KI-Voiceover für Shorts: Welche Stimmen die Aufmerksamkeit halten
Die Stimme ist die eine Produktionsentscheidung, die du einmal triffst und dann hundert Videos lang behältst. Sie ist zwanzig Minuten Nachdenken wert.

AutoShort-Redaktion
Leitfäden für Kurzvideos
9. August 2026 · 2 Min. Lesezeit

Die meisten wählen eine Stimme, indem sie sich fünf Hörproben anhören und die nehmen, die für sich allein am menschlichsten klingt. Das ist der falsche Test, denn niemand hört deine Stimme für sich allein – man hört sie über Bildern, unter Untertiteln, in hohem Tempo, aus einem Handylautsprecher, in einem lauten Raum.
Worauf es wirklich ankommt
Tempo. Erzählstimmen für Kurzvideos funktionieren zwischen 2,0 und 2,4 Wörtern pro Sekunde. Langsamer klingt nach Doku und verliert Leute; schneller ist auf einem Handylautsprecher unverständlich.
Gleichmäßige Tonhöhe. Stimmen, die zur Betonung stark schwanken, klingen bei einem Satz beeindruckend und über eine Minute anstrengend.
Klare Konsonanten. Auf einem Handylautsprecher schlägt Klarheit im Mittenbereich jedes Mal die Wärme. Eine Stimme, die im Kopfhörer großartig klingt, kann bei der Lautstärke, die die meisten tatsächlich nutzen, zu Brei werden.
Gleichbleibend. Was auch immer du wählst: Bleib dabei. Ein Kanal ist zuallererst eine Stimme.

Die Akzentfrage
Richte dich nach deinem Publikum, nicht nach deinem Geschmack. Wenn die meisten deiner Zuschauer aus den USA kommen, schneidet eine amerikanische Stimme im Test besser ab – egal, was du persönlich gern hörst. Das ist keine Aussage über Akzente, sondern über Vertrautheit: Das Gehirn braucht einen Sekundenbruchteil, um einen ungewohnten Akzent einzuordnen, und in der ersten Sekunde eines Shorts kannst du dir den nicht leisten.
Der erste Satz
Der erste Satz der Erzählstimme ist der einzige, den die meisten Zuschauer hören werden. Schreib ihn so, dass er ohne alle folgenden funktioniert – kein „in diesem Video“, kein Räuspern, keine Einleitung. Fang beim interessanten Teil an und erklär danach.

Fehler, die Retention kosten
- Stille am Anfang. Eine halbe Sekunde Nichts bedeutet: weggescrollt.
- Eine Erzählstimme, die den Bildern davonläuft. Wenn die Stimme schon weiter ist und das Bild nicht, wirkt das Video kaputt – auch wenn niemand sagen kann, warum.
- Den Untertitel exakt vorlesen. Kleine Abweichungen zwischen Geschriebenem und Gesprochenem machen beides aufmerksamkeitswürdig.
- Musik lauter als die Sprache. Die Musik liegt darunter. Immer.
Testen statt raten
Mach dasselbe Video mit zwei Stimmen und poste beide im Abstand von einer Woche. Vergleiche die Retention nach drei Sekunden – das ist die einzige Zahl, die dir etwas verrät. Alles andere ist Meinung, auch dieser Artikel.


