Warum Video- und Audio-Podcasts verschmelzen und die Werbeplanung verändern

Acasts dritter jährlicher Podcast-Pulse-Bericht „Made for the Moment" liefert die August-Erhebung mit 4.300 Befragten zwischen 16 und 64 Jahren aus 13 Märkten – das Ergebnis stellt die bisherige Trennung von Audio und Video im Podcasting grundsätzlich infrage. Wir werten die Datenlage aus, ordnen sie studio-praktisch ein und leiten ab, was sich im Signalfluss und im Schnitt konkret ändert.

Vier Konsum-Momente statt zwei Formate

88 Prozent der Befragten konsumieren sowohl Audio- als auch Video-Podcasts, ein Anstieg von 78 Prozent gegenüber 2025. 38 Prozent verteilen ihre Zeit etwa gleichmäßig auf beide Kanäle, im Vorjahr waren es noch 27 Prozent. Fast zwei Drittel geben an, eine Folge in einem Format begonnen und in einem anderen beendet zu haben. 75 Prozent dieser Wechsler springen dafür sogar die App oder Plattform. Wichtigster Treiber: Bequemlichkeit mit 35 Prozent, dicht gefolgt von steigendem Interesse an der Folge (34 Prozent).

Acast strukturiert das Verhalten in vier Momente:

• Companion – morgens, unterwegs, allein. Audio dominiert mit 40 Prozent gegenüber 25 Prozent Video. Hier gewinnt Audio, weil kein Bildschirm verfügbar oder gewollt ist. 81 Prozent der reinen Audio-Hörer unternehmen nachweislich eine Handlung – 34 Prozent recherchieren etwas, das der Host erwähnte, 25 Prozent kaufen.
• Settled – abends, entspannt, oft gemeinsam. Video liegt bei 53 Prozent, ein Drittel schaut regelmäßig mit anderen. Connected TV ist im Wachstum: 29 Prozent sehen Podcasts bereits am Fernseher. 39 Prozent ersetzen durch Video-Podcasts andere YouTube-Inhalte, ein Drittel ersetzt lineares Fernsehen, 30 Prozent ersetzen Streaming.
• Scroll – Mittagspause, niedrige Hürde. Clips übernehmen mit 29 Prozent Anteil. Sie wirken als Discovery-Engine: 51 Prozent finden neue Shows über Social-Clips, 63 Prozent der Clip-Konsumenten gehen danach zur Vollfolge.
• Live – gemeinschaftliches Event-Erlebnis. In den USA stieg die Live-Teilnahme von 20 Prozent (2024) auf 36 Prozent (2026), pro Event werden im Schnitt 268 US-Dollar ausgegeben.

Was die Zahlen für Mischung und Schnitt bedeuten

Acast-CEO Greg Glenday formuliert es direkt: „Die Branche hat jahrelang über Formate gestritten, aber die Audiences sind längst weitergezogen." Für unseren Workflow resultieren drei harte Anforderungen.

Erstens: Dialogverständlichkeit ohne Bild. Wir pegeln Sprachspuren gegen Störgeräusche konsequent nach LUFS-Standard mit zusätzlichem Headroom für Transienten. Was auf dem Smartphone in der Hosentasche klang, entscheidet, ob der Hörer dranbleibt.

Zweitens: Clips müssen ohne Kontext hooken. Wenn 51 Prozent über Social-Clips neue Shows entdecken, trägt jeder Ausschnitt seine eigene Dramaturgie. Bildkomposition, konsistenter Safe-Area-Schnitt und ein lesbarer Thumbnail-Frame werden zur Pflicht.

Drittens: Connected TV als Liefer-Ziel. Wir produzieren Audio-Master und Video-Master als getrennte Endprodukte mit eigener Loudness-Kurve – nicht als Nebenprodukt aus dem gleichen Render.

Was jetzt zu prüfen ist

• Läuft die aktuelle Mischung mono-tauglich ohne Phasenauslöschung beim Smartphone-Speaker?
• Sind Clips als eigenständige Hooks produziert, nicht nur als Ausschnitte?
• Werden alle Folgen in mindestens zwei Liefer-Objekten ausgespielt – mit getrennten Metadaten pro Endgerät?

Die Trennlinie zwischen „Podcast" und „Video-Show" existiert in den Köpfen der Produzenten weiter. In den Köpfen der Hörer nicht mehr – und genau dort landet am Ende das Werbegeld.