Die Idee
Das Journal ist Text. Viele Menschen hören aber lieber, als dass sie lesen: im Auto, beim Laufen, nebenbei. Also sollten die Essays auch als Audio erscheinen. Der Test lief am jüngsten Essay, „Ich bin gefährlich – also kauf mich“: über Hersteller, die vor ihrer eigenen KI warnen. Dass ausgerechnet dieser Text von Maschinen vertont wird, hat seinen eigenen Witz.
Am Anfang standen eine Lesung und ein Gespräch zweier KI-Hosts im Stil von NotebookLM. Das Gespräch klang gruselig, die Lesung war korrekt, aber eben vorgelesen. Aus der Lesung wurde ein Feature. Um dessen Entwicklung geht es hier.
Das Format
Meine Stimme erzählt und liefert die Zahlen. Eine zweite Stimme geht im Präsens in die Szenen: der Fernsehsender 1988, das Kino 1973, die Senatsanhörung, der Plattenladen, das Testlabor, der Rat von Elrond. Unter den Szenen liegen Atmos, unter der Erzählung Musikbetten. Ein Opener nennt Titel und KI-Hinweis, ein Abspann die redaktionellen Hinweise. Im Fließtext steht ein Erzähler, kein Autor, der sich selbst vorliest.
Neun Fassungen
| Fassung | Was sich änderte | Auslöser |
|---|---|---|
| v1 | Die Lesung wird Feature: Szenenstimme, Atmos, Musik | „Wechselstimmen“ |
| v2 | Musikbetten, die dem Kapitel folgen | „editoriale Musik unter die Erzählung“ |
| v3 | Englische Titel englisch, Margenfeld mit hartem g, neue Mix-Kette | „Private Parts wird englisch gesprochen“ |
| v4 | Atmer bleiben stehen, Knackser repariert, Klon gegen Ben | „Atemabbrüche und Knackser“ |
| v5 | Opener, Erzählerhaltung ohne Ich, Abspann | „klassische Erzählerhaltung“ |
| v6 | Eleven v4 über den Connector, Regie mit Tags | eigener Test mit v4 |
| v7 | Musik ohne Klavier, treibender | „Klimperpiano raus“ |
| v8 | Hörbuch-Tags, sanftere Mix-Kette | „weniger Druck, mehr Hörbuch“ |
| v9 | Off ganz ohne Tags, Musik aus Suno | „da wird es gruselig“ |
Drei Modelle, eine Stimme
Dieselbe Passage über Listerine in fünf Fassungen. Bis v5 spricht ElevenLabs Multilingual v2, ab v6 Eleven v4. Die Szenen spricht bis heute v3.
Der Unterschied liegt weniger im langen Absatz als in den kurzen Sätzen. Dort kippt der Hörbuch-Stil:
Was die Tags tun
Eleven v4 lässt sich mit Regie-Tags in eckigen Klammern führen. Das wirkt, aber anders als gedacht.
- [curious] hebt die Stimme. Bei „Tolkien hat diese Figur zu Ende gedacht“ stieg die Tonlage auf 188 statt 143 Hertz im Mittel.
- [softly] und [calm audiobook narration] machen kurze Sätze gehaucht. Im langen Absatz senken sie die Tonlage um 1,6 Halbtöne und nehmen Druck heraus. In kurzen Sätzen fällt die Melodie flach, und die Pausen wachsen. Genau dort habe ich „gruselig“ gehört.
- Ohne Tags spricht mein Klon am gleichmäßigsten. Den Druck nimmt dann der Mix heraus: ein sanfter Kompressor statt zwei.
- Aussprache gehört in die Lautschrift, nicht in Umschreibungen. v4 versteht IPA zwischen Schrägstrichen. Mein Name steht als /ˈmaʁɡn̩fɛlt/ im Text und kommt in jedem Take mit hartem g.
Die Musik
Die ersten Betten kamen aus ElevenLabs Music. Sie waren zu flach, und das Klavier am Anfang nervte. Daraus entstand ein eigenes Set: zehn Musikbetten als Suite mit einer gemeinsamen Klangpalette aus Kontrabass, Cello, einem trockenen Puls und einer cleanen Gitarre. Kein Klavier, kein Gesang, keine Genre-Zitate. Die erste Fassung der Prompts war mir zu kitschig, die zweite habe ich in Suno erzeugt. Alle zehn Betten liegen mit Prompt, Messwerten und Beschreibung im DAM und tragen ab jetzt jede Folge. Intro und Outro kommen aus der Signatur, MF 01.
Die englische Fassung
Der Essay steht auf margenfeld.com schon englisch. Dieser Wortlaut wurde auf Erzählerhaltung umgestellt und um Opener und Abspann ergänzt. Mein Klon spricht auch die englische Erzählung, ohne Tags. Die Szenen übernimmt Heather Faith, eine ruhige amerikanische Stimme aus der Bibliothek, „strong without theatrics“. Atmos, Betten und Mix sind dieselben. Kurze Sätze spricht mein Klon im Englischen etwas höher; auch drei Varianten änderten daran wenig.
Warum diese Fassung trägt
Mit einer echten Produktion kann das Feature nicht mithalten. Es bleibt Stimme aus der Maschine. Akzeptabel ist v9 trotzdem, und das lässt sich begründen:
- Der Text stimmt. Jede Zeile ist per Spracherkennung gegen das Skript geprüft, in beiden Sprachen.
- Die Aussprache stimmt. Namen und Titel sind per Phonemerkennung geprüft, nicht nach Gehör geschätzt.
- Die Stimme bleibt im Korridor. Keine Drama-Muster mehr: Kein Block fällt unter 8,5 Halbtöne Spanne, die Pausen bleiben im üblichen Rahmen. Wo ein kurzer Satz zu hoch lag, wurde er neu erzeugt.
- Der Mix hält den Standard. −16 LUFS, True Peak unter −1 dB, gemessen nach der Kodierung, Knackser repariert.
- Und das Ohr hat abgenommen: „Kann man so machen.“
Was bleibt: Die Übergänge zwischen den Teilen könnten weicher sein, und die englischen Kurzsätze klingen eine Spur zu hell.
Der Blick auf den Fall
Wahrscheinlich hört kaum jemand einen einzelnen Atmer oder einen Knackser. Aber Hörer spüren die Summe. Ein Hörstück, das an zwanzig Stellen ein wenig falsch atmet, wirkt nicht kaputt. Es wirkt künstlich. Das Radio-Ohr ist dafür kein Hindernis. Es ist das Messgerät, das die Maschine noch nicht hat.
Neun Runden haben aus dem Experiment ein Verfahren gemacht: Erzähler ohne Tags, Lautschrift für Namen, ein festes Set an Musikbetten, eine Mix-Kette mit Standard und eine Prüfung, die jede Zeile hört, bevor ich sie höre. Die nächste Folge beginnt nicht wieder bei null.
Was das für eine Organisation heißt
Strategie. Der erste Fall ist ein Experiment. Wert entsteht beim zweiten, wenn er nicht wieder bei null beginnt. Nach neun Fassungen stehen ein Erzähler ohne Tags, Lautschrift für Namen, zehn Musikbetten und ein Mix-Standard. Gut anderthalb Stunden meiner Zeit gingen allein in das Set der Betten. Das ist eine Investition in jede weitere Folge.
Rolle. Jemand hält die Standards: −16 LUFS, die Lautschrift für Namen, die Betten im DAM mit Prompt und Messwerten. Ohne diese Rolle zerfällt ein Verfahren wieder in Einzelfälle.
Ablauf. Jede Fassung ist mit ihrem Auslöser festgehalten. „Klimperpiano raus“ steht neben v7. So weiß die nächste Runde, warum etwas so ist, und muss es nicht neu herausfinden. Eine Organisation, die nur Ergebnisse ablegt, vergisst genau das.
Beim Menschen. Das Ohr. Die Prüfung hört jede Zeile, bevor ich sie höre. Ob die Summe künstlich wirkt, entscheidet trotzdem ein Mensch: „Kann man so machen.“