Audio mit Studioqualität für alle: Xound-Gründer Philipp Seeser im Interview

Audio ist überall. In YouTube-Videos, TikTok-Reels, Webinaren, Podcasts, Verkaufsgesprächen, Online-Kursen und Teams-Calls. Egal wie gut die Kameras im Verlaufe der Zeit wurden, ein Problem blieb dabei immer gleich: Der Ton ist der schwächste Teil der Aufnahme. Raumhall, Hintergrundgeräusche, dumpfe Stimmen, unterschiedliche Lautstärken – wer das in den Griff bekommen wollte, brauchte bisher entweder ein Studio oder Stunden in der Postproduktion.

Philipp Seeser hat dieses Problem mit Xound angegangen. Das Prinzip ist denkbar einfach: Audiodatei hochladen – oder verarbeiten lassen, ohne Upload – und nach wenigen Momenten kommt eine Datei zurück, die wie eine professionelle Aufnahme klingt. Ein Klick, kein Audioengineering-Wissen nötig.

Für Medien-Profis wie für Privatpersonen: Das Tool täglicher Audio-Begleiter

Philipp, wie ist Xound entstanden?

Philipp Seeser: Die Ausgangssituation ist nach wie vor, dass Audioqualität oft der schwächste Teil in der Content-Produktion ist. Wir haben inzwischen Smartphones mit 4K-Kameras, aber der Ton bleibt schwierig. Daraus ist die Idee entstanden, ein Machine-Learning-Modell zu nutzen, das nur den Fokus hat, den Ton zu verbessern. Ohne dass man ein Tontechniker sein muss. Ein Klick – und das Ergebnis ist publishable.

Wer nutzt Xound hauptsächlich?

Philipp: Kleine Agenturen, einzelne Content Creator, aber auch Eltern, die ihre Kinder beim Fußballspielen aufnehmen und Windgeräusche entfernen wollen. Also geht es nicht immer um kommerzielle Nutzung – um den Privatgebrauch. Allgemein würde ich sagen: Xound ist für Menschen, die regelmäßig Stimme veröffentlichen, und das möglichst einfach handhaben wollen.

Xound bewirbt lokale Verarbeitung – kein Upload, alles auf dem Gerät. Aber beim Studio-Plan gibt es GPU-Processing, was nach Server klingt. Wie viel davon läuft wirklich lokal?

Philipp: Die Grundidee war, alles lokal zu verarbeiten, und das geht bis zu einer gewissen Grenze sehr gut. Bis zu 15 Minuten lange Audiodateien funktionieren problemlos. Bei längeren Dateien hatten wir aber Kundenanfragen, die sagten: „Die Privatsphäre ist schön, aber ich will in drei Minuten ein Ergebnis.“ Für die gibt es dann den Cloud-Weg mit GPU. Das Grundprinzip – lokal, wo möglich – bleibt bestehen.

Alles außer Voice Cloning: Das Tool sollte verantwortungsbewusst eingesetzt werden

Ihr habt Voice Cloning eingeführt und dann wieder entfernt. Warum?

Philipp: Lieber ein Problem exzellent lösen als viele Probleme nur halb. Voice Cloning ist ein eigenes Feld, da gibt es Spezialisten, die uns bei weitem überholt haben. Und es ist auch ein ethisch-politisches Thema geworden: Stimme ist Identitätsmerkmal, Vertrauen ist da sehr wichtig. Mit Voice Cloning wird viel Schindluder getrieben. Wir wollten deshalb kein Produkt anbieten.

Xound ist bootstrapped – kein externes Funding, kein Vollzeitprojekt. Warum?

Philipp: Das Produkt muss sich erstmal beweisen. Man muss die Klarheit schaffen: Wofür zahlen Nutzer:innen, wie lösen wir deren Probleme? Auch mit dem ganzen KI-Hype als Buzzword: Es soll keine KI-Demo sein, sondern echten Nutzen schaffen. Das Produkt macht seit knapp drei Jahren Umsatz – und der amerikanische Markt macht ungefähr achtzig Prozent davon aus.

Was soll Xound in zwei Jahren sein, was es heute noch nicht ist?

Philipp: Ein Produkt, das den Standard-Workflow nochmal deutlich verbessert – professioneller Klang mit einem Klick, auch wenn Musik im Hintergrund ist oder bestimmte Geräusche bewusst behalten werden sollen. Und wir wollen die Privacy-Architektur stärken: Desktop-Apps für Windows und Mac, die alles wirklich lokal verarbeiten. Weil es schon Kunden gibt, die genau das als Grund nennen, warum sie Xound nutzen.