KI und Audio – Grundlagen, Konzepte, Chancen

Am 8. Oktober 2026 erscheint im Rheinwerk Verlag mein Buch „KI und Audio – Grundlagen, Konzepte, Chancen“: 315 Seiten in Farbe, als gedrucktes Buch, DRM-freies E-Book oder Bundle, vorbestellbar unter anderem bei Amazon. Es ist der Versuch, ein Feld zu ordnen, das in den vergangenen drei Jahren rasant gewachsen ist und dabei deutlich weniger Aufmerksamkeit bekommt als Bilder und Video. Musik aus dem Prompt, geklonte Stimmen, Maschinen, die Motoren abhören und Krankheiten aus der Stimme lesen: Was davon ist Werkzeug, was Bedrohung, was Marketing? Und warum ausgerechnet ein Buch – in einem Feld, das sich monatlich neu erfindet?

 

Im Kern ist es ein Grundlagenbuch: keine Klick-Anleitung für ein bestimmtes Programm, sondern Konzepte, Workflows und Strategien, die auch dann noch gelten, wenn die nächste Modellversion die Menüs umbaut. Wer wissen will, was ein Spektrogramm ist, warum Diffusionsmodelle Musik können und was die großen Klagen der Musikindustrie für den eigenen Podcast bedeuten, findet dort die Antworten – geschrieben aus der Praxis, nicht aus dem Labor.

Warum ausgerechnet Audio?

Die ehrliche Antwort ist eine Chronik. 2020 habe ich unter dem Namen Noah 9000 ein neuronales Netz mit Beethovens Klaviersonaten trainiert  – aus rund 2.000 Entwürfen wurden zehn Stücke für das Album „Spring 9000“, darunter eine neu interpretierte Mondscheinsonate. Anfang 2021 folgte ein komplettes Jazz-Album, von einer KI komponiert und auf Spotify veröffentlicht – damals noch eine Nachricht wert. 2022 folgte KI-Musik für Austria Rwanda Fashion Connect, 2023 der Blick auf die KI-Radiomoderation bei SWR3, 2024 die Workshops zu Voice Cloning mit ElevenLabs. Und im März 2026 „War Games“, ein Antikriegsalbum, das ich nie geplant hatte.

Dieses Album ist KI-generiert – hören Sie rein:

Zwischen dem Jazz-Album von 2021 und „War Games“ liegen fünf Jahre, technisch aber Welten. Was damals ein Experiment mit Nachrichtenwert war, ist heute ein Nachmittag am Laptop. Genau diese Beschleunigung ist das Problem: Wer heute einsteigt, bekommt fertige Songs, ohne zu verstehen, was dazwischen passiert. Das Buch soll dieses Dazwischen erklären.

Was im Buch steht – vom Spektrogramm bis zum Mastering

Das Buch folgt dem Weg des Schalls durch die Maschine. Am Anfang stehen die Grundlagen: wie neuronale Netze Audio überhaupt „sehen“ – nämlich als Spektrogramm, als Bild aus Frequenz und Zeit –, und warum Diffusionsmodelle, die aus der Bildgenerierung stammen, plötzlich auch Musik können. Darauf baut der praktische Teil auf:

• • Musikgenerierung: Suno, Udio, Lyria und AIVA im Vergleich, inklusive Prompting-Techniken und dem kompletten Workflow von der Idee über Aufnahme und Mixing bis zum Mastering.

• • Synthetische Stimmen: Voice Cloning, Hörbücher, Podcasts und Synchronisation – und die Frage, wem eine Stimme eigentlich gehört.

• • Machine Hearing: Predictive Maintenance in der Industrie, Emotionserkennung, vokale Biomarker in der Medizin.

• • Räumliches Hören und Restaurierung: Dolby Atmos, binaurales Audio, KI in Hörgeräten, Rauschentfernung, spektrale Reparatur, Enhanced Speech.

• • Ethik und Recht: Urheberrecht, Deepfakes, die großen Klagen und der EU AI Act.

• • Zukunft: neue Berufsbilder, On-Device-KI und die Frage nach Authentizität.

Ein Zusatzkapitel zur Rolle von Transparenz und Verantwortlichkeit steht als PDF auf der Verlagsseite zum Download. Die Haltung dahinter ist dieselbe, die ich seit Jahren in Workshops vertrete:

„KI kann Arbeitsabläufe erleichtern, neue kreative Möglichkeiten eröffnen und Routinetätigkeiten übernehmen, ersetzt jedoch weder Erfahrung noch Urteilsvermögen.“ – Michael Katzlberger, aus „KI und Audio“

Der Stand der Dinge im Herbst 2026: Suno, Lyria und die Klagen

Wer ein Buch über Audio-KI schreibt, schreibt gegen einen bewegten Hintergrund. Suno zählte Ende 2025 rund 100 Millionen Nutzer, die täglich etwa sieben Millionen Songs erzeugen, und wurde bei einer Finanzierungsrunde mit 2,45 Milliarden Dollar bewertet. Google DeepMind brachte im Februar 2026 Lyria 3 in die Gemini-App – 30-Sekunden-Stücke mit Gesang in acht Sprachen, darunter Deutsch, jedes mit dem unsichtbaren Wasserzeichen SynthID versehen – und legte am 29. Juli 2026 mit Lyria 3.5 nach: bis zu drei Minuten lange Stücke mit realistischeren Stimmen, verfügbar in Flow Music, jener Plattform, die als Open-Source-Projekt Riffusion begann und im Februar 2026 von Google gekauft wurde.

 

Parallel dazu läuft die juristische Aufarbeitung. Im Juni 2024 hatten Universal, Sony und Warner Suno und Udio verklagt; im Oktober 2025 einigte sich Universal mit Udio, im November 2025 wurde Warner Partner von Suno. Universal und Sony führen ihre Klage gegen Suno weiter. Im März 2026 verklagten unabhängige Musiker Google mit dem Vorwurf, Lyria 3 sei mit 44 Millionen YouTube-Clips – rund 280.000 Stunden Musik – trainiert worden; Google beantragte im Juni die Abweisung. Und am 5. Juni 2026 verklagte die US-Musikergewerkschaft AFM, die rund 70.000 Musiker vertritt, Universal und Warner: Die Labels hätten Aufnahmen an Suno und Udio lizenziert, ohne die Studiomusiker daran zu beteiligen. Die Verträge sind unterschrieben – wer am Ende bezahlt wird, ist offen.

Auffällig ist, wie sich die Sprache der Anbieter verändert. Zum Start von Lyria 3 im Februar hieß es noch:

„Lyria 3 ist für originären Ausdruck gedacht, nicht für das Imitieren bestehender Künstler.“– Google

Bei Lyria 3.5 fehlte dieser Satz, wie Music Business Worldwide anmerkt – ebenso wie konkrete Angaben zu den Trainingsdaten. Solche Verschiebungen sind der Grund, warum im Buch weniger über Versionsnummern steht als über Prinzipien: Modelle wechseln, die Fragen bleiben.

Die Stimme ist der intimste Datensatz

Nichts an Audio-KI ist so persönlich wie das Klonen von Stimmen. Die Technik kann Menschen ihre Stimme zurückgeben – Val Kilmer hörte sich 2021 wieder selbst sprechen, nachdem eine Krebsoperation ihm die Stimme genommen hatte – und sie kann sie nehmen, wie die Kontroverse um OpenAI und Scarlett Johansson 2024 gezeigt hat. Dazwischen liegen Hörbücher, die in Stunden statt Wochen entstehen, Synchronfassungen in Dutzenden Sprachen und Spokesbots, die für Marken sprechen.

 

Seit dem 2. August 2026 gilt dafür in Europa ein Regelwerk: Artikel 50 des EU AI Act verpflichtet Anbieter, synthetische Audio-, Bild-, Video- und Textinhalte maschinenlesbar zu kennzeichnen, und Betreiber, Deepfakes offenzulegen; Verstöße können laut TÜV Rheinland bis zu 15 Millionen Euro oder drei Prozent des weltweiten Jahresumsatzes kosten. Für generative Systeme, die schon vor dem Stichtag auf dem Markt waren, gilt nach Angaben der Fraunhofer Academy eine Übergangsfrist bis 2. Dezember 2026. Wer eine geklonte Stimme in einem Podcast, einer Werbung oder einem Erklärvideo einsetzt, arbeitet damit nicht mehr in einer Grauzone, sondern in einem Rechtsrahmen – und genau deshalb hat das Kapitel zu Ethik und Recht im Buch so viel Platz bekommen.

Hörende Maschinen – wo Audio-KI längst arbeitet, ohne dass jemand zuhört

Der Teil des Feldes, der in Diskussionen am seltensten vorkommt, ist zugleich der, der am weitesten in den Alltag hineinreicht. Machine Hearing heißt: Ein Modell hört einem Motor zu und meldet das Lager, bevor es bricht. Es erkennt im Callcenter, ob ein Anrufer wütend ist, bevor der Mitarbeiter es tut. Und es liest aus der Stimme vokale Biomarker – Hinweise auf Erkrankungen, die sich im Klang abzeichnen, lange bevor jemand eine Diagnose stellt. Dazu kommen Hörgeräte, die mit KI Sprache von Lärm trennen, räumliches Audio für Kopfhörer und Kino und Restaurierungswerkzeuge, die aus verrauschten Archivaufnahmen wieder verständliche Stimmen machen.

Für die Kreativwirtschaft ist das mehr als eine Randnotiz. Wer heute einen Podcast produziert, nutzt Enhanced Speech, ohne es zu merken; wer für eine Marke ein Sounddesign entwickelt, wird bald in Dolby Atmos denken müssen; wer Sprachassistenten oder Telefonbots baut, bewegt sich mitten im AI Act. Das Buch behandelt diese Anwendungen deshalb nicht als Anhang, sondern als eigene Kapitel – mit Infokästen, Promptbeispielen und einem Index, der auch dann noch hilft, wenn man nur eine einzige Frage hat.

KI und Audio  – Warum ich ein Buch über Musik, Stimmen und hörende Maschinen geschrieben habe

Bleibt die Frage, warum ausgerechnet ein Buch – in einem Feld, in dem ein Blogartikel nach drei Monaten veraltet ist. Die Antwort steckt im Untertitel: Grundlagen, Konzepte, Chancen. Was ein Spektrogramm ist, wie ein Diffusionsmodell aus Rauschen Musik macht, warum eine geklonte Stimme rechtlich anders zu behandeln ist als ein generierter Beat, wie man einen Workflow von der Idee bis zum Mastering aufsetzt – das ändert sich nicht mit der nächsten Version von Suno oder Lyria. Die Werkzeuge im Buch sind Beispiele, die Prinzipien sind der Inhalt. Und die Zielgruppe ist dieselbe wie auf diesem Blog: Kreative, Marketingverantwortliche, Podcaster, Musiker und Unternehmen, die verstehen wollen, was sie da gerade einsetzen.

„KI wird in naher Zukunft das Rückgrat jedes Kreativteams sein.“ – Michael Katzlberger, aus „KI und Audio“

Das ist keine Drohung und kein Versprechen, sondern eine Beobachtung aus über zwanzig Jahren Agenturarbeit und sechs Jahren Audio-Experimenten. Am 8. Oktober liegt das Buch in den Läden und bei den Vorbestellern im Briefkasten. Die Maschinen haben hören gelernt – ob wir ihnen etwas zu sagen haben, entscheidet kein Modell.

KI und Audio – Weiterführende Links

• • Rheinwerk Verlag: KI und Audio – Grundlagen, Konzepte, Chancen – Verlagsseite mit Inhaltsübersicht, Leseformaten und dem Zusatzkapitel zu Transparenz und Verantwortlichkeit

• • Amazon: KI und Audio – Vorbestellung der gedruckten Ausgabe, lieferbar ab 8. Oktober 2026

• • Google: Use Lyria 3 to create music tracks in the Gemini app – die Ankündigung vom Februar 2026 mit den Angaben zu Sprachen, SynthID und Trainingsphilosophie

• • Music Business Worldwide: Google upgrades Lyria – Lyria 3.5, Flow Music und die Klage der unabhängigen Musiker gegen Google

• • Backstage PRO: US-Musikergewerkschaft AFM verklagt UMG und Warner – die Klage vom Juni 2026 wegen der KI-Lizenzierungen an Suno und Udio

• • Fraunhofer Academy: EU AI Act Art. 50 tritt in Kraft – die Transparenzpflichten seit 2. August 2026 im Überblick

• • katzlberger.ai: Suno und Warner Music Group sind jetzt Partner – meine Einordnung des Warner-Deals vom November 2025

•