Sprechertext für Videos und Präsentationen

Stand: 1. November 2026

Ein Sprechertext aus dem Off, oft Voiceover genannt, macht aus einer Folienpräsentation ein selbsterklärendes Video und aus einem Bildschirmmitschnitt eine Anleitung. Mit einer Sprachausgabe brauchen Sie dafür weder Mikrofon noch ruhigen Raum.

Ein Erklärvideo von fünf Minuten braucht mit Daniel nach unserer Messung rund 4.400 Zeichen Sprechertext, also zwei Umwandlungen zu je höchstens 3.000 Zeichen. Für den Videoschnitt laden Sie die Dateien als WAV herunter, für PowerPoint als MP3 oder M4A. Die Nutzung in eigenen Videos und Präsentationen ist erlaubt.

Den Sprechertext schreiben

Der Sprechertext ergänzt, was auf der Folie oder im Bild zu sehen ist, statt den Folientext wörtlich zu wiederholen. Dabei helfen folgende Regeln:

• Kurze Sätze. Ein Gedanke pro Satz. Was beim Lesen noch geht, wird beim Hören schnell zu verschachtelt.
• Ein Abschnitt pro Folie oder Szene. So können Sie später jede Datei einzeln einfügen und bei Änderungen nur einen Teil neu erzeugen.
• Zahlen und Abkürzungen ausschreiben. Schreiben Sie „zweieinhalb Prozent“ statt „2,5 %“ und „zum Beispiel“ statt „z. B.“. Dann spricht die Stimme genau diese Form.
• Fachbegriffe und Namen testen. Klingt ein Name falsch, hilft oft eine lautnahe Schreibweise. Mehr dazu im Ratgeber Aussprache und Betonung steuern.

Passend zum Bild: Pausen und Tempo

Für die Abstimmung auf das Bild gibt es zwei Einstellungen:

• Pausen: Mit den Knöpfen für 0,5, 1 oder 2 Sekunden setzen Sie Marken wie [Pause 1s]. Sie können sie auch selbst tippen, von 0,1 bis 10 Sekunden, etwa [Pause 1,5s]. So bleibt Zeit für einen Folienwechsel oder einen Klick im Bildschirmvideo. Je Umwandlung sind bis zu 30 Pausen möglich, mit HD- und KI-Stimmen 10.
• Tempo: Fünf Stufen von 75 % bis 130 %. Für Erklärvideos ist „normal“ oder „langsam“ meist richtig. „Schnell“ passt zu kurzen Videos für soziale Medien, wirkt bei längeren Texten aber hektisch.

Ist ein Abschnitt zu lang für die Szene, kürzen Sie den Text, statt das Tempo zu erhöhen. Zur Planung: Daniel spricht nach unserer Messung knapp 15 Zeichen je Sekunde, eine Szene von 20 Sekunden fasst also knapp 300 Zeichen. Werte für alle Stimmen stehen unter Messwerte.

Ausführlich zu Pausen: Pausen in die Sprachausgabe einfügen.

Format: WAV oder MP3

• Für PowerPoint: MP3 oder M4A. Die Dateien sind klein, die Präsentation bleibt handlich.
• Für Videoschnitt: WAV. Schnittprogramme verarbeiten es ohne Umweg, und beim Export wird das Video ohnehin neu komprimiert.

Bei den Polly-Stimmen ist die Quelle eine MP3 mit 48 kbit/s; WAV ist dann nicht besser, nur bequemer im Schnitt. Azure-, HD- und KI-Stimmen werden verlustfrei erzeugt, hier enthält WAV die volle Qualität. Mehr dazu im Ratgeber Audioformate.

Ton in PowerPoint einfügen

1. Erzeugen Sie für jede Folie eine eigene Datei und laden Sie sie herunter. Die Dateien sind 24 Stunden abrufbar.
2. Öffnen Sie in PowerPoint die passende Folie und wählen Sie Einfügen → Audio → Audio auf meinem PC (am Mac: Audio aus Datei).
3. Das Lautsprechersymbol erscheint auf der Folie. Unter Wiedergabe stellen Sie „Automatisch“ ein, damit der Ton beim Aufrufen der Folie startet, und können „Während Präsentation ausblenden“ aktivieren.
4. Soll die Präsentation selbstständig laufen, legen Sie unter Übergänge fest, nach wie vielen Sekunden zur nächsten Folie gewechselt wird, passend zur Länge der Audiodatei.

Aus einer so vertonten Präsentation können Sie in PowerPoint über Exportieren auch ein Video erstellen. Die genauen Menübezeichnungen unterscheiden sich je nach Version leicht.

Ton im Videoschnitt

In gängigen Schnittprogrammen ziehen Sie die WAV-Datei auf eine Audiospur. Für die Arbeit damit gilt:

• Erst den Ton anlegen, dann die Bilder darauf schneiden.
• Pro Szene eine Datei. Ändert sich ein Satz, erzeugen Sie nur diese Datei neu.
• Hintergrundmusik deutlich leiser als die Stimme mischen, damit der Text verständlich bleibt.
• Untertitel ergänzen: Der Sprechertext liegt bereits vor.

Azure-, HD- und KI-Stimmen

Für deutsche Sprechertexte gibt es außerdem 21 Neural-Stimmen von Microsoft Azure, für die dasselbe Tageslimit von 20.000 Zeichen gilt wie für Amazon Polly, sowie HD-Stimmen von Google und Microsoft. Die HD-Stimmen eignen sich für sachliche Erklärvideos; einen Sprechstil wählen Sie bei ihnen nicht. Die KI-Stimmen von OpenAI lassen sich über einen Sprechstil steuern. Für Videos kommen vor allem zwei in Frage:

• Nachrichten: sachlich und deutlich. Für Erklärvideos, Schulungen und Unternehmenspräsentationen.
• Lebhaft (Werbung): mit mehr Schwung in der Stimme. Für Produktvideos, Vorschauen und kurze Werbefilme.

Für HD- und KI-Stimmen gilt zusammen ein Tageslimit von 1.500 Zeichen. Planen Sie bei längeren Projekten also mehrere Tage ein oder nutzen Sie für die Hauptteile eine Stimme von Amazon Polly oder Microsoft Azure (Neural). Wenn Sie ein Video mit KI-Stimme veröffentlichen, weisen Sie Ihr Publikum darauf hin, dass die Stimme künstlich ist, zum Beispiel in der Beschreibung.

Sprechertext jetzt umwandeln