Voice AI: Wie KI-Stimmen vom Labor in jede Hotline kamen

Von Roboterstimmen zu ElevenLabs: wie der Durchbruch kam

Computer, die Text vorlesen, gibt es schon lange. Die klassische Sprachsynthese (auf Englisch Text-to-Speech, kurz TTS) setzte Stimmen aus aufgenommenen Schnipseln zusammen. Das klang verständlich, aber monoton, wie bei Navigationsgeräten oder Bahnhofsansagen. 2016 zeigte das Google-Labor DeepMind mit WaveNet, dass ein neuronales Netz die Tonwelle direkt erzeugen kann, und die Sprache klang deutlich natürlicher. 2018 führte Google mit Duplex vor, wie eine KI selbst beim Friseur anruft. Gute künstliche Stimmen blieben aber lange in der Hand weniger Konzerne wie Google, Amazon und Microsoft.

Das änderte sich mit ElevenLabs. Gegründet 2022 von Piotr Dąbkowski, einem früheren Google-Ingenieur, und Mati Staniszewski, früher beim Datenkonzern Palantir. Beide stammen aus Polen und nennen als Anstoß die oft schlecht synchronisierten Filme ihrer Kindheit. Im Januar 2023 ging eine erste öffentliche Testversion online: Text eingeben, Stimme wählen, und heraus kam eine erstaunlich lebendige Audiodatei. Mit wenigen Minuten eigener Aufnahmen ließ sich sogar die eigene Stimme nachbilden (Voice Cloning, also Stimmklonen).

Die Geschäftszahlen stammen überwiegend vom Unternehmen selbst und sind nicht unabhängig geprüft. Laut ElevenLabs lag die Bewertung bei der ersten Finanzierung 2022 bei 9 Millionen US-Dollar, im Februar 2026 bei 11 Milliarden. Im September 2026 kauften Investoren Mitarbeiteraktien zu einem Preis, der die Firma mit 22 Milliarden Dollar bewertet. Den hochgerechneten wiederkehrenden Jahresumsatz (ARR) bezifferte Firmenchef Mati Staniszewski im September 2026 auf 600 Millionen Dollar, nach mehr als 500 Millionen im Mai. Rund 55 Prozent des Umsatzes stammen laut ElevenLabs von Unternehmen. Zu den Kunden und Investoren zählt auch die Deutsche Telekom.

Einordnung: Bewertungen bei Mitarbeiteraktien-Verkäufen sind keine Börsenkurse. Sie zeigen, was einzelne Investoren zu zahlen bereit sind, und können sich schnell ändern.

Die neuen ElevenLabs-Modelle und wie gut sie im Vergleich sind

Das aktuelle Spitzenmodell ist Eleven v4, seit dem 28. September 2026 verfügbar, zusammen mit der schnelleren Variante Eleven v4 Turbo. Wie schon beim Vorgänger lassen sich Gefühle und Tempo mit Anweisungen in eckigen Klammern wie [flüstert] oder [lacht] steuern, auch Dialoge mit mehreren Sprechern sind möglich. Laut ElevenLabs sprechen beide mehr als 90 Sprachen, auch Deutsch. Eine Stimme, die in einer Sprache aufgenommen wurde, kann damit fließend in einer anderen sprechen. Die Turbo-Variante soll in etwa 100 Millisekunden antworten und ist für Telefon-Agenten gedacht. Für einen schnellen Stimmklon reichen laut Hersteller jetzt 10 Sekunden Ton.

Dazu kommen weitere Bausteine: Flash v2.5 als günstiges, sehr schnelles Vorlesemodell, die Spracherkennung Scribe v2 für mehr als 90 Sprachen, mit einer eigenen Version für Arztgespräche, und die Agenten-Plattform ElevenAgents für komplette Telefon-Assistenten. Seit August 2025 erzeugt Eleven Music auch Lieder, inzwischen in Version 2.5, nach Firmenangaben trainiert mit lizenzierter Produktionsmusik; dazu kamen Lizenzabkommen mit dem Musikverlag Kobalt und mit Merlin, das unabhängige Plattenlabels vertritt.

Wie gut ist das wirklich? Die bekannteste unabhängige Messung ist die Speech Arena der Analysefirma Artificial Analysis. Dort hören Menschen zwei Stimmen zum selben Text, ohne zu wissen, welches Modell dahintersteckt, und wählen die natürlichere. Aus Tausenden solcher Duelle entsteht eine Elo-Wertung wie beim Schach. Stand 10. Oktober 2026 liegen Eleven v4 Turbo mit 1327 und Eleven v4 mit 1323 Punkten vorn. Knapp dahinter folgen Alibabas Qwen-Audio-3.1 (1298), Cartesia Sonic 3.6 (1284) und Googles Gemini 3.8 Flash (1272). OpenAIs bestes reines Vorlesemodell auf der Liste stammt von 2023 und liegt mit 1105 Punkten weit hinten. Hume, bekannt für gefühlvolle Stimmen, kommt auf 1051.

Einordnung: Die Führung ist knapp und wechselt schnell. Gegenüber dem Vorgänger Eleven v3 (1176 Punkte) ist v4 ein großer Sprung. Getestet wurden englische Stimmen, für Deutsch gibt es keine vergleichbar große Rangliste. Die Aussage von ElevenLabs, rund 75 Prozent der Hörer zögen v4 der Konkurrenz vor, stammt aus eigenen Tests.

Vom Vorlesen zum Telefonieren: die Plattformen für Sprach-Agenten

Eine schöne Stimme allein führt noch kein Gespräch. Dafür braucht es drei Bausteine: Spracherkennung, die deine Worte in Text umwandelt, ein Sprachmodell wie hinter ChatGPT, das eine Antwort formuliert, und eine Stimme, die sie ausspricht. Ab 2023 entstanden Firmen, die genau diese Kette für Telefonate zusammenbauen. Fachleute sprechen von Voice Agents oder Sprach-Agenten.

Das bekannteste Beispiel ist Vapi aus San Francisco, ein Start-up aus dem Förderprogramm Y Combinator, das seine Plattform 2024 öffentlich startete. Laut Reuters wurde Vapi im Dezember 2024 mit 130 Millionen Dollar bewertet. Im Mai 2026 folgten laut Vapi 50 Millionen Dollar frisches Geld, laut einer von TechCrunch zitierten Quelle bei rund 500 Millionen Dollar Bewertung. Nach eigenen Angaben hat Vapi mehr als eine Milliarde Anrufe abgewickelt. Amazons Türklingel-Marke Ring lässt demnach alle eingehenden Kundenanrufe über Vapi laufen.

Ähnliche Plattformen sind Retell AI, Bland und Synthflow. Dazu kommen Spezialisten für einzelne Bausteine: Deepgram für Spracherkennung, Cartesia für besonders schnelle Stimmen, Hume für Stimmen mit Gefühlsausdruck und Sesame für möglichst natürliche Gesprächsstimmen. Parallel bauten die großen KI-Firmen Sprache direkt in ihre Modelle ein. OpenAI startete im Oktober 2024 die Realtime API, mit der Entwickler Gespräche ohne den Umweg über Text bauen können, und Google bietet mit Gemini Live Vergleichbares an. Wie du selbst mit diesen Assistenten sprichst, erklären wir in einem eigenen Artikel zum Voice-Modus.

Fallende Preise und offene Modelle: kostenlos, aber mit Haken

Stand Oktober 2026 ist Voice AI kein Nischenmarkt mehr. Fachleute sprechen von Commoditisierung: Ein Produkt wird zur austauschbaren Massenware, und der Wettbewerb läuft über den Preis. Als OpenAI die Realtime API im Oktober 2024 vorstellte, kostete eine Minute KI-gesprochene Ausgabe nach Firmenangaben etwa 24 US-Cent. Nach unserer Umrechnung der offiziellen Preise sind es heute beim großen Modell rund 8 Cent, beim kleineren gut 2 Cent.

Noch günstiger sind offene Modelle (Open Source oder offene Gewichte): Die Dateien des Modells kann jede und jeder herunterladen und auf dem eigenen Rechner betreiben. Von 96 Modellen in der Rangliste von Artificial Analysis sind 16 offen. Einige Beispiele:

Kokoro ist mit 82 Millionen Parametern winzig, läuft sogar auf normalen Laptops und steht unter der Apache-Lizenz, darf also auch kommerziell genutzt werden. Es kann aber keine Stimmen klonen und kommt in der Rangliste auf 1064 Punkte. Chatterbox von Resemble AI steht unter der freien MIT-Lizenz, spricht 23 Sprachen einschließlich Deutsch und klont eine Stimme aus rund 10 Sekunden Ton. Jede Aufnahme erhält ein unhörbares digitales Wasserzeichen. Fish Audio S2 Pro (1116 Punkte) und das bestplatzierte offene Modell Breeze TTS 2 (1222 Punkte, nur Englisch und Chinesisch) dürfen dagegen nur für Forschung und private Zwecke frei genutzt werden. Auch Voxtral TTS des französischen Anbieters Mistral, das Deutsch spricht, ist nur nicht-kommerziell freigegeben.

Die Qualität: Das beste offene Modell liegt rund 100 Elo-Punkte hinter der Spitze, die kommerziell nutzbaren noch deutlich weiter. Im Blindtest gewinnt die Spitze also klar häufiger, für Vorlese-Apps oder Bastelprojekte reichen offene Modelle aber oft.

Der Haken ist der Missbrauch. Wer ein offenes Modell auf dem eigenen Rechner betreibt, umgeht die Schutzregeln eines Anbieters und kann jede Stimme aus einem kurzen Video klonen. Wasserzeichen wie bei Chatterbox helfen nur, solange niemand sie aus dem Code entfernt. Wichtig für dich: Wer die Stimme einer anderen Person ohne deren Zustimmung nachbildet und verbreitet, verletzt in Deutschland in der Regel ihr Persönlichkeitsrecht, auch wenn das Werkzeug frei verfügbar ist.

Was das für dich im Alltag bedeutet

Am deutlichsten merkst du die Entwicklung am Telefon. Immer mehr Hotlines von Versicherungen, Telefonfirmen oder Lieferdiensten setzen KI-Agenten ein, die frei sprechen, Fragen verstehen und einfache Anliegen selbst erledigen. Auch in Deutschland gibt es KI-Telefonassistenten für Arztpraxen, die Termine vergeben oder Rezeptwünsche aufnehmen. Der Vorteil: weniger Warteschleife. Der Nachteil: Bei ungewöhnlichen Anliegen kann die KI dich missverstehen. Frag dann ausdrücklich nach einem Menschen.

Besonders bewegend ist, was die Technik für Kranke leisten kann. Die US-Abgeordnete Jennifer Wexton verlor durch die Nervenkrankheit PSP ihre klare Sprache. Ihr Team schickte ElevenLabs mehr als eine Stunde alter Reden, und innerhalb weniger Tage entstand ein Klon ihrer früheren Stimme. Am 25. Juli 2024 hielt sie damit laut NPR die erste Rede im US-Repräsentantenhaus mit einer KI-geklonten Stimme. ElevenLabs hat nach eigenen Angaben zugesagt, solche Stimmen für bis zu eine Million Betroffene, etwa mit ALS, kostenlos bereitzustellen.

Auch Film und Spiele verändern sich. Im Mai 2025 kehrte Darth Vader mit der Stimme des 2024 gestorbenen James Earl Jones in das Spiel Fortnite zurück, erzeugt per KI unter Mitwirkung von ElevenLabs und mit Zustimmung seiner Familie. Spieler konnten sich frei mit ihm unterhalten. Kurz nach dem Start brachte ein Streamer die Figur zum Fluchen, Epic Games musste nachbessern.

In Deutschland eskalierte Anfang 2026 ein Streit. Netflix wollte in Verträgen festschreiben, dass Aufnahmen deutscher Synchronsprecherinnen und Synchronsprecher für das Training von KI genutzt werden dürfen. Laut Tagesschau arbeiteten im Februar 2026 rund 80 Prozent der Sprecher deshalb nicht mehr für Netflix, bei Stranger Things fehlten bekannte deutsche Stimmen. Der Verband Deutscher Sprecher:innen fordert, dass Sprecher ablehnen dürfen und für KI-Training bezahlt werden. Anfang September 2026 legte er Beschwerde beim Bundeskartellamt ein, das prüfen soll, ob Netflix seine Marktmacht missbraucht, dazu eine Datenschutzbeschwerde in Berlin. Ein Ergebnis gibt es noch nicht; Sprecher, die nicht unterschreiben, erhalten weiter keine Netflix-Aufträge. Bei Hörbüchern wächst ebenfalls der Anteil von KI-Stimmen; achte bei Kaufangeboten auf den Hinweis, ob ein Mensch oder eine KI spricht.

Und für Barrierefreiheit ist die Entwicklung oft ein Gewinn: Natürlich klingende Vorlesestimmen helfen Menschen mit Sehbehinderung oder Leseschwäche.

Die Schattenseite: Stimmklone, Betrug und Kennzeichnungspflicht

Dieselbe Technik, die Hörbücher billiger macht, erleichtert auch Betrug. Wenn 10 Sekunden Ton genügen, um eine Stimme nachzuahmen, reicht oft ein Video aus sozialen Netzwerken. Betrüger können so am Telefon wie ein Familienmitglied klingen, das dringend Geld braucht. Bekannt wurde ein Fall aus den USA: Im Januar 2024 erhielten Wählerinnen und Wähler automatische Anrufe mit einer gefälschten Stimme von Präsident Joe Biden. Laut Audio-Fachleuten wurde sie mit ElevenLabs erzeugt.

Wie groß das Problem ist, zeigen erstmals offizielle Zahlen. Die US-Bundespolizei FBI führt in ihrem Internetkriminalitäts-Bericht für 2025 zum ersten Mal einen eigenen Abschnitt zu KI: 22.364 Anzeigen mit KI-Bezug und Schäden von fast 893 Millionen Dollar. Allein bei sogenannten Notlagen-Betrügereien, in denen sich Täter als Angehörige in Not ausgeben, meldeten Opfer mit wahrscheinlichem KI-Bezug mehr als 5 Millionen Dollar Verlust. Die Dunkelziffer dürfte höher liegen, weil viele Fälle nicht angezeigt werden.

Viele Menschen in Deutschland unterschätzen das Risiko. Im Cybersicherheitsmonitor 2026 des Bundesamts für Sicherheit in der Informationstechnik (BSI) hielt nur gut die Hälfte der Befragten (54 Prozent) es für technisch möglich, dass Kriminelle per KI die Stimme eines Verwandten am Telefon imitieren. Ein einfacher Schutz: Leg bei Geldforderungen auf und ruf die Person unter der dir bekannten Nummer zurück. Manche Familien vereinbaren zusätzlich ein Codewort. Wie du Fälschungen erkennst, erklären wir in einem eigenen Artikel.

Rechtlich gilt in der EU seit dem 2. August 2026 Artikel 50 der KI-Verordnung (AI Act). Danach müssen KI-Systeme, die direkt mit Menschen sprechen, so gestaltet sein, dass du erfährst, dass du mit einer KI sprichst, sofern das nicht offensichtlich ist. Künstlich erzeugte Stimmen, die echt wirken (sogenannte Deepfakes), müssen als solche offengelegt werden. Für die maschinenlesbare Markierung von KI-Audio gilt bei Systemen, die schon vorher auf dem Markt waren, eine Übergangsfrist bis zum 2. Dezember 2026. Betrüger halten sich allerdings nicht an solche Pflichten. Die Kennzeichnung hilft vor allem bei seriösen Anbietern.