Künstliche Intelligenz könnte den Hörbuchmarkt grundlegend verändern und die Produktion auch für kleinere Verlage und unabhängige Autoren wirtschaftlich machen. Im Interview mit Startupmag erklärt CaptionCast-Gründer und Tonmeister mit über 30 Jahren Erfahrung, wie sein Unternehmen KI für die Hörbuchproduktion einsetzt, wo die Grenzen der Technologie liegen und welche Folgen die Entwicklung für professionelle Sprecherinnen und Sprecher haben könnte.
Detlef, du bist Tonmeister mit über 30 Jahren Audioerfahrung und hast zuvor Binauric gegründet. Wie kam es zu CaptionCast, und was hast du aus der früheren Gründung mitgenommen?
Mich beschäftigt seit über 30 Jahren die Frage, wie Technik dazu beitragen kann, dass Menschen Audio besser erleben. Bei meinen bisherigen Unternehmen ging es dabei unter anderem um Audioübertragung, Klangqualität und räumliches Hören. Mit CaptionCast kommen weitere Fragen hinzu: Wie schaffen wir es, dass mehr gute Inhalte überhaupt hörbar werden? Wie können Menschen in immersive Geschichten eintauchen und über die gesamte Erzählung darin bleiben?
Für viele Bücher rechnet sich eine klassische Hörbuchproduktion bislang kaum. Gleichzeitig hat die KI-Spracherzeugung einen Stand erreicht, mit dem sich neue Möglichkeiten eröffnen. Mich hat interessiert, daraus einen vollständigen Produktionsprozess zu entwickeln – mit den Gestaltungsmöglichkeiten und der Qualitätskontrolle, die ein Hörbuch braucht.
Aus früheren Gründungen habe ich vor allem mitgenommen: Eine faszinierende Technologie allein reicht nicht. Sie muss ein konkretes Problem lösen und im Alltag der Kunden funktionieren. Dein Pain Points finden – genau dort beginnt für mich die eigentliche Entwicklungsarbeit.
Dein Team ist über viele Jahre gewachsen: CTO Florian Wickert kennst du seit über 15 Jahren, deine Tochter Isabel leitet das Marketing. Wie funktioniert die Zusammenarbeit, und was ist das Besondere an einem Familienunternehmen im Startup-Umfeld?
Wenn man sich wie Florian und ich seit über 15 Jahren kennt, entsteht eine sehr wertvolle gemeinsame Arbeitsgrundlage. Man kennt die Stärken des anderen und kann auch schwierige Fragen direkt ansprechen. Gerade bei einem jungen Unternehmen hilft das, weil wir ständig Entscheidungen unter Unsicherheit treffen müssen.
Isabel bringt neben dem Marketing besonders die Perspektive der Nutzer ein: Versteht jemand unser Angebot? Findet er sich auf der Plattform zurecht? Was braucht ein Verlag tatsächlich, um damit arbeiten zu können? Das ergänzt meinen eher technischen Blick sehr gut.
Die familiäre Verbindung schafft Nähe und Vertrauen. Gleichzeitig braucht es klare Zuständigkeiten und die Bereitschaft, einander fachlich zu widersprechen. Für mich funktioniert das dann gut, wenn jeder einen eigenen Verantwortungsbereich hat. Und natürlich lebt CaptionCast vom gesamten Team – von erfahrenen Audioentwicklern genauso wie von jüngeren Kolleginnen und Kollegen, darunter auch Werkstudierende, die neue Sichtweisen und KI-Kompetenz mitbringen.
Jetzt ist meine Frau Hanna Dudel-Wiese mit zum Team gestoßen. Sie ist mit ihrer Firma simplygreener.earth GmbH selbständig im Bereich Beratung zu CO2-Emissionen und ESG. Dies ist heute gerade in der Zusammenarbeit mit größeren Häusern ein wichtiger Punkt und auch dort können wir uns dank ihrer Kompetenz schon sehr früh positionieren.
Wir sind ein modernes Startup, in dem wir uns auf Augenhöhe begegnen. Jeder liefert einen Beitrag und erhält zugleich von anderen die Unterstützung und Ergebnisse, die er für seine Arbeit braucht. Das funktioniert mit einem hohen Maß an Vertrauen und Offenheit.
Isabel Wiese leitet das Marketing bei CaptionCast
Viele KI-Stimmen klingen noch synthetisch. Was macht ihr anders, und welche Rolle spielt dein Hintergrund in Psychoakustik?
Eine Stimme kann in einem einzelnen Satz sehr überzeugend klingen und über ein ganzes Kapitel trotzdem anstrengend werden. Deshalb beurteilen wir Qualität über längere Strecken: Passt die Betonung zum Inhalt? Stimmen die Pausen? Bleiben Figuren und Aussprache konsistent? Hört man gern weiter?
Bei uns arbeiten Linguistinnen und Linguisten an der Erstellung und sprachlichen Gestaltung der Stimmen in verschiedenen Sprachen. Dabei unterstützen wir nur Sprachen, die wir selbst sprechen oder deren Qualität wir gemeinsam mit kompetenten Kooperationspartnern beurteilen können. Wir möchten die sprachliche Qualität dessen, was wir anbieten, auch tatsächlich bewerten können.
Mein Hintergrund in Psychoakustik prägt diesen Blick. Ich beschäftige mich damit, wie Menschen Klang wahrnehmen. Eine technisch saubere Datei allein sagt noch wenig darüber aus, ob eine Erzählung verständlich, glaubwürdig und angenehm wirkt.
Bei CaptionCast verbinden wir unterschiedliche Sprachmodelle mit redaktioneller Steuerung und Audioverarbeitung. So können wir Stimme und Produktionsweise passend zum Werk auswählen und problematische Passagen nachbearbeiten. Ein Mastering kann allerdings keine falsche Interpretation reparieren. Deshalb entsteht Qualität im gesamten Ablauf – von der Textvorbereitung bis zum abschließenden Hören.
Audiobeispiel Sachbuch
Wie läuft die Produktion konkret ab, vom Manuskript bis zum fertigen Hörbuch? Wo behalten Verlag und Autor die Kontrolle?
Am Anfang steht das Buch, typischerweise als EPUB. Zunächst wird geklärt, welche Inhalte gesprochen werden sollen und wie wir mit Fußnoten, Abbildungen oder Tabellen umgehen. Danach entscheidet der Kunde über die Gestaltung: eine Erzählerstimme, mehrere Stimmen oder eine Produktion mit zusätzlicher Musik und Geräuschen – bis hin zum Hörspiel.
Die Plattform unterstützt bei der Analyse und schlägt passende Stimmen beziehungsweise Zuordnungen vor. Verlag oder Autor können diese prüfen und bearbeiten. An einer Hörprobe lässt sich früh feststellen, ob die Richtung stimmt. Anschließend werden die Kapitel produziert, angehört und bei Bedarf korrigiert.
Die entscheidenden Fragen bleiben beim Menschen: Wie soll mein Buch klingen? Welche Fassung akzeptiere ich? Wann ist die Produktion fertig? Im Standard arbeiten Kunden selbst auf unserer Plattform, unterstützt durch unser Onboarding. Eine betreute Produktion vereinbaren wir gesondert. Die Veröffentlichung organisieren Verlag oder Autor über ihren jeweiligen Vertriebsweg; wir beanspruchen keine Verlagsrechte am Werk.
Wo liegen die Grenzen der Technik? Welche Bücher eignen sich weniger für eine KI-Vertonung?
Besonders anspruchsvoll sind Texte, bei denen sehr viel zwischen den Zeilen passiert: feine Ironie, wechselnde emotionale Ebenen, ausgeprägter Dialekt oder eine bewusst ungewöhnliche Sprachgestaltung. Auch Lyrik und stark schauspielerisch geprägte Texte können eine Interpretation verlangen, für die ich einen erfahrenen menschlichen Sprecher bevorzugen würde.
Eine andere Herausforderung sind Bücher, die wesentlich von Bildern, Formeln oder Tabellen leben. Da reicht es nicht, den vorhandenen Text vorzulesen. Man muss überlegen, wie sich die Information akustisch vermitteln lässt und welche Anpassungen sinnvoll sind.
Deshalb würde ich die Eignung auch nicht allein am Genre festmachen. Wir sollten eine repräsentative Passage anhören – gerade eine schwierige. Wenn dort viel Nacharbeit nötig ist, muss das in die Entscheidung einfließen. Ein gutes Ergebnis setzt voraus, dass man die Grenzen des gewählten Verfahrens ehrlich beurteilt.
Eine Studioproduktion kostet oft viele tausend. Was ändert sich im Markt, wenn Hörbücher deutlich günstiger werden, und welche Titel entstehen dadurch, die es sonst nie als Audio gegeben hätte?
Die wirtschaftliche Schwelle sinkt. Ein Titel muss dann möglicherweise weniger Exemplare verkaufen, damit sich eine Audioversion lohnt. Dadurch kommen Bücher infrage, die bisher durch das Raster gefallen sind: ältere Titel aus einem Verlagsprogramm, Fachbücher für kleinere Zielgruppen, regionale Literatur oder Werke unabhängiger Autoren.
Ich finde daran besonders interessant, dass mehr Vielfalt hörbar werden kann. Ein Buch kann für eine kleine Leserschaft ausgesprochen wertvoll sein, auch wenn es keinen großen Absatz erwarten lässt.
Günstigere Produktion allein schafft allerdings noch keine Nachfrage. Auch ein KI-produziertes Hörbuch braucht Qualität, eine passende Positionierung und einen Vertriebsweg. Redaktionelle Arbeit und das abschließende Prüfen bleiben ebenfalls wichtig. Unser Beitrag besteht darin, die Produktionshürde zu senken und damit mehr Titeln eine realistische Chance als Audio zu geben. Dabei legen wir besonderen Wert auf tonmeisterliche Qualität.
Unsere Möglichkeiten reichen von Hörbüchern mit einer Stimme über Mehrstimmenproduktionen bis zur Gestaltung mit Soundeffekten, Musik und akustischen Umgebungen, also Ambience. So können auch immersive Hörspiele entstehen, die Hörerinnen und Hörer noch stärker in die Geschichte einbinden. Welche Gestaltung sinnvoll ist, entscheidet dabei immer das jeweilige Werk.
Wer nutzt CaptionCast heute: kleine Verlage, Indie-Autoren oder auch größere Häuser?
Unsere bisherigen Projekte kommen aus dem Umfeld unabhängiger Autoren und kleinerer Verlage. Dort gibt es oft sehr konkrete Wünsche: Ein bestimmtes Buch soll endlich als Hörbuch erscheinen, und die Verantwortlichen möchten selbst Einfluss auf das Ergebnis nehmen.
Parallel führen wir Gespräche mit größeren Häusern und Partnern. Dort geht es stärker um wiederkehrende Abläufe, größere Titelbestände und die Einbindung in bestehende Produktionsprozesse. Solche Gespräche unterscheiden wir bewusst von bereits laufenden Kundenproduktionen.
Bei der Prozessautomatisierung arbeiten wir außerdem mit Prof. Dr. Volker Stiehl von der Technischen Hochschule Ingolstadt zusammen – im Rahmen eines Seminars für Masterstudierende. Das bringt eine zusätzliche wissenschaftliche Perspektive auf die Gestaltung unserer Abläufe ein.
Die gemeinsame Frage lautet letztlich: Wie lässt sich ein Buch wirtschaftlich und in der gewünschten Qualität als Audio umsetzen? Ein einzelner Autor braucht dafür einen möglichst einfachen Einstieg. Ein größerer Verlag braucht zusätzlich verlässliche Prozesse für viele Titel. Diese unterschiedlichen Anforderungen bestimmen unsere Weiterentwicklung.
Viele Sprecherinnen und Sprecher fürchten, durch KI ersetzt zu werden. Wie reagierst du auf diese Sorge, und wie soll euer geplanter Marktplatz mit freiwillig freigegebenen Stimmen, fairer Vergütung und klarer Kennzeichnung funktionieren?
Ich nehme diese Sorge ernst. KI verändert den Markt, gerade den Arbeitsmarkt insgesamt, und bei bestimmten Aufträgen wird sie auch mit menschlichen Sprecherleistungen konkurrieren. Es wäre unglaubwürdig, das auszublenden. Gleichzeitig werden Produktionen möglich, für die bisher überhaupt kein Sprecherbudget vorhanden war.
Wir möchten professionelle Sprecherinnen und Sprecher deshalb aktiv einbeziehen. Für das geplante Stimmenangebot ist unser Grundgedanke: Eine Stimme wird nur mit ausdrücklicher Zustimmung bereitgestellt, die erlaubte Nutzung wird vertraglich geregelt und die Beteiligung an den Erlösen muss nachvollziehbar sein. Ebenso gehören klare Regeln für ausgeschlossene Nutzungen und der Umgang mit einer späteren Beendigung der Zusammenarbeit dazu.
Uns schwebt ein ausgewähltes Portfolio vor, in dem Stimmen und ihre Urheber sichtbar bleiben. Die synthetische Erzeugung soll transparent gekennzeichnet werden. Entscheidend ist für mich, dass Sprecher eine informierte Entscheidung treffen können und an der wirtschaftlichen Nutzung ihrer Stimme beteiligt sind. Das Modell entwickeln wir im Austausch mit ihnen.
CaptionCast ist bewusst europäisch aufgestellt, DSGVO-konform und für den EU AI Act gerüstet. Ist das für eure Kunden ein echtes Verkaufsargument? Und was bedeutet dir die Auszeichnung mit dem RedTech IBC Best in Show Award?
Ja, vor allem im Verlags- und Medienumfeld sind Vertrauen und der Umgang mit Inhalten wichtige Entscheidungskriterien. Kunden möchten wissen, welche Dienste ein Manuskript verarbeiten, wo Daten gespeichert werden und ob Inhalte für Modelltraining verwendet werden dürfen. Darauf brauchen sie konkrete, nachvollziehbare Antworten.
Wir haben dafür gezielt Schalter in die Plattform eingebaut. Damit können Kunden festlegen, ob sie einer Nutzung ihrer Inhalte für Modelltraining zustimmen und ob ihre Daten ausschließlich auf europäischen Rechnern oder auch in den USA und anderen Regionen verarbeitet werden dürfen. Diese Auswahl bestimmt, welche Dienste und Funktionen für die jeweilige Produktion zur Verfügung stehen.
Unsere europäische Ausrichtung ist eine bewusste unternehmerische Entscheidung. Dabei muss man genau auf die tatsächlich eingesetzte Verarbeitungskette schauen. Ein europäischer Unternehmenssitz allein beantwortet noch nicht jede Datenschutzfrage. Wir wollen unsere Angebote so gestalten, dass Kunden die jeweiligen Bedingungen verstehen und die passende Konfiguration wählen können. Auch die transparente Kennzeichnung KI-generierter Inhalte gehört für mich dazu.
Über den RedTech IBC Best in Show Award habe ich mich sehr gefreut. Er bedeutet mir besonders viel, weil er Anerkennung aus einem professionellen Medien- und Audioumfeld ausdrückt. Für unser Team ist das eine schöne Bestätigung. Im Alltag müssen wir diesen Anspruch dann mit jeder Produktion einlösen.
Wo steht CaptionCast in drei Jahren, und welchen Rat gibst du anderen Gründern aus der Medien- und Audiobranche?
In drei Jahren möchte ich, dass CaptionCast für Autoren und Verlage ein selbstverständliches Werkzeug der Audioproduktion ist: zugänglich genug für das erste Hörbuch und leistungsfähig genug für regelmäßig erscheinende Programme. Ein besonderer Schwerpunkt liegt dabei auf einem hohen Maß an Automatisierung, damit auch größere Titelbestände effizient produziert werden können und mehr Zeit für die gestalterischen Entscheidungen bleibt.
Dazu gehören für mich eine verlässlichere Qualitätskontrolle, weniger Routinearbeit und die Einbindung in Verlagsabläufe. Wir möchten ein attraktives Angebot synthetischer KI-Stimmen aufbauen und insbesondere auch lizenzierte menschliche Stimmen einbinden, die mit Zustimmung ihrer Sprecherinnen und Sprecher als KI-Stimmen genutzt werden können. Auch bei der europäischen Verarbeitung möchten wir weiterkommen.
Erfolg würde ich daran messen, wie viele Kunden dauerhaft mit uns arbeiten und wie viele überzeugende Hörbücher und Hörspiele entstehen, die es sonst nicht gegeben hätte.
Mein Rat an Gründer wäre: Nutzt eure Branchenerfahrung, aber überprüft eure Annahmen früh mit echten Kunden. Gerade im KI-Bereich verändert sich die Technik sehr schnell. Ein Unternehmen braucht deshalb einen klaren Nutzen, der auch dann noch trägt, wenn morgen ein neues Modell erscheint. Und hört genau zu, wenn Kunden mit eurem Produkt arbeiten – dort lernt man häufig mehr als in der nächsten Strategierunde.
Bild Detlef Wiese: Thomas Wieland
Bild Isabel Wiese: CaptionCast