Audio-Zusammenfassung

Eine Audio-Zusammenfassung ist eine gesprochene Kurzfassung eines längeren Textes. Man lädt zum Beispiel ein Dokument mit vierzig Seiten hoch und bekommt eine Tonspur von acht Minuten zurück. Erzeugt wird sie von einem Programm, das den Text zuerst liest, dann verkürzt und am Ende mit einer künstlich erzeugten Stimme vorliest. Kein Mensch spricht diese Aufnahme ein, und kein Mensch schreibt das Skript dafür. Besonders verbreitet ist eine Variante, bei der zwei künstliche Stimmen abwechselnd sprechen und sich gegenseitig Fragen stellen. Das klingt dann wie eine kurze Podcast-Folge, obwohl kein Studio und keine Sprecher beteiligt waren.

Warum Anbieter auf das Ohr statt auf das Auge setzen

Lesen verlangt volle Aufmerksamkeit und beide Augen. Zuhören funktioniert auch beim Pendeln, beim Sport oder beim Abwasch. Genau diese Zeitfenster wollen Medienhäuser und Softwarefirmen erreichen. Eine Nachrichtenseite, die morgens eine sechsminütige Tonspur mit den wichtigsten Meldungen ausspielt, konkurriert plötzlich mit dem Radio.

Der zweite Grund ist schlicht der Preis. Eine professionell produzierte Podcast-Folge kostet Sprecher, Studiozeit und Schnitt, oft mehrere hundert Euro pro Ausgabe. Eine automatisch erzeugte Tonspur kostet Bruchteile davon und lässt sich täglich neu produzieren. Dadurch wird es wirtschaftlich sinnvoll, auch Nischenthemen zu vertonen, für die sich eine echte Produktion nie gelohnt hätte.

Wichtig ist aber die Kehrseite. Eine Zusammenfassung lässt immer etwas weg, und beim Zuhören merkt man das schlechter als beim Lesen. Wer einen Text überfliegt, sieht sofort, wo Details stehen. Wer zuhört, bekommt nur, was die Software für wichtig hielt, und hat keine einfache Möglichkeit, das zu überprüfen.

Vom Dokument zur fertigen Tonspur

Der Ablauf besteht aus drei Schritten. Zuerst analysiert ein Sprachmodell den Ausgangstext. Ein Sprachmodell ist ein Programm, das mit sehr vielen Texten trainiert wurde und dadurch gelernt hat, Sätze zu verstehen und selbst zu formulieren. Es erkennt, welche Aussagen zentral sind und welche nur Beiwerk.

Im zweiten Schritt schreibt dasselbe Modell ein Skript. Das ist kein reiner Kürzungstext, sondern gesprochene Sprache mit kurzen Sätzen, Übergängen und manchmal verteilten Rollen. Bei Zwei-Stimmen-Formaten legt das Modell fest, wer welchen Satz sagt und an welcher Stelle nachgefragt wird. Diese scheinbare Spontaneität ist vollständig vorgeschrieben.

Der dritte Schritt ist die Sprachsynthese, also die künstliche Erzeugung von Stimme aus geschriebenem Text. Moderne Systeme setzen dabei Betonung, Atempausen und Tempo so, dass die Aufnahme natürlich wirkt. Ein häufiger Irrtum ist die Annahme, die Software habe den Inhalt wirklich verstanden. Sie erzeugt statistisch wahrscheinliche Formulierungen, und wenn im Ausgangstext ein Fehler steht, wird er mit derselben ruhigen Stimme vorgetragen wie alles andere.

Wo solche Tonspuren heute auftauchen

Am bekanntesten sind die Audio Overviews in Googles Notizwerkzeug NotebookLM. Man legt dort eigene Dateien ab und erhält daraus einen Dialog zweier Stimmen. Schüler und Studierende nutzen das, um Skripte vor Prüfungen noch einmal durchzuhören. Auch Amazon, Spotify und mehrere Nachrichten-Apps haben inzwischen vergleichbare Funktionen.

Im Journalismus finden sich Audio-Zusammenfassungen als Vorleseknopf über dem Artikel oder als tägliche Kurzausgabe. Manche Verlage kennzeichnen die künstliche Stimme deutlich, andere tun es kaum. In Wirtschaftsmeldungen taucht der Begriff meist im Zusammenhang mit Nutzungszahlen auf, weil Anbieter damit längere Verweildauer belegen wollen.

Abzugrenzen ist das Ganze von zwei ähnlichen Dingen. Ein Hörbuch liest einen Text vollständig vor und kürzt nichts. Eine klassische Vorlesefunktion tut dasselbe automatisch. Die Audio-Zusammenfassung dagegen entscheidet selbst, was übrig bleibt, und genau darin liegt ihr Nutzen und ihr Risiko.