📄 Kostenloses PDF: 30 NotebookLM Prompts (14.000+ Downloads) — Cheat Sheet erhalten →
Multi-AI Komplett-Kollektion: 143+ Seiten ・ $19.99 Multi-AI-Prompt-Paket ansehen
“47 Podcast-Episoden in einer Nacht generiert” — Content-Marketer · Pro Episode: 3 Min. (manuell: 2 Stunden) · Jeder Prompt: 200+ Iterationen
★ Flaggschiff-Leitfaden ・ Podcast-Automatisierung 6. Juni 2026 ・ 20 Min. Lesezeit

Ich habe aufgehört, Gästen nachzujagen. Mit NotebookLM + Multi-Agent-Orchestrierung generiere ich über Nacht 100 Podcasts.

NotebookLMs Audio Overview ist nur der Motor. Die echte Automatisierung ist: Multi-Agent-Vorverarbeitung → Batch-Generierung → 3-Agent-Qualitätsprüfung → Auto-Veröffentlichung. 4 komplette Workflows, 16 kostenlose Prompts, ein Monat Podcast-Bestand in einer Nacht.

Das ist das System, das ich jede Woche ausführe. Hier ist der erste kostenlose Prompt — der Batch-Orchestrator.

⚡ Featured Prompt — Batch-Podcast-Orchestrator (Ihr erster kostenloser Prompt)
You are the Podcast Batch Orchestrator. Your job: take a list of source documents and produce a complete podcast production plan for each one. For EACH source document, output: 1. EPISODE METADATA - Title (max 60 chars, SEO-optimized) - Description (2-3 sentences, hook-first) - Target duration: 8-15 minutes - Tags (5 relevant keywords) 2. HOST DIALOGUE FRAMEWORK - Host A role: "The Expert" — deep knowledge, authoritative, uses data - Host B role: "The Curious Learner" — asks sharp questions, challenges assumptions - Opening hook (first 30 seconds): What makes the listener stop scrolling? - 3 key conversation beats (each 2-4 minutes) - Closing CTA: What should the listener do next? 3. QUALITY CHECKPOINTS - Information density score target: 8/10 (no filler) - Retention hooks at 40% mark - Controversy angle for engagement 4. BATCH PARAMETERS - CSV-ready table for multiple documents - Group into series (max 5 per series) Rules: - Never use generic intros - Every claim tied to source - Host B must challenge Host A per beat - End with specific, actionable takeaway Source documents: [PASTE HERE]
Aktualisiert 6. Juni 2026 ・ Getestet in Claude, Gemini, ChatGPT, NotebookLM ・ 200+ Iterationen ・ 1 Master-Prompt kostenlos
📑 Inhaltsverzeichnis

4 Podcast-Automatisierungs-Szenarien

NotebookLMs Audio Overview ist der Motor. Multi-Agent-Orchestrierung ist das Lenkrad. Verschiedene Szenarien brauchen verschiedene Lenkräder, aber der Motor ist immer NotebookLM.

🎤

Content-Ersteller

Blog → Podcast: Ein Artikel wird eine Episode

Verwandeln Sie Ihr Blog-Archiv in eine Podcast-Bibliothek. Jeder Artikel wird automatisch mit Dialogpunkten, Host-Framework und Batch-Audio-Overview verarbeitet. Eine Woche Content an einem Tag.

🎓

Dozenten & Trainer

Lehrmaterialien → Lern-Podcasts

Konvertieren Sie PDFs, Fachartikel und Lehrbücher in Zwei-Host-Dialog-Lern-Podcasts. Studenten-Feedback: 40% bessere Merkrate als Einzelerzähler.

💼

Unternehmens-Content-Marketing

Produktdokumentation → Kunden-Podcasts

Whitepaper, Fallstudien und Produkt-Updates werden automatisch zu Podcast-Serien. Vertriebsteams teilen relevante Episoden vor Kundenterminen.

★

Hier starten — Universal

Unsicher? Starten Sie mit Workflow 1

Verwandeln Sie mit Workflow 1 ein beliebiges Dokument in einen Podcast und erleben Sie die Multi-Agent-Power.Workflow 1 ansehen ↓

Warum „Klick-Audio-Overview" nicht reicht

NotebookLMs Audio Overview ist beeindruckend — Dokument hochladen, Button klicken, Zwei-Host-Dialog-Podcast erscheint. Aber bei der Batch-Generierung treten sofort Probleme auf.

Problem 1: Unvorhersehbare Qualität. Manche Episoden sind brillant, andere mittelmäßig. Sie können nicht vorhersehen, welche Dokumente gute Podcasts produzieren.

Problem 2: Keine Vorverarbeitung. Rohdokumente gehen rein, und die AI weiß nicht, was wichtig ist. Das Ergebnis: ungleichmäßige Informationsdichte.

Problem 3: Keine Prüfschleife. Generieren und fertig? Nein. Sie brauchen ein System, das entscheidet: „Diese Episode ist es wert, veröffentlicht zu werden" vs. „Diese muss neu generiert werden."

Multi-Agent-Orchestrierung löst alle drei: Ein Vorverarbeitungs-Agent reinigt den Content, ein Generierungs-Agent kontrolliert die Struktur, ein Prüf-Agent sichert die Qualität. Von „Hoffen auf das Beste" zum Fließband.

★ Warum Multi-Agent funktioniert

Vorverarbeitung + Generierung + Prüfung: Die 3-Stufen-Schleife, die Podcasting vom Handwerk zur Fabrikproduktion macht.

3 Min.Generierungszeit pro Episode
92%Erst-Durchlauf-Quote
100+Episoden pro Nacht
  • Vorverarbeitung reinigt. Extrahiert 3-5 Kern-Dialogpunkte aus Rohdokumenten, filtert Rauschen. NotebookLM bekommt veredeltes Material, nicht Müll rein, Müll raus.
  • Strukturierte Host-Frameworks. Nicht AI freilaufen lassen, sondern präzise Dialog-Beats, Konfliktpunkte und Hook-Positionen vorgeben. Jede Episode hat einen „40%-Kontroverse-Moment".
  • 3-Agent-Prüfpanel. Content-Experte bewertet Informationsdichte, Publikumsanwalt bewertet Engagement, Editor bewertet Fluss. Unter 8/10 = automatische Neugenerierung.
Workflow 1 ・ Kern-Workflow

Dokument → Podcast-Batch-Generator

Für: Content-Ersteller, Blogger, Wissens-Influencer
Szenario: Sie haben 10-100 Blog-Posts, Artikel oder Berichte und wollen jeden in eine Podcast-Episode verwandeln. Multi-Agent-Orchestrierung macht es vollautomatisch.
📋PerceiveQuellen analysieren
📝PlanDialog-Rahmen bauen
🎤ActNotebookLM generieren
✅EvaluateQualitätsbewertung
Phase 1 ・ Perceive — Content-Destillier-Agent
Agent: Content-Destillierer
Rolle: Podcast-fähige Dialogpunkte aus Rohdokumenten extrahieren. Nur Extraktion, keine Kreation. Wie ein Editor, der vor der Aufnahme ein Briefing für die Moderatoren vorbereitet.
Kernfähigkeiten: Informationskompression ・ Prioritätsidentifikation ・ Dialogpunkt-Extraktion ・ Kontroversen-Winkel finden
You are a Content Distiller for podcast production. Your ONLY job: take the source document and extract podcast-ready dialogue points. Output format (strict): TITLE: [Catchy, max 60 chars] HOOK: [One sentence, max 20 words] DURATION TARGET: [8/10/12/15 minutes] KEY CONVERSATION BEATS (3-5): Beat 1: [Core claim] → Host A stance → Host B challenge Beat 2: [Same format] Beat 3: [Same format] CONTROVERSY ANGLE: [One contrarian interpretation] ACTIONABLE TAKEAWAY: [One specific thing to do TODAY] RED FLAGS (SKIP in podcast): - [Jargon needing explanation] - [Sections too dense for audio] - [Unsubstantiated claims] Source document: [PASTE HERE]
💡 Token-Effizienz-Tipp: Bei Dokumenten über 4.000 Wörtern erst Claude/Gemini eine Zusammenfassung anfordern, dann dem Content-Destillierer übergeben. Spart Tokens, erhöht Reinheit.
Phase 2 ・ Plan — Dialog-Architekt-Agent
Agent: Dialog-Architekt
Rolle: Die Ausgabe des Destillierers in ein strukturiertes Dialog-Framework verwandeln, dem NotebookLMs Audio Overview folgt. Kontrolliert Rhythmus, Konflikt und Hook-Platzierung.
You are a Dialogue Architect. Build a structured podcast dialogue framework. Rules: - Host A = "The Expert" (authoritative, data-driven) - Host B = "The Challenger" (curious, skeptical, audience-proxy) - Every beat: Setup → Core Point → Challenge → Resolution - Pattern interrupt every 3 minutes - 40% mark: "but here's what nobody tells you..." - End with ONE specific, actionable takeaway OPENING (0:00-0:30): Host B: [Direct to pain point] Host A: [Surprising stat or claim] BEAT 1-3: [Same structure, escalating depth] 40% HOOK: [Contrarian insight] CLOSING: [Actionable takeaway + listener challenge] Distiller output: [PASTE HERE]
Phase 3 ・ Act — NotebookLM Audio Overview
Phase 4 ・ Evaluate — Schnelle QA
Workflow 2 ・ Erweiterter Workflow

Multi-Quellen-Podcast-Fabrik

Für: Forscher, Branchenanalysten, Newsletter-Autoren
📚PerceiveMulti-Quellen-Clustering
🎲PlanNarrative Webung
🎤ActSynthese-Generierung
✅EvaluateKohärenz-Prüfung
Phase 1 ・ Perceive — Quellen-Clusterer
Phase 2 ・ Plan — Narrative Weberin
Workflow 3 ・ Qualitätssicherung

3-Agent-Podcast-Prüfpanel

Für: Qualitätsfokussierte Podcaster, Marken-Content-Teams
📋PerceiveEmpfangen
🏥PlanZuweisen
👥Act3-Agent Blind-Review
✅EvaluateEndurteil
Phase 3 ・ Act — 3 unabhängige Prüfer
Agent 1: Content-Experte
Rolle: Nur Informationsqualität bewerten.
Agent 2: Publikumsanwalt
Rolle: Nur Zuhörerlebnis bewerten.
Agent 3: Audio-Editor
Rolle: Nur technische Audioqualität bewerten.
Phase 4 ・ Evaluate — Endurteil
Workflow 4 ・ Erweiterter Workflow

Mehrsprachige Podcast-Pipeline

Für: Globale Content-Teams, mehrsprachige Podcaster
🌐PerceiveKulturanalyse
📝PlanLokalisierungsskript
🎤ActZielsprache generieren
✅EvaluateMuttersprachler-Review
Phase 1 ・ Perceive — Kulturelle Differenzanalyse
Phase 4 ・ Evaluate — Muttersprachler-Review
★ Multi-AI Orchestrierungs-Kollektion

Komplettes Podcast-Automatisierungssystem freischalten — plus 6 Multi-Agent-Workflows.

7 Leitfäden, 180+ Prompts, permanenter Zugang.

$19.99
Einmalige Zahlung ・ Permanenter Zugang
Multi-AI-Prompt-Paket ansehen

Sichere Zahlung via Stripe ・ Sofortiger Zugang ・ Permanente Lizenz

Häufig gestellte Fragen

Kann NotebookLM Audio Overview echte Podcast-Gäste ersetzen?
Bei informationsdichten, strukturierten Inhalten übertreffen AI-Podcasts bereits die meisten durchschnittlichen Gäste. Bei persönlichen Geschichten und emotionaler Resonanz bleiben menschliche Gäste unersetzlich.
Wie lange dauert die Batch-Generierung von 100 Podcasts?
Mit Multi-Agent-Automatisierung (inkl. MCP): 3-4 Stunden für 100 Episoden inklusive Qualitätsprüfung. Manuell: 2-3 Tage.
Welche AI-Tools brauche ich?
Kern: NotebookLM + Claude oder Gemini. Optional: ChatGPT, ElevenLabs, Whisper. Minimum: NotebookLM + Claude reicht.
Klingt AI-generierter Podcast künstlich?
Die Qualität von NotebookLM Audio Overview 2026 ist bereits hoch. Mit unserem Multi-Agent-Vorverarbeitungssystem verbessern sich Informationsdichte und Dialogstruktur dramatisch.

Continue Your AI Knowledge Journey

Start free, then move into the system that matches your work.

1. Starter Kit4 workflows and 4 reusable prompts.2. Research OSBuild a source-grounded research workflow.3. Studio OSTurn research into useful outputs.4. Academic Exam PromptsOne category package for AP, GRE, SAT, and related exams.5. Multi-AICoordinate specialized AI tools.
Content StudioSlide Deck WorkflowContent Repurposing