen; das sollte man offen ansprechen.

Wir möchten professionelle Stimmen bewusst einbinden und Möglichkeiten schaffen, an ihrer digitalen Nutzung zu verdienen. Dafür braucht es eine freiwillige, informierte Zustimmung, klar vereinbarte Nutzungsrechte und eine nachvollziehbare Vergütung. Niemand sollte feststellen müssen, dass seine Stimme ohne sein Wissen für Inhalte eingesetzt wird.

Gleichzeitig sehen wir die Chance, Bücher hörbar zu machen, die bisher keine Audiofassung bekommen hätten. Wie groß dieser zusätzliche Markt wird, hängt auch davon ab, ob die Produktionen qualitativ überzeugen.

Unternehmen wie unseres müssen deshalb technische Möglichkeiten und verantwortliche Nutzung gemeinsam entwickeln. Dazu gehören Schutz vor Missbrauch, Transparenz gegenüber dem Publikum und ein ehrlicher Umgang mit den Grenzen der Technik. Professionelle Interpretation, Regie und sprachliches Urteilsvermögen behalten dabei ihren Wert.

Ihr plant einen Marktplatz, auf dem professionelle Sprecher ihre Stimmen freiwillig zur Verfügung stellen und dafür transparent vergütet werden können. Wie soll dieses Modell funktionieren und welche Voraussetzungen müssen erfüllt sein, damit sowohl Sprecher als auch Verlage davon profitieren?

Wir möchten zunächst ein kuratiertes Portfolio ausgewählter professioneller Stimmen aufbauen. Die Sprecherinnen und Sprecher sollen mit einem Profil und Hörproben sichtbar werden, damit Verlage bewusst eine passende Stimme auswählen können.

Geplant ist, die lizenzierte Nutzung einer digitalen Stimme gesondert abzurechnen und die betreffende Person daran zu beteiligen. Als Ausgangspunkt haben wir eine Beteiligung von 30 Prozent an den Erlösen aus der jeweiligen Stimmenlizenz vorgesehen. Die genaue Berechnungsgrundlage, Abrechnung und vertraglichen Bedingungen müssen dafür eindeutig festgelegt werden.

Ebenso wichtig ist die Kontrolle über den Einsatz: Welche Inhalte und Nutzungsarten sind erlaubt? Welche sind ausgeschlossen? Wie werden Laufzeit, Kündigung und bereits veröffentlichte Produktionen behandelt? Das muss vor der Nutzung geklärt sein.

Auch beim Thema Training brauchen wir präzise Vereinbarungen. Die ausdrücklich erlaubte Erstellung einer digitalen Stimme ist von einer Nutzung der Aufnahmen zum allgemeinen Modelltraining zu unterscheiden. Unser Ziel ist eine zweckgebundene Nutzung ohne unkontrollierte Weitergabe. Diese Schutzvorgaben müssen durch die gesamte technische Verarbeitungskette getragen werden. So erhalten Sprecher eine nachvollziehbare zusätzliche Einnahmemöglichkeit und Verlage verlässlich lizenzierte Stimmen.

CaptionCast setzt auf europäische Datenschutzstandards und bereitet sich auf die Anforderungen des EU AI Act vor. Welche Herausforderungen entstehen dadurch bei der Entwicklung eurer Plattform und wie geht ihr mit Fragen zu Urheberrechten, Stimmrechten und der Kennzeichnung KI-generierter Hörbücher um?

Die Herausforderung besteht darin, die gesamte Verarbeitungskette zu betrachten. Ein europäischer Serverstandort allein beantwortet noch nicht, wo ein eingebundener KI-Dienst Daten verarbeitet, welche Informationen gespeichert werden und wer darauf zugreifen kann. Deshalb müssen technische Architektur, Anbieterauswahl und vertragliche Regelungen zusammenpassen. Wir arbeiten am Ausbau europäischer Verarbeitungsmöglichkeiten und prüfen Zusagen wie „No Training“ für die jeweils eingesetzten Dienste und Konfigurationen.

Bei den Rechten unterscheiden wir zwischen dem Buchtext, der verwendeten Stimme und zusätzlichen Elementen wie Musik oder Geräuschen. Für alle Bestandteile müssen die benötigten Nutzungsrechte geklärt sein. Gerade bei einer geklonten Stimme braucht es eine ausdrückliche Vereinbarung über die digitale Nutzung.

Transparenz gegenüber den Hörern gehört für mich ebenfalls dazu. Wir wollen klar erkennbar machen, wenn eine Produktion KI-generierte Stimmen verwendet. Die Anforderungen des AI Act betreffen dabei unter anderem die technische Erkennbarkeit synthetischer Inhalte und, je nach Anwendung, die Offenlegung gegenüber dem Publikum.

Das sind laufende Aufgaben in der Produktentwicklung. Unser Anspruch ist, konkrete Verfahren und belastbare Vereinbarungen zu schaffen und diese mit der technischen und rechtlichen Entwicklung weiterzuführen.

Mit inzwischen 13 Teammitgliedern und dem RedTech IBC Best in Show Award 2026 hat CaptionCast bereits wichtige Entwicklungsschritte erreicht. Welche Bedeutung hat diese Auszeichnung für euch, welche Rückmeldungen erhaltet ihr aus der Verlagsbranche und welche nächsten Meilensteine stehen für das Unternehmen an?

Die Auszeichnung für CaptionCast Studio ist für uns eine schöne Anerkennung aus der professionellen Audiobranche. Wenn Fachleute den Ansatz und seinen praktischen Nutzen würdigen, gibt das dem Team Rückenwind. Gerade in einer frühen Unternehmensphase hilft eine solche externe Wahrnehmung auch dabei, Gespräche mit potenziellen Partnern zu eröffnen.

Aus der Verlagsbranche erleben wir Interesse, verbunden mit sehr konkreten Fragen: Wie natürlich klingt ein ganzes Buch? Wie viel Nachbearbeitung bleibt? Können Fachbegriffe, Dialoge oder Abbildungen sinnvoll behandelt werden? Was passiert mit den Daten, und wie sind die Rechte geregelt? Diese Rückmeldungen helfen uns, die Plattform an tatsächlichen Produktionsanforderungen auszurichten.

Für die nächsten Schritte stehen deshalb die Erfahrungen aus Kundenproduktionen im Mittelpunkt. Wir wollen Qualität, Bedienbarkeit und Onboarding weiter verbessern und wiederkehrende Produktionsabläufe vereinfachen. Hinzu kommen der Aufbau des professionellen Stimmenportfolios und der Ausbau europäischer Verarbeitungsmöglichkeiten.

Mit unserem inzwischen 13-köpfigen Team können wir diese Themen aus unterschiedlichen Perspektiven bearbeiten. Entscheidend bleibt für uns, dass aus einer überzeugenden Idee ein verlässliches Werkzeug für den täglichen Einsatz wird.

Welche langfristige Vision verfolgst du mit CaptionCast, wie könnte künstliche Intelligenz den Hörbuchmarkt in den kommenden Jahren verändern und welche drei Ratschläge würdest du anderen Gründerinnen und Gründern geben, die ihre langjährige Branchenerfahrung in ein innovatives Technologieunternehmen einbringen möchten?

Meine Vision ist, dass deutlich mehr Geschichten und Wissen hörbar werden. Dazu gehören Bücher kleiner Verlage, besondere Nischenthemen und Werke, deren Audiofassung bisher wirtschaftlich kaum möglich war. Zugleich interessieren mich neue Erzählformen: mehrstimmige Produktionen und Hörspiele mit Musik, Geräuschen und räumlicher Atmosphäre, die Menschen noch tiefer in eine Geschichte hineinziehen.

KI kann die Produktionsschwelle senken und mehr Experimente ermöglichen. Mit einem größeren Angebot werden aber auch Auswahl, redaktionelle Qualität und Vertrauen wichtiger. Wir müssen Inhalte schaffen, denen Menschen gern zuhören und die sie weiterempfehlen.

Anderen Gründerinnen und Gründern würde ich drei Dinge mitgeben:

Beginnt bei einem konkreten Problem eurer Branche. Langjährige Erfahrung ist besonders wertvoll, wenn ihr damit erkennt, wo Kunden Zeit verlieren, Kosten tragen oder bisher auf eine Lösung verzichten müssen.

Verbindet Erfahrung mit neuen Perspektiven. Holt Menschen ins Team, die andere Kompetenzen haben, Fragen stellen und eure Annahmen herausfordern. Gebt auch jüngeren Kolleginnen und Kollegen echte Verantwortung.

Geht früh mit realen Anwendungen zu Kunden. Prüft, ob euer Produkt im Alltag hilft, hört auf Rückmeldungen und entwickelt es daran weiter. Zur unternehmerischen Ausdauer gehört für mich auch, den eigenen Ansatz zu verändern, wenn die Praxis es verlangt.

Fotocredits: Thomas Wieland

Wir bedanken uns bei Detlef Wiese für das Interview

Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder.

StartupValley
StartupValley
Das StartupValley Magazin ist Europas großes Magazin für Start-ups, Gründer und Entrepreneure. Ihr findet bei uns Tagesaktuelle News zu den neuesten Trends, Technologien und Geschäftsmodellen der internationalen Startup-Szene sowie Interviews mit erfolgreichen Gründern und Investoren.

StartupValley Venture

FUNDING
ALERTS

⚡ Täglich aktuelle VC-Deals & Investment-News

🎯 Direkt in deinen WhatsApp-Feed

🚀 100% kostenlos für Gründer & Investoren

Verpasse keinen wichtigen Deal mehr.
Jetzt kostenlos im Insider-Kanal anmelden.

Zum WhatsApp Kanal

⚡ Echtzeit-Updates • 100% Kostenlos • Kein Spam

- Advertisement -

PREMIUM STARTUPS

Neueste Beiträge

spot_img
spot_img
spot_img
spot_img

Das könnte dir auch gefallen!