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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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 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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.