Warum Verlage ihre Strategien für KI-Hörbücher im Hinblick auf langfristiges Wachstum überdenken

Künstliche Intelligenz hat sich in der Hörbuchproduktion von einer experimentellen Kuriosität zur praktischen Realität entwickelt. Laut einem neuen Bericht, der von Dosdoce.com Laut der Frankfurter Buchmesse nutzen mittlerweile 85 % der befragten Branchenfachleute KI-Tools in mindestens einer Phase ihres Audio-Produktionsworkflows. Allerdings haben nur 17 % KI in mehr als sechs Produktionsphasen integriert, was darauf hindeutet, dass sich der Einsatz nach wie vor auf einzelne Aufgaben beschränkt und noch keine durchgängige Transformation stattgefunden hat.

Die Ergebnisse basieren auf den Antworten von 53 Verlagen, Produktionsstudios und Vertreibern und werden durch Erkenntnisse von 32 weiteren Audio-Fachleuten aus aller Welt ergänzt. Die Teilnehmer kommen aus Europa, Lateinamerika, Nordamerika, Afrika und dem Nahen Osten und vertreten große Verlagshäuser, unabhängige Verlage, Streaming-Plattformen und Anbieter von KI-Technologie.

Der Bericht mit dem Titel „Who Is Narrating the Future? AI Adoption, Use and Outlook in Audio Production“ zeigt eine Branche auf, die sich an einem Wendepunkt befindet: KI ist längst kein Randphänomen mehr, doch ihr strategischer Einsatz hinkt den Schlagzeilen über ihre Einführung hinterher. Die meisten Unternehmen müssen noch eine kohärente KI-Produktionsstrategie definieren, die technischen Möglichkeiten gründlich bewerten und den vollständigen Business Case für die Erweiterung des Katalogs und das mehrsprachige Wachstum analysieren.

Die branchenweit vorherrschende Haltung lehnt eine binäre Wahl zwischen menschlicher und synthetischer Sprachausgabe ab. Stattdessen zeichnet sich ein dreistufiges Produktionsmodell ab.

Hochwertige menschliche Sprachausgabe ist den Flaggschiff-Titeln mit hohem redaktionellem oder kommerziellem Wert vorbehalten – großen Veröffentlichungen, kulturell bedeutenden Werken oder Projekten, bei denen die interpretative Darbietung für das Hörerlebnis von zentraler Bedeutung ist. Es wird erwartet, dass sich die hybride Produktion, bei der menschliche Regie mit KI-gestützten Arbeitsabläufen kombiniert wird, zum gängigsten Modell entwickeln wird: Dabei übernimmt die KI mechanische Aufgaben wie die Textvorbereitung, die Qualitätskontrolle und die Entwurfszusammenfassung, während menschliche Sprecher und Redakteure die kreative Kontrolle behalten. Vollständig synthetische Vorlesungen kommen bei Backlist-Titeln, akademischen Nischeninhalten oder Werken in Sprachen und Märkten zum Einsatz, in denen eine traditionelle Produktion wirtschaftlich nie rentabel war.

Diese Einteilung spiegelt eine pragmatische Erkenntnis wider: KI ermöglicht eine Erweiterung des Angebots, anstatt menschliches Talent zu verdrängen. Wie Laure Saget, Geschäftsführerin von AudioLib Hachette France, feststellt: „Menschliche Kontrolle bleibt in jeder Phase der Hörbuchproduktion unverzichtbar. Auch wenn sich die Technologie weiterentwickelt, ist es nach wie vor von größter Bedeutung, die Integrität der Beziehungen zwischen Verlagen, Autoren, Sprechern und Publikum zu wahren.“

Die wirtschaftlichen Vorteile sind real, aber differenziert. Die Befragten geben an, dass sich die Kosten im zweiten oder dritten Jahr nach der Einführung von KI um 20 % bis 50 % senken lassen – weit weniger als die von Technologieanbietern beworbenen Einsparungen von 85 % bis 95 %. Berücksichtigt man den gesamten Arbeitsablauf, einschließlich Textvorbereitung, Qualitätskontrolle, Postproduktion und Mastering, fallen die tatsächlichen Einsparungen eher bescheiden aus. Der Mehrwert liegt woanders: darin, Titel, die zuvor nicht rentabel waren, wirtschaftlich realisierbar zu machen.

Trotz der weit verbreiteten Nutzung bestehen weiterhin erhebliche Hindernisse. Die Hälfte der Befragten nennt externe Einschränkungen als Haupthindernis: Literaturagenten, die den Einsatz von KI verbieten, Verlage und Autoren, die auf menschliche Erzählstimmen bestehen, oder Plattformrichtlinien, die bestimmte KI-Tools einschränken. Weitere 25 % führen Qualitätsbedenken an, darunter die mangelnde Natürlichkeit synthetischer Stimmen, die unzureichende Verfügbarkeit von Stimmen in lokalen Sprachen oder mit lokalen Akzenten sowie Sicherheitsrisiken für Manuskripte.

Technische Integrationsprobleme und das Fehlen von Branchenstandards machen weitere 22 % der gemeldeten Hindernisse aus. Die Schlussfolgerung ist klar: KI wird sich nur dann nachhaltig durchsetzen, wenn die Branche Probleme in Bezug auf Vertrauen, Autorisierung, Rechtsrahmen und kommerzielle Akzeptanz löst.

Transparenz und Offenlegung sind unverzichtbar. Neunzig Prozent der Befragten erkennen die Notwendigkeit einer größeren Transparenz gegenüber Autoren und Verbrauchern hinsichtlich des Einsatzortes und der Art und Weise der Nutzung von KI an. Sechzig Prozent betonen, dass ein auf Einwilligung basierendes Stimmklonen, ethisch einwandfrei lizenzierte Stimmdatensätze und eine faire Vergütung für Sprecher die Voraussetzungen für die Minimierung rechtlicher Risiken und die Sicherung der langfristigen Tragfähigkeit sind.

Marktdaten verdeutlichen die Kluft zwischen Produktionskapazität und Akzeptanz seitens der Verbraucher. In den Vereinigten Staaten machten Titel mit KI-Sprechern im Jahr 2025 nur 0,03 % des gesamten Umsatzes mit Hörbüchern aus. Zwar hat die Anzahl der von KI vorgelesenen Hörbücher zugenommen, doch die Bereitschaft, diese auszuprobieren, ist nach wie vor begrenzt: Nur 16 % der Hörbuchhörer haben bereits einen Titel mit KI-Stimme angehört. Die Befragten interpretieren dies als Beleg dafür, dass die Produktionskapazität derzeit die Nachfrage der Verbraucher übersteigt und dass die geäußerte Meinung von dem tatsächlichen Verhalten abweicht, wie es sich beispielsweise in Abschlussquoten und Präferenzen bei Blindtests zeigt.

Übersetzung und Lokalisierung werden immer wieder als die größte Geschäftschance für KI genannt. Aufstrebende Audiomärkte – Lateinamerika, der Nahe Osten, Afrika – werden ausdrücklich als Regionen genannt, in denen KI-gestützte Kostensenkungen die Abdeckung verschiedener Akzente und Sprachen erheblich diversifizieren und die bislang stark eingeschränkten Kataloge erweitern könnten.

Rachel Ghiazza, Chief Content Officer bei Audible, bezeichnet dies als unverzichtbaren Schritt für das Wachstum der Kategorie: „KI-Produktionswerkzeuge werden uns helfen, die Inhaltslücke zu schließen, damit mehr Hörer – über mehr Sprachen und Genres hinweg – eine Geschichte finden können, die sie anspricht. Für Audible ist dies ein ‚Und‘-Ansatz. Wir erweitern unseren Hörbuchkatalog mithilfe von KI und investieren gleichzeitig mehr denn je in professionell eingesprochene Titel.“

Dieser Optimismus ist jedoch mit Vorsicht zu genießen. Ohne gezielte Investitionen in vielfältige und ethisch einwandfrei beschaffte Sprachdatensätze, mehrsprachige Modelle, transparente Rechtsrahmen und eine faire Vergütung für lokale Sprecher besteht die Gefahr, dass die KI-getriebene Expansion bestehende globale Ungleichheiten bei der Repräsentation eher verstärkt, anstatt sie zu beseitigen.

Ama Dadson, Gründerin und Geschäftsführerin von AkooBooks Audio Ghana und Audio-Botschafterin der Frankfurter Buchmesse, warnt: „Ohne eine gezielte Einbeziehung afrikanischer Stimmen und Sprachen besteht die Gefahr, dass die nächste Generation von KI-Hörbüchern bestehende globale Ungleichheiten verstärkt, anstatt den Zugang zu erweitern. Für das afrikanische Verlagswesen liegt die größte Chance der KI möglicherweise nicht darin, professionelle Sprecher zu ersetzen, sondern darin, die Produktion von Bildungsinhalten, Titeln in lokalen Sprachen und Backlist-Werken wirtschaftlich rentabel zu machen, die sonst niemals als Hörbücher erscheinen würden.“

Der Bericht schlägt einen strukturierten Sechs-Phasen-Rahmen für die Integration von KI in Arbeitsabläufe der Audioproduktion vor.

Phase 1: Festlegung der KI-Produktionsstrategie

Bevor Unternehmen verschiedene Tools bewerten, müssen sie die Geschäftsmöglichkeiten über Märkte und Sprachen hinweg analysieren, die Rentabilität des Backlists im Hörbuchbereich bewerten, unterversorgte Genres identifizieren und festlegen, welche Produktionsprozesse automatisiert werden können, welche menschliches Eingreifen erfordern und welche vollständig in menschlicher Hand bleiben müssen. Diese Phase erfordert das Engagement der Führungsspitze und ein solides Verständnis der Grundlagen der KI – es geht nicht nur um Kostensenkung, sondern auch um Wachstumspotenzial.

Phase 2: Vorproduktion und Textvorbereitung

Die Textvorbereitung hat einen größeren Einfluss auf die endgültige Audioqualität als jeder andere Schritt. Diese Phase umfasst die Bewertung im Vorfeld der Produktion, die Extraktion und Bereinigung des Quelltextes, die redaktionelle Bearbeitung von Tabellen, Fußnoten und Bildern, die Erstellung von Aussprachehilfen sowie die abschließende Vereinheitlichung von Zahlen, Abkürzungen und Zeichensetzung. Eine manuelle Überprüfung in jedem Schritt ist unverzichtbar; kein KI-Tool arbeitet fehlerfrei.

Phase 3: Leistungsinstrumente

Die Auswahl einer synthetischen Stimme, ohne diese mit echtem Text aus dem Werk zu testen, gilt als einer der kostspieligsten Fehler. Der Bericht empfiehlt ein vierstufiges Bewertungsverfahren: Erstellen eines Tests mit echten Auszügen, Generieren von Hörbeispielen mit neutralen Einstellungen bei verschiedenen Anbietern, Durchführen von Blindhörtests und Dokumentieren der Entscheidung. Die Steuerung einer synthetischen Stimme erfordert die Umsetzung interpretativer Intuition in Parameter, die das Modell verarbeiten kann.

Phase 4: Soundeffekte und Musik

Bei den Bewertungskriterien für Musik- und Soundeffekt-Tools sollte einer eindeutigen rechtlichen Herkunft der Trainingsdaten Vorrang vor der Frage eingeräumt werden, welche Plattform derzeit am besten klingt. Der Bericht empfiehlt, Lizenzen bei der offiziellen Quelle zu überprüfen und jedes generierte Stück anhand strukturierter Vorgaben zu dokumentieren.

Phase 5: Qualitätskontrolle und Nachbearbeitung

Eine gründliche Vorproduktion ist wertvoller als endlose Qualitätskontrollrunden. Der Bericht empfiehlt, die Erkennung von der Korrektur zu trennen und zwei vollständige Durchläufe durchzuführen – einen zur Überprüfung der Wiedergabetreue und der interpretativen Konsistenz, einen zur Erkennung technischer Artefakte –, gefolgt von einer abschließenden Stichprobenprüfung. Jeder vollständige Durchlauf dauert etwa das 1,2-Fache der Länge der Audioaufnahme.

Phase 6: Das Drei-Stufen-Modell

Der Übergang von der Produktion einzelner Titel zur Produktion im Katalogumfang erfordert die Zuordnung des gesamten Katalogs zu den drei Produktionsmodellen, die Erstellung von Zuordnungstabellen für jeden einzelnen Titel, die Konzeption hybrider Arbeitsabläufe sowie die Einrichtung von Systemen zur Skalierungsverwaltung, einschließlich Phasenplänen, Bibliotheken mit wiederverwendbaren Assets und modellspezifischen Checklisten.

86 Prozent der Befragten erwarten im Hörbuchsektor ein disruptives oder moderates Wachstum, das auf KI-Tools zurückzuführen ist. 44 Prozent rechnen mit einem disruptiven Wachstum, 42 Prozent mit einem moderaten Wachstum und nur 14 Prozent sehen keine wesentlichen Veränderungen voraus.

Mehrere Befragte beschreiben eine Zukunft, in der Hörbücher keine feststehenden, vorproduzierten Inhalte mehr sind, sondern zu On-Demand-Wiedergaben werden, die zum Zeitpunkt des Hörens in der vom Hörer gewählten Stimme und Sprache generiert werden. Das entscheidende Hindernis für diese Entwicklung werden nicht die technischen Aspekte sein, sondern die Lizenzverhandlungen mit den Rechteinhabern.

Da es in Zeiten des Überangebots immer schwieriger wird, Inhalte zu finden, wird voraussichtlich die Qualität – und nicht mehr nur der Preis – zum wichtigsten Unterscheidungsmerkmal werden. Einzigartige menschliche Darbietungen und wiedererkennbare Erzähler werden als Marketingvorteile fungieren, mit denen man sich in umfangreichen KI-Katalogen hervorheben kann.

Der rote Faden, der sich durch fast alle Antworten zieht, ist, dass Wachstum ohne Transparenz und Offenlegung gegenüber Autoren und Hörern nicht nachhaltig ist und dass es weitaus kostspieliger ist, einmal verlorenes Vertrauen wieder aufzubauen, als die Produktion eines einzelnen Titels gekostet hat.

James Long, COO bei Pan Macmillan UK, fasst die Position der Branche zusammen: „Das Hauptziel im Hörbuchbereich besteht derzeit darin, die Anzahl der Titel zu erhöhen, die Hörern weltweit zur Verfügung stehen – Titel, die sie überall entdecken und genießen können, wenn möglich in ihrer eigenen Sprache. Der durchgängige Einsatz von KI zur Unterstützung der Arbeit unserer Teams wird dazu führen, dass mehr Titel für das Hörbuchverlagswesen in Frage kommen. Das funktioniert jedoch nur, wenn es auf ethisch einwandfreien Grundlagen und klaren Standards in Bezug auf Rechte und Offenlegung basiert, damit Geschwindigkeit und Umfang niemals auf Kosten des Vertrauens gehen.“

Die eigentliche Herausforderung besteht nicht darin, ob KI das Verlagswesen effizienter machen kann, sondern darin, ob diese Effizienz auf Kosten des Vertrauens geht. Die Unternehmen, die in den nächsten drei Jahren die Nase vorn haben werden, sind nicht unbedingt diejenigen, die bei der KI am schnellsten vorankommen. Es werden diejenigen sein, die KI mit Offenheit verbinden: indem sie den Menschen einbeziehen, kreative Rechte schützen und niemals die Menschen aus den Augen verlieren, deren Talent die Verlagsbranche überhaupt erst möglich gemacht hat.

Der Bericht schlägt einen viergleisigen Aktionsplan vor: Nutzung individueller Produktivitätssteigerungen durch KI-Tools im Rahmen bestehender Aufgaben; Neugestaltung ganzer Arbeitsabläufe durch die Koordinierung der Zusammenarbeit zwischen Mensch und KI; Ausbau neuer Mehrwertdienste auf der Grundlage der Personalisierung für Leser und Hörer; sowie die aktive Suche nach neuen Technologien, die das bestehende Geschäftsmodell für Hörbücher verändern könnten.

Michele Cobb, Partnerin bei Forte Business Consulting USA, bemerkt: „Es ist faszinierend zu beobachten, wie Unternehmen KI in ihre Arbeitsabläufe integrieren, während sie gleichzeitig weiterhin auf menschliche Erzählstimmen setzen und diese fördern. Ich bin davon überzeugt, dass sich beides nicht gegenseitig ausschließt, und die Vereinbarkeit von Technologie und Kunst ist zwar kein Phänomen, das ausschließlich im Audiobereich auftritt, doch in einer Branche, die auf emotionaler Interpretation und der Kraft der Stimmdarbietung basiert, bringt dies größere Herausforderungen und mehr Diskussionsbedarf mit sich.“

Die zentrale These des Berichts ist eindeutig: Der Einsatz von KI bei der Produktion von Hörbüchern ist in erster Linie keine technologische Revolution, sondern eine unternehmerische Entscheidung. Bevor Verlage Tools bewerten oder Kosteneinsparungen berechnen, müssen sie Geschäftsmöglichkeiten analysieren, das Potenzial ihres Katalogs einschätzen und festlegen, welche Prozesse automatisiert werden können und welche weiterhin von Menschen ausgeführt werden müssen.

Die Grenzen zwischen von Menschen und von Maschinen erstellten Audioinhalten verschwimmen zunehmend. Die Branche steht an einem entscheidenden Wendepunkt. KI-Tools ermöglichen es Autoren und Produzenten, die Produktion von Hörbüchern zu skalieren, die Vertriebsmöglichkeiten weltweit zu erweitern und neue Einnahmequellen zu erschließen. Diese Chance hängt jedoch von ethischen Grundsätzen, transparenter Offenlegung und der Erkenntnis ab, dass die menschliche Stimme – interpretativ, emotional und kulturell verankert – für Werke, die dies erfordern, nach wie vor unersetzlich ist.

Wie der Bericht feststellt: Bei der effektiven Integration von KI in die redaktionelle Audioproduktion geht es nicht darum, das richtige Tool zu finden, sondern darum, einen dokumentierten, überprüfbaren und wiederholbaren Verwaltungsprozess zu etablieren, in den jedes Tool in jeder Produktionsphase vertrauensvoll eingebunden werden kann. Wenn man von wenigen Titeln zu vielen übergeht, liegt der Engpass nicht mehr in der Produktionskapazität, sondern in der Verwaltung und der Teamkoordination.