{"id":128916,"date":"2026-11-17T07:48:55","date_gmt":"2026-11-17T06:48:55","guid":{"rendered":"https:\/\/startupvalley.news\/de\/?p=128916"},"modified":"2026-11-17T07:48:57","modified_gmt":"2026-11-17T06:48:57","slug":"captioncast-stimmen-verlage-ki","status":"publish","type":"post","link":"https:\/\/startupvalley.news\/de\/captioncast-stimmen-verlage-ki\/","title":{"rendered":"H\u00f6rb\u00fccher per KI-Plattform: CaptionCast senkt Produktionsh\u00fcrden f\u00fcr Verlage und Autoren"},"content":{"rendered":"\n
Ich bin Detlef Wiese, Tonmeister, Ingenieur und Unternehmer. Seit \u00fcber 30 Jahren besch\u00e4ftige ich mich mit Audiotechnologie \u2013 damit, wie wir Klang erzeugen, \u00fcbertragen und wahrnehmen. Als Musiker und Songwriter interessiert mich besonders die emotionale Seite: Wie k\u00f6nnen Geschichten h\u00f6rbar werden? Wie schaffen wir es, dass Menschen in eine Geschichte eintauchen und dort gehalten werden?<\/p>\n\n\n\n
Mit CaptionCast verbinden wir diese Erfahrung mit den M\u00f6glichkeiten k\u00fcnstlicher Intelligenz. Wir entwickeln eine Plattform, mit der Autoren und Verlage H\u00f6rb\u00fccher produzieren k\u00f6nnen: mit einer Erz\u00e4hlstimme, mehreren Figurenstimmen oder zus\u00e4tzlich mit Musik, Ger\u00e4uschen und Atmosph\u00e4re.<\/p>\n\n\n\n
Die Idee entstand aus der Beobachtung, dass viele interessante B\u00fccher nie als H\u00f6rbuch erscheinen, weil Aufwand und erwartete Erl\u00f6se nicht zusammenpassen. Gleichzeitig wurde die KI-Spracherzeugung zunehmend leistungsf\u00e4hig. F\u00fcr mich stellte sich deshalb die Frage: Wie k\u00f6nnen wir daraus einen vollst\u00e4ndigen Produktionsprozess entwickeln, der bezahlbar ist und unseren klanglichen Anspr\u00fcchen gerecht wird? Genau daran arbeiten wir mit CaptionCast.<\/p>\n\n\n\n
Eine wesentliche Erfahrung ist, dass technische Qualit\u00e4t und wahrgenommene Qualit\u00e4t zusammengeh\u00f6ren. Aus meiner Arbeit mit Audiocodierung und Psychoakustik wei\u00df ich, wie wichtig es ist, das menschliche H\u00f6ren zu verstehen. Ein technisch korrektes Signal kann trotzdem anstrengend oder unnat\u00fcrlich wirken. Umgekehrt k\u00f6nnen kleine Ver\u00e4nderungen eine gro\u00dfe Wirkung auf Verst\u00e4ndlichkeit und emotionales Erleben haben.<\/p>\n\n\n\n
Aus der Entwicklung professioneller Broadcastl\u00f6sungen bringe ich au\u00dferdem einen hohen Anspruch an Zuverl\u00e4ssigkeit mit. Eine beeindruckende Demonstration ist ein guter Anfang. Im Alltag muss eine L\u00f6sung jedoch \u00fcber viele Stunden und unterschiedliche Inhalte hinweg funktionieren. Korrekturen m\u00fcssen m\u00f6glich sein, Abl\u00e4ufe verst\u00e4ndlich bleiben und Ergebnisse reproduzierbar werden.<\/p>\n\n\n\n
Meine Arbeit mit binauralem und r\u00e4umlichem Audio hat meinen Blick daf\u00fcr gesch\u00e4rft, wie Klang N\u00e4he und Atmosph\u00e4re erzeugt. Diese Erfahrungen und meine Forschungsarbeit mit \u00fcber 30 Patenten flie\u00dfen heute in CaptionCast ein. Dabei hilft mir auch die Erfahrung als Gr\u00fcnder: Entscheidend ist, ob wir ein konkretes Problem unserer Kunden l\u00f6sen und ihnen Arbeit abnehmen.<\/p>\n\n\n\n
Eine professionelle H\u00f6rbuchproduktion umfasst viele Arbeitsschritte: Textvorbereitung, Besetzung, Aufnahme, Regie, Schnitt, Korrekturen und Mastering. Das hat seinen Wert, erfordert aber ein Budget, das sich bei kleineren Auflagen h\u00e4ufig schwer darstellen l\u00e4sst. So bleiben gerade Nischentitel, B\u00fccher kleiner Verlage und \u00e4ltere Titel aus dem Verlagsprogramm ohne Audioausgabe.<\/p>\n\n\n\n
Hinzu kommt die organisatorische H\u00fcrde. 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 Komplexit\u00e4t verringern. Wir f\u00fchren die wesentlichen Schritte auf einer Plattform zusammen und unterst\u00fctzen den Einstieg durch Onboarding.<\/p>\n\n\n\n
Unser Ziel ist, dass mehr B\u00fccher eine wirtschaftliche Chance als H\u00f6rbuch bekommen. Dabei bleiben Zeit f\u00fcr das Anh\u00f6ren, redaktionelle Entscheidungen und Korrekturen notwendig. Wir machen keine pauschale Zusage, dass jeder Titel rentabel wird. Aber wir m\u00f6chten die Schwelle deutlich senken, ab der sich eine Audiofassung \u00fcberhaupt pr\u00fcfen und realisieren l\u00e4sst.<\/p>\n\n\n\n
Am Anfang steht die Textgrundlage, typischerweise ein EPUB. Die Plattform analysiert die Struktur, erkennt Kapitel und untersucht, welche Passagen Erz\u00e4hltext und welche Dialoge sind. Bei einer Mehrstimmenproduktion werden Figuren und ihre Textanteile zugeordnet und passende Stimmen vorgeschlagen. Diese Zuordnung kann anschlie\u00dfend gepr\u00fcft und nachbearbeitet werden.<\/p>\n\n\n\n
Vor der eigentlichen Produktion m\u00fcssen auch redaktionelle Fragen gekl\u00e4rt werden: Was passiert mit Fu\u00dfnoten, Tabellen oder Abbildungen? Sollen sie beschrieben, angepasst oder ausgelassen werden? Solche Entscheidungen h\u00e4ngen vom Buch und den W\u00fcnschen des Rechteinhabers ab.<\/p>\n\n\n\n
Danach wird die Sprache abschnittsweise erzeugt. Wir verbinden daf\u00fcr Sprachmodelle zur Textanalyse mit unterschiedlichen Systemen zur Spracherzeugung. Je nach Produktionsform kommen Musik, Ger\u00e4usche und Atmosph\u00e4re hinzu. Anschlie\u00dfend folgen Korrekturen, die technische Aufbereitung und der Export.<\/p>\n\n\n\n
Die KI \u00fcbernimmt damit viel Analyse- und Produktionsarbeit. Der Mensch entscheidet \u00fcber die Gestaltung und h\u00f6rt das Ergebnis kritisch ab. Gerade bei mehrdeutigen Dialogen, ungew\u00f6hnlichen Namen oder anspruchsvollen Texten bleibt diese Kontrolle wesentlich.<\/p>\n\n\n\n
Wir nehmen eine Stimme als Zusammenspiel vieler Merkmale wahr: Klangfarbe, Sprachrhythmus, Betonung, Pausen und Dynamik. Eine Stimme kann in einem kurzen Beispiel sehr \u00fcberzeugend wirken und \u00fcber mehrere Stunden trotzdem erm\u00fcden. Bei einem H\u00f6rbuch m\u00fcssen wir deshalb immer den l\u00e4ngeren Erz\u00e4hlfluss beurteilen.<\/p>\n\n\n\n
Meine Erfahrung als Tonmeister hilft dabei, genauer hinzuh\u00f6ren: Passt die Betonung zum Sinn? Ist die Pause dramaturgisch sinnvoll? Bleibt die Stimme \u00fcber Kapitel hinweg konsistent? Unterst\u00fctzt eine musikalische Atmosph\u00e4re die Geschichte, und bleibt die Sprache dabei klar verst\u00e4ndlich?<\/p>\n\n\n\n
CaptionCast verbindet verschiedene KI-Bausteine mit redaktioneller Steuerung und Audiobearbeitung zu einem durchg\u00e4ngigen Produktionsablauf. Die reine Spracherzeugung ist ein Teil davon. Unser Anspruch umfasst das vollst\u00e4ndige H\u00f6rerlebnis bis hin zur Mischung und zum Mastering.<\/p>\n\n\n\n
Trotzdem hat die Technik Grenzen. Subtile Ironie, komplexe emotionale Entwicklungen oder sehr individuelle Interpretationen gelingen nicht automatisch. Wir pr\u00fcfen deshalb, welche Stimme und welches Verfahren zum jeweiligen Werk passen. F\u00fcr die sprachliche Bewertung beziehen wir auch linguistische Kompetenz ein und konzentrieren uns auf Sprachen, die wir selbst oder mit kompetenten Partnern beurteilen k\u00f6nnen.<\/p>\n\n\n\n
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 Ger\u00e4uschen? Diese Entscheidung bestimmt den weiteren Ablauf. Eine repr\u00e4sentative H\u00f6rprobe hilft dabei, Stimme und Gestaltung fr\u00fchzeitig abzustimmen.<\/p>\n\n\n\n
Autoren und Verlage k\u00f6nnen die Vorschl\u00e4ge der Plattform pr\u00fcfen, Zuordnungen nachbearbeiten und Passagen, die noch nicht passen, korrigieren oder neu erzeugen. Die abschlie\u00dfende Freigabe liegt beim Kunden. Im regul\u00e4ren Plattformmodell produziert er selbst; eine weitergehende Betreuung stimmen wir gesondert ab.<\/p>\n\n\n\n
Zur kreativen Kontrolle geh\u00f6rt auch, die Grenzen der verf\u00fcgbaren Funktionen ehrlich zu benennen. Eine eigene geklonte Stimme l\u00e4sst sich aktuell f\u00fcr die durchg\u00e4ngige Erz\u00e4hlerproduktion nutzen. Ihre Kombination mit bestehenden Stimmen im Mehrstimmenmodus ist derzeit nicht vorgesehen. Auch eine freie Besetzung ganzer Kapitel mit unterschiedlichen Erz\u00e4hlern ist aktuell nicht m\u00f6glich.<\/p>\n\n\n\n
Unser Grundsatz lautet: Die Plattform unterst\u00fctzt die Regieentscheidungen. Welche Interpretation dem Werk gerecht wird, entscheiden die Menschen, die daf\u00fcr verantwortlich sind.<\/p>\n\n\n\n
Florian und mich verbindet eine langj\u00e4hrige Zusammenarbeit in der Audiotechnologie. \u00dcber mehr als 15 Jahre lernt man sehr gut, wie der andere denkt, welche St\u00e4rken er hat und wie man auch schwierige Entwicklungsphasen gemeinsam bew\u00e4ltigt. Dieses gewachsene Vertrauen ist eine gro\u00dfe St\u00e4rke, gerade wenn man sich in einem so dynamischen Feld wie KI bewegt.<\/p>\n\n\n\n
Isabel bringt mit Marketing, Produktperspektive und ihrem Blick auf die Nutzer eine wichtige Erg\u00e4nzung ein. Sie besch\u00e4ftigt sich damit, wie wir unsere Technologie verst\u00e4ndlich vermitteln und wie Menschen mit der Plattform tats\u00e4chlich arbeiten m\u00f6chten. Dass wir als Vater und Tochter zusammenarbeiten, schafft N\u00e4he und Vertrauen. Im Unternehmen z\u00e4hlen zugleich klare Verantwortlichkeiten und die Qualit\u00e4t unserer Beitr\u00e4ge.<\/p>\n\n\n\n
Unser Team lebt insgesamt von unterschiedlichen Erfahrungen. Sehr erfahrene Entwickler arbeiten mit j\u00fcngeren Kolleginnen und Kollegen, auch Werkstudierenden, zusammen, die neue Perspektiven mitbringen. Wir verstehen uns als modernes Startup, in dem alle auf Augenh\u00f6he arbeiten. Jeder liefert etwas und ist zugleich auf die Arbeit der anderen angewiesen. Daf\u00fcr brauchen wir Offenheit, Vertrauen und die Bereitschaft, voneinander zu lernen.<\/p>\n\n\n\n
Ich nehme die Sorgen professioneller Sprecherinnen und Sprecher ernst. Eine Stimme ist eng mit der Pers\u00f6nlichkeit verbunden und h\u00e4ufig das Ergebnis vieler Jahre Ausbildung und Berufserfahrung. Wer daraus kommerziellen Nutzen zieht, tr\u00e4gt Verantwortung. Die Ver\u00e4nderungen im Markt k\u00f6nnen auch bestehende Auftr\u00e4ge betreffen; das sollte man offen ansprechen.<\/p>\n\n\n\n
Wir m\u00f6chten professionelle Stimmen bewusst einbinden und M\u00f6glichkeiten schaffen, an ihrer digitalen Nutzung zu verdienen. Daf\u00fcr braucht es eine freiwillige, informierte Zustimmung, klar vereinbarte Nutzungsrechte und eine nachvollziehbare Verg\u00fctung. Niemand sollte feststellen m\u00fcssen, dass seine Stimme ohne sein Wissen f\u00fcr Inhalte eingesetzt wird.<\/p>\n\n\n\n
Gleichzeitig sehen wir die Chance, B\u00fccher h\u00f6rbar zu machen, die bisher keine Audiofassung bekommen h\u00e4tten. Wie gro\u00df dieser zus\u00e4tzliche Markt wird, h\u00e4ngt auch davon ab, ob die Produktionen qualitativ \u00fcberzeugen.<\/p>\n\n\n\n
Unternehmen wie unseres m\u00fcssen deshalb technische M\u00f6glichkeiten und verantwortliche Nutzung gemeinsam entwickeln. Dazu geh\u00f6ren Schutz vor Missbrauch, Transparenz gegen\u00fcber dem Publikum und ein ehrlicher Umgang mit den Grenzen der Technik. Professionelle Interpretation, Regie und sprachliches Urteilsverm\u00f6gen behalten dabei ihren Wert.<\/p>\n\n\n\n
Wir m\u00f6chten zun\u00e4chst ein kuratiertes Portfolio ausgew\u00e4hlter professioneller Stimmen aufbauen. Die Sprecherinnen und Sprecher sollen mit einem Profil und H\u00f6rproben sichtbar werden, damit Verlage bewusst eine passende Stimme ausw\u00e4hlen k\u00f6nnen.<\/p>\n\n\n\n
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 Erl\u00f6sen aus der jeweiligen Stimmenlizenz vorgesehen. Die genaue Berechnungsgrundlage, Abrechnung und vertraglichen Bedingungen m\u00fcssen daf\u00fcr eindeutig festgelegt werden.<\/p>\n\n\n\n
Ebenso wichtig ist die Kontrolle \u00fcber den Einsatz: Welche Inhalte und Nutzungsarten sind erlaubt? Welche sind ausgeschlossen? Wie werden Laufzeit, K\u00fcndigung und bereits ver\u00f6ffentlichte Produktionen behandelt? Das muss vor der Nutzung gekl\u00e4rt sein.<\/p>\n\n\n\n
Auch beim Thema Training brauchen wir pr\u00e4zise Vereinbarungen. Die ausdr\u00fccklich 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 m\u00fcssen durch die gesamte technische Verarbeitungskette getragen werden. So erhalten Sprecher eine nachvollziehbare zus\u00e4tzliche Einnahmem\u00f6glichkeit und Verlage verl\u00e4sslich lizenzierte Stimmen.<\/p>\n\n\n\n
Die Herausforderung besteht darin, die gesamte Verarbeitungskette zu betrachten. Ein europ\u00e4ischer Serverstandort allein beantwortet noch nicht, wo ein eingebundener KI-Dienst Daten verarbeitet, welche Informationen gespeichert werden und wer darauf zugreifen kann. Deshalb m\u00fcssen technische Architektur, Anbieterauswahl und vertragliche Regelungen zusammenpassen. Wir arbeiten am Ausbau europ\u00e4ischer Verarbeitungsm\u00f6glichkeiten und pr\u00fcfen Zusagen wie \u201eNo Training\u201c f\u00fcr die jeweils eingesetzten Dienste und Konfigurationen.<\/p>\n\n\n\n
Bei den Rechten unterscheiden wir zwischen dem Buchtext, der verwendeten Stimme und zus\u00e4tzlichen Elementen wie Musik oder Ger\u00e4uschen. F\u00fcr alle Bestandteile m\u00fcssen die ben\u00f6tigten Nutzungsrechte gekl\u00e4rt sein. Gerade bei einer geklonten Stimme braucht es eine ausdr\u00fcckliche Vereinbarung \u00fcber die digitale Nutzung.<\/p>\n\n\n\n
Transparenz gegen\u00fcber den H\u00f6rern geh\u00f6rt f\u00fcr 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 gegen\u00fcber dem Publikum.<\/p>\n\n\n\n
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 weiterzuf\u00fchren.<\/p>\n\n\n\n
Die Auszeichnung f\u00fcr CaptionCast Studio ist f\u00fcr uns eine sch\u00f6ne Anerkennung aus der professionellen Audiobranche. Wenn Fachleute den Ansatz und seinen praktischen Nutzen w\u00fcrdigen, gibt das dem Team R\u00fcckenwind. Gerade in einer fr\u00fchen Unternehmensphase hilft eine solche externe Wahrnehmung auch dabei, Gespr\u00e4che mit potenziellen Partnern zu er\u00f6ffnen.<\/p>\n\n\n\n
Aus der Verlagsbranche erleben wir Interesse, verbunden mit sehr konkreten Fragen: Wie nat\u00fcrlich klingt ein ganzes Buch? Wie viel Nachbearbeitung bleibt? K\u00f6nnen Fachbegriffe, Dialoge oder Abbildungen sinnvoll behandelt werden? Was passiert mit den Daten, und wie sind die Rechte geregelt? Diese R\u00fcckmeldungen helfen uns, die Plattform an tats\u00e4chlichen Produktionsanforderungen auszurichten.<\/p>\n\n\n\n
F\u00fcr die n\u00e4chsten Schritte stehen deshalb die Erfahrungen aus Kundenproduktionen im Mittelpunkt. Wir wollen Qualit\u00e4t, Bedienbarkeit und Onboarding weiter verbessern und wiederkehrende Produktionsabl\u00e4ufe vereinfachen. Hinzu kommen der Aufbau des professionellen Stimmenportfolios und der Ausbau europ\u00e4ischer Verarbeitungsm\u00f6glichkeiten.<\/p>\n\n\n\n
Mit unserem inzwischen 13-k\u00f6pfigen Team k\u00f6nnen wir diese Themen aus unterschiedlichen Perspektiven bearbeiten. Entscheidend bleibt f\u00fcr uns, dass aus einer \u00fcberzeugenden Idee ein verl\u00e4ssliches Werkzeug f\u00fcr den t\u00e4glichen Einsatz wird.<\/p>\n\n\n\n
Meine Vision ist, dass deutlich mehr Geschichten und Wissen h\u00f6rbar werden. Dazu geh\u00f6ren B\u00fccher kleiner Verlage, besondere Nischenthemen und Werke, deren Audiofassung bisher wirtschaftlich kaum m\u00f6glich war. Zugleich interessieren mich neue Erz\u00e4hlformen: mehrstimmige Produktionen und H\u00f6rspiele mit Musik, Ger\u00e4uschen und r\u00e4umlicher Atmosph\u00e4re, die Menschen noch tiefer in eine Geschichte hineinziehen.<\/p>\n\n\n\n
KI kann die Produktionsschwelle senken und mehr Experimente erm\u00f6glichen. Mit einem gr\u00f6\u00dferen Angebot werden aber auch Auswahl, redaktionelle Qualit\u00e4t und Vertrauen wichtiger. Wir m\u00fcssen Inhalte schaffen, denen Menschen gern zuh\u00f6ren und die sie weiterempfehlen.<\/p>\n\n\n\n
Anderen Gr\u00fcnderinnen und Gr\u00fcndern w\u00fcrde ich drei Dinge mitgeben:<\/p>\n\n\n\n
Beginnt bei einem konkreten Problem eurer Branche.<\/strong> Langj\u00e4hrige Erfahrung ist besonders wertvoll, wenn ihr damit erkennt, wo Kunden Zeit verlieren, Kosten tragen oder bisher auf eine L\u00f6sung verzichten m\u00fcssen.<\/p>\n\n\n\n Verbindet Erfahrung mit neuen Perspektiven.<\/strong> Holt Menschen ins Team, die andere Kompetenzen haben, Fragen stellen und eure Annahmen herausfordern. Gebt auch j\u00fcngeren Kolleginnen und Kollegen echte Verantwortung.<\/p>\n\n\n\n Geht fr\u00fch mit realen Anwendungen zu Kunden.<\/strong> Pr\u00fcft, ob euer Produkt im Alltag hilft, h\u00f6rt auf R\u00fcckmeldungen und entwickelt es daran weiter. Zur unternehmerischen Ausdauer geh\u00f6rt f\u00fcr mich auch, den eigenen Ansatz zu ver\u00e4ndern, wenn die Praxis es verlangt.<\/p>\n\n\n\n Fotocredits: Thomas Wieland<\/p>\n\n\n\n Wir bedanken uns bei Detlef Wiese<\/a>\u00a0f\u00fcr das Interview<\/p>\n\n\n\n Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder.<\/p>\n\n\n\n