Voice-KI im Unternehmen: Was Sprach-KI kann und was sie kostet

Voice-KI ist kein einzelnes Produkt, sondern ein Sammelbegriff für fünf ziemlich verschiedene Dinge: Sprache in Text verwandeln, Text vorlesen lassen, die eigene Stimme klonen, Gespräche am Telefon oder auf der Website von einem Voice Agent führen lassen und Gespräche live übersetzen. Für einen KMU-Betrieb liegen zwischen diesen Fällen Welten, beim Preis genauso wie beim Aufwand.

Meine Empfehlung vorweg: Fang mit Sprache zu Text an. Das kostet zum Beispiel bei OpenAI per Schnittstelle weniger als einen Cent pro Minute, braucht keine Einrichtung und spart vom ersten Tag an Tipparbeit. Der Voice Agent am Telefon ist der spannendste Fall, aber auch der mit den meisten Haken.

Im Folgenden gehe ich die fünf Fälle durch, mit geprüften Preisen und den Grenzen, die du vor dem Start kennen solltest.

Was Sprach-KI heute kann: die fünf Anwendungsfälle im Überblick

Die Preise stammen von den Preisseiten der Anbieter, meist in US-Dollar und ohne Steuer. Die Aufwandsangaben sind meine Einschätzung für einen Betrieb ohne eigene IT-Abteilung.

1. Sprache zu Text: Diktat, Transkription, Meetings

Hier ist Sprach-KI am reifsten und am billigsten.

• Diktieren statt tippen. Du sprichst Mails, Notizen oder Angebotstexte ein, die KI schreibt mit und glättet Füllwörter. Wie das im Alltag aussieht, habe ich in Wispr Flow: Diktieren statt tippen beschrieben.
• Aufnahmen transkribieren. Kundengespräche, Sprachnachrichten, Interviews, Baustellenbegehungen. Die Aufnahme geht an ein Transkriptionsmodell, zurück kommt Text.
• Meetings protokollieren. Aus dem Transkript wird ein Protokoll mit Entscheidungen und Aufgaben. Den Ablauf dafür zeigt Meeting-Protokolle mit KI.

Die Preise sind so niedrig, dass sie kaum eine Rolle spielen. OpenAI berechnet für gpt-4o-mini-transcribe rund 0,003 US-Dollar pro Minute, für gpt-4o-transcribe und Whisper 0,006 US-Dollar. Eine Stunde Besprechung kostet damit knapp 20 US-Cent. ElevenLabs bietet mit Scribe v2 ein Transkriptionsmodell für mehr als 90 Sprachen, die Echtzeit-Variante nennt der Anbieter mit rund 150 Millisekunden Verzögerung.

Eine europäische Alternative kommt von Mistral aus Paris. Voxtral Mini Transcribe V2 unterstützt 13 Sprachen, darunter Deutsch, und erkennt automatisch, wer gerade spricht. Voxtral Realtime ist für Live-Transkription gedacht und hat offene Gewichte unter Apache-2.0-Lizenz. Damit lässt sich das Modell auch auf eigener Hardware betreiben, wenn Aufnahmen das Haus nicht verlassen sollen.

Der Haken: Fachbegriffe, Produktnamen und Eigennamen. Die Modelle schreiben, was sie hören, nicht was du meinst. Aus deinem Kunden „Kreß“ wird gern „Kress“, aus der Artikelnummer ein Satz. Für Protokolle reicht das fast immer, für alles, was in ein System übernommen wird, schaut ein Mensch drüber.

2. Text zu Sprache: eine KI-Stimme für Vorlesen, Erklärvideos und Hörversionen

Text to Speech, kurz TTS, macht aus Text gesprochene Sprache. Im Betrieb sind das zum Beispiel Hörversionen von Blogbeiträgen, Sprecherstimmen für Schulungs- und Erklärvideos, Ansagen für die Telefonanlage oder vorgelesene Arbeitsanweisungen für Leute, die gerade die Hände voll haben.

ElevenLabs

ElevenLabs ist der bekannteste Anbieter für KI-Stimmen. Deutsch können alle aktuellen Modelle mit mehreren Sprachen, von Eleven v4 mit mehr als 90 Sprachen bis zu Flash v2.5, das der Anbieter mit rund 75 Millisekunden Verzögerung angibt, ohne Netzwerk und Anwendung. Die Abos laut Preisseite:

• Starter, 6 US-Dollar im Monat. Rund 30 Minuten Sprachausgabe, kommerzielle Nutzung und Sofort-Klon der Stimme inklusive.
• Creator, 22 US-Dollar im Monat. Rund 121 Minuten, dazu ein professioneller Stimmklon.
• Pro, 99 US-Dollar im Monat. Rund 600 Minuten.

Zum Einordnen: Ein Blogbeitrag mit 1.500 Wörtern hat grob 10.000 Zeichen und ergibt grob zehn Minuten Audio. Das Creator-Abo reicht damit für etwa ein Dutzend solcher Beiträge im Monat.

Google Cloud Text-to-Speech

Google rechnet nach Zeichen ab. Die Chirp-3-HD-Stimmen kosten 30 US-Dollar pro Million Zeichen, die erste Million im Monat ist frei. Der Beitrag mit 10.000 Zeichen kostet nach dem Freikontingent also rund 30 US-Cent. Dafür brauchst du ein Google-Cloud-Konto und jemanden, der die Schnittstelle anbindet. Für gelegentliche Vertonungen ist die Oberfläche von ElevenLabs schneller.

Text to Speech auf Deutsch: worauf du achten musst

Die Stimmen klingen heute natürlich. Probleme machen andere Dinge: Abkürzungen wie „ca.“ oder „z. B.“, Zahlen mit Einheiten, Anglizismen und Firmennamen. Schreib Texte, die vertont werden, deshalb fürs Ohr: Abkürzungen ausschreiben, kurze Sätze, schwierige Namen einmal testen. Und hör jede Datei an, bevor sie veröffentlicht wird.

3. Stimme klonen: so funktioniert es und was die Anbieter verlangen

Beim Stimmklonen lernt die KI aus Aufnahmen deiner Stimme und spricht danach beliebige Texte in deinem Klang. Das ist praktisch, wenn deine Stimme Teil der Marke ist und du nicht jede Korrektur neu einsprechen willst.

KI-Stimme klonen bei ElevenLabs

• Sofort-Klon (Instant Voice Cloning). Empfohlen sind ein bis zwei Minuten saubere Aufnahme ohne Hall und Nebengeräusche, mehr als drei Minuten rät der Anbieter ab. Vor dem Speichern bestätigst du, dass du das Recht und die Zustimmung hast, diese Stimme zu klonen. Verfügbar ab dem Starter-Abo.
• Professioneller Klon (Professional Voice Cloning). Mindestens 30 Minuten Audio, empfohlen ist eine Stunde, besser bis zu drei. Danach musst du nachweisen, dass es deine Stimme ist: Du liest Prüfsätze vor, möglichst mit demselben Mikrofon wie bei den Aufnahmen. Geklont werden darf laut Dokumentation nur die eigene Stimme. Das Training dauert einige Stunden, laut Anbieter bis zu 24. Verfügbar ab dem Creator-Abo.

Google Instant Custom Voice

Google gibt das Stimmklonen nur für freigeschaltete Kunden frei, den Zugang beantragst du über den Vertrieb. Du nimmst zwei Clips von je bis zu zehn Sekunden auf: eine Referenzaufnahme und eine Einwilligung, für die Google einen festen Text vorgibt. Auf Englisch lautet er sinngemäß, dass du der Besitzer dieser Stimme bist und zustimmst, dass Google daraus ein synthetisches Stimmmodell erstellt. Deutsch wird unterstützt. Der Preis liegt bei 60 US-Dollar pro Million Zeichen.

Wie gut klingt ein Klon auf Deutsch?

Das hängt weniger vom Anbieter ab als von deiner Aufnahme. Ein ruhiger Raum, ein ordentliches Mikrofon und natürliches Sprechen machen mehr aus als jede Einstellung. Teste den Klon mit genau den Texten, die er später sprechen soll, also mit Zahlen, Fachbegriffen und Namen, nicht mit einem Begrüßungssatz.

Ehrlich gesagt brauchen die meisten Betriebe keinen Klon. Für ein Erklärvideo oder eine Telefonansage reicht eine gute fertige Stimme. Und eine Regel gilt immer: Klone nur deine eigene Stimme oder die einer Person, die ausdrücklich zugestimmt hat. Die Anbieter verlangen das ohnehin.

4. Voice Agents am Telefon und auf der Website

Ein Voice Agent führt ein Gespräch selbstständig. Er hört zu, versteht das Anliegen, antwortet aus dem Wissen, das du ihm gibst, und kann Aktionen auslösen, etwa einen Termin buchen oder an einen Menschen durchstellen. Eingehend nimmt er Anrufe an, beantwortet Fragen zu Öffnungszeiten und Preisen oder vergibt Termine. Ausgehend erinnert er an Termine oder ruft zurück. Auf der Website sitzt derselbe Agent als Sprachfenster.

Für den Bau gibt es zwei Wege:

• Baukasten. Bei ElevenLabs Agents sind Gesprächsminuten in den Abos enthalten, im Creator-Abo zum Beispiel 275 Minuten. Jede weitere Minute kostet 0,08 US-Dollar, das Sprachmodell dahinter wird extra abgerechnet. Eine eigene Telefongebühr nimmt ElevenLabs nicht, schließt du einen Anbieter wie Twilio oder einen SIP-Trunk an, rechnet der selbst ab. OpenAI bietet mit der Realtime API ein Modell, das direkt mit Audio arbeitet, und mit GPT-Live-1 eine Sprachschicht für 0,05 US-Dollar pro Minute, ebenfalls plus Modellkosten. Beides sind Bauteile. Wissen, Kalenderanbindung und Regeln für Sonderfälle baust du selbst oder lässt sie bauen.
• Fertiger KI-Telefonassistent. Stand September 2026 gibt es einfache KI-Anrufbeantworter ab etwa 39 Euro im Monat, Lösungen mit Kalenderanbindung kosten meist 99 bis 299 Euro, oft plus Minutenpreis und Einrichtung.

Was die Technik am Telefon kann und wo sie scheitert, steht ausführlich in KI-Telefonassistent im Mittelstand. Ob sich die KI gegenüber einem klassischen Telefonservice rechnet, zeigt KI-Telefonassistent oder Telefonservice, die Besonderheiten im Handwerk erklärt KI-Telefonassistent im Handwerk.

5. Echtzeit-Übersetzung

Live übersetzen funktioniert inzwischen im Videocall ohne Zusatzgerät, etwa mit Lieferanten oder Montagepartnern im Ausland.

• Google Meet. Die Sprachübersetzung übersetzt Gesprochenes nahezu in Echtzeit, in beide Richtungen zwischen Englisch und Deutsch, Spanisch, Französisch, Portugiesisch oder Italienisch. Pro Besprechung ist ein Sprachpaar aktiv. Enthalten ist sie unter anderem in Google Workspace Business Standard und Business Plus, seit April 2026 schrittweise auch in den Meet-Apps für Android und iOS.
• DeepL Voice. Vom Kölner Anbieter DeepL. In Zoom, Google Meet und Teams gibt es live übersetzte Untertitel in mehr als 40 Sprachen, dazu eine Übersetzung von Stimme zu Stimme für 30 Eingabesprachen, die volle Variante über die Desktop-App. Für Gespräche vor Ort gibt es eine App fürs Handy. Laut DeepL werden die Daten nicht dauerhaft gespeichert und nicht zum Training genutzt. Die Preise richtet DeepL nach Volumen und Nutzung, ein Angebot gibt es auf Anfrage.
• OpenAI per API. Wer Übersetzung in eine eigene Anwendung einbauen will, zahlt für gpt-realtime-translate rund 0,034 US-Dollar pro Minute.

Für Angebote, Verträge und Sicherheitshinweise bleibt die Live-Übersetzung eine Verständigungshilfe, kein Ersatz für eine geprüfte Übersetzung. Wie du Sprachen im Betrieb sonst mit KI abdeckst, steht in Mehrsprachige Kommunikation mit KI.

Grenzen: wo Sprach-KI heute noch hakt

Die meisten Enttäuschungen entstehen im Gespräch mit Kunden. Diese Punkte gehören in jeden Test:

• Latenz. Im Gespräch zählen Bruchteile von Sekunden. Erkennen, Nachdenken und Sprechen addieren sich, dazu kommen Netz und Telefonleitung. Die Millisekunden auf den Herstellerseiten gelten meist ohne Netzwerk. Teste deshalb über eine echte Telefonleitung, nicht im Browser am Schreibtisch.
• Dialekte. Hochdeutsch klappt gut, starker Dialekt nicht immer. Ein Anbieter aus dem Handwerksbereich schreibt selbst, dass starke Dialekte noch nicht zuverlässig erfasst werden. Teste mit der Sprache deiner Kunden.
• Hintergrundgeräusche. Baustelle, Autofahrt mit Freisprecheinrichtung, Werkhalle. Was im Büro funktioniert, bricht draußen schneller ein.
• Namen und Zahlen. Telefonnummern, Hausnummern, Nachnamen und E-Mail-Adressen sind die häufigsten Fehlerquellen. Lass den Agenten wichtige Angaben wiederholen und bestätigen, und schick Termine zusätzlich schriftlich.
• Anrufer, die auflegen. Manche Menschen legen auf, sobald sie merken, dass keine Person dran ist. Eine kurze Begrüßung, ein schneller Weg zu einem Menschen und ein Rückrufangebot fangen einen Teil davon auf.
• Transparenz. Sag am Anfang klar, dass ein digitaler Assistent spricht, zum Beispiel: „Hier ist der digitale Assistent von Müller Haustechnik.“ Das kostet zwei Sekunden und vermeidet den Moment, in dem sich ein Kunde getäuscht fühlt.

Wo du mit Voice-KI anfangen solltest

1. Diese Woche: diktieren und transkribieren. Nimm ein Diktat-Tool oder lass das nächste Kundengespräch protokollieren. Kosten im Centbereich, Risiko null, und du lernst, wie gut die Erkennung bei deinen Fachbegriffen ist.
2. Danach: eine Sache vertonen. Zum Beispiel die Hörversion eines Ratgebers oder die Stimme für ein Schulungsvideo. Ein Starter-Abo bei ElevenLabs reicht zum Ausprobieren. Wer erst einmal spüren will, wie sich ein Gespräch mit einer KI anfühlt, nutzt den Sprachmodus in ChatGPT, der seit Mitte Oktober 2026 laut OpenAI besser mit Deutsch umgeht.
3. Erst dann: der Voice Agent. Zähl vorher eine Woche lang deine Anrufe: Wie viele gibt es, wie viele gleichen sich, wie viele kommen nach Feierabend? Ohne diese Zahlen kaufst du blind.
4. Zuletzt, wenn überhaupt: der Stimmklon. Nur wenn deine Stimme wirklich Teil des Auftritts ist.

Häufige Fragen

Was kostet eine KI-Stimme?

Für Vorlesen und Vertonen starten die Abos bei ElevenLabs bei 6 US-Dollar im Monat für rund 30 Minuten Audio. Google Cloud berechnet 30 US-Dollar pro Million Zeichen für die Chirp-3-HD-Stimmen, die erste Million im Monat ist frei. Ein Voice Agent am Telefon kostet deutlich mehr, weil Gesprächsminuten, Sprachmodell und Einrichtung dazukommen.

Kann ich meine eigene Stimme mit KI klonen?

Ja. Bei ElevenLabs reichen für einen Sofort-Klon ein bis zwei Minuten saubere Aufnahme. Für den professionellen Klon brauchst du mindestens 30 Minuten Audio und musst per Prüfsätzen nachweisen, dass es deine Stimme ist. Google verlangt eine aufgezeichnete Einwilligung mit vorgegebenem Text.

Kann ElevenLabs Deutsch?

Ja. Alle aktuellen mehrsprachigen Modelle von ElevenLabs unterstützen Deutsch, darunter Eleven v4, Eleven v3, Multilingual v2 und Flash v2.5.

Was ist der Unterschied zwischen KI-Sprachassistent und Voice Agent?

Die Begriffe werden oft gleich verwendet. Ein KI-Sprachassistent beantwortet meist Fragen im Gespräch, etwa im Sprachmodus von ChatGPT. Ein Voice Agent übernimmt zusätzlich Aufgaben im Betrieb, bucht Termine, legt Rückrufe an und stellt an Menschen durch.

Versteht Sprach-KI Dialekt?

Teilweise. Hochdeutsch mit leichter Färbung klappt meist gut, starker Dialekt, Nuscheln und laute Umgebung führen zu Fehlern. Teste jedes Tool mit echten Aufnahmen deiner Kunden, bevor du es einsetzt.

Fazit

Voice-KI ist im Betrieb angekommen, aber nicht überall gleich weit. Sprache zu Text ist billig, ausgereift und sofort nützlich. Text zu Sprache funktioniert gut, wenn du Texte fürs Ohr schreibst und jede Datei anhörst. Echtzeit-Übersetzung hilft im Videocall, ersetzt aber keine geprüfte Übersetzung. Voice Agents am Telefon lohnen sich, wenn viele gleiche Anrufe kommen und du die Grenzen bei Latenz, Dialekt, Namen und Zahlen vorher getestet hast.

Wenn du wissen willst, ob ein Voice Agent deine Anrufe sinnvoll übernehmen kann, schau dir meinen KI-Telefonassistenten an. Soll die Sprach-KI an CRM, Kalender oder Ticketsystem angebunden werden, ist das ein Fall für die KI-Automatisierung.

Quellen: Abos, Minuten und Stimmklon-Umfang bei ElevenLabs nach der ElevenLabs-Preisseite, Gesprächsminuten, Minutenpreis und Telefonie bei ElevenLabs Agents nach ElevenLabs Agents Pricing, Modelle, Sprachen und Latenzen nach der ElevenLabs-Modellübersicht, Anforderungen an Stimmklone nach der Dokumentation zu Instant Voice Cloning und Professional Voice Cloning. Preise für Transkription, Realtime, GPT-Live-1 und Live-Übersetzung nach der OpenAI-API-Preisseite und der Modellseite GPT-Live 1, Funktionsweise der Realtime API nach dem Realtime-Leitfaden, Update des ChatGPT-Sprachmodus auf GPT-Live-1.1 vom 15. Oktober 2026 nach der Ankündigung im OpenAI-Forum. Preise für Google-Stimmen nach Google Cloud Text-to-Speech Pricing, Ablauf des Stimmklons nach der Dokumentation zu Chirp 3 Instant Custom Voice, Sprachübersetzung in Meet nach den Google Workspace Updates vom April 2026. Voxtral nach der Mistral-Dokumentation. DeepL Voice nach den Produktseiten DeepL Voice und DeepL Voice for Meetings. Marktpreise für KI-Telefonassistenten und Dialekt-Hinweis aus meinen Beiträgen zum KI-Telefonassistenten. Umrechnungen in Minuten und Zeichen pro Beitrag sowie Aufwandsangaben sind eigene Richtwerte. Stand: Oktober 2026.