KI-Stimmen im Hörbuch: Was die Plattformen verlangen

Audible nimmt über ACX keine KI-gesprochene Datei an. Spotify nimmt sie an und schreibt einen Hinweis in die Buchbeschreibung. Kobo nimmt sie an, wenn in den Metadaten eine synthetische Stimme steht. Eine einheitliche Regel für KI-Stimmen im Hörbuch gibt es nicht — es sind acht, und sie widersprechen sich.

Diese Seite sammelt, was die großen Hörbuchplattformen tatsächlich verlangen, mit Link auf die jeweilige Richtlinienseite. Alle Angaben stammen aus der Dokumentation der Anbieter selbst.

Die Regeln auf einen Blick

ACX (Audible) — menschliche Stimme vorgeschrieben, nicht autorisierte Text-to-Speech-Aufnahmen sind untersagt
Amazon KDP Virtual Voice — Amazons eigene synthetische Vertonung, Beta, im Shop gekennzeichnet
Audible für Verlage — KI-Vertonung und KI-Übersetzung direkt für ausgewählte Verlagspartner
Spotify for Authors — erlaubt, Kennzeichnung per Häkchen, Hinweissatz in der Beschreibung
Kobo Writing Life — erlaubt, Sprecher-Eintrag muss als synthetische Stimme geführt werden
Google Play Books — Google erzeugt die Vertonung selbst aus dem EPUB
Apple Books — Apple produziert die Vertonung selbst aus der E-Book-Datei
tolino media — erlaubt, mit ausdrücklicher Kennzeichnungspflicht beim Verlag

Sortiert man die Plattformen in zwei Gruppen, wird das Muster erkennbar. Die einen lassen dich fremdes KI-Audio hochladen und verlangen dafür eine Erklärung. Die anderen erzeugen das Audio selbst — und behalten damit auch die Kennzeichnung in der eigenen Hand.

Audible und ACX: menschlich gesprochen, mit Ausnahmen

ACX ist die strengste Adresse und formuliert es unmissverständlich. Die Audio Submission Requirements, zuletzt am 15. April 2026 aktualisiert, verlangen, dass ein eingereichtes Hörbuch von einem Menschen gesprochen sein muss, sofern nichts anderes autorisiert wurde. Nicht autorisierte Text-to-Speech-, KI- oder automatisierte Aufnahmen sind untersagt. Dieselbe Seite fordert Rechteinhaber auf, einen Produzenten nicht zu bezahlen, wenn der Verdacht auf TTS besteht.

Der Satz danach zeigt, wohin die Reise geht: Audible arbeitet nach eigener Aussage daran, TTS-Inhalte Dritter von interessierten Verlagen und Kreativen anzunehmen. Das Verbot beschreibt einen Stand, keine Haltung.

Zwei Ausnahmen bestehen bereits innerhalb des Amazon-Kosmos.

Virtual Voice

Kindle Direct Publishing betreibt Hörbücher mit Virtual Voice, eine Beta im US-Marktplatz, die ein berechtigtes KDP-E-Book in computergenerierte Vertonung umwandelt. 80 Stimmen stehen zur Wahl, unter anderem amerikanisches, britisches und australisches Englisch, lateinamerikanisches und kastilisches Spanisch, Französisch und Italienisch, pro Kapitel auch unterschiedlich. Der Ladenpreis liegt zwischen 3,99 und 14,99 US-Dollar, die Beteiligung bei 40 Prozent im Einzelverkauf. KDP hält fest, dass so erzeugte Titel im Shop deutlich gekennzeichnet sind. Deutsch fehlt in der Stimmenliste bislang.

Die Begründung steht in der ersten Zeile derselben Hilfeseite: Nur fünf Prozent aller Bücher bei Amazon erscheinen als Hörbuch. Nicht die Technik ist der Business Case, sondern diese Lücke.

Stimm-Repliken für Sprecher

Im April 2025 teilte Audible mit, ACX habe eine kleine Gruppe US-amerikanischer Sprecherinnen und Sprecher in eine Beta eingeladen, in der sie Repliken der eigenen Stimme erstellen und monetarisieren können. Sie entscheiden weiterhin selbst, für welche Projekte sie sich bewerben, mit Replik oder mit echter Aufnahme, und bleiben Teil der Produktion. Einwilligung, Nennung und projektweise Freigabe — genau das Modell, das der VDS und der BFFS in den deutschen Auseinandersetzungen fordern — sind hier eingebaut.

KI-Vertonung für Verlage

Am 13. Mai 2025 kündigte Audible KI-Vertonung für ausgewählte Verlagspartner an, wahlweise als betreute Komplettproduktion oder im Self-Service, mit über 100 KI-Stimmen in Englisch, Spanisch, Französisch und Italienisch. Danach folgte eine Beta zur KI-Übersetzung, darunter ein Speech-to-Speech-Verfahren, das Stimme und Duktus der Originalsprecherin in eine andere Sprache überträgt. Als erste Zielsprachen nennt Audible Spanisch, Französisch, Italienisch und Deutsch, ausgehend vom Englischen. Menschliche Linguisten können zur Prüfung dazugebucht werden.

Dieser letzte Punkt verdient Aufmerksamkeit. Speech-to-Speech macht die aufgenommene Leistung einer Person zum Ausgangsmaterial für jede weitere Sprachfassung — funktional dasselbe Thema, das im Synchronbereich verhandelt wird. Ob dein Vertrag das deckt, ist eine Frage der Vertragsgestaltung, nicht der Technik. Zu den Gagenmodellen dahinter haben wir die Zahlen der Plattformen zusammengetragen.

Spotify: erlaubt und sichtbar gekennzeichnet

Spotify ist die klarste der großen Plattformen. Die Hilfeseite Digital voice narration hält fest, dass Spotify Hörbücher mit digitaler Stimme annimmt, dass beim Upload die Option „This audiobook uses digital voice narration“ zu setzen ist und dass Spotify daraufhin einen kurzen Satz in die Buchbeschreibung einfügt.

Den genauen Wortlaut dokumentiert ElevenLabs in der Ankündigung vom Februar 2025 zum Vertriebsweg über Spotify: Der Satz „This audiobook is narrated by a digital voice.“ wird der Beschreibung vorangestellt. Als akzeptierte Anbieter nennt Spotify unter anderem Google Play Books und ElevenLabs.

Zwei Details aus der Praxis: Titel mit digitaler Stimme gibt Spotify derzeit nicht an seine Referral-Partner weiter, die Reichweite ist also geringer als bei einer echten Aufnahme. Und die Kennzeichnung ist umkehrbar — wird die KI-Vertonung später durch eine menschliche Fassung ersetzt, entfernt Spotify den Hinweissatz nach dem Abwählen der Option wieder.

Kobo, Google und Apple: Kennzeichnung über die Metadaten

Kobo Writing Life geht am weitesten. Der Hilfeartikel zur KI-Vertonung, aktualisiert am 23. Juli 2026, hält fest, dass Rakuten Kobo KI-Vertonung ausdrücklich akzeptiert und mindestens zwei Beitragende erwartet, Autor und Sprecher. Ist die Vertonung synthetisch, muss der Sprecher-Eintrag als synthetische Stimme geführt werden, männlich, weiblich oder unspezifiziert. Keine Exklusivität, keine gesonderte Freigabe.

Google Play Books funktioniert anders: Im Programm für automatisch vertonte Hörbücher erzeugt Google die Vertonung selbst aus dem EPUB, statt eine anderswo produzierte Datei entgegenzunehmen. Die Programmrichtlinien regeln vor allem Rechte und Preise — die Hörbuchrechte müssen bei dir liegen, während der Beta fällt keine Programmgebühr an, und wenn du die Datei herunterlädst und anderswo verkaufst, darf der Preis bei Google Play nicht höher liegen als auf anderen Plattformen. Das für Hörer sichtbare Signal kommt vom Shop und von den nachgelagerten Händlern, nicht aus einem Feld, das du ausfüllst.

Apple Books verfolgt denselben Ansatz im eigenen Haus. Die digitale Vertonung ist kostenlos, entsteht bei Apple aus der E-Book-Datei durch Sprachsynthese in Kombination mit eigenen Linguisten, Qualitätssicherung und Toningenieuren und wird über Partner wie Draft2Digital, Ingram CoreSource und PublishDrive eingeliefert. Die Hörbuchrechte bleiben beim Verlag, eine zusätzliche menschliche Fassung bleibt jederzeit möglich. Apple betont ausdrücklich, weiter in menschlich gesprochene Hörbücher zu investieren.

tolino media: Die Kennzeichnungspflicht liegt bei dir

Für deutschsprachige Selfpublisher ist tolino media der zentrale Weg ins Hörbuch, und die Hörbuch-FAQ beantwortet die Frage direkt. Ja, mit KI-Tool und KI-Stimme erstellte Hörbücher dürfen veröffentlicht werden. Aber: Du bist zur Kennzeichnung der KI-Inhalte und KI-Sprecherinnen und -Sprecher verpflichtet. Und tolino weist selbst darauf hin, dass einige Vertriebskanäle — genannt wird Audible — Hörbücher mit KI-Stimme nicht listen.

Damit liegt die Verantwortung anders als bei Spotify oder Kobo. Dort ist die Kennzeichnung ein Formularfeld mit vorgegebenem Wortlaut. Bei tolino ist sie eine Pflicht, deren konkrete Umsetzung — Metadaten, Beschreibungstext, gesprochenes Impressum — bei dir bleibt.

Die technischen Vorgaben unterscheiden sich

tolino verlangt MP3 mit 44,1 kHz, Stereo, RMS zwischen −24 dB und −14 dB, maximal 60 Minuten pro Track und Sprechpausen von höchstens fünf Sekunden. ACX will 192 kbps CBR bei 44,1 kHz, RMS zwischen −23 dB und −18 dB, Spitzen unter −3 dB, einen Grundrauschpegel unter −60 dB RMS und keine Datei über 120 Minuten. Wer beide Kanäle bedient, mastert zweimal.

KI-Verordnung: Plattformregel ist nicht Rechtspflicht

Ein Häkchen im Upload-Formular erfüllt keine gesetzliche Pflicht. Seit dem 2. August 2026 gilt Artikel 50 der KI-Verordnung für synthetisch erzeugtes und manipuliertes Audio, das in der EU veröffentlicht wird. Er verlangt zweierlei: eine maschinenlesbare Markierung der erzeugten Ausgabe und eine Offenlegung gegenüber dem Publikum, wenn das Audio einer realen Person ähnelt. Beides läuft neben den Plattformregeln, nicht in ihnen auf.

Praktisch heißt das für deutsche Verlage und Selfpublisher: Der Kobo-Metadateneintrag erfüllt Kobos Anforderung, nicht die der Verordnung. Und wer eine geklonte Stimme einsetzt, sollte die Rechtslage an der Stimme selbst kennen — dazu haben wir den Ländervergleich zum Recht an der eigenen Stimme geschrieben.

Hinzu kommt der Barrierefreiheitsdruck. Seit dem BFSG sind digitale Publikationen an Anforderungen gebunden, die Audio ausdrücklich einschließen. Wie das mit Audiodeskription zusammenhängt, steht in unserem Beitrag zur Audiodeskription-Pflicht. KI-Vertonung wird gern als Barrierefreiheitsargument verkauft — sie ersetzt aber weder Audiodeskription noch eine geprüfte Aussprache.

Was das für Sprecherinnen und Sprecher heißt

Lies jede Plattform danach, welche der drei Handlungen sie vollzieht: verbieten, kennzeichnen oder selbst erzeugen. Verbote sind die instabilste Kategorie, ACX signalisiert die Bewegung auf der eigenen Seite. Kennzeichnungen sind die nützlichste, weil ein sichtbarer Hinweis die menschliche Aufnahme als unterscheidbares Produkt erhält statt als unsichtbaren Aufpreis.

Drei Punkte, die vor jeder Unterschrift geklärt gehören:

Trainingsrechte. Darf die Gegenseite deine Aufnahmen zum Aufbau oder zur Verbesserung eines Stimmmodells nutzen? Das ist etwas anderes als die Lizenz zur Auswertung des fertigen Hörbuchs.
Übersetzungsrechte. Speech-to-Speech verwertet deine Leistung weiter, nicht nur den Text. Was im Vertrag nicht geregelt ist, ist nicht eingeräumt — und nicht vergütet.
Nennung. Spricht eine Replik deiner Stimme, gehört das in die Sprecherangabe. Die Nennung ist das, was den Markt überhaupt noch unterscheidungsfähig hält.

Wie sich der Streit um KI-Klauseln in der deutschen Synchronbranche entwickelt, verfolgen wir laufend im Beitrag zur KI-Klausel bei Netflix.

Wenn es eine echte Stimme sein soll

Synthetische Vertonung hat ihren Markt gefunden: Backlist, Sachbuch mit wenig Dialog, Ratgeber, Titel, die ein volles Produktionsbudget nie getragen hätten. Figurenarbeit, Timing und eine Sprecherin, die versteht, warum ein Satz kippt, gehören nicht dazu.

Gehört dein Titel in die zweite Gruppe, ist der kürzeste Weg eine muttersprachliche Aufnahme in Sendequalität. Über Voicfy stellst du dein Projekt ein und bekommst Angebote von geprüften muttersprachlichen Sprecherinnen und Sprechern, in der Regel innerhalb von 48 Stunden. Wer erst Stimmen vergleichen will, startet auf der Buchungsseite.