Wissensdatenbank · Audio-KI · Echtzeit-Text-to-Speech

Cartesia (Sonic) – die Echtzeit-Stimme für Voice Agents, Telefonie und Callcenter.

Cartesia ist ein US-Anbieter, der sich mit seinem Sprachmodell Sonic auf eine einzige, aber entscheidende Disziplin konzentriert: gesprochene Sprache so schnell zu erzeugen, dass ein Gespräch mit einer Maschine natürlich wirkt. Während viele Text-to-Speech-Dienste für Voiceover, Hörbücher und Erklärvideos gebaut wurden, zielt Sonic auf den Dialog in Echtzeit – auf Telefonie-Bots, die Termine vereinbaren, auf Callcenter-Automatisierung, auf Sprachassistenten in Geräten und Anwendungen. Für Unternehmen im DACH-Raum ist das reizvoll, denn die Wartezeit in der Leitung ist ein bekanntes Ärgernis. Gleichzeitig laufen bei Telefonie personenbezogene Gesprächsdaten über einen Anbieter außerhalb der EU. Dieser Artikel ordnet ein, was Cartesia leistet, wo die Grenzen liegen und was Sie vor dem Einsatz klären sollten.

Dieser Artikel wurde mithilfe künstlicher Intelligenz erstellt und redaktionell geprüft.

28 Min. Lesezeit
Aktualisiert · Oktober 2026
Fachartikel · Expertenbeitrag
Cartesia (Sonic)
Echtzeit-TTS · US-Anbieter · API & Streaming
Anbieter
Cartesia, US-Unternehmen
Kategorie
Echtzeit-Text-to-Speech
Zugang
API, WebSocket-Streaming, SDKs
Kernfunktionen
Streaming-TTS, Voice Cloning, Steuerung
Deutsch
Laut Anbieter unterstützt – testen
Datenhoheit
US-Cloud – AVV & Transfer prüfen
INAGRO Eignung Voice Agents im Mittelstand
★★★★★
Kapitel 01 · Überblick

Was ist Cartesia (Sonic) – und warum zählt im Sprachdialog jede Pause?

Cartesia ist ein junges KI-Unternehmen aus den USA, dessen bekanntestes Produkt das Text-to-Speech-Modell Sonic ist. Sonic wandelt Text in gesprochene Sprache um – so weit, so bekannt. Der Unterschied liegt im Anspruch: Cartesia hat sein Modell von Beginn an darauf ausgelegt, die ersten Audiodaten so früh wie möglich zu liefern und die Sprache fortlaufend zu streamen, während der Text noch entsteht. Damit eignet sich Sonic weniger als Werkzeug für das perfekt produzierte Hörbuch, sondern vor allem als Stimme für Systeme, die mit Menschen sprechen: Voice Agents am Telefon, digitale Empfangsdienste, Sprachassistenten in Apps, Fahrzeugen oder Maschinen.

Hinter Cartesia stehen Forschende, die sich wissenschaftlich mit sogenannten Zustandsraummodellen beschäftigt haben – einer Modellfamilie, die lange Sequenzen effizienter verarbeiten soll als klassische Transformer-Architekturen. Der Anbieter stellt diese Herkunft selbst als Grundlage seiner Geschwindigkeit dar. Für Anwender ist die Architektur zweitrangig; entscheidend ist, was am Ende in der Leitung ankommt: eine Stimme, die schnell genug antwortet, natürlich klingt und sich zuverlässig steuern lässt. Wir sprechen in diesem Artikel von Cartesia, wenn das Unternehmen und seine Plattform gemeint sind, und von Sonic, wenn es um das Sprachmodell geht. Modellversionen, Produktnamen und Funktionsumfang entwickeln sich schnell weiter; welche Varianten zum Zeitpunkt Ihrer Entscheidung aktuell sind, sollten Sie beim Anbieter prüfen.
Warum ist die Geschwindigkeit so wichtig? In einem menschlichen Gespräch entstehen zwischen zwei Redebeiträgen nur sehr kurze Pausen. Wird diese Pause spürbar länger, wirkt das Gegenüber zögerlich, unaufmerksam oder schlicht technisch. Ein Voice Agent setzt sich aus mehreren Bausteinen zusammen: Spracherkennung, die das Gesagte in Text verwandelt, ein Sprachmodell, das eine Antwort formuliert, und Sprachsynthese, die diese Antwort wieder hörbar macht. Jeder Baustein addiert Verzögerung. Wer die Sprachsynthese beschleunigt, gewinnt Spielraum für die anderen Schritte – und genau hier setzt Cartesia an.
INAGRO-Einschätzung

Cartesia gehört zu den Anbietern, die Echtzeit-Sprachsynthese für den Dialog besonders konsequent verfolgen. Für Telefonie- und Assistenzsysteme ist Sonic ein ernstzunehmender Baustein. Die eigentliche Herausforderung im Mittelstand liegt aber selten in der Stimme, sondern im Gesamtsystem und im Umgang mit Gesprächsdaten: Wer Anrufe automatisiert, verarbeitet Namen, Anliegen und manchmal Gesundheits- oder Vertragsdaten bei einem US-Anbieter. Die Frage, welche Gespräche überhaupt automatisiert werden sollen, ist deshalb wichtiger als die Wahl des schnellsten Modells.

Warum Echtzeit-Sprachsynthese gerade jetzt relevant wird

Lange Zeit waren Sprachdialogsysteme am Telefon gleichbedeutend mit starren Menüs: Drücken Sie die Eins für den Vertrieb, die Zwei für den Service. Mit leistungsfähigen Sprachmodellen hat sich das grundlegend geändert. Heute können Systeme frei formulierte Anliegen verstehen, Rückfragen stellen, in Kalendern nachsehen und Termine vereinbaren. Damit diese Fähigkeiten im Telefonat überzeugen, muss die Stimme mithalten. Eine gute Antwort, die erst nach spürbarem Zögern kommt, wirkt schlechter als eine mittelmäßige, die sofort kommt. Echtzeit-TTS ist deshalb von einer Nische zu einem zentralen Baustein der Sprach-KI geworden.
Hinzu kommt der Druck auf Servicebereiche. Viele mittelständische Unternehmen haben Schwierigkeiten, Telefonzeiten abzudecken, insbesondere in Randzeiten, an Wochenenden oder in Spitzenphasen. Fachkräfte für den Telefonservice sind knapp, und Kunden erwarten Erreichbarkeit. Ein Voice Agent, der einfache Anliegen erledigt und den Rest sauber an Menschen übergibt, kann hier entlasten – vorausgesetzt, er klingt nicht wie eine Bandansage aus den Neunzigern.

Für wen dieser Artikel gedacht ist

Angesprochen sind Geschäftsführung, Service- und Vertriebsleitung, IT-Verantwortliche, Produktverantwortliche in Unternehmen mit eigenen Geräten oder Apps, Datenschutzbeauftragte und Betriebsräte. Technische Detailkenntnisse sind nicht erforderlich, an einigen Stellen erklären wir aber Begriffe wie Streaming, WebSocket oder Ende-zu-Ende-Latenz, weil sie für die Bewertung wichtig sind. Nach der Lektüre sollten Sie einschätzen können, ob Cartesia für Ihre Anwendungsfälle in Frage kommt, wie es sich von ElevenLabs, Play.ht, Deepgram und den Sprachdiensten der großen Cloud-Anbieter unterscheidet und welche organisatorischen und rechtlichen Fragen vor einem Pilotprojekt zu klären sind.

Wie dieser Artikel zu lesen ist

Wir arbeiten herstellerneutral und verzichten bewusst auf konkrete Latenzwerte, Benchmarks und Preise. Solche Zahlen veralten schnell, hängen stark vom Messaufbau ab und werden von Anbietern unter idealen Bedingungen ermittelt. Ein Wert aus einem Rechenzentrum in den USA sagt wenig darüber aus, wie schnell ein Telefonat zwischen einem Kunden in Niederbayern und Ihrem Voice Agent tatsächlich reagiert. Wir beschreiben Fähigkeiten qualitativ, markieren, wo Sie beim Anbieter prüfen sollten, und empfehlen an den entscheidenden Stellen eigene Messungen. Unser Ziel ist eine belastbare Orientierung für Entscheidungen, kein Datenblatt.
Kapitel 02 · Produkte & Positionierung

Produktfamilie und Positionierung: Sonic, Spracherkennung und Agenten-Plattform

Cartesia hat mit Sonic begonnen, baut sein Angebot aber erkennbar in Richtung einer Plattform für Sprachagenten aus. Grob lassen sich drei Bereiche unterscheiden: das Text-to-Speech-Modell Sonic in mehreren Varianten, ergänzende Spracherkennung sowie Werkzeuge zum Bau und Betrieb kompletter Voice Agents. Genaue Bezeichnungen, Verfügbarkeit und Reifegrad der einzelnen Bausteine sollten Sie beim Anbieter prüfen.

Sonic (TTS)
Kernprodukt

Das Sprachsynthesemodell, über eine API und per Streaming nutzbar. Je nach Version liegt der Schwerpunkt stärker auf minimaler Verzögerung oder auf Ausdruck und Natürlichkeit. Versionen und Varianten ändern sich – beim Anbieter prüfen.

FokusEchtzeit-Sprachausgabe
StärkeReaktionszeit & Streaming
RolleEntwickler, Integratoren
Spracherkennung
Ergänzung

Cartesia bietet ergänzend Modelle für Speech-to-Text an, die ebenfalls auf den Echtzeit-Dialog ausgerichtet sind. Damit lässt sich ein größerer Teil der Sprachkette bei einem Anbieter abbilden. Sprachabdeckung und Deutsch-Qualität beim Anbieter prüfen.

FokusTranskription im Gespräch
StärkeEin Anbieter, eine Kette
RolleVoice-Agent-Teams
Agenten-Werkzeuge
Plattform

Werkzeuge und Laufzeitumgebungen, mit denen sich komplette Sprachagenten entwickeln, testen und betreiben lassen. Hier wandelt sich Cartesia vom Modellanbieter zum Plattformanbieter. Umfang, Reifegrad und Vertragsbedingungen beim Anbieter prüfen.

FokusEnd-to-End-Agenten
StärkeWeniger Integrationsarbeit
RolleProduktteams

Vom schnellen Modell zur Voice-Agent-Plattform

Die Entwicklung von Cartesia folgt einem Muster, das man im Markt für Sprach-KI häufig sieht. Am Anfang stand ein Modell mit einem klaren Alleinstellungsmerkmal: Sprachsynthese, die schnell genug für den Dialog ist und trotzdem natürlich klingt. Entwicklerteams, die Voice Agents bauen, haben Sonic als austauschbaren Baustein in ihre Systeme eingesetzt – neben Spracherkennung eines anderen Anbieters und einem Sprachmodell eines dritten. Diese Modularität ist für Entwickler attraktiv, verlagert aber viel Integrationsarbeit auf die Anwender.
Mit ergänzender Spracherkennung und Werkzeugen für komplette Agenten versucht Cartesia, mehr von dieser Kette selbst abzudecken. Für Unternehmen hat das zwei Seiten. Einerseits sinkt der Integrationsaufwand, Verzögerungen zwischen den Bausteinen lassen sich besser kontrollieren, und es gibt einen Ansprechpartner. Andererseits wächst die Abhängigkeit von einem einzelnen, noch jungen Anbieter, und es fließen mehr Gesprächsdaten an denselben Dienstleister. Beides sollte in die Entscheidung einfließen, und beides wiegt bei Telefonie mit Kundendaten schwerer als bei einem Sprachassistenten für Produktinformationen.

Positionierung im Markt: Entwickler zuerst, Dialog statt Voiceover

Cartesia richtet sich vor allem an Entwicklerinnen und Entwickler sowie an Unternehmen, die Sprachfunktionen in eigene Produkte einbauen. Es gibt Oberflächen zum Ausprobieren von Stimmen und zum Erstellen von Stimmklonen, doch der eigentliche Zugang ist die Programmierschnittstelle. Das unterscheidet Cartesia von Werkzeugen wie Murf oder WellSaid, die stark auf Redakteure und Content-Teams zugeschnitten sind und Voiceover für Videos, Schulungen oder Präsentationen in einer komfortablen Oberfläche erzeugen.
Für den Mittelstand bedeutet das: Cartesia ist selten ein Werkzeug, das die Marketingabteilung selbst einführt. Es ist ein Baustein, den ein internes Entwicklungsteam, ein Systemhaus oder ein Anbieter von Telefonie- und Callcenter-Software in eine Lösung einbaut. Oft nutzen Unternehmen Sonic sogar, ohne es zu wissen – weil eine Voice-Agent-Plattform oder ein Contact-Center-Anbieter es im Hintergrund einsetzt. Gerade dann lohnt die Frage an den eigenen Dienstleister, welche Sprachdienste er verwendet und wo die Daten verarbeitet werden.
Kriterium Sonic (TTS) Spracherkennung Agenten-Werkzeuge
Typischer Nutzer Entwicklerteam, Integrator Voice-Agent-Entwicklung Produktteam, Systemhaus
Verarbeitete Daten Antworttexte, ggf. Namen Stimme und Inhalt der Anrufer Gesamter Gesprächsverlauf
Austauschbarkeit Gut, Standardbaustein Gut Geringer, höhere Bindung
Integrationsaufwand Mittel Mittel Geringer
Datenschutz-Prüfbedarf Mittel Hoch Hoch
Kapitel 03 · Funktionsumfang

Funktionsumfang: Streaming, Stimmen und deutsche Sprache

Bevor es um Stimmklone und Emotionssteuerung geht, lohnt sich ein Blick auf die Grundfunktionen. Sie entscheiden darüber, ob Sonic in einer Telefonie- oder Assistenzanwendung technisch funktioniert. Konkrete Grenzen – unterstützte Audioformate, Abtastraten, Parallelität, Kontingente und Ratenbegrenzungen – unterscheiden sich je nach Vertrag und sind beim Anbieter zu prüfen.

Streaming-Ausgabe

Audio wird in kleinen Teilen geliefert, sobald es erzeugt ist. Die Wiedergabe kann beginnen, bevor der ganze Satz berechnet wurde – Grundlage für flüssige Dialoge.

Kürzere Gesprächspausen
Text-Streaming als Eingabe

Auch der Text kann stückweise übergeben werden, etwa direkt aus einem Sprachmodell, das seine Antwort Wort für Wort formuliert. So überlappen Denken und Sprechen.

Weniger Wartezeit im Agenten
Stimmbibliothek

Vorgefertigte Stimmen in verschiedenen Sprachen, Altersgruppen und Sprechstilen. Für den Einstieg reicht oft eine passende Bibliotheksstimme ohne eigenes Klonen.

Schneller Start ohne Aufnahmen
Telefonie-taugliche Formate

Ausgabe in Audioformaten, die sich für Telefonnetze und Webanwendungen eignen. Welche Formate und Abtastraten Ihr Telefonieanbieter erwartet, sollten Sie vorab abgleichen.

Kein Umweg über Konvertierung

Streaming und Ende-zu-Ende-Latenz verstehen

Bei klassischer Sprachsynthese schickt man einen Text an den Dienst und erhält nach einer Weile eine fertige Audiodatei zurück. Für Voiceover ist das völlig ausreichend. Im Dialog ist es zu langsam, weil der Anrufer die gesamte Berechnungszeit als Stille erlebt. Sonic setzt deshalb auf Streaming: Über eine dauerhafte Verbindung, typischerweise per WebSocket, werden Textteile an den Dienst gesendet, und Audiodaten fließen in kleinen Paketen zurück, sobald sie verfügbar sind. Die Wiedergabe beginnt, während der Rest des Satzes noch erzeugt wird.
Wichtig ist der Unterschied zwischen der Latenz des Modells und der Latenz, die ein Mensch am Telefon erlebt. Anbieter nennen gerne die Zeit bis zum ersten Audiopaket, gemessen unter idealen Bedingungen. In der Praxis addieren sich die Spracherkennung, das Erkennen des Gesprächsendes, das Sprachmodell, Netzwerkwege über den Atlantik, die Telefonieplattform und Puffer im Telefonnetz. Ein schnelles TTS-Modell ist notwendig, aber nicht hinreichend. Wer einen Voice Agent plant, sollte deshalb nicht die Herstellerangaben vergleichen, sondern die Zeit zwischen dem letzten Wort des Anrufers und dem ersten hörbaren Laut des Agenten im eigenen Aufbau messen – und zwar aus der Region, in der Ihre Kunden tatsächlich telefonieren.

Deutsche Sprachunterstützung: was zu prüfen ist

Deutsch gehört nach Angaben von Cartesia zu den unterstützten Sprachen, und in der Stimmbibliothek finden sich deutschsprachige Stimmen. Das allein sagt aber noch wenig über die Eignung für Ihren Anwendungsfall. Text-to-Speech-Modelle, die zuerst für das Englische optimiert wurden, zeigen im Deutschen typische Schwächen: Komposita werden falsch betont, Abkürzungen wie GmbH, z. B. oder MwSt. buchstabiert oder verschluckt, Zahlen, Datumsangaben, Uhrzeiten und Postleitzahlen uneinheitlich gesprochen, englische Lehnwörter und Produktnamen eingedeutscht oder umgekehrt. Hinzu kommen Eigennamen von Orten und Personen, die in Ihrer Region selbstverständlich sind, für ein Modell aber nicht.
Wir empfehlen, vor jeder Entscheidung eine Testliste mit fünfzig bis hundert typischen Sätzen aus Ihrem Alltag zu erstellen: Begrüßungen, Öffnungszeiten, Adressen, Artikelnummern, Beträge, Terminbestätigungen, Fachbegriffe, Firmen- und Ortsnamen. Lassen Sie diese Sätze mit mehreren deutschen Stimmen erzeugen und von Kolleginnen und Kollegen bewerten, die nicht am Projekt beteiligt sind. Prüfen Sie auch, ob sich Aussprachen über Lautschrift, Ausspracheregeln oder Textvorverarbeitung korrigieren lassen. Welche Steuerungsmöglichkeiten es dafür gibt und wie gut sie im Deutschen greifen, sollten Sie beim Anbieter prüfen.
Praxis-Hinweis

Viele Ausspracheprobleme lassen sich nicht im TTS-Modell, sondern vor der Sprachsynthese lösen. Eine kleine Normalisierungsschicht, die Datumsangaben, Uhrzeiten, Beträge und Abkürzungen in ausgeschriebene Wörter umwandelt, verbessert die Verständlichkeit oft stärker als der Wechsel zu einem anderen Modell. Weisen Sie außerdem das Sprachmodell an, kurze, gut sprechbare Sätze zu formulieren statt Aufzählungen und Klammern.

Stimmen, Sprechstile und Audioqualität

Die Stimmbibliothek ist der schnellste Weg zu einer professionell klingenden Ausgabe. Für den Unternehmenseinsatz sollten Sie eine Stimme wählen, die zu Ihrer Marke und Ihrer Zielgruppe passt: Ein Sanitätshaus braucht eine andere Tonlage als ein Logistikdienstleister oder ein Hersteller von Industriesteuerungen. Achten Sie darauf, dass die gewählte Stimme auch bei längeren Antworten angenehm bleibt und am Telefon gut verständlich ist. Telefonnetze übertragen Sprache oft in reduzierter Qualität; eine Stimme, die im Kopfhörer brillant klingt, kann am Festnetz dumpf wirken.
Für die Audioqualität spielen Format und Abtastrate eine Rolle. Für Webanwendungen und Apps sind höhere Qualitäten sinnvoll, für klassische Telefonie werden schmalbandigere Formate verwendet, die zur Telefonieplattform passen müssen. Unnötige Umwandlungen kosten Zeit und Qualität. Klären Sie deshalb früh mit Ihrem Telefonie- oder Contact-Center-Anbieter, welche Formate er direkt verarbeitet, und prüfen Sie, ob Sonic diese ohne Zwischenschritt liefern kann.
Kapitel 04 · KI-Funktionen

Fortgeschrittene KI-Funktionen: Voice Cloning, Emotion und Steuerung

Neben der reinen Sprachausgabe bietet Cartesia Funktionen, mit denen sich Stimmen nachbilden, Sprechweise und Emotion beeinflussen und Aussprache gezielt steuern lassen. Diese Funktionen machen Voice Agents natürlicher, werfen aber auch die meisten rechtlichen und ethischen Fragen auf. Umfang und Bezeichnungen ändern sich häufig – beim Anbieter prüfen.

Voice Cloning

Aus einer kurzen Aufnahme entsteht eine nachgebildete Stimme, die beliebige Texte spricht. Je nach Angebot gibt es schnelle Klone aus wenig Material und aufwendigere Varianten.

Eigene Markenstimme
Emotion & Sprechweise

Parameter oder Anweisungen beeinflussen Tempo, Lautstärke und emotionale Färbung – etwa freundlich, ruhig oder bestimmt. Wichtig für heikle Gesprächssituationen.

Passender Ton
Aussprache-Steuerung

Eigene Ausspracheregeln, Lautschrift oder Markierungen für Pausen und Betonung helfen bei Fachbegriffen, Marken- und Ortsnamen. Wie gut das im Deutschen greift, sollte getestet werden.

Korrekte Fachbegriffe
Mehrsprachigkeit

Eine Stimme kann je nach Modell in mehreren Sprachen sprechen. Für Unternehmen mit internationalen Kunden lässt sich so eine einheitliche Markenstimme über Sprachen hinweg aufbauen.

Eine Stimme, mehrere Märkte
Kontext über Satzgrenzen

Wird eine Antwort in mehreren Teilen gestreamt, kann das Modell den Zusammenhang berücksichtigen, damit Betonung und Satzmelodie über die Teile hinweg stimmig bleiben.

Natürlicher Redefluss
Schutzmechanismen

Anbieter von Stimmklonen setzen zunehmend auf Bestätigungen, Nutzungsrichtlinien und teils Wasserzeichen. Welche Mechanismen Cartesia konkret nutzt, sollten Sie beim Anbieter prüfen.

Missbrauch erschweren

Voice Cloning: Markenstimme oder digitale Kopie eines Menschen

Mit Voice Cloning lässt sich aus einer vergleichsweise kurzen Aufnahme eine Stimme erzeugen, die der Originalstimme sehr ähnlich klingt. Für Unternehmen ist das zunächst verlockend: Der Voice Agent spricht mit der vertrauten Stimme der langjährigen Empfangsmitarbeiterin, der Sprachassistent in der Maschine mit der Stimme des Firmengründers. Technisch ist das heute ohne großen Aufwand möglich. Ob es sinnvoll ist, steht auf einem anderen Blatt.
Eine geklonte Stimme ist eine Nachbildung eines Merkmals, das einen Menschen eindeutig identifizieren kann. Sie kann Sätze sprechen, die die Person nie gesagt hat und vielleicht nie sagen würde. Deshalb gelten strenge Voraussetzungen: Es braucht eine freiwillige, informierte und dokumentierte Einwilligung der Sprecherin oder des Sprechers, die Zweck, Einsatzkanäle, Dauer und Widerrufsmöglichkeiten konkret benennt. Im Arbeitsverhältnis ist die Freiwilligkeit besonders sorgfältig zu prüfen, weil ein Abhängigkeitsverhältnis besteht; eine Ablehnung darf keine Nachteile haben. Ebenso muss geklärt sein, was mit der Stimme geschieht, wenn die Person das Unternehmen verlässt, und ob der Anbieter die Stimmdaten tatsächlich löscht, wenn die Einwilligung widerrufen wird. Je nach technischer Verarbeitung kann es sich um biometrische Daten im Sinne der DSGVO handeln. Dies ist keine Rechtsberatung – ziehen Sie Ihren Datenschutzbeauftragten hinzu.
Die pragmatische Alternative ist oft die bessere: eine professionelle Bibliotheksstimme oder eine eigens beauftragte Sprecherin, die mit einem Vertrag ausdrücklich der Nutzung als synthetische Markenstimme zustimmt und dafür vergütet wird. So entsteht eine wiedererkennbare Stimme, ohne dass eine Mitarbeiterin ihre persönliche Stimme dauerhaft an ein System bindet.
Stimmklone, Persönlichkeitsrecht und Kennzeichnung

Die Stimme ist Teil des allgemeinen Persönlichkeitsrechts. Wer eine Stimme ohne Einwilligung nachbildet, riskiert Unterlassungs- und Schadensersatzansprüche. Die europäische KI-Verordnung sieht zudem Transparenzpflichten für synthetisch erzeugte Audioinhalte vor, die echten Personen ähneln und als echt erscheinen könnten. Legen Sie fest, welche Stimmen genutzt werden dürfen und wie synthetische Sprache offengelegt wird. Konkrete Anforderungen und Fristen klären Sie mit Ihrer Rechtsberatung.

Emotion, Tempo und Tonlage im Kundendialog

Ein Voice Agent, der einen verärgerten Kunden mit fröhlicher Werbestimme begrüßt, verschlimmert die Lage. Sonic bietet Möglichkeiten, Sprechtempo, Lautstärke und emotionale Färbung zu beeinflussen – je nach Modellversion über Parameter oder über Anweisungen im Text. Damit lässt sich die Stimme an die Situation anpassen: ruhig und langsam bei einer Störungsmeldung, freundlich und zügig bei einer Terminbestätigung, sachlich bei Zahlungsinformationen.
In der Praxis ist Zurückhaltung angebracht. Zu viel Emotion wirkt schnell künstlich, und eine Stimme, die Mitgefühl simuliert, kann bei Anrufern Misstrauen wecken, sobald sie bemerken, dass sie mit einer Maschine sprechen. Bewährt hat sich ein ruhiger, freundlicher Grundton mit wenigen, klar definierten Abweichungen. Diese Regeln sollten nicht dem Zufall überlassen werden, sondern im Gesprächsdesign festgelegt sein – etwa als Teil der Anweisungen an das Sprachmodell, das entscheidet, welche Sprechweise für die nächste Antwort angefordert wird.

Aussprache, Pausen und Gesprächsdynamik

Zu den unterschätzten Funktionen gehört die Steuerung von Aussprache und Pausen. Ein Voice Agent für einen Landmaschinenhändler muss Typenbezeichnungen korrekt aussprechen, einer für eine Hausverwaltung Straßennamen, einer für einen Hersteller Artikelnummern in gut verständlichen Gruppen. Cartesia bietet Möglichkeiten, Aussprachen zu definieren und Pausen einzufügen; wie komfortabel und zuverlässig das im Deutschen funktioniert, sollten Sie in einem Test mit Ihrem eigenen Vokabular prüfen.
Ebenso wichtig ist die Gesprächsdynamik. Menschen unterbrechen, sagen zwischendurch ja oder mhm, korrigieren sich. Ein guter Voice Agent muss erkennen, wann er aufhören soll zu sprechen, und die Sprachausgabe sofort abbrechen können. Diese Fähigkeit liegt weniger im TTS-Modell als in der Orchestrierung, profitiert aber von einer Sprachsynthese, die in kleinen Teilen arbeitet und sich unmittelbar stoppen lässt. Prüfen Sie im Pilotprojekt gezielt, wie sich das System verhält, wenn Anrufer dazwischenreden.
Kapitel 05 · Ökosystem

Integrationen und Ökosystem: API, Voice-Agent-Frameworks und Telefonie

Cartesia ist ein Baustein, kein Endprodukt. Sein Wert entsteht erst im Zusammenspiel mit Spracherkennung, Sprachmodell, Telefonie und Ihren Fachsystemen. Wie gut diese Teile zusammenpassen, entscheidet über Qualität, Verzögerung und Aufwand – und über die Frage, wo welche Daten landen.

API, SDKs und Streaming-Schnittstellen

Der Zugang zu Sonic erfolgt über eine Programmierschnittstelle. Neben einfachen Anfragen, die eine Audiodatei zurückliefern, gibt es Streaming-Verbindungen für den Echtzeitbetrieb. Für gängige Programmiersprachen stellt der Anbieter Bibliotheken bereit, die den Aufbau der Verbindung, das Senden von Textteilen und das Empfangen der Audiodaten vereinfachen. Für ein erfahrenes Entwicklungsteam ist die Anbindung überschaubar; der eigentliche Aufwand liegt in der Orchestrierung des Gesprächs, der Fehlerbehandlung und dem Betrieb.
Achten Sie bei der technischen Prüfung auf einige Punkte: Wie verhält sich der Dienst bei Lastspitzen, und welche Ratenbegrenzungen gelten? Wie viele parallele Gespräche sind in Ihrem Vertrag möglich? Gibt es Zusagen zur Verfügbarkeit, und wie wird über Störungen informiert? Welche Regionen und Endpunkte stehen zur Auswahl? Und wie werden Zugangsschlüssel verwaltet, damit sie nicht im Quellcode einer App landen? Die Antworten finden Sie in der Dokumentation und im Vertrag – oder sie sind beim Anbieter zu erfragen.

Voice-Agent-Frameworks und Plattformen

Die wenigsten Unternehmen bauen einen Voice Agent von Grund auf. Üblich ist die Nutzung von Frameworks und Plattformen, die Spracherkennung, Sprachmodell und Sprachsynthese zu einer Gesprächskette verbinden und Funktionen wie Unterbrechungserkennung, Gesprächsende und Übergabe an Menschen bereitstellen. Cartesia ist in vielen dieser Frameworks und Plattformen als TTS-Option eingebunden, sowohl in Open-Source-Projekten als auch in kommerziellen Voice-Agent-Diensten. Das erleichtert den Wechsel zwischen Anbietern und den direkten Vergleich mit Alternativen wie ElevenLabs oder Deepgram.
Für den Mittelstand ist diese Austauschbarkeit ein wichtiger Vorteil. Wer seinen Voice Agent auf einem Framework aufbaut, das mehrere TTS-Anbieter unterstützt, kann später auf einen anderen Dienst wechseln – etwa auf eine EU-Region eines großen Cloud-Anbieters oder ein selbst gehostetes Modell –, ohne die gesamte Anwendung neu zu entwickeln. Wir empfehlen, diese Option bewusst offen zu halten und die Sprachsynthese hinter einer eigenen, schlanken Abstraktionsschicht anzubinden.
01
Anruf & Spracherkennung
Der Anruf läuft über die Telefonieplattform ein. Eine Spracherkennung wandelt das Gesagte fortlaufend in Text um und erkennt, wann der Anrufer zu Ende gesprochen hat.
02
Verstehen & Antworten
Ein Sprachmodell interpretiert das Anliegen, fragt bei Bedarf Fachsysteme wie Kalender oder Warenwirtschaft ab und formuliert eine kurze, sprechbare Antwort.
03
Sprachsynthese mit Sonic
Die Antwort wird bereits während der Formulierung an Sonic gestreamt. Audio fließt in kleinen Paketen zurück und wird sofort in die Leitung gespielt.
04
Übergabe, Protokoll & Löschung
Bei komplexen Anliegen übergibt der Agent an einen Menschen. Ergebnisse werden ins CRM geschrieben, Gesprächsdaten nach definierten Fristen gelöscht.

Telefonie, Contact Center und Fachsysteme

Für den Einsatz am Telefon muss der Voice Agent an eine Telefonieinfrastruktur angebunden werden – über einen Cloud-Telefonieanbieter, eine SIP-Anbindung an die bestehende Telefonanlage oder ein Contact-Center-System. Hier entstehen in der Praxis die meisten Überraschungen: unterschiedliche Audioformate, Verzögerungen in der Telefonieplattform, Echos, Probleme mit Weiterleitungen und Warteschleifen. Planen Sie für diese Integration ausreichend Zeit ein und testen Sie mit echten Telefonen, Mobilfunk und Festnetz, nicht nur mit dem Browser.
Ihren eigentlichen Nutzen entfaltet ein Voice Agent erst, wenn er an Fachsysteme angebunden ist: Er schaut im Kalender nach freien Terminen, legt ein Ticket im Servicesystem an, prüft einen Lieferstatus in der Warenwirtschaft oder schreibt eine Gesprächsnotiz ins CRM. Jede dieser Anbindungen ist ein eigener Datenfluss, der dokumentiert und abgesichert werden muss. Für die Sprachsynthese selbst gilt: Sonic erhält nur den Text, den es sprechen soll. Wenn dieser Text Namen, Adressen oder Vertragsdetails enthält, sind auch das personenbezogene Daten, die an den Anbieter übertragen werden.
INAGRO-Empfehlung zur Integration

Binden Sie die Sprachsynthese austauschbar an. Ein eigener, schlanker Adapter zwischen Ihrem Gesprächssystem und dem TTS-Dienst erlaubt es, Cartesia, einen anderen Cloud-Dienst oder ein selbst gehostetes Modell je nach Anwendungsfall und Schutzbedarf einzusetzen. Minimieren Sie außerdem, welche personenbezogenen Daten in den gesprochenen Text gelangen – oft reicht eine Bestätigung ohne vollständige Adresse.

Kapitel 06 · Abgrenzung

Cartesia im Vergleich: ElevenLabs, Play.ht, Deepgram, Azure und Google TTS

Der Markt für Sprachsynthese ist dicht besetzt, und fast alle Anbieter werben inzwischen mit schnellen Modellen für Echtzeitanwendungen. Die folgende Einordnung ist qualitativ und herstellerneutral. Sie beschreibt Schwerpunkte, keine Ranglisten – welche Lösung passt, hängt von Ihrem Anwendungsfall, Ihrer Sprache und Ihren Datenschutzanforderungen ab.

Kriterium Cartesia (Sonic) ElevenLabs Deepgram Azure / Google TTS
Schwerpunkt Echtzeit-TTS für Voice Agents Stimmvielfalt, Voiceover, Dubbing, Agenten Spracherkennung, ergänzend TTS Breite Cloud-Sprachdienste
Echtzeit-Streaming Kernfokus Schnelle Modelle verfügbar Ja Ja
Deutsch Unterstützt – testen Unterstützt, große Auswahl TTS-Sprachen prüfen Breite Auswahl
Voice Cloning Ja Ja, ausgeprägt Eingeschränkt – prüfen Mit Freigabeprozess
EU-Datenresidenz US-Anbieter – prüfen Je nach Vertrag prüfen Je nach Vertrag prüfen EU-Regionen wählbar

Cartesia und ElevenLabs: Dialog gegen Allround-Stimmplattform

ElevenLabs ist der bekannteste Anbieter für KI-Stimmen und deckt ein sehr breites Spektrum ab: Voiceover, Hörbücher, Dubbing, Soundeffekte, eine große Bibliothek an Stimmen und inzwischen auch eine eigene Plattform für Sprachagenten mit schnellen Modellen. Gerade bei Stimmvielfalt, Ausdruck und Werkzeugen für Content-Teams ist ElevenLabs sehr stark aufgestellt. Cartesia ist schmaler und stärker auf den Echtzeit-Dialog ausgerichtet. Welcher Anbieter im Deutschen natürlicher klingt und im eigenen Aufbau schneller reagiert, lässt sich nicht pauschal sagen – beide Anbieter entwickeln ihre Modelle in kurzen Abständen weiter.
Für Unternehmen, die sowohl Voiceover für Videos als auch einen Voice Agent planen, kann ElevenLabs der einfachere Weg sein, weil beides aus einer Hand kommt. Wer ausschließlich einen Sprachagenten baut und die Bausteine frei kombinieren möchte, sollte Cartesia ernsthaft in den Vergleich einbeziehen. In beiden Fällen gilt: Erstellen Sie eine gemeinsame Testliste deutscher Sätze und lassen Sie die Ergebnisse blind bewerten, ohne dass die Bewerter wissen, welcher Anbieter welche Aufnahme erzeugt hat.

Play.ht und Deepgram: Spezialisten mit anderem Ursprung

Play.ht hat sich als Anbieter für KI-Stimmen mit einer Mischung aus Content-Werkzeugen und Entwickler-API etabliert und bietet ebenfalls Modelle für Echtzeitanwendungen an. Für Unternehmen, die Voiceover und Telefonie kombinieren wollen, ist Play.ht eine weitere Option im Vergleich. Wie bei allen jungen Anbietern in diesem Markt sollten Sie die aktuelle Unternehmenssituation, Produktstrategie und Vertragspartei vor einer langfristigen Bindung beim Anbieter prüfen, da sich Eigentümerstrukturen und Produktlinien schnell ändern können.
Deepgram kommt ursprünglich aus der Spracherkennung und ist dort für Echtzeit-Transkription bekannt. Ergänzend bietet Deepgram eigene Sprachsynthese und Bausteine für Voice Agents an. Der Reiz liegt darin, Spracherkennung und Sprachausgabe bei einem Anbieter zu beziehen, der sich auf geringe Verzögerung spezialisiert hat. Bei der Sprachsynthese ist die Auswahl an Stimmen und Sprachen jedoch tendenziell schmaler als bei TTS-Spezialisten; die deutsche Unterstützung sollten Sie gezielt prüfen. Cartesia bewegt sich mit eigener Spracherkennung aus der entgegengesetzten Richtung auf dasselbe Ziel zu.

Azure, Google und die Frage nach der EU-Region

Die Sprachdienste von Microsoft Azure und Google Cloud sind seit Jahren etabliert und bieten neuronale Stimmen in sehr vielen Sprachen, darunter eine breite Auswahl deutscher Stimmen, Steuerung über SSML, eigene Markenstimmen mit Freigabeprozess und Streaming. In der reinen Natürlichkeit und Ausdrucksstärke haben spezialisierte Anbieter in den vergangenen Jahren aufgeholt oder diese teilweise übertroffen; die großen Anbieter ziehen ihrerseits mit neuen Modellgenerationen nach. Ein aktueller, eigener Vergleich ist deshalb unerlässlich.
Ihr wesentlicher Vorteil für den Mittelstand liegt woanders: Sie bieten Rechenzentrumsregionen in der EU, etablierte Auftragsverarbeitungsverträge, umfangreiche Zertifizierungen und häufig bereits bestehende Rahmenverträge im Unternehmen. Auch hier handelt es sich um US-Konzerne, sodass der Drittlandbezug nicht vollständig entfällt; die Ausgangslage für eine datenschutzrechtliche Bewertung ist aber oft einfacher. Für Telefonie mit sensiblen Gesprächsinhalten sind EU-Regionen großer Cloud-Dienste oder selbst gehostete Open-Source-Modelle deshalb häufig die naheliegendere Wahl, während Cartesia dort punktet, wo Reaktionsgeschwindigkeit und Natürlichkeit im Vordergrund stehen und die Daten weniger sensibel sind.
Kapitel 07 · Einführung & Betrieb

Einführung und Betrieb: Cloud-API, EU-Optionen und Self-Hosting

Cartesia ist in erster Linie ein Cloud-Dienst. Für Unternehmen mit besonderen Anforderungen an Datenhoheit stellt sich deshalb früh die Frage nach Betriebsmodell, Region und Alternativen. Ein strukturierter Einführungsweg verbindet technische Tests mit einer frühen datenschutzrechtlichen Klärung. Konditionen und Verfügbarkeiten sind beim Anbieter zu prüfen.

Die Betriebsoptionen im Überblick

Cloud-API von Cartesia
Schneller Start

Direkte Nutzung über die API des Anbieters. Kurzer Weg zum Prototyp, voller Zugriff auf aktuelle Modelle und Funktionen. Verarbeitung voraussichtlich außerhalb der EU.

AufwandGering
DatenschutzAVV & Transfer prüfen
ZweckPrototyp, unkritische Dialoge
Unternehmensvertrag
Mit Zusagen

Individueller Vertrag mit Zusagen zu Datenverarbeitung, Speicherung, Verfügbarkeit und gegebenenfalls besonderen Bereitstellungsoptionen. Ob regionale oder private Bereitstellung möglich ist, beim Anbieter prüfen.

AufwandMittel
DatenschutzVerhandelbar
ZweckProduktiver Betrieb
Hybrid mit EU-/Lokal-TTS
Datenhoheit

Sensible Dialoge laufen über EU-Regionen großer Cloud-TTS-Dienste oder selbst gehostete Open-Source-Modelle, Cartesia nur für unkritische Anwendungsfälle. Austauschbare Anbindung vorausgesetzt.

AufwandMittel bis hoch
DatenschutzHoch
ZweckTrennung nach Schutzbedarf

Ein strukturierter Einführungsweg

Am Anfang steht nicht die Technik, sondern der Anwendungsfall: Welche Anrufe oder Sprachinteraktionen sollen automatisiert werden, wie häufig kommen sie vor, welche Daten werden dabei besprochen, und was passiert, wenn der Agent nicht weiterweiß? Gut geeignet für den Einstieg sind klar umrissene Anliegen mit geringem Schutzbedarf – etwa Öffnungszeiten, Terminbestätigungen, Rückrufwünsche oder die Annahme von Anrufen außerhalb der Geschäftszeiten. Ungeeignet für den Start sind Gespräche über Gesundheit, Finanzen, Beschwerden oder Kündigungen.
Parallel zur fachlichen Klärung prüfen Datenschutzbeauftragte die vertraglichen Grundlagen: Gibt es einen Auftragsverarbeitungsvertrag, wo werden Daten verarbeitet, werden Texte oder Audiodaten gespeichert oder für das Training genutzt? Erst danach folgt ein technischer Prototyp mit Testdaten, in dem Sie Natürlichkeit, Aussprache, Latenz und Stabilität messen – idealerweise im Vergleich mit mindestens einer Alternative. Ein Pilot mit echten Anrufen, klarem Hinweis auf die KI und einfacher Übergabe an Menschen über einige Wochen liefert dann die Grundlage für eine fundierte Entscheidung.
Immer einen Ausweg anbieten

Ein Voice Agent ohne einfache Übergabe an einen Menschen frustriert Anrufer schneller als jede Warteschleife. Planen Sie von Anfang an, wann und wie an Mitarbeitende übergeben wird: auf Wunsch des Anrufers, bei wiederholtem Nichtverstehen, bei sensiblen Themen und bei erkennbarer Verärgerung. Außerhalb der Geschäftszeiten sollte zumindest ein verlässlicher Rückrufprozess stehen.

Self-Hosting und laufender Betrieb

Cartesia selbst ist nach unserem Kenntnisstand vor allem als Cloud-Dienst verfügbar; ob und unter welchen Bedingungen Modelle auf eigener Infrastruktur oder in einer dedizierten Umgebung betrieben werden können, sollten Sie im Rahmen eines Unternehmensvertrags beim Anbieter prüfen. Wer vollständige Datenhoheit benötigt, findet Alternativen bei selbst gehosteten Open-Source-TTS-Modellen, die auf eigener Hardware oder bei einem europäischen Hoster laufen. Deren Qualität im Deutschen hat sich deutlich verbessert, erreicht aber nicht in jedem Fall das Niveau der kommerziellen Spitzenmodelle, und für Echtzeitbetrieb sind leistungsfähige Grafikprozessoren und Know-how im Betrieb nötig. Prüfen Sie bei Open-Source-Modellen sorgfältig die Lizenz, denn nicht jede erlaubt die kommerzielle Nutzung.
Im laufenden Betrieb gehören Monitoring und Qualitätssicherung zum Pflichtprogramm: Antwortzeiten, Abbruchquoten, Übergaben an Menschen, Beschwerden und Stichproben von Gesprächen – soweit das datenschutzrechtlich zulässig und transparent geregelt ist. Hinzu kommt die Dynamik des Anbieters. Cartesia veröffentlicht neue Modellversionen in kurzen Abständen; Stimmen können sich dadurch hörbar verändern, Parameter umbenannt oder ältere Versionen abgekündigt werden. Legen Sie fest, wer Änderungen verfolgt, wann neue Versionen getestet werden und wie Sie eine bewährte Version festschreiben, solange das möglich ist.
Kapitel 08 · Praxis

Einsatz im deutschen Mittelstand

Wo bringt Echtzeit-Sprachsynthese im Mittelstand konkreten Nutzen? Die folgenden Szenarien zeigen typische Einsatzfelder – von der Telefonannahme über den technischen Service bis zum Sprachassistenten in eigenen Produkten –, jeweils mit realistischer Einordnung.

Telefonannahme & Termine

Ein Voice Agent nimmt Anrufe außerhalb der Geschäftszeiten oder bei Überlast an, beantwortet Standardfragen und vereinbart Termine direkt im Kalender.

Erreichbarkeit rund um die Uhr
Callcenter-Vorqualifizierung

Der Agent erfasst Anliegen, Kundennummer und Dringlichkeit und leitet gezielt an die richtige Fachabteilung weiter – mit Zusammenfassung für die Mitarbeitenden.

Weniger Weiterleitungen
Technischer Service

Störungsmeldungen werden telefonisch aufgenommen, strukturiert und als Ticket angelegt. Einfache Lösungsschritte kann der Agent selbst erklären.

Schnellere Erstreaktion
Sprachassistent im Produkt

Maschinen, Geräte oder Apps erhalten eine Sprachschnittstelle, die Bedienhinweise gibt oder Fragen beantwortet – hilfreich, wenn die Hände beschäftigt sind.

Bedienung ohne Bildschirm
Ausgehende Erinnerungen

Terminbestätigungen, Lieferavis oder Wartungserinnerungen per Anruf. Rechtliche Vorgaben zu Werbeanrufen und Einwilligungen sind hier besonders zu beachten.

Weniger Ausfälle
Schulung & Rollenspiel

Sprachbasierte Trainingspartner für Vertrieb oder Service, mit denen Mitarbeitende Gespräche üben können. Hier zählen natürliche Reaktion und schnelle Antworten.

Üben ohne Kollegen zu binden

Telefonannahme und Service: der naheliegende Startpunkt

Der häufigste Anwendungsfall im Mittelstand ist die automatisierte Telefonannahme. Ein Handwerksbetrieb, ein Autohaus, eine Arztpraxis, ein Hersteller mit Ersatzteilservice – überall gibt es Anrufe, die sich in wenigen, wiederkehrenden Mustern bewegen: Wann haben Sie geöffnet? Kann ich einen Termin bekommen? Wo bleibt meine Lieferung? Bitte rufen Sie mich zurück. Ein Voice Agent kann diese Anliegen rund um die Uhr annehmen, strukturiert erfassen und in vielen Fällen direkt erledigen. Die Mitarbeitenden erhalten am Morgen eine geordnete Liste statt eines vollen Anrufbeantworters.
Damit das funktioniert, muss der Agent schnell und natürlich reagieren – hier spielt Echtzeit-TTS wie Sonic seine Stärke aus. Mindestens ebenso wichtig sind aber ein gutes Gesprächsdesign, saubere Anbindungen an Kalender und Fachsysteme und ein ehrlicher Umgang mit Grenzen. Ein Agent, der freundlich sagt, dass er diese Frage nicht beantworten kann und einen Rückruf organisiert, wirkt professioneller als einer, der rät. Und zu Beginn jedes Gesprächs sollte klar gesagt werden, dass der Anrufer mit einem KI-System spricht.

Callcenter-Automatisierung mit Augenmaß

In Unternehmen mit eigenem Kundenservice oder Callcenter liegt der Reiz in der Entlastung bei hohem Anrufvolumen. Statt sämtliche Gespräche zu automatisieren, hat sich ein abgestuftes Vorgehen bewährt: Der Voice Agent übernimmt die Begrüßung, erfasst das Anliegen, prüft Identität und Kundennummer und leitet mit einer kurzen Zusammenfassung an die richtige Person weiter. Einfache, klar abgegrenzte Vorgänge erledigt er selbst. Die Mitarbeitenden konzentrieren sich auf die Fälle, bei denen Erfahrung, Kulanz und Empathie gefragt sind.
Dabei verändern sich Arbeitsabläufe und unter Umständen die Leistungsbewertung von Beschäftigten. Wenn Gesprächsprotokolle, Übergabequoten oder Bearbeitungszeiten ausgewertet werden, sind Mitbestimmungsrechte eines Betriebsrats berührt. Binden Sie die Arbeitnehmervertretung frühzeitig ein und machen Sie transparent, welche Daten wofür genutzt werden. Erfahrungsgemäß steigt die Akzeptanz deutlich, wenn das Team mitgestaltet, welche Anrufe der Agent übernimmt.

Sprachassistenten in eigenen Produkten und realistische Erwartungen

Für Hersteller von Maschinen, Geräten oder Software eröffnet Echtzeit-Sprachsynthese neue Bedienkonzepte: Ein Wartungstechniker fragt die Anlage nach dem nächsten Arbeitsschritt, eine Pflegekraft lässt sich Hinweise vorlesen, ohne die Hände frei haben zu müssen. Hier zählen kurze Antwortzeiten besonders, und die Stimme wird Teil des Produkterlebnisses. Gleichzeitig muss geklärt sein, ob das Produkt eine dauerhafte Internetverbindung zu einem US-Dienst voraussetzen darf – oder ob eine lokal laufende Sprachsynthese die robustere Lösung ist, gerade in Hallen mit schlechter Netzabdeckung oder bei Kunden mit strengen IT-Vorgaben.
Über alle Szenarien hinweg gilt: Ein Voice Agent ist kein Projekt, das mit dem Einschalten abgeschlossen ist. Gesprächsverläufe müssen ausgewertet, Antworten verbessert, Ausnahmen ergänzt werden. Ein realistischer Start vereint einen klar umrissenen Anwendungsfall, eine verantwortliche Person mit eingeplanter Zeit, messbare Ziele wie Erreichbarkeit, Übergabequote und Kundenzufriedenheit sowie einen festen Termin für die Entscheidung über den weiteren Ausbau.
Kapitel 09 · Kosten & Datenschutz

Kosten und DSGVO: Drittlandtransfer, Gesprächsdaten und Hinweispflicht

Zwei Fragen entscheiden am Ende über den Einsatz: Was kostet ein Voice Agent mit Cartesia realistisch – und wie lässt sich die Nutzung eines US-Anbieters bei Telefonaten mit Kunden mit DSGVO, Persönlichkeitsrechten und dem EU AI Act vereinbaren? Konkrete Preise nennen wir nicht; sie ändern sich häufig und sind beim Anbieter zu prüfen.

Testzugang
Einstieg · begrenzt
Kleines Kontingent zum Ausprobieren
  • Geeignet für erste Tests mit Beispieltexten, nicht für echte Kundendaten. Aktuelle Konditionen beim Anbieter prüfen.
Abo-Stufen
Abo · gestaffelt
Kontingente an Text oder Audiozeit pro Monat
  • Höhere Stufen schalten mehr Volumen, Parallelität und Funktionen wie Voice Cloning frei. Umfang je Stufe beim Anbieter prüfen.
Unternehmensvertrag
Individuell · nach Volumen
Verhandelte Konditionen und Zusagen
  • Für produktiven Betrieb mit hohem Anrufvolumen, Verfügbarkeitszusagen und besonderen Datenschutzanforderungen. Vorab kalkulieren.
Gesamtsystem & Betrieb
Intern · laufend
Telefonie, Sprachmodell, STT, Entwicklung, Pflege
  • Die Sprachsynthese ist nur ein Kostenblock. Telefonie, weitere KI-Dienste, Integration und Qualitätssicherung wiegen oft schwerer.

Wo die wahren Kosten liegen

Die Kosten für Sprachsynthese werden üblicherweise nach Verbrauch abgerechnet – nach Menge des umgewandelten Textes oder nach erzeugter Audiozeit, eingebettet in gestaffelte Abo-Stufen oder individuelle Verträge. Für eine Kalkulation sollten Sie die erwartete Zahl der Gespräche, deren durchschnittliche Dauer und den Anteil der Zeit schätzen, in der der Agent tatsächlich spricht. Rechnen Sie mit einem Puffer für abgebrochene Antworten, Wiederholungen und Testbetrieb.
Wichtiger als der Preis pro Zeiteinheit ist das Gesamtbild. Ein Voice Agent verursacht Kosten für Telefonie, Spracherkennung, das Sprachmodell, die Plattform oder Eigenentwicklung, die Integration in Fachsysteme, Monitoring und laufende Pflege. Hinzu kommen interne Aufwände für Gesprächsdesign, Tests, Datenschutzdokumentation und die Abstimmung mit dem Betriebsrat. Dem stehen Einsparungen und vor allem bessere Erreichbarkeit gegenüber. Eine ehrliche Rechnung vergleicht nicht TTS-Anbieter untereinander, sondern das Gesamtsystem mit dem heutigen Zustand.
Datenschutz-Risiken und -Maßnahmen im Überblick

Bei Cartesia im Telefonieeinsatz treffen drei sensible Faktoren zusammen: ein US-Anbieter, personenbezogene Gesprächsdaten von Anrufern und gegebenenfalls nachgebildete Stimmen. Die folgende Übersicht fasst zentrale Risiken und empfohlene Maßnahmen zusammen. Die konkrete Bewertung hängt immer vom Einzelfall ab.

Serverstandort & Transfer
Verarbeitung voraussichtlich in den USA – Zertifizierung nach EU-US Data Privacy Framework oder Standardvertragsklauseln beim Anbieter prüfen
Auftragsverarbeitung
AVV beim Anbieter anfordern, Unterauftragsverarbeiter und Vertragspartei prüfen
Speicherung & Training
Klären, ob Texte und Audio gespeichert oder zum Training genutzt werden und ob sich das abschalten lässt
Gesprächsdaten
Telefonate enthalten Namen, Anliegen, ggf. Gesundheits- oder Vertragsdaten – Datenminimierung und Löschfristen festlegen
Hinweis auf KI
Anrufer zu Gesprächsbeginn informieren, dass sie mit einem KI-System sprechen (EU AI Act), Übergabe an Menschen anbieten
EU-/Lokal-Alternative
Für sensible Dialoge EU-Regionen großer Cloud-TTS-Dienste oder selbst gehostete Open-Source-TTS einsetzen

US-Anbieter: Serverstandort, Drittlandtransfer und Auftragsverarbeitung

Cartesia ist ein US-Unternehmen, und nach unserem Kenntnisstand werden Anfragen an die API in einer Cloud-Infrastruktur verarbeitet, die nicht auf die EU beschränkt ist. Den genauen Serverstandort, mögliche regionale Endpunkte, die eingesetzten Unterauftragsverarbeiter und die Rechtsgrundlage für den Datentransfer in die USA sollten Sie beim Anbieter prüfen – insbesondere, ob eine Zertifizierung nach dem EU-US Data Privacy Framework besteht oder Standardvertragsklauseln vereinbart werden. Auch mit solchen Grundlagen bleibt der Drittlandbezug zu bewerten, einschließlich möglicher Zugriffe durch US-Behörden und der Frage, wie stabil die Rechtsgrundlage langfristig ist.
Für den Unternehmenseinsatz ist ein Auftragsverarbeitungsvertrag unverzichtbar, sobald personenbezogene Daten verarbeitet werden – und das ist bei Telefonie praktisch immer der Fall. Selbst wenn nur Sonic eingesetzt wird, enthält der gesprochene Text häufig Namen, Termine, Adressen oder Vertragsdetails. Wird zusätzlich die Spracherkennung oder Agentenplattform von Cartesia genutzt, verarbeitet der Anbieter die Stimmen und Aussagen der Anrufer selbst. Prüfen Sie, ob Texte und Audiodaten gespeichert werden, wie lange, ob sie zur Verbesserung der Modelle verwendet werden und ob sich das vertraglich oder technisch ausschließen lässt. Ergänzend gehören ein Eintrag im Verzeichnis von Verarbeitungstätigkeiten, Informationen nach Art. 13 DSGVO für Anrufer und in vielen Fällen eine Datenschutz-Folgenabschätzung zum Pflichtprogramm.

Telefonie: besonders sensible Gesprächsdaten und Hinweispflicht

Telefonate sind ein besonders sensibler Datenkontext. Anrufer schildern ihr Anliegen in eigenen Worten und geben dabei oft mehr preis, als für den Vorgang nötig wäre – den Grund für eine Terminabsage, eine Erkrankung, finanzielle Schwierigkeiten. Auch die Stimme selbst ist ein personenbezogenes Datum. Wer Gespräche automatisiert, sollte deshalb konsequent auf Datenminimierung setzen: nur so viel erfassen wie nötig, Gesprächsinhalte nicht länger speichern als erforderlich, sensible Themen an Menschen übergeben und Aufzeichnungen nur mit klarer Rechtsgrundlage und Information vornehmen. Für Berufsgeheimnisträger wie Arztpraxen, Kanzleien oder Steuerberatungen gelten zusätzliche Anforderungen, die vor einem Einsatz zwingend zu klären sind.
Hinzu kommt die Hinweispflicht gegenüber Anrufern. Die europäische KI-Verordnung sieht vor, dass Menschen darüber informiert werden, wenn sie mit einem KI-System interagieren, sofern dies nicht aus den Umständen offensichtlich ist. Bei einer natürlich klingenden Stimme ist es gerade nicht offensichtlich. Ein klarer Hinweis zu Beginn des Gesprächs – etwa: Sie sprechen mit dem digitalen Assistenten von Muster GmbH – ist deshalb dringend zu empfehlen und schafft zugleich Vertrauen. Werden synthetische Stimmen eingesetzt, die realen Personen nachgebildet sind, kommen Transparenzpflichten für synthetische Inhalte und die persönlichkeitsrechtlichen Fragen aus Kapitel 04 hinzu. Für ausgehende Anrufe sind außerdem die wettbewerbsrechtlichen Vorgaben zu Werbeanrufen zu beachten.

DSGVO-konformere Alternativen und Trennung nach Schutzbedarf

Für viele Unternehmen ist eine Trennung nach Schutzbedarf der pragmatische Weg. Unkritische Anwendungsfälle – Öffnungszeiten, allgemeine Produktinformationen, Sprachausgabe in einer App ohne Personenbezug – können mit Cartesia umgesetzt werden, wenn Vertrag und Transfergrundlage geklärt sind. Für Telefonate mit sensiblen Inhalten kommen DSGVO-konformere Optionen in Betracht: die Sprachdienste großer Cloud-Anbieter in EU-Regionen, bei denen Verarbeitung und Speicherung auf europäische Rechenzentren beschränkt werden können, oder selbst gehostete Open-Source-TTS-Modelle auf eigener Hardware oder bei einem europäischen Hoster, bei denen keine Gesprächsinhalte das eigene Umfeld verlassen.
Beide Alternativen haben ihren Preis: EU-Regionen großer Anbieter lösen den Drittlandbezug nicht vollständig, und selbst gehostete Modelle verlangen Betriebs-Know-how, leistungsfähige Hardware und eigene Qualitätstests im Deutschen. Mit einer austauschbaren Anbindung, wie in Kapitel 05 beschrieben, lässt sich jedoch für jeden Anwendungsfall die passende Lösung wählen – und die Entscheidung später revidieren, wenn sich Rechtslage, Anbieter oder Modelle verändern.
Wichtiger Hinweis: keine Rechtsberatung

Dieser Artikel bietet eine allgemeine Orientierung und ersetzt keine individuelle rechtliche Prüfung. Datenschutzrechtliche und persönlichkeitsrechtliche Bewertungen – insbesondere beim Einsatz eines US-Anbieters, bei Telefonaten mit Kunden, bei Stimmklonen und bei Hinweis- und Kennzeichnungspflichten nach dem EU AI Act – hängen immer vom konkreten Einzelfall ab. Ziehen Sie für eine verbindliche Beurteilung Ihren Datenschutzbeauftragten oder fachkundige juristische Beratung hinzu. Nutzungs- und Datenschutzbedingungen des Anbieters prüfen Sie stets in der jeweils aktuellen Fassung.

Unabhängig vom Anbieter bleibt Ihr Unternehmen für die rechtmäßige Verarbeitung verantwortlich. Ein sauber dokumentiertes Vorgehen mit Verarbeitungsverzeichnis, Datenschutz-Folgenabschätzung, transparenter Information der Anrufer, Lösch- und Widerrufskonzept und geschulten Mitarbeitenden im Sinne der KI-Kompetenzpflichten der europäischen KI-Verordnung schützt nicht nur vor Bußgeldern, sondern auch das Vertrauen der Menschen, die Sie anrufen.
Kapitel 10 · Häufige Fragen

Häufig gestellte Fragen zu Cartesia (Sonic)

Diese Fragen hören wir in Beratungsgesprächen zu Echtzeit-Sprachsynthese und Voice Agents am häufigsten – kurz und sachlich beantwortet, herstellerneutral und ohne überzogene Versprechen.

Was ist Cartesia Sonic in einem Satz?
Sonic ist das Text-to-Speech-Modell des US-Anbieters Cartesia, das gesprochene Sprache per Streaming-API mit sehr geringer Verzögerung erzeugt und vor allem als Stimme für Voice Agents, Telefonie-Bots und Sprachassistenten eingesetzt wird.
Unterstützt Cartesia Sonic die deutsche Sprache?
Deutsch gehört nach Angaben des Anbieters zu den unterstützten Sprachen, und es gibt deutschsprachige Stimmen. Aussprache von Fachbegriffen, Zahlen, Abkürzungen und Eigennamen sollten Sie mit einer eigenen Testliste prüfen. Die aktuelle Sprachliste und verfügbare deutsche Stimmen prüfen Sie beim Anbieter.
Wie schnell ist Cartesia Sonic wirklich?
Cartesia positioniert Sonic ausdrücklich über sehr niedrige Latenz. Konkrete Werte nennen wir nicht, weil die tatsächlich erlebte Verzögerung von Region, Netzwerk, Telefonieanbindung, Spracherkennung, Sprachmodell und Ihrer Architektur abhängt. Messen Sie die Zeit vom letzten Wort des Anrufers bis zum ersten Laut des Agenten in Ihrem eigenen Aufbau.
Dürfen wir Stimmen von Mitarbeitenden mit Cartesia klonen?
Nur mit freiwilliger, informierter und dokumentierter Einwilligung, die Zweck, Dauer, Kanäle und Widerruf regelt. Im Arbeitsverhältnis ist die Freiwilligkeit besonders sorgfältig zu prüfen; eine Ablehnung darf keine Nachteile haben. Oft ist eine vertraglich lizenzierte Sprecherstimme die bessere Lösung. Dies ist keine Rechtsberatung.
Müssen Anrufer erfahren, dass sie mit einer KI sprechen?
Die europäische KI-Verordnung sieht vor, dass Menschen informiert werden, wenn sie mit einem KI-System interagieren, sofern das nicht offensichtlich ist. Bei einer natürlich klingenden Stimme ist ein klarer Hinweis zu Gesprächsbeginn deshalb dringend zu empfehlen – ebenso wie die Möglichkeit, jederzeit an einen Menschen übergeben zu werden. Konkrete Anforderungen klären Sie mit Ihrer Rechtsberatung.
Ist Cartesia DSGVO-konform nutzbar?
Das hängt von der Ausgestaltung ab. Zu prüfen sind Serverstandort, Rechtsgrundlage für den Drittlandtransfer (Data Privacy Framework oder Standardvertragsklauseln), ein Auftragsverarbeitungsvertrag, Speicherung und Training mit Inhalten sowie Löschfristen. Für sensible Telefonie empfehlen wir EU-Regionen großer Cloud-TTS-Dienste oder selbst gehostete Open-Source-TTS. Dies ist keine Rechtsberatung.
Was kostet Cartesia Sonic?
Konkrete Preise nennen wir nicht, da sie sich häufig ändern. Typisch sind verbrauchsabhängige Modelle nach Textmenge oder Audiozeit, gestaffelte Abo-Stufen und individuelle Unternehmensverträge. Die Sprachsynthese ist zudem nur ein Teil der Gesamtkosten eines Voice Agents. Aktuelle Konditionen prüfen Sie beim Anbieter.
Wann ist ElevenLabs die bessere Wahl als Cartesia?
Wenn neben dem Voice Agent auch Voiceover, Hörbuch, Dubbing und eine große Stimmauswahl für Content gefragt sind. Cartesia ist stärker auf den Echtzeit-Dialog ausgerichtet. Beide haben schnelle Modelle; ein Blindvergleich mit eigenen deutschen Testsätzen ist der verlässlichste Weg zur Entscheidung.
Wie unterstützt INAGRO bei Voice Agents?
Wir begleiten herstellerneutral von der Auswahl geeigneter Anwendungsfälle über den Vergleich von Cartesia, ElevenLabs, Cloud-Diensten in EU-Regionen und selbst gehosteten Modellen bis zum Pilotbetrieb. Gemeinsam mit Ihnen klären wir Gesprächsdesign, Integration, Datenschutz, Hinweispflichten und die Einbindung des Betriebsrats. Konkrete Konditionen besprechen wir nach einem unverbindlichen Erstgespräch.

Sprach-KI produktiv und rechtssicher nutzen

Bereit für Voice Agents mit klaren Regeln und Datenhoheit?

Von der Auswahl geeigneter Anrufe über den Vergleich von Sprachdiensten bis zum produktiven Voice Agent mit sauberer Übergabe an Menschen – INAGRO begleitet Sie herstellerneutral auf jedem Schritt. Mit ehrlicher Beratung, technischem Verständnis für Audio- und Sprach-KI und einem klaren Blick auf DSGVO, Hinweispflichten und digitale Souveränität. Pragmatisch, strukturiert und mit messbarem Ergebnis.

Seit 2006 am Markt

Erfahrung aus über 100 Digitalprojekten

DSGVO & Souveränität

Datenschutz von Anfang an mitgedacht

Rückmeldung in 24 h

Schnell, direkt, unverbindlich