Audio wird erwachsen — synchrones Mitlesen, lückenlose Wiedergabe und eine Suche, die versteht, was du meinst

Foto: Unsplash

Die Wochen davor drehten sich um das Fundament — die unsichtbaren Dinge, die einfach stimmen müssen: pflegbare Rechtstexte, eine einheitliche Stimme in jeder E-Mail, ein Sicherheitsnetz, das die laufende Plattform wie ein Mensch durchspielt. Das war die Arbeit unter der Wasserlinie. Die letzten Tage drehten sich wieder um etwas, das man unmittelbar erlebt — und zwar gleich über zwei Sinne: Hören und Finden.

Dass OutaStory Geschichten vorlesen kann, war schon länger angelegt. Dass die Stimmen dabei nach Mensch klingen, war Thema eines eigenen Beitrags — dem ElevenLabs-Stipendium, über das wir an anderer Stelle ausführlich geschrieben haben. Hier geht es um die andere Hälfte derselben Medaille: nicht wie die Stimme klingt, sondern wie es sich anfühlt, einer Geschichte zuzuhören. Denn eine gute Stimme allein macht noch kein Hörbuch. Es braucht einen Player, der nicht stockt, der sich vom Sperrbildschirm bedienen lässt, der weiß, wo im Kapitel man gerade ist — und im besten Fall einen Text, der sich beim Zuhören mitlesen lässt. Genau dort lag der Schwerpunkt: aus dem Vorlesen ein Hörerlebnis machen, die fertigen Hörfassungen sofort verfügbar machen, die Suche so umbauen, dass sie versteht, was gemeint ist — und unter all dem eine kleine, ehrliche Lektion über Sorgfalt.

Vom Vorlesen zum echten Hörerlebnis

Der erste und größte Strang war ein vollständiger Umbau dessen, wie Audio entsteht und wie es abgespielt wird — auf jeder Plattform, vom Browser über Android und iOS bis zur Windows-App.

Bisher wurde eine Hörfassung als ein großer Block pro Kapitel erzeugt und am Stück abgespielt. Das funktioniert, hat aber zwei Schwächen. Erstens ist die Erzeugung empfindlich: Wenn irgendwo auf halbem Weg etwas hakt, fängt das ganze Kapitel von vorn an — teuer und langsam. Zweitens lässt sich ein einziger großer Block schlecht navigieren: Spulen ist grob, und ein Mitlesen, das genau weiß, an welcher Stelle im Text die Stimme gerade ist, war damit kaum machbar.

Deshalb entsteht eine Hörfassung jetzt in Abschnitten. Jedes Kapitel wird in handliche Stücke zerlegt, die nacheinander — mit übergreifendem Kontext, damit der Erzählstil über die Schnitte hinweg gleich bleibt — vertont werden. Jedes fertige Stück wird sofort gesichert. Wenn die Erzeugung unterbrochen wird, läuft sie genau dort weiter, wo sie aufgehört hat, ohne ein einziges schon fertiges Stück noch einmal zu erzeugen. Stößt die Vertonung auf eine Passage, die der Anbieter aus Sicherheitsgründen blockiert, versucht die Pipeline automatisch, genau diese Stelle behutsam umzuformulieren, statt das ganze Kapitel scheitern zu lassen. Aus einem empfindlichen Ein-Block-Vorgang ist ein robuster, fortsetzbarer Strom kleiner, geprüfter Stücke geworden.

Auf der Abspielseite zahlt sich dieselbe Abschnitts-Struktur doppelt aus. Die einzelnen Stücke werden zu einer lückenlosen Wiedergabe zusammengefügt — man hört keine Naht zwischen ihnen, das Kapitel läuft durch, als wäre es ein Guss. Gleichzeitig weiß der Player jederzeit, in welchem Abschnitt er gerade ist. Daraus folgt ein Player, der sich endlich wie ein richtiger Audio-Player anfühlt:

• Kapitel vor und zurück, direkt im mobilen Player und auf dem Sperrbildschirm — eine Geschichte zu Ende hören, ohne die App in den Vordergrund zu holen.
• Spulen an eine beliebige Stelle, präzise statt grob.
• Bedienung vom Sperrbildschirm und über die System-Medientasten — auf Android und iOS läuft die Wiedergabe als vollwertige Hintergrund-Medien-Sitzung, mit Titel, Kapitel und den gewohnten Steuerelementen dort, wo das Betriebssystem sie erwartet.

Das alles steckt in einer eigens gebauten, plattformübergreifenden Audio-Engine — derselbe Kern, der überall die gleiche, verlässliche Wiedergabe liefert, statt vier verschiedene Notlösungen pro Plattform.

Mitlesen, während die Stimme liest

Foto: Unsplash

Wenn der Player weiß, an welcher Stelle im Text die Stimme gerade ist, entsteht daraus eine Funktion, die mir besonders am Herzen liegt: das synchrone Mitlesen.

In der Mitlese-Ansicht läuft der vollständige Kapiteltext durch, und genau der Satz, der gerade vorgelesen wird, leuchtet auf und scrollt sanft in die Mitte. Wer zuhört, kann jederzeit mit den Augen folgen; wer eine Stelle noch einmal lesen will, sieht sofort, wo sie steht. Für Leser:innen, die sich beim reinen Zuhören schwer konzentrieren, für Sprachlernende, die Klang und Schrift verbinden wollen, und für alle, die einfach gern beides gleichzeitig tun — Hören und Sehen —, ist das ein spürbarer Unterschied. Es ist die Art Funktion, die man einmal benutzt und danach vermisst, wenn sie fehlt.

Technisch ist das anspruchsvoller, als es aussieht: Der Text wird in Sätze zerlegt, jeder Satz bekommt eine genaue Position im Kapitel, und die Wiedergabe meldet laufend zurück, wo sie steht — fein genug, dass die Hervorhebung dem Klang folgt, ohne zu zappeln. Genau hier zahlt sich die neue Abschnitts-Struktur aus: Ohne sie wäre dieses präzise Mitlaufen kaum sauber hinzubekommen.

Das synchrone Mitlesen ist eine Premium-Funktion — aber eine, die sich an genau der Stelle zeigt, an der sie Sinn ergibt: Wer eine Hörfassung öffnet, sieht die Mitlese-Ansicht und einen freundlichen Hinweis, was sie kann und wie man sie freischaltet — kein verstecktes Feature, sondern ein klares Angebot im richtigen Moment. Das normale Hören bleibt für alle da; das mitlaufende Mitlesen ist der Premium-Aufschlag.

Hörbücher, die sofort da sind

Eine frisch erzeugte Hörfassung kostet Rechenzeit und — bei den hochwertigen Stimmen — echtes Geld pro Zeichen. Für die Flaggschiff-Geschichten, die wir selbst kuratieren, wäre es Verschwendung, jede Hörfassung bei jedem Aufbau der Plattform neu zu erzeugen. Deshalb gibt es jetzt einen Weg, fertige Vertonungen mitzuliefern: Eine einmal erzeugte Hörfassung wird gesichert und beim nächsten Plattform-Aufbau einfach als fertiges Hörbuch übernommen — kein erneutes Erzeugen, keine Wartezeit, kein erneuter Verbrauch von Vertonungs-Guthaben.

Das Ergebnis für die Hörer:innen ist denkbar einfach: Bei den kuratierten Geschichten ist das Hörbuch sofort da. Kein „wird erzeugt, bitte später wiederkommen", sondern Play drücken und zuhören. Und dank des oben beschriebenen Abschnitts-Formats kommen diese vorgefertigten Hörfassungen mit allem, was die lückenlose Wiedergabe und das synchrone Mitlesen brauchen.

Suche, die versteht, was du meinst

Foto: Unsplash

Der zweite große Strang hat nichts mit Audio zu tun und doch dasselbe Ziel: dass sich die Plattform richtig anfühlt. Es geht um die Suche — und die wurde von Grund auf neu gebaut.

Eine Bibliothek aus Tausenden gemeinfreien Klassikern und Flaggschiff-Geschichten ist nur so gut, wie man darin findet, was man sucht. Die bisherige Suche war einfach: Sie verglich den eingegebenen Text mehr oder weniger direkt mit Titeln und Namen. Das funktioniert für „Goethe", scheitert aber an allem, was ein Mensch tatsächlich eintippt: ein vertauschtes Wort, ein Tippfehler, ein Vorname statt Nachname, eine andere Beugung. Wer „Venedig Tod" statt „Der Tod in Venedig" eingibt, fand bisher nichts — obwohl die Geschichte direkt vor der Nase liegt.

Die Suche wurde deshalb in mehreren Stufen umgebaut, sauber abgesichert und Schritt für Schritt:

Zuerst eine saubere Trennung. Die Such-Logik wurde hinter eine klare Schnittstelle gelegt, sodass sich der Such-Anbieter austauschen lässt, ohne dass der Rest der Plattform etwas davon merkt. Das klingt nach Innen­architektur — ist aber die Voraussetzung dafür, dass die nächsten Stufen risikolos eingezogen werden konnten.

Dann ein echter deutscher Volltext. Als verlässliche, überall verfügbare Grundstufe kam eine richtige Volltextsuche mit einem deutschen Sprach-Analyzer dazu: Sie versteht Wortstämme und Beugungen, ist unempfindlich gegen die Wortreihenfolge und findet Autor:innen auch über Bio-Text und Rolle. „Venedig Tod" findet jetzt „Der Tod in Venedig". Diese Stufe braucht keinen externen Dienst und greift überall — auch lokal in der Entwicklung — als verlässlicher Rückfall.

Und schließlich Azure AI Search. Für die Produktion ist jetzt Azure AI Search angebunden — eine eigene, dedizierte Suchmaschine, die Tippfehler verzeiht, nach Relevanz sortiert und mit der wachsenden Bibliothek mitskaliert. Der Suchindex ist dabei bewusst nur ein abgeleiteter, jederzeit neu aufbaubarer Spiegel: Die maßgeblichen Daten bleiben in unserer Datenbank, der Index hält lediglich Autorennamen, Bios, Titel und Beschreibungen als durchsuchbare Kopie. Bei einer Kontolöschung verschwindet das zugehörige Profil auch aus dem Index. Diese Datenschutz-Einordnung steht nicht nur im Maschinenraum, sondern offen in der Datenschutzerklärung — Azure AI Search ist dort als eigener Sub-Dienstleister benannt, mit genau dieser Erklärung, was er erhält und was nicht.

Die Auswahl, welche Stufe greift, geschieht automatisch: Ist die dedizierte Suchmaschine verfügbar, übernimmt sie; sonst fällt die Plattform nahtlos auf den deutschen Volltext zurück. Für die Suchende heißt das schlicht: Sie tippt etwas Ungefähres ein und bekommt das Richtige — ohne wissen zu müssen, was im Hintergrund arbeitet.

Eine Benachrichtigung, wenn die Stimme fertig ist

Audio zu erzeugen dauert — gerade bei einer langen Geschichte und einer hochwertigen Stimme einige Minuten. Bisher musste man die Seite im Auge behalten, um zu wissen, wann die Hörfassung fertig ist. Jetzt nicht mehr: Sobald die Vertonung einer eigenen Geschichte vollständig ist, bekommt die Autorin eine Benachrichtigung — in der App, als Push aufs Gerät und als E-Mail, letztere mit einem direkten Link auf die Geschichte, wo sich die Hörfassung sofort abspielen lässt.

Die Benachrichtigung fügt sich genau in das Benachrichtigungs-System ein, das die Vorwochen gebracht haben: Sie ist abschaltbar — wer sie nicht will, deaktiviert sie pro Kanal in den Einstellungen —, und sie geht ausschließlich an die richtige Person, die Autorin der jeweiligen Geschichte. Es ist eine kleine Funktion, aber eine, die einen lästigen „immer-wieder-nachschauen"-Moment einfach verschwinden lässt.

Eine Lektion in Ehrlichkeit: ein Fehler, der jede Dauer vervierfachte

Foto: Unsplash

Zu dieser Phase gehört auch eine kleine Geschichte, die ich hier bewusst erzähle, weil sie zeigt, wie diese Art Arbeit wirklich abläuft — und weil sie eine schöne Lektion in Sorgfalt enthält.

Beim Vertonen misst die Plattform für jedes Audio-Stück, wie lang es ist. Diese Dauer ist nicht nur Kosmetik: Sie speist die Fortschrittsanzeige, das Spulen — und genau jene synchrone Hervorhebung beim Mitlesen, die oben beschrieben ist. Stimmt die Dauer nicht, läuft die Markierung aus dem Takt.

Beim Aufbau der vorgefertigten Hörfassungen fiel auf, dass die gemessenen Dauern viel zu lang waren — ein gut zweiminütiges Stück wurde als über vierzehn Minuten verbucht. Der Faktor war auffällig sauber: exakt das Vierfache. Und genau diese Sauberkeit war der entscheidende Hinweis. Die Ursache lag in einer winzigen, gut versteckten Annahme: Die Audio-Bibliothek, mit der die Dauer gemessen wird, gibt eine Länge zurück, die nicht in Tönen pro Sekunde zu rechnen ist, sondern in den Bytes des entschlüsselten Tonstroms — bei den hier verwendeten Mono-Aufnahmen vier Bytes pro Ton. Die Berechnung teilte schlicht durch die falsche Größe und kam so um genau diesen Faktor vier daneben.

Der Fehler war mit einer Zeile behoben. Aber das Interessante ist nicht der Fix, sondern das, was danach kam: Damit dieser Fehler nie wieder zurückkehren kann, ist die Dauer-Berechnung jetzt in einen eigenen, isoliert getesteten Baustein gewandert — mit Tests, die genau die echten Zahlen festnageln, die den Fehler ans Licht gebracht haben, und einem Test, der die alte, falsche Formel ausdrücklich als „das Vierfache" markiert. Wenn jemand in einem Jahr versehentlich auf die alte Rechnung zurückfällt, schlägt der Test laut an, bevor irgendetwas ausgeliefert wird. Dazu kommt ein zweiter Test, der die echte Audio-Bibliothek auf einer echten Audiodatei laufen lässt — falls eine künftige Aktualisierung dieser Bibliothek die Bedeutung jener Länge je ändert, fällt auch das sofort auf.

Das ist die unspektakuläre Wahrheit hinter „Qualität": nicht, dass keine Fehler passieren — sondern dass ein gefundener Fehler so abgesichert wird, dass er kein zweites Mal passieren kann. Genau dafür ist auch die ganze restliche Test-Schicht da, die in dieser Phase weiter gewachsen ist: rund um die neue Audio-Pipeline, rund um Veröffentlichung, Cover und das Mitlesen.

Hunderte kleine Kanten geglättet

Neben den großen Strängen lief das, was in jeder Phase läuft — das geduldige Glätten kleiner Kanten, das einzeln nie eine Schlagzeile ist und in Summe den Unterschied zwischen „funktioniert" und „fühlt sich gut an" macht:

• Die rechtlichen Seiten haben optisch nachgezogen: dasselbe gepflegte Layout wie die übrige App, mit eigenen Symbolbildern und sauber gesetzten Text-Blöcken — und eine neue Datenschutz-Erklärung für Sprecher:innen, passend zum wachsenden Sprecher-Marktplatz.
• Die Navigation wurde aufgeräumt: Das Abo wandert dorthin, wo man es erwartet — ins Profil-Menü —, und ein doppelter Eintrag fiel weg.
• Ein Jugendschutz-Detail wurde geschlossen: Auf einem Autoren-Profil tauchten für nicht angemeldete Besucher:innen auch Geschichten mit höherer Altersfreigabe auf — jetzt greift dort dieselbe Alters-Filterung wie überall sonst.
• Diverse Stabilitäts- und Aufräum-Arbeiten rund um die lokale Entwicklungsumgebung und die Fehler-Überwachung, damit echte Probleme nicht im Rauschen untergehen.

Zahlen zum Stand

• Pull-Requests: rund drei Dutzend seit dem letzten regulären Blog-Post — Schwerpunkt auf der Audio-Pipeline und der Suche.
• Hauptthemen: abschnittsweise, fortsetzbare Audio-Erzeugung; lückenlose Wiedergabe mit Kapitelsprung, Spulen und Sperrbildschirm-Steuerung über alle Plattformen; synchrones Mitlesen als Premium-Funktion; vorgefertigte, sofort abspielbare Hörfassungen; eine von Grund auf neue Suche von deutschem Volltext bis Azure AI Search; Benachrichtigung bei fertiger Vertonung; plus viel stille Qualitäts- und Test-Arbeit.
• Katalog: unverändert breit — die Tausenden gemeinfreien Klassiker sind live, jetzt deutlich besser durchsuchbar.
• Tests: weiterhin im hohen Drei-Tausender-Bereich grün, gezielt ausgebaut rund um die neue Audio-Dauer-Berechnung (gegen den oben beschriebenen Fehler), die Veröffentlichung, das Cover und das Mitlesen — über Unit-Tests, Browser-Tests und das End-to-End-Netz gegen die laufende Plattform.

Was als nächstes

• Mitlesen breiter ausprobieren — die synchrone Hervorhebung über lange Kapitel, verschiedene Geräte und Stimmen weiter feinjustieren.
• Suche schärfen — jetzt, da Azure AI Search live ist, an Relevanz-Feinheiten und Vorschlägen arbeiten.
• Vorgefertigte Hörfassungen ausweiten — mehr der kuratierten Flaggschiff-Geschichten mit sofort verfügbarem Hörbuch.
• Jugendschutz scharf stellen — die Alters-Engine wartet weiter auf die Freigabe der Verifikations-Methode durch unsere Datenschutzbeauftragte.
• App.Shared-Razor-Pages-Tests — der letzte rote Coverage-Eintrag, weiter in Wochen-Wellen.

Diese Phase hatte zwei Gesichter: das hörbare — eine App, der man jetzt wirklich zuhören und in der man mitlesen kann — und das stille darunter, das einen vervierfachten Fehler nicht nur behebt, sondern für immer einsperrt. Beides gehört zusammen. Eine schöne Funktion ist nur so viel wert wie das Vertrauen, dass sie auch morgen noch stimmt. Wenn dir beim Hören, Mitlesen oder Suchen irgendetwas auffällt, das nicht passt — eine Markierung, die aus dem Takt läuft, eine Suche, die das Offensichtliche nicht findet, ein Hörbuch, das stockt —, sag mir Bescheid. Genau solche Stellen will ich finden, solange das Netz noch greift.