Voiceover-Aufnahme

Eine Voiceover-Aufnahme (Voice-Over) ist eine professionelle Sprachaufnahme für Medienproduktionen, von Filmvertonungen und Werbespots bis zu Podcast-Episoden und E-Learning-Kursen.

Rubrik: Audio & Podcast · Unterrubrik: Tontechnik · Niveau: Einsteiger Synonyme / Auch bekannt als: Voice-Over, VO, Sprachaufnahme, Off-Stimme

Was ist Voiceover?

Ein Voice-Over ist eine gesprochene Narration, die nicht an eine auf dem Bildschirm sichtbare Person gebunden ist, die Stimme liegt „über" dem Bild, daher der Name. Im Sprachgebrauch der Branche umfasst der Begriff oft alle Arten professioneller Sprachaufnahmen: Produktvertonung, Hörbücher, Dokumentationen, Lernvideos und Podcasts.

Die Qualität eines Voice-Overs entscheidet oft über die Gesamtwahrnehmung einer Produktion. Eine schlecht aufgenommene Stimme macht den besten visuellen Content unglaubwürdig; eine sauber produzierte Stimme kann selbst einfache Bildstrecken stark aufwerten.

Erklärung

Das Setup: Equipment und Raum

Mikrofon: Für Voice-Over eignen sich sowohl Kondensatormikrofone als auch dynamische Mikrofone. Die Wahl hängt von der Abhörsituation und dem Raumcharakter ab:

• Kondensatormikrofon (z. B. Rode NT1, Neumann TLM 103): Sehr detailreich, empfindlich für Raumakustik, nur in behandeltem Raum sinnvoll
• Dynamisches Mikrofon (z. B. Shure SM7B, Electro-Voice RE20): Weniger empfindlich für Raumreflexionen, robuster gegen Hintergrundgeräusche

Audio-Interface: Das Mikrofon wird über ein Audio-Interface mit dem Computer verbunden. Für Voice-Over reicht ein einkanaliges Interface (Focusrite Scarlett Solo, Universal Audio Volt 1). Wichtig: ausreichend Vorverstärkung, denn dynamische Sprechermikrofone wie das SM7B liefern einen niedrigen Ausgangspegel; manche nutzen dafür einen Inline-Vorverstärker wie den Cloudlifter.

Raum: Der Raum ist ein entscheidender Faktor. Ziel: kurzer Nachhall und möglichst keine Reflexionen von Wänden ins Mikrofon. Praktische Lösungen:

• Kleines, möbliertes Zimmer (Schlafzimmer, Ankleide)
• Reflexionsfilter (Akustikschirm) hinter dem Mikrofon
• Nahe Mikrofonposition, damit der Direktschall deutlich lauter ist als der Raum

Pop-Filter: Bei naher Besprechung fast immer sinnvoll: Plosive (P, B, T) erzeugen starke Luftstöße, die tieffrequente „Plopps" verursachen. Ein Pop-Filter mit etwas Abstand vor dem Mikrofon bremst sie ab. Siehe Pop-Schutz.

Aufnahme-Workflow

1. Skript-Vorbereitung und Timing Professionelle Sprecher/innen bereiten Skripte vor dem Aufnehmen gründlich vor:

• Unbekannte Wörter recherchieren und phonetisch notieren
• Satzzeichen als Atempausen nutzen (kein Atemgeräusch mitten im Satz)
• Markierungen für Betonung und Rhythmus setzen
• Timing: Bei Synchronsprache muss die Sprachdauer dem Originaldialog entsprechen

2. Gain-Setting Vorverstärker so einstellen, dass auch laute Passagen mit deutlichem Abstand unter 0 dBFS bleiben. Lieber etwas leiser aufnehmen als übersteuern.

3. Aufnahme

• In Takes (Abschnitte) aufnehmen, nicht den gesamten Text in einem Durch
• Fehler sofort wiederholen (kurze Pause, dann nochmal der Satz)
• Atemgeräusche bewusst kontrollieren und nach Möglichkeit in Pausen atmen

4. Schnitt-Session

• Fehler-Takes herausschneiden und beste Varianten wählen
• Pausen zwischen Sätzen auf konsistentes Timing angleichen

Post-Produktion: Die Bearbeitungskette

Schritt 1: Noise Reduction Als erstes störendes Grundrauschen oder Klimaanlagengeräusche entfernen (iZotope RX, Audacity).

Schritt 2: High-Pass-Filter Ein Hochpassfilter im Bassbereich entfernt Trittschall, Raumrumpeln und tieffrequente Störungen. Die Grenzfrequenz richtet sich nach der Stimme.

Schritt 3: EQ Korrektur der Klangfarbe nach Gehör:

• Absenkung in den unteren Mitten, wenn die Stimme muffig klingt
• leichte Anhebung im Präsenzbereich für mehr Verständlichkeit

Schritt 4: Kompressor Lautstärke-Dynamik kontrollieren:

• moderate Ratio wählen
• Threshold so setzen, dass nur lautere Passagen geregelt werden
• Attack und Release nach Gehör an die Sprechweise anpassen
• Makeup Gain anpassen

Schritt 5: De-Essing Zischlaute (S, Sch, Z) liegen im oberen Frequenzbereich und können sehr unangenehm sein. Ein De-Esser ist ein dynamischer EQ oder Kompressor, der nur in diesem Frequenzbereich aktiv wird, wenn die Intensität einen Schwellenwert überschreitet.

Tools: Waves Renaissance DeEsser, FabFilter Pro-DS, das De-ess-Modul in iZotope RX oder der mitgelieferte DeEsser der jeweiligen DAW.

Schritt 6: Atemgeräusche entfernen Manuelle Methode: Atemgeräusche in der DAW-Wellenform identifizieren, Gain Automation auf -∞ oder sehr leise setzen.

Automatisch: iZotope RX Breath Control erkennt und reduziert Atemgeräusche automatisch.

Schritt 7: Lautstärke angleichen Satzübergreifende Lautstärkeunterschiede per Gain-Automation oder automatischem Leveling angleichen.

Schritt 8: Finale Normalisierung Export auf den Standard des Zielmediums (Stand: November 2026):

• Rundfunk nach EBU R 128: −23 LUFS integriert, True Peak höchstens −1 dBTP
• Podcast (Empfehlung Apple Podcasts): etwa −16 LUFS integriert (±1 dB), True Peak nicht über −1 dBFS
• Andere Plattformen: Vorgaben des jeweiligen Auftraggebers oder Anbieters prüfen

Übergabe-Formate

• Broadcast (TV, Film): WAV 48 kHz / 24 Bit, EBU R128
• Podcast: AAC oder MP3; Apple nennt für RSS-Feeds bei Mono 64-128 kbps, bei Stereo 128-256 kbps
• E-Learning/Online: nach Vorgabe der Plattform, meist MP3 oder AAC
• ADR (Automated Dialogue Replacement): WAV 48 kHz / 24 Bit, trocken (kein Reverb), mit Timecode-Referenz

Beispiele

1. Podcast-Intro: Ein Sprecher nimmt seinen Teaser-Text im Homerecording mit SM7B und einem einkanaligen Interface auf. Chain: HPF → Kompressor → De-Esser → Normalisierung auf -16 LUFS.
2. Hörspiel-Produktion: Ein Hörspiel-Sprecher nimmt Szenen in einer schalltoten Kabine auf. Der Tonmeister bearbeitet die Rohdaten: iZotope RX Breath Control, EQ, Kompressor. Danach Raum-Reverb per Send für die entsprechende Szene.
3. Corporate Video: Eine Sprecherin vertont einen Imagefilm. Skript mit Timecodes, Aufnahme in Takes, Sync-Prüfung gegen Videoschnitt, Lieferung als WAV 48 kHz trocken an den Cutter.
4. E-Learning-Kurs: Ein Dozent spricht Kursmodule in seinem Homerecording ein. Auphonic gleicht die Pegel automatisch an und normalisiert auf den gewählten Lautheitswert.
5. Rundfunk-Feature: Für einen Radiobeitrag werden Interviewszenen mit O-Tönen nachbearbeitet. Alle Spuren auf -23 LUFS (EBU R128) normalisiert und als BWF geliefert.

In der Praxis

Der häufigste Fehler beim Voice-Over: Zu viel Abstand zum Mikrofon. Je weiter weg, desto mehr Raumanteil nimmt das Mikrofon auf. Den passenden Abstand ermittelt man per Probeaufnahme; dynamische Sprechermikrofone wie das SM7B werden meist näher besprochen als Kondensatormikrofone.

Nähe-Effekt: Richtmikrofone klingen bei sehr geringem Abstand bassreicher, das ist der Nähe-Effekt (Proximity Effect). Das kann warm klingen, wird aber schnell muffig. HPF oder leichter Low-Shelf-Cut korrigiert das.

Vergleich & Abgrenzung

Voice-Over vs. ADR (Automated Dialogue Replacement): ADR ist die Nachsynchronisation von Dialog aus einem Film, die Lippen-Synchronität mit dem Originalbild ist kritisch. Voice-Over hat diesen Constraint nicht (außer bei Synchronsprache).

Voice-Over vs. Podcast: Technisch sehr ähnlich. Der Hauptunterschied: Voice-Over ist meist Einzel-Aufnahme mit Skript; Podcast oft Gespräch ohne vollständiges Skript, erfordert mehr Schnittkompetenz.

Häufige Fragen

Brauche ich eine schalltote Kabine für professionelles Voice-Over? Nein, aber ein ruhiger, wenig halliger Raum ist essenziell. Viele professionelle Sprecher/innen arbeiten erfolgreich aus dem Homerecording-Setup mit akustisch behandeltem Schlafzimmer oder einem DIY-Aufnahmeschrank (z. B. Kleiderschrank mit Jacken rundherum). Wichtig ist, dass keine hörbaren Reflexionen im Signal sind.

Wie laut soll ich sprechen? Natürlich und variiert, nicht monoton und nicht durchgehend laut. Die Lautstärke-Kontrolle übernimmt der Kompressor in der Post-Produktion. Wichtig: genug Abstand zu 0 dBFS halten, damit laute Stellen nicht übersteuern.

Wie laut muss ein fertiges Voice-Over sein? Das hängt vom Ziel ab. Für den Rundfunk gilt nach EBU R 128 ein Zielwert von −23 LUFS mit True Peak höchstens −1 dBTP, Apple Podcasts empfiehlt etwa −16 LUFS. Bei Aufträgen gehen die Vorgaben des Auftraggebers vor.

Was ist der Unterschied zwischen Voice-Over und ADR? Beim ADR wird Filmdialog nachsynchronisiert, die Lippenbewegung im Bild muss passen. Ein Voice-Over liegt dagegen als Off-Stimme über dem Bild und ist nicht lippensynchron.

Verwandte Einträge

• Mikrofon-Typen, Welche Mikrofone für Voice-Over geeignet sind
• Raumakustik, Raumoptimierung für professionelle Sprachaufnahmen
• Noise-Reduction, Unerwünschte Geräusche in der Post-Produktion entfernen

Weiterführend

• Alburger, James R. (2019): The Art of Voice Acting. Routledge.
• EBU (2023): EBU R 128, Loudness Normalisation and Permitted Maximum Level of Audio Signals.
• Apple Podcasts for Creators: Audio requirements.