E-Learning-Voiceover mit Text-to-Speech: Praxisleitfaden

Text-to-Speech ist inzwischen gut genug, um die meisten E-Learnings zu vertonen: Compliance-Module, Software-Walkthroughs, Onboarding und Produktschulungen. Der größte Vorteil liegt nicht in der ersten Aufnahme, sondern in jedem Update danach, denn du kannst einen einzelnen Satz ändern, ohne einen Sprecher zu buchen oder ein ganzes Modul neu aufzunehmen. Ein menschlicher Sprecher lohnt sich weiterhin, wenn ein Kurs von Persönlichkeit, Storytelling oder einem wiedererkennbaren Vortragenden lebt.

Hier ein praktischer Ablauf: entscheiden, wann KI-Vertonung sinnvoll ist, Skripte schreiben, die sich gut sprechen lassen, Timing und Aussprache richtig hinbekommen, Kurse aktuell halten und übersetzen.

Wann solltest du Text-to-Speech statt eines Sprechers nutzen?

Nutze das als schnellen Filter.

Ein verbreiteter Mittelweg: Ein Mensch spricht das Willkommensvideo und die emotionalen Momente des Kurses, und Text-to-Speech übernimmt die Anleitungsmodule, die sich jedes Quartal ändern.

Wie schreibst du ein E-Learning-Skript, das vorgelesen gut klingt?

Wenn eine Vertonung „nach Roboter“ klingt, liegt es meistens am Skript und nicht an der Stimme. Text für eine Folie ist dicht; Text zum Hören ist es nicht.

Regeln für Texte, die man hört

• Ein Gedanke pro Satz. Ziel sind Sätze mit 15 bis 20 Wörtern. Teile jeden Satz, der mehr als einen durch Komma abgetrennten Nebensatz enthält.
• Die Handlung zuerst. „Klick auf Speichern, um deine Änderungen zu sichern“ ist besser als „Deine Änderungen, die andernfalls verloren gehen würden, können durch Klicken auf Speichern gesichert werden.“
• Sprich Zahlen so, wie Menschen sie sagen. „Etwa zweitausend“ ist leichter zu verfolgen als „1.987“, es sei denn, die genaue Zahl ist wichtig.
• Kündige an, was kommt. „Es sind drei Schritte. Erstens …“ hilft Hörern, die nicht kurz auf der Seite nach oben schauen können.
• Lies nicht die Folie vor. Wiederholt die Vertonung jedes Wort des Bildschirmtextes, teilen Lernende ihre Aufmerksamkeit zwischen Lesen und Hören auf. Die Forschung zum multimedialen Lernen nennt das den Redundanzeffekt. Setze Stichwörter auf den Bildschirm und die Erklärung ins Audio.

Vorher und nachher

Text im Folienstil:

„Gemäß Richtlinie 4.2 müssen alle Spesenabrechnungen, die den Schwellenwert überschreiten, mit detaillierten Belegen eingereicht werden, andernfalls kann sich die Erstattung verzögern.“

Fürs Ohr geschrieben:

„Wenn eine Ausgabe über fünfzig Dollar liegt, häng einen detaillierten Beleg an. Ohne Beleg können wir dir das Geld womöglich nicht rechtzeitig erstatten.“

Wenn du noch kein Skript hast, kann der KI-Skriptautor von Leelo aus deiner Gliederung einen Entwurf schreiben, den du dann weiter bearbeitest.

Wie lang wird die Vertonung?

Professionell gesprochene Texte laufen meist mit etwa 150 Wörtern pro Minute, Schulungsinhalte oft etwas langsamer, damit Lernende am Bildschirm folgen können. Plane mit dieser Zahl.

• Eine 5-minütige Mikrolektion hat etwa 750 Wörter.
• Ein 20-minütiges Modul hat etwa 3.000 Wörter.
• Ein Kurs mit 10 Modulen von durchschnittlich 8 Minuten hat etwa 12.000 Wörter.

Füge ein Skript in den kostenlosen Skriptlängen-Rechner ein, um die Laufzeit zu prüfen, bevor du es vertonst. Wird ein Modul zu lang, streiche Wörter statt das Tempo zu erhöhen: Wer die Stimme beschleunigt, damit sie in ein Zeitfenster passt, macht sie schwerer verständlich.

Wie erzeugst du die Vertonung Schritt für Schritt?

Hier ist der Ablauf im Text-to-Speech-Studio von Leelo, das Zeile für Zeile arbeitet.

1. Skript importieren. Füge es ein oder importiere ein Dokument und geh es dann Zeile für Zeile durch. Jede Zeile lässt sich einzeln bearbeiten und neu erzeugen.
2. Stimme besetzen. Wähl aus der Stimmenbibliothek einen Sprecher und nutze ihn für jedes Modul des Kurses. Einheitlichkeit ist wichtiger als die „perfekte“ Stimme.
3. Aussprache einmal festlegen. Trag Produktnamen, Akronyme und Fachjargon in die Ausspracheliste ein, damit „SaaS“, „SQL“ oder der Name deines Unternehmens in jedem Modul gleich gesprochen werden.
4. Regie führen. Verlangsame eine Zeile mit einer wichtigen Definition, setze vor einer Frage eine Pause, gib dem Intro mehr Energie.
5. Mehrere Takes für knifflige Zeilen behalten. Erzeuge ein paar Versionen und behalte die beste; die anderen bleiben verfügbar, falls du es dir anders überlegst. Siehe Takes.
6. Setze eine zweite Stimme ein, wo es hilft. Szenariobasierte Schulungen („Ein Kunde ruft an, um sich zu beschweren …“) funktionieren besser als Dialog mit zwei Sprechern im selben Projekt.
7. Exportieren. Lade MP3 oder WAV pro Modul oder pro Folie herunter und importiere es in dein Authoring-Tool.

Aussprache-Einträge, die die meisten Kurse brauchen

• Akronyme als Buchstaben oder als Wort gelesen: „FAQ“ (F-A-Q oder „fak“), „GDPR“ (Buchstaben), „NASA“ (ein Wort).
• Produktnamen: Eine Marke, die „Qlik“ oder „Xero“ geschrieben wird, kann ohne Regel falsch gelesen werden.
• Heteronyme: englisch „lead“ (das Metall) und „lead“ (ein Team führen), „record“ als Substantiv und „record“ als Verb. Schreibe den Satz um oder lege für diese Zeile eine Aussprache fest.
• Einheiten und Symbole: „5 ms“, „24/7“, „°C“. Lege fest, wie jedes gesprochen werden soll.

Wie hältst du die Lautstärke über einen ganzen Kurs hinweg einheitlich?

Lernende merken es, wenn ein Modul leiser ist als das nächste und sie ständig die Lautstärke nachregeln müssen. Wähl eine Ziel-Lautheit für den Kurs und bleib dabei. Viele Teams peilen für online abgespielte Audios etwa −16 LUFS an. Prüfe vor der Veröffentlichung ein paar exportierte Dateien mit einem Lautheitsmesser, etwa dem kostenlosen Lautheits-Checker von Leelo.

Wenn du ein Musikbett unterlegst, halte es deutlich unter der Stimme und blende es bei dichten Erklärungen ganz aus. Die Spuren für Musik und Soundeffekte liegen in Leelo unter der Vertonung, sodass du den Mix pro Abschnitt einstellen kannst.

Wie aktualisierst du einen Kurs, ohne neu aufzunehmen?

Hier spart Text-to-Speech am meisten Zeit. Angenommen, die Oberfläche ändert sich, und ein Button namens „Absenden“ heißt jetzt „Zur Freigabe senden“:

1. Öffne das Projekt und suche die Zeilen, in denen „Absenden“ vorkommt.
2. Bearbeite diese Zeilen (sagen wir, es sind drei).
3. Erzeuge nur diese Zeilen neu. Der Rest des Moduls bleibt unberührt, Stimme, Tempo und Pegel passen also weiterhin zusammen.
4. Exportiere und ersetze das Audio in deinem Authoring-Tool.

Mit einem menschlichen Sprecher bedeutet dieselbe Änderung: eine Session buchen, das ursprüngliche Mikrofon-Setup nachbauen und hoffen, dass die Stimme Monate später genauso klingt.

Wie übersetzt du E-Learning in andere Sprachen?

Dir stehen zwei Wege offen.

Das Skript neu vertonen

Übersetze das Skript und vertone es dann in jeder Sprache mit einer muttersprachlichen Stimme, zum Beispiel Spanisch, Französisch oder Deutsch. Das gibt dir die meiste Kontrolle und funktioniert gut bei folienbasierten Kursen. Plane beim Timing Spielraum ein: Übersetzter Text ist oft länger als das Englische, eine auf das englische Audio getaktete Folie braucht deshalb vielleicht ein paar Sekunden mehr.

Das Video synchronisieren

Ist das Modul eine Bildschirmaufnahme oder ein Video mit Vortragenden, übersetzt und vertont die Synchronisation das ganze Video neu. Probiere sie vorab an einem kurzen Clip mit dem kostenlosen Video-Übersetzer aus.

Was kostet KI-Vertonung für einen Kurs?

Leelo rechnet in Credits ab: Ein Credit entspricht einem Wort in einer Standardstimme, Premium-Stimmen kosten 1,5 Credits pro Wort. Fehlgeschlagene Jobs bekommen ihre Credits zurück. Ein Rechenbeispiel für den Kurs mit 10 Modulen von oben (etwa 12.000 Wörter):

• Standardstimme: etwa 12.000 Credits.
• Premium-Stimme: etwa 18.000 Credits.
• Rechne neu erzeugte Zeilen und alternative Takes dazu und plane vielleicht 20 bis 30 % mehr ein.

Das passt locker in den Starter-Tarif (19 $ im Monat, 80.000 Credits). Die Synchronisation eines fertigen Videos läuft über dieselben Credits, nach Videominuten. Monatliche Credits werden nicht in den nächsten Monat übertragen. Plane große Produktionen also innerhalb eines Abrechnungsmonats oder kaufe ein Credit-Paket, das 12 Monate gültig bleibt. Alle Details und wie Credits gezählt werden, findest du auf der Preisseite. Die kommerzielle Nutzung des Audios, auch in Kursen, die du verkaufst, ist in den Bezahltarifen erlaubt.

Wie macht Vertonung einen Kurs barrierefreier?

Audio hilft Lernenden, die dichte Texte anstrengend finden, darunter viele Menschen mit Legasthenie (darauf gehen wir in Text-to-Speech bei Legasthenie ein). Aber Audio allein kann gehörlose und schwerhörige Lernende ausschließen. Richtlinien zur Barrierefreiheit wie die WCAG erwarten Untertitel für Videos und ein Transkript für reine Audioinhalte. Da dein Skript zugleich das Transkript ist, veröffentliche es zusammen mit dem Audio, und nutze das Transkriptions-Tool von Leelo, um Text für alle Aufnahmen zu erzeugen, zu denen es kein Skript gibt.

Mehr Ideen für Kursteams findest du auf der Seite E-Learning & Schulungen.

Häufig gestellte Fragen

Stört es Lernende, dass der Sprecher eine KI-Stimme ist?

Den meisten Lernenden sind Klarheit, Tempo und Tonqualität viel wichtiger als die Frage, wer aufgenommen hat. Probleme entstehen meist durch Skripte, die für die Seite geschrieben wurden, falsch ausgesprochene Begriffe und uneinheitliche Pegel, und all das lässt sich beheben. Sei offen damit, wenn jemand fragt; du musst nicht verbergen, dass die Vertonung synthetisch ist.

Welche Sprechgeschwindigkeit ist für E-Learning am besten?

Etwa 150 Wörter pro Minute sind ein guter Ausgangspunkt, etwas langsamer bei fachlichen Definitionen oder für Lernende, die in einer Zweitsprache arbeiten. Stell das Tempo pro Zeile ein statt für das ganze Modul, damit die wichtigen Punkte mehr Zeit bekommen.

Darf ich KI-Vertonung in einem Kurs nutzen, den ich verkaufe?

In den Bezahltarifen von Leelo ist die kommerzielle Nutzung des Audios erlaubt, das gilt auch für bezahlte Kurse und Kundenprojekte. Die einmaligen 1.000 Credits im kostenlosen Tarif sind zum Ausprobieren des Studios gedacht. Prüfe außerdem die Bedingungen der Plattform, auf der du verkaufst.

Welches Audioformat soll ich für mein Authoring-Tool exportieren?

Die meisten E-Learning-Authoring-Tools akzeptieren MP3 und WAV. Nimm WAV, wenn du das Audio weiter bearbeiten willst, und MP3 für kleinere Dateien, wenn du direkt importierst. Exportiere eine Datei pro Folie oder Abschnitt, damit spätere Updates leichter fallen.

Wie behalte ich dieselbe Stimme über Kurse hinweg, die Monate auseinanderliegen?

Nutze für jedes Modul dieselbe Stimme, dieselben Regie-Einstellungen und dieselbe Ausspracheliste. Weil die Stimme synthetisch ist, altert sie nicht und verändert sich nicht von Session zu Session, wie es bei einem menschlichen Aufnahme-Setup passieren kann. Wenn du eine Stimme willst, die sonst niemand nutzt, gestalte eine oder klone die Stimme eines Vortragenden, der zugestimmt hat.