Zum Inhalt springen
Zurück zum Blog

Branchendaten

Audio trägt den Podcast, Video öffnet die Tür

Die Herbstbefragung von RAJAR zeigt: Ein Drittel der Hörerschaft wechselt innerhalb einer Woche zwischen Ton und Bild. Das ändert, was eine Aufnahme liefern muss, nicht wie sie klingen soll.

Airtape Editorial Team16. November 20265 Min. Lesezeit
Kondensatormikrofon im Aufnahmeraum, von der Seite beleuchtet
Foto: Jonathan Velasquez, „Silver and black studio microphone condenser“ · Wikimedia Commons · CC0 1.0 · zugeschnitten und skaliert

Was RAJAR im Herbst gemessen hat

RAJAR hat am 4. November die MIDAS Audio Survey für den Herbst 2026 veröffentlicht, zusammen mit dem monatlichen Podcast Tracker. Die groben Zahlen halten das Podcast-Feld in Perspektive. In einer durchschnittlichen Woche hören 96 Prozent der Erwachsenen in Großbritannien irgendeine Form von Audio, zusammen mehr als 1,6 Milliarden Stunden. Podcasts erreichen 26 Prozent der Bevölkerung und kommen auf 105 Millionen Stunden, bei 6,9 Stunden pro Hörerin und Woche. Live-Radio bleibt deutlich größer, mit knapp neun von zehn Erwachsenen und 1 Milliarde Stunden. MIDAS ist eine Recontact-Befragung: RAJAR geht erneut auf das Audio-Panel zu und fragt genauer nach, was gehört wird, auf welchem Gerät und wo. Diese Konstanz macht die Formatfrage über ein Jahr vergleichbar.

Die Zahl, die für die Produktion zählt, liegt zwischen den beiden Formaten. Laut RAJAR wechseln 34 Prozent der Podcast-Hörerschaft innerhalb derselben Woche zwischen Audio und Video. Die Studie liest das als situative Entscheidung statt als feste Vorliebe: dieselbe Person sieht eine Folge abends am Laptop und hört die nächste beim Spaziergang. Ein Format, das nur eine dieser Formen bedient, trifft jede Hörerin nur in der halben Woche.

Video ist eine Schicht, kein zweites Medium

Die Befragung hat auch gemessen, wie viel Aufmerksamkeit das Bild wirklich bekommt. 35 Prozent hören zuerst zu und schauen nur hin, wenn etwas ihre Aufmerksamkeit fängt. Weitere 43 Prozent verteilen ihre Aufmerksamkeit ziemlich gleichmäßig auf Hören und Sehen. RAJAR zieht daraus einen klaren Schluss: Ein großer Teil des Video-Podcastings ist besser als Audio mit visueller Schicht zu verstehen denn als Fernsehen unter anderem Namen.

  • 49 Prozent sagen, Video bringe vor allem die Reaktionen und die Körpersprache der Hosts.
  • 62 Prozent würden dieselben Inhalte weiter hören, wenn es sie nur als Audio gäbe.
  • Video wird vor allem mit Reichweite verbunden: Es hilft, entdeckt und geteilt zu werden, hält aber niemanden im Sitz.
  • Entdeckung ist der Teil, der sich aufbaut: Ein Clip, der reist, bringt neue Hörerinnen zum Audio-Feed, und dort fallen die wöchentlichen Stunden an.

Wo Video den Ausschlag gibt

Die Ausnahme ist die jüngste Gruppe. RAJAR beschreibt Video für 16- bis 24-Jährige als nahezu Standardumgebung, weil Entdeckung dort auf YouTube, TikTok und in Social Feeds passiert. Für dieses Publikum hat eine Sendung ohne jedes visuelle Signal keinen Einstieg, so gut der Ton auch sein mag.

Die beiden Befunde widersprechen sich nicht. Die eine Gruppe braucht das Bild, um die Sendung zu finden, die andere den Ton, um dabeizubleiben, und eine Aufnahme kann beides liefern. Es ändert sich nur die Reihenfolge: Bild für die Entdeckung, Ton für die zwanzig Minuten, die jemand tatsächlich mit der Folge verbringt. Für ein Produktionsteam ist das zuerst eine Frage des Ablaufs und erst danach eine ästhetische. Dient das Bild vor allem der Entdeckung, zahlt sich der zusätzliche Aufbau im Clip aus, nicht in der ganzen Folge.

Was eine Aufnahme liefern muss

ErgebnisWarum es zähltWorauf du achtest
Audio-Master pro Person62 Prozent würden auch ohne Video hören, der Ton muss also allein tragenEine eigene lokale Spur, nicht die Mischung aus dem Call
Videodatei34 Prozent wechseln innerhalb einer Woche das Format, das Bild muss brauchbar seinBildausschnitt und Licht vor dem ersten Take geklärt
TranskriptSuche, Shownotes und Untertitel fangen hier anAus dem Audio-Master erzeugt, nicht aus einer Roh-Mischung
EinwilligungGäste müssen wissen, was aufgenommen wird und wohin es gehtVor dem Start der Aufnahme geklärt

Der Ton muss allein tragen

Weil 62 Prozent auch ohne Video bleiben würden, darf der Ton kein Nebenprodukt des Bildes sein. Ein Satz, der nur mit einer Geste, einem in die Kamera gehaltenen Gegenstand oder einer eingeblendeten Grafik funktioniert, ist ein Satz, dem ein Teil des Publikums nicht folgen kann. Der Test kostet eine Hörsession: die fertige Folge mit ausgeschaltetem Bildschirm hören. Wenn das Argument noch trägt, macht die Mischung ihren Job. Dieselbe Regel gilt für Namen und Zahlen: Wenn eine Bauchbinde den Namen eines Gastes buchstabiert, sprich ihn ebenfalls aus, und lies jede Zahl vor, die im Bild erscheint.

Sag, was das Bild zeigt. Wenn ein Gast etwas hochhält, benenne es. Wenn eine Grafik erscheint, lies die Zahl vor, auf die es ankommt. Wer zusieht, bekommt die reichere Fassung, wer nur hört, eine vollständige.

Checkliste für eine gemischte Woche

  1. Festlegen, welches Format führt

    Eine audio-geführte Folge verträgt einen einfachen Bildausschnitt und eine Kamera. Eine video-geführte Folge braucht die Einstellung, bevor das Konzept steht.

  2. Lokal aufnehmen, pro Person

    Eine Mischung aus der Cloud lässt sich hinterher nicht reparieren. Lokale Dateien lassen sich neu synchronisieren, neu pegeln und neu schneiden.

  3. Für die Ausschnitte drehen, die du brauchst

    Ein 16:9-Bild mit etwas Luft nach oben erlaubt später einen vertikalen Clip ohne zweite Aufnahme.

  4. Eine saubere Audiospur pro Stimme

    Überlappende Sätze sind in einem echten Gespräch normal. Erst getrennte Spuren machen sie schneidbar.

  5. Clip-Momente notieren, solange sie frisch sind

    Zwei, drei Zeitmarken kosten eine Minute und sparen später eine Stunde Suchen.

  6. Platz für den Audioschnitt lassen

    Bitte Gäste, die Frage in der Antwort zu wiederholen, damit eine Antwort ohne die Stimme des Hosts im Schnitt bestehen kann.

Wo Airtape ins Bild kommt

Airtape ist für die Aufnahme gebaut, die beide Formate bedienen muss. Alle Teilnehmenden nehmen lokal im Browser auf, der Ton geht also nicht durch einen Call und das Video behält die Auflösung, die die Kamera geliefert hat. Ein Take ergibt zwei brauchbare Ergebnisse statt eines komprimierten Kompromisses.

  • Ein Gästelink, keine Installation, auf dem Rechner, den der Gast ohnehin hat.
  • Getrennte Audio- und Videospuren pro Person, bereit für Schnitt oder Clip.
  • Dateien landen in deinem eigenen Speicher, der Master bleibt unter deiner Kontrolle.

Ein Test von zwei Minuten zeigt, ob das Setup trägt. Raum öffnen, eine Person einladen, aufnehmen und die Tonspur dann mit ausgeschaltetem Bildschirm hören. Wenn sie allein funktioniert, ist das Video eine Zugabe und keine Krücke. Wenn sie das nicht tut, sind die Korrekturen meist klein: prüfen, ob jede lokale Spur das Mikrofon und nicht den Raum aufnimmt, und Sprecher bitten, Sätze zu beenden statt zu verschleifen.

Häufig gestellte Fragen

Laut der MIDAS-Umfrage von RAJAR aus dem Herbst 2026 sind es 34 Prozent der Hörerschaft innerhalb derselben Woche. Die Formatwahl hängt von der Situation ab, nicht von der Person.

Nach derselben Umfrage nicht. 62 Prozent würden dieselben Inhalte weiter hören, wenn es sie nur als Audio gäbe, und Video wird vor allem als Weg zu mehr Entdeckung beschrieben.

Eine eigene lokale Audiospur pro Person, eine brauchbare Videodatei, ein Transkript aus dem Audio-Master und eine Einwilligung, die vor dem Take geklärt ist.

Nein. In Airtape öffnet ein Gast einen Link im Browser und nimmt lokal auf seinem eigenen Rechner auf. Der Ton geht nicht durch den Call.

Bereit zum Aufnehmen?

Teste Airtape kostenlos. Keine Kreditkarte nötig.