StartseiteHörbücherKlassiker in 30 Minuten: So erstellen Sie KI-Hörbücher wie der Argon Verlag

Klassiker in 30 Minuten: So erstellen Sie KI-Hörbücher wie der Argon Verlag

Beitragsbild: Professor Unrat – Klassiker zum Kaffee, gekürzte Fassung auf 30 Minuten, mit KI erstellt

Der Argon Verlag ist einer der renommiertesten Hörbuch-Verlage Deutschlands. Umso mehr erstaunt es, dass man dort nun Klassiker per KI kürzen und von KI-Stimmen vorlesen lässt – und dafür Geld verlangt. Warum nur? Wir zeigen, wie man solche Hörbücher selbst erstellt. Braucht man für sowas noch Hörbuch-Verlage?

Sprecher wehren sich gegen KI-Stimmen

Viele Schauspieler, Hörbuch- und Synchronsprecher wehren sich derzeit dagegen, dass man ihre Stimmen in eine KI einfüttert, sodass man mit diesen »lizenzierten Stimmen« künftig jedes Hörbuch produzieren oder eine Serie synchronisieren kann – die Sprecherinnen und Sprecher benötigt man danach nicht mehr. Der Sprecherverband VDS etwa steht in seinem offiziellen KI-Statement dem Einsatz künstlicher Stimmen gerade beim Hörbuch ausdrücklich kritisch gegenüber.

KI-Stimmen klingen längst nicht mehr nach Computer

Und wer jetzt sagt, dass solche Hörbücher niemand hören will, da ihnen die menschliche Seele fehlt, der ist nicht selten verblüfft, wenn er oder sie ein solches Hörbuch hört. Das klingt schon lange nicht mehr wie die Computerstimmen früher. Laien ist es bisweilen gar nicht sofort möglich zu erkennen, dass da die KI die Stimme moduliert, da sie quasi »weiß«, wann eine Passage spannend oder romantisch vorzulesen ist.

Von den renommierten Hörbuchverlagen würde man es daher erwarten, dass sie ebenfalls auf Qualität, auf menschliche Stimmen und das Label »Ohne KI« setzen, um sich von dem vielen KI-Schlamm (Slop) abzusetzen, der beispielsweise YouTube auch mit KI-Hörbüchern überflutet – von dem ganzen KI-Video-Slop wollen wir gar nicht erst reden.

Argon startet das Experiment »longstoryshort«

Der zum Holtzbrinck-Konzern gehörende Argon Verlag will aber offenbar dennoch testen, ob Hörerinnen und Hörer auch günstig und schnell produzierte Hörbücher akzeptieren.

Unter dem Label »longstoryshort – Klassiker in 30 Minuten« wagt man bei Argon nach eigenen Aussagen »ein Experiment«. Man lässt die KI gemeinfreie Klassiker auf eine Lesezeit von 30 Minuten runterkürzen (»verdichten«) und vertont diese dann mit dem Marktführer für KI-Stimmen ElevenLabs. Zum Start gibt es drei Werke, die man sich für 99 Cent runterladen oder über Portale wie Spotify und Bookbeat anhören kann, wenn man dort einen Account hat: »Professor Unrat« von Heinrich Mann, »Die Totenwacht« von Marie von Ebner-Eschenbach und »Die Frau des Weisen« von Arthur Schnitzler. Die drei Urheber sind alle über 70 Jahre tot, ihre Texte gemeinfrei und online frei verfügbar.

Es ist davon auszugehen, dass auch andere Hörbuch-Verlage an ähnlichen KI-Projekten arbeiten – sie sprechen nur noch nicht darüber.

Wie Argon die KI-Hörbücher produziert

Auf der Website von Argon findet sich ein Interview mit zwei Mitarbeitern, einem Lektor und einem Kollegen, der die Berufsbezeichnung AI Lead trägt. Dieser berichtet, dass es gar nicht so einfach gewesen sei, die KI die Texte kürzen zu lassen und dass natürlich alles nochmals von Menschen geprüft werden muss. Interessanterweise verwendete man fürs Kürzen Googles KI »Gemini«. Dabei gilt nach Meinung von Experten und auch nach meiner Erfahrung Claude als das sprachlich versiertere »Large Language Model«.

Hört man beispielsweise in »Professor Unrat« des Argon Verlags rein, ist man erstaunt, wie sehr die KI-Stimme in der Klangfarbe schwankt. Manchmal hört man solche ungewünschten Schwankungen auch bei menschlichen Sprechern, wenn an verschiedenen Tagen aufgenommen wurde und der Sprecher nicht in der ursprünglichen Stimmung und Intonation ist. Die KI-Stimme von Argon hat solche unschönen Schwankungen nach jedem längeren Absatz. Erzeugt wurde der Ton nach Angaben von Argon mit ElevenLabs Studio, dem Werkzeug des Marktführers für Sprachsynthese. Als Sprecher ist bei den drei Hörbüchern »KI-Produktion mit lizenzierter Stimme« angegeben. Im Interview erklärt Argon den Begriff: Es handle sich um echte menschliche Stimmen, die digital nachgebildet wurden – vertraglich geregelt und vergütet. Wessen Stimmen das sind und ob Argon sie eigens erstellt oder aus der Stimmenbibliothek von ElevenLabs gewählt hat, sagt der Verlag nicht.

Selbermachen statt Verlag? Natürlich!

Da stellt sich uns natürlich sofort die sportliche Frage: Kann man das nicht selbst machen?

Die Antwort ist: natürlich! In rund 30 Minuten kann so ein Hörbuch nicht nur gehört, sondern auch komplett erstellt werden. Hinzu kommt dann die Zeit für die menschliche Prüfung.

So erstellen Sie Ihr eigenes Kurz-Hörbuch mit KI

1. Text kürzen lassen

Um einen ganzen Roman auf 30 Minuten Lesezeit einzudampfen, benötigt man einen bezahlten Account bei ChatGPT, Claude oder Gemini. Nur dann kann die KI ein komplettes Buch erfassen, was zur Kürzung natürlich notwendig ist. Ein kostenfreier Account würde rasch melden, dass das Tageskontingent an Tokens erschöpft ist. Tokens sind die kleinsten Worteinheiten, die die KI statistisch analysiert, vergleichbar mit Silben.

Wie immer steht und fällt alles mit dem korrekten Prompt, der Anweisung zum Kürzen. Nach einigen Versuchen mit der KI Claude haben wir folgenden, sehr umfangreichen Prompt erstellt, mit dem sich jedes Buch auf 30 Minuten Lesezeit kürzen lässt:

Unser Prompt zum Kürzen – zum Aufklappen klicken
AUFGABE
Erstelle eine gekürzte Hörbuchfassung von [AUTOR: TITEL]. Ziel-Lesezeit: rund 30 Minuten, also etwa 4.000 bis 4.200 Wörter.

QUELLE
Verwende ausschließlich diese Textfassung: [URL zum vollständigen Text, z. B. bei Project Gutenberg]. Lies den GESAMTEN Text, bevor du kürzt. Mische keine Ausgaben. Kannst du Teile des Textes nicht abrufen oder lesen, sage das ausdrücklich, statt sie zu überspringen.
Kapitelüberschriften, Kapitelnummern, Fußnotenzeichen, Inhaltsverzeichnis sowie Kopf- und Fußtexte der Quellseite (z. B. die Project-Gutenberg-Lizenz) gehören nicht in den Sprechtext.

STRENGE TEXTREGELN
1. Jedes Wort und jedes Satzzeichen muss buchstabengetreu aus der Quelle stammen: Schreibweise, Zeichensetzung und Anführungszeichen der Quelle. Nichts modernisieren. Einzige Ausnahme: der in Regel 3 erlaubte Ersatz eines Pronomens durch einen Namen.
2. Erlaubt ist nur:
a) Streichen ganzer Absätze, Sätze oder Satzteile,
b) Umstellen ganzer Originalpassagen.
3. Verboten: eigene Überleitungen, Erklärsätze, Zusammenfassungen, Umformulierungen, Wortersatz (lediglich Name statt Pronomen »er«/»sie« erlaubt, wenn Bezug dadurch eindeutiger), Änderungen der Groß- und Kleinschreibung, zusammengezogene Repliken, sprachliche Glättung.
4. Kürze innerhalb eines Satzes nur, wenn der Rest grammatisch vollständig bleibt und kein Satzzeichen geändert werden muss. Sonst den ganzen Satz behalten oder ganz streichen.

INHALTLICHE REGELN
- Der Erzähl- und Handlungsbogen bleibt vollständig erhalten, ebenso der originale Schluss.
- Nebenfiguren und Nebenhandlungen dürfen entfallen.
- Bewahre den Charakter des Werks, nicht nur die Handlung: Ton, Sprachfärbung der Figuren, Leitmotive.
- Was später eine Rolle spielt, muss vorher eingeführt sein: Figuren, Orte, Gegenstände, Vorfälle, auf die zurückverwiesen wird.

PAUSEN
- Pausen werden ausschließlich als <break time="1.0s" /> gesetzt (der Wert variiert), jeweils in einer eigenen Zeile mit einer Leerzeile davor und danach. Keine eckigen Klammern, kein anderes Format.
- 1.0s: nach jedem Absatz, außer zwischen unmittelbar aufeinanderfolgenden Repliken eines Gesprächs.
- 2.0s: bei jedem Szenenwechsel (neuer Ort, neue Zeit, andere Figuren im Mittelpunkt).
- 3.0s: nur bei großen Einschnitten, etwa beim Wechsel zwischen Romanteilen und vor dem Schluss.
- Höchstens 3.0s pro Marker, nie zwei Marker hintereinander.
- Nie mitten in einem Satz und nie zwischen einer Rede und ihrem Redebegleitsatz.
- Pausen zählen nicht zur Wortzahl, verlängern aber die Laufzeit.

PRÜFUNG VOR DER ABGABE
A) Wortlaut: Gleiche das Ergebnis Wort für Wort mit der Quelle ab. Es darf keine einzige Abweichung geben, außer dem in Regel 3 erlaubten Ersatz eines Pronomens durch einen Namen.
B) Bezüge: Prüfe jede Schnittstelle, ob durch eine Streichung ein Bezug ins Leere läuft: Pronomen und Possessiva (er, sie, den seinigen …), Demonstrativa (dieser, diese Tage), Artikel bei Bekanntem (die dicke Frau), Zeitbezüge (nächsten Herbst, wieder, darauf), Kontrastwörter (aber, andererseits, auch), indirekte Rede ohne Sprecher, Szenenwechsel ohne Ortsangabe. Jede Lücke wird nur mit weiterem Originaltext geschlossen oder durch Streichen des betroffenen Satzes behoben.
C) Logik: Lies die Fassung zweimal wie ein Hörer, der das Werk nicht kennt. Ist jede Handlung motiviert? Wird nichts vorausgesetzt, was gestrichen wurde?

AUSGABE
- Liefere den reinen Sprechtext in einem Codeblock, damit Pausenmarker und Anführungszeichen unverändert bleiben. Setze die Pausenmarker nach den Regeln unter PAUSEN. Keine Sternchen, keine Überschriften, keine Formatierungszeichen.
- Liefere danach einen kurzen Bericht:
1. Wortzahl, Zeichenzahl und geschätzte Lesezeit
2. was gestrichen und was umgestellt wurde
3. jede Kürzung innerhalb eines Satzes, mit dem gestrichenen Teil in eckigen Klammern
4. verbleibende Schwachstellen, die sich nicht mit Originaltext lösen lassen
5. alles, was du nicht lesen oder prüfen konntest
6. Anzahl der Pausenmarker, getrennt nach 1.0s, 2.0s und 3.0s
7. schwer auszusprechende Wörter (Namen, Dialektformen, fremdsprachige Wörter), damit sich die Betonung später gezielt nachbessern lässt

An den entsprechenden Stellen fügt man Autor und Titel ein und die URL, wo der komplette Text zu finden ist – am besten als vollständige Seite, wie etwa bei Project Gutenberg, wo wir »Professor Unrat« gefunden haben. Anders als bei Argon, wo man laut eigener Aussage zwischen den Originalpassagen »sinnvolle Übergänge« schafft, ist unser Prompt so ausgelegt, dass nichts hinzugedichtet wird. Das Hörbuch besteht ausschließlich aus dem Originaltext, der gekürzt und umgestellt, aber nicht umformuliert wird.

Bis die gekürzte Fassung fertig ist, kann es schon mal 15 Minuten dauern. Im Prompt wird die KI auch aufgefordert, die Arbeit zu dokumentieren. Der Prompt fügt zudem an den Szenenwechseln Pausenmarker in der Form <break time=“2.0s“ /> ein, die ElevenLabs bei der Vertonung umsetzt.

2. Ergebnis von Menschen überprüfen

Auch dieser Prompt garantiert kein perfektes Ergebnis, und die gekürzte Fassung sollte natürlich durchgelesen und geprüft werden. Es ist von Vorteil, das komplette Original zu kennen. Ein »Trick« zur Optimierung kann darin bestehen, dass man vor der menschlichen Prüfung die gekürzte Fassung einer anderen KI zur Bewertung vorlegt. Diese soll Stärken und Schwächen der gekürzten Fassung benennen. Diese Analyse – die ebenfalls Fehler beinhalten kann – kann man dann an die erste KI zurückgeben, die die Analyse ihrerseits bewerten und Sinnvolles einarbeiten soll. Dabei sollte man im Prompt immer erwähnen, dass das Ergebnis eine Lesedauer von rund 30 Minuten haben soll.

3. Ein sinnvolles Intro und Outro hinzufügen

Die KI-Stimme soll natürlich Autor und Titel nennen und dass es sich um eine KI-bearbeitete kürzere Fassung handelt. Die Infos werden an den Anfang und nochmals ans Ende gestellt.

4. ElevenLabs den Text vertonen lassen

Mit der kostenfreien Variante von ElevenLabs kann man höchstens einmal 10 Minuten vertonen lassen. Für 30 Minuten reicht gerade so der Starter-Plan mit rund 30.000 Credits. Wer mit dem Ergebnis nicht zufrieden ist und eine weitere Vertonung wünscht, müsste schon auf den Creator-Plan für 22 Dollar im Monat ausweichen.

Wir haben es bei einem Durchgang belassen. Dann kostet der Starter-Plan im ersten Monat 1 Dollar (Aktionspreis, Stand November 2026) und wir kündigen sofort wieder. Dann haben wir auf jeden Fall einen bezahlten Account und wir dürfen das Ergebnis verbreiten oder kommerziell nutzen.

ElevenLabs bietet das Format »Audiobook« an, doch wir nutzen bewusst die Studio-Funktion und fügen dort die gekürzte Fassung als Text ein.

Die wichtigste Sache ist die Auswahl der Stimme. Wir haben für unser Experiment auch »Professor Unrat« gekürzt und vertont. Man kann bei ElevenLabs zwischen sehr vielen Stimmen wählen und diese testhören. Wir haben uns für die Stimme »Bill« entschieden. Sie klingt sehr markant und leicht dominant, sodass sie sich gut für den Professor Unrat eignet.

Man kann das Ergebnis vorhören und dann in wenigen Minuten als MP3-Datei exportieren lassen.

Fertig ist das gekürzte Hörbuch mit KI-Stimme. Sie können sich das Ergebnis weiter unten kostenlos anhören und auch herunterladen. Wie finden Sie es? Wir freuen uns über Kommentare.

Bonus: Cover für das Hörbuch erstellen

Claude selbst hat keinen Bildgenerator. Doch wenn man stattdessen ChatGPT auffordert, für das Projekt ein Cover zu entwerfen, bekommt man das typische KI-Slop-Bild, dessen Design man derzeit von fast jedem Plakat und von der Speisekarte jeder Dönerbude kennt. Allerdings gefällt uns das Motiv mit dem Stuhl im Scheinwerferlicht und dem Schatten des Professors, das ChatGPT vorschlägt. Aber die Typo sieht nach KI aus.

Hier der Trick, wie man zu einer besseren Optik kommt: Man lässt die Schrift von Claude erstellen! Aber Claude selbst kann das nur bedingt. Hier hilft ein kleiner Umweg. Claude kann das kostenlose Grafikprogramm Affinity bedienen! Und mit den entsprechenden Anweisungen erstellt Claude ein Cover, das sich vom KI-Einheitsbrei abhebt und das zudem offen als Affinity-Datei mit Ebenen vorliegt, sodass man bei Bedarf den Text dort selbst ändern kann.

Ursprünglicher Cover-Entwurf von ChatGPT für Professor Unrat mit Stuhl im Scheinwerferlicht und Schatten des Professors
Vorher: Der Cover-Entwurf von ChatGPT. Sieht aus wie der typische KI-Slop.
Hörbuch-Cover: Heinrich Mann, Professor Unrat oder Das Ende eines Tyrannen – gekürzte Fassung auf 30 Minuten, mit KI erstellt – aber von Menschen gemacht
Nachher: Das überarbeitete Cover, gestaltet von Claude in Affinity. Wesentlich besser.

Die fertige Hörbuchdatei anhören

Und hier ist das Ergebnis: Die auf rund 30 Minuten gekürzte Hörbuchfassung (plus Vor- und Nachspann) von »Professor Unrat« von Heinrich Mann, gelesen von der lizenzierten Stimme »Bill«.

Wie finden Sie die gekürzte Fassung? Wir freuen uns auf Kommentare.

Jetzt könnten wir uns mal an die 30-Minuten-Fassung des Zauberbergs von Bruder Thomas machen 🙂

Und warum jetzt das Ganze?

Warum, so mag man sich vielleicht fragen, erstellen wir hier nochmals aufwändig ein KI-Hörbuch, nachdem ich eingangs schreibe, dass diese Produktionen als sehr problematisch und kritikwürdig gelten? Zum einen, um zu zeigen, dass der Aufwand tatsächlich minimal ist, selbst wenn Argon das etwas dramatisiert und sagt, dass das Ganze nicht so einfach sei. Zum anderen wollen wir zeigen, dass es keinen AI Lead benötigt und dass die Tools und Werkzeuge zur Umsetzung allen zur Verfügung stehen, weil sie eben nicht exklusiv in der Hand der Verlage sind und deren eigene Entwicklung. Verlage haben bei solchen Produktionen kein »Geheimwissen« mehr. Mit solchen Produktionen entwerten sich die Hörbuch-Verlage selbst, weil jede und jeder diese Produktionen in einer Stunde erstellen kann.

Wolfgang Tischer

Weitere Beiträge zum Thema

Schreiben Sie einen Kommentar

Bitte geben Sie Ihren Kommentar ein.
Bitte geben Sie Ihren Namen ein