Warum die Füllwortdichte wichtiger ist als die Füllwortanzahl

Jedes Podcast-QA-Tool will deine Füllwörter zählen. Die meisten hören damit auf. Füllwörter als rohe Zahl zu zählen ist größtenteils Rauschen: Ein 5-minütiges Interview und eine 90-minütige Diskussion ergeben völlig unterschiedliche Summen, doch das Erlebnis beim Zuhören hängt von etwas ganz anderem ab.

Dieses Etwas ist die Dichte: Füllwörter pro Minute tatsächlicher Sprache.

Die Messung

filler_density = filler_count / speech_seconds * 60

Beachte den Divisor: nicht die Gesamtdauer der Datei, sondern Sprachsekunden. Ein Podcast mit fünf Sekunden langen Füllwortschüben, gefolgt von Stille, ist etwas anderes als einer, bei dem jede Sekunde dicht von Zögern durchsetzt ist.

Faustregeln aus der Literatur und aus dem Hören — VoiceLab misst die Füllwortdichte nicht, siehe unten; das hier ist also für Ihr eigenes Urteil, keine Zahl, die das Produkt liefert:

Dichte	Hörerlebnis
< 3 /min	Flüssig, professionell
3–6 /min	Gesprächig, in Ordnung für Talkshows
6–10 /min	Auffällig, eventuell Schnitt nötig
> 10 /min	Störend, gründlicher Schnittdurchgang nötig

Das sind Richtwerte, keine Gesetze. Ein energiegeladener Improvisations-Podcast mit 12 Füllwörtern/Min kann brillant sein. Eine gescriptete Erklärung mit 5 Füllwörtern/Min ist kaputt.

Warum die Anzahl allein in die Irre führt

Nimm zwei Podcasts:

• Podcast A: 60 Minuten, 40 Füllwörter. Gesamt: 40 Füllwörter.
• Podcast B: 10 Minuten, 30 Füllwörter. Gesamt: 30 Füllwörter.

Nach Anzahl ist Podcast A „schlechter“. Nach Dichte liegt Podcast A bei 0,67/Min und Podcast B bei 3/Min. Letzteres ist eine ehrlichere Zusammenfassung dessen, was ein Hörer empfinden wird.

Auch die Pausenlänge zählt

Eine Pause von 200 ms ist meist unsichtbar. Eine Pause von 600 ms ist dramatisch. Eine Pause von 1500 ms ist ein Zögern, das oft ein Füllwort ersetzt. VoiceLab erfasst die Pausenverteilung — die misst es tatsächlich — denn ein Füllwort durch ein langes Zögern zu ersetzen ist eigentlich keine Verbesserung, es ist dasselbe Problem in anderer Gestalt.

Wie VoiceLab Füllwörter ohne ASR erkennt

Gar nicht, und wir haben gemessen, warum.

Der hier zuvor beschriebene Behelf (kurze Laute, die allein zwischen zwei Pausen stehen) ist gebaut und läuft. Lässt man ihn aber über zwölf vorgelesene Aufnahmen ohne jedes Zögern laufen, meldet er immer noch 0 bis 36 pro Sprechminute, im Mittel 10. Dieser Artikel empfiehlt, unter 6 zu bleiben. Schon die Fehlmeldungen liegen über dem Ziel.

Also haben wir nachgesehen, was diese Treffer wirklich waren, in der Hoffnung, sie herausfiltern zu können. Achtzehn von zwanzig waren stimmhaft, bei einer normalen Sprechtonhöhe von 132 bis 286 Hz, mit flacher Hüllkurve. Keine Plosivartefakte also, sondern kurze allein stehende Wörter. Und ein “äh” sieht akustisch genauso aus wie ein “ja”.

Das ist kein Einstellungsproblem. Es gibt keine Schwelle, die “äh” von “ja” trennt, ohne zu wissen, welches Wort dort steht, und das zu wissen ist Spracherkennung.

Was VoiceLab tatsächlich liefert, und worin es ehrlich gut ist:

• Pausenrhythmus: Anzahl, Median, längste Pause und die Aufteilung in kurz (80–400 ms), mittel und lang. Lücken unter 80 ms zählen nicht mit: das sind Verschlusslaute, keine Pausen. Allein diese Korrektur senkte die Zählung auf unseren Referenzaufnahmen von 18 auf 10.
• Pausenhäufung: Zehn-Sekunden-Fenster mit mehr als vier kurzen Pausen. Das ist der zweite Behelf, den dieser Artikel immer schon beschrieb, und der hält stand.
• Zeitmarken zum Hineinhören: jeder kurze Laut, der allein zwischen zwei Pausen steht, als anklickbarer Moment. Aus einer halben Stunde Aufnahme werden sechs Stellen zum Prüfen. Deine Ohren entscheiden in zwei Sekunden, was keine Schwelle entscheiden kann.

Für eine echte Füllwortzählung brauchst du Speech-to-Text (Whisper, Deepgram, AWS Transcribe) über das Audio; dann gilt die Dichteformel oben für eine echte Zählung statt für einen Behelf.

Was du mit der Zahl anfängst

Wenn deine Dichte über 6/Min liegt und du die Sendung schneidest, drei Taktiken von praktizierenden Editoren:

1. Schneiden, nicht ersetzen. Leerer Raum zwischen Sätzen klingt in 80 % der Fälle besser als ein Füllwort.
2. Straffe, bevor du Füllwörter schneidest. Die meiste „Füllwort“-Wahrnehmung ist in Wirklichkeit Tempo. Das Straffen des gesamten Vortrags lässt Füllwörter in den Hintergrund treten.
3. Lass die bewussten stehen. Ein „weißt du, was ich meine?“ mit Charakter schlägt ein steriles Skript. Schneide die Persönlichkeit nicht heraus.

Verwandt

• Ein pragmatisches Loudness-Ziel für Podcasts, sobald du den Vortrag bereinigt hast
• Raumhall ohne RT60 abschätzen, das andere, was Stimmen amateurhaft klingen lässt