Grundsätzlich wird eine menschliche Stimme gegenüber einer computererzeugten Stimme als angenehmer und persönlicher empfunden. Bei der Erstellung von Lerninhalten sollte darauf geachtet werden, dass die Ansprache direkt und persönlich erfolgt. Hierdurch kann die Akzeptanz beim lernenden erhöht werden. Ferner kann dadurch die Motivation und Konzentration gesteigert werden. In der Folge wird das Übungs- und Lernmaterial insgesamt authentischer beurteilt. Eine positive Einstellung zum Lerninhalt kann aktivierend wirken und den Lernprozess unterstützen.

Unter Nutzerkontrolle werden Bedienelemente wie z.B. Pause, Start, Stopp etc. verstanden, die dem lernenden ermöglichen, sein Lerntempo selbst zu bestimmen.

Der Sprachstil sollte der Zielgruppe entsprechen. Das setzt zuvor eine intensive Analyse der lernenden voraus. Ein Arzt hat ein anderes Sprachniveau als z.B. ein Maurer. Das betrifft vor allem die Kenntnisse an Fremdwörtern. Daher sollte eine einfache und klare Sprache gewählt werden. Der Text kann umso anspruchsvoller sprachlich gestaltet sein, je sprachlich ausgebildeter die Zielgruppe ist. Weiterhin gilt zu klären, ob die Zielgruppe aus Laien oder Experten besteht. Experten verfügen über fachspezifisches Wissen. Laien müssen dagegen erst Grundlagen und Fachbegriffe vermittelt bekommen. Ein Student verfügt z.B. zu Beginn seines Studiums nur über wenig Fachkenntnisse. Erst am Ende des Studiums ist er Experte und beherrscht auch die Fachsprache. Unabhängig von der Zielgruppe sollten gesprochene Texte einfacher formuliert werden als geschriebene: Sätze sollten kurz und übersichtlich sein. Zwischen den Sätzen ist dabei auf klare Bezüge zu achten.

Beim Sprechertext sollte auf lange Monologe verzichtet werden, da diese ermüdend wirken. Daher sollten lange Texte eher in Schriftform angeboten werden. Die Aufnahme und Verarbeitung der Wissensinhalte kann durch eine angemessene Betonung, eine mittlere Sprechgeschwin­digkeit und durch den gezielten Einsatz von Pausen unterstützt werden.