Wer an Sprachsynthese denkt, hat oft noch die blechernen Navigationsstimmen oder die monotonen Bildschirmleser früherer Jahre im Ohr. Diese klassischen Systeme setzten Laute regelbasiert zusammen oder nutzten frühe statistische Verfahren – verständlich, aber erkennbar künstlich. Moderne neuronale Sprachmodelle arbeiten grundlegend anders: Sie haben aus großen Mengen gesprochener Sprache gelernt, wie Betonung, Satzmelodie, Pausen und emotionale Färbung zusammenwirken. Das Ergebnis klingt in vielen Fällen so menschlich, dass Laien den Unterschied zu einer echten Sprecherin oder einem echten Sprecher kaum noch bemerken.
ElevenLabs gehört zu den Anbietern, die diesen Qualitätssprung besonders sichtbar gemacht haben. Bekannt wurde die Plattform vor allem durch ausdrucksstarke Stimmen und ein leicht bedienbares Voice Cloning, bei dem bereits vergleichsweise kurze Sprachaufnahmen genügen, um eine Stimme nachzubilden. Seitdem ist das Angebot deutlich gewachsen. Heute deckt ElevenLabs nahezu die gesamte Audio-Kette ab: von der Sprachausgabe über die Übersetzung und Synchronisation von Videos bis zur Spracherkennung und zu dialogfähigen Sprach-Agenten, die Anrufe entgegennehmen oder auf Websites Fragen beantworten.
Audio und Video sind in der Unternehmenskommunikation längst Standard: Erklärvideos, Schulungsinhalte, Social-Media-Clips, Podcasts, Telefonansagen. Bisher bedeutete jede neue Sprachversion, jede Textänderung und jede Aktualisierung einen erneuten Termin im Tonstudio – mit Kosten, Abstimmungsaufwand und Wartezeit. Synthetische Stimmen verändern diese Ökonomie grundlegend. Ein korrigierter Satz im Skript ist in Minuten neu vertont, eine Schulung in mehreren Sprachen wird realistisch, und auch kleine Teams können Audioinhalte in einer Qualität produzieren, die früher großen Budgets vorbehalten war.
Parallel dazu wächst der Druck im Kundenservice. Fachkräfte fehlen, Erreichbarkeit wird erwartet, und viele Anrufe drehen sich um wiederkehrende Standardfragen. Sprach-Agenten, die Anliegen aufnehmen, einfache Auskünfte geben und bei Bedarf an Menschen übergeben, sind deshalb für viele Unternehmen interessant geworden. ElevenLabs bietet dafür eine eigene Agenten-Plattform an und tritt damit in Konkurrenz zu klassischen Sprachdialogsystemen ebenso wie zu den großen Cloud-Anbietern.
Der Artikel richtet sich an Geschäftsführungen, Marketing- und Kommunikationsverantwortliche, Leitungen im Kundenservice sowie IT- und Datenschutzverantwortliche in mittelständischen Unternehmen. Technisches Detailwissen ist nicht nötig. Ziel ist, dass Sie nach der Lektüre einschätzen können, was ElevenLabs leistet, wo die Plattform im Wettbewerb steht, welche Einsatzszenarien realistisch sind und welche rechtlichen und organisatorischen Fragen vor einem produktiven Einsatz geklärt sein sollten.
Wir arbeiten herstellerneutral und bewusst zurückhaltend mit Zahlen. Konkrete Preise, die Anzahl verfügbarer Stimmen und Sprachen, Latenzwerte oder Modellversionen nennen wir nicht, weil sich diese Angaben in diesem Markt sehr schnell ändern und nur beim Anbieter verlässlich zu prüfen sind. Stattdessen beschreiben wir Fähigkeiten qualitativ, ordnen sie ein und legen besonderes Gewicht auf die Themen, die im DACH-Raum über Erfolg oder Scheitern entscheiden: Datenschutz, Datenhoheit, Persönlichkeitsrechte an Stimmen und die Kennzeichnung synthetischer Inhalte.
Hilfreich ist eine Einteilung in sechs Bausteine. Einige davon richten sich eher an Kreative und Content-Teams, die über eine Weboberfläche arbeiten, andere an Entwicklerinnen und Entwickler, die Sprache per Schnittstelle in eigene Anwendungen einbauen. Die Übergänge sind fließend: Fast alles, was sich in der Oberfläche klicken lässt, ist auch über die API erreichbar.
ElevenLabs positioniert sich als spezialisierter Anbieter, der Sprache in den Mittelpunkt stellt – im Unterschied zu den großen Cloud-Konzernen, bei denen Sprachdienste ein Baustein unter vielen sind. Die Stärke dieser Spezialisierung liegt in der Produktgeschwindigkeit und im Fokus auf Klangqualität, Ausdruck und Bedienbarkeit. Neue Modellgenerationen und Funktionen erscheinen in kurzen Abständen; die Plattform wird von Kreativen, Medienhäusern, Softwareanbietern und zunehmend von Unternehmen für Kundenservice und interne Kommunikation genutzt.
Die Kehrseite der Spezialisierung: ElevenLabs ist ein eigenständiger Anbieter mit eigener Infrastruktur und eigenen Vertragswerken. Unternehmen, die ihre IT stark auf Microsoft, Google oder einen anderen Hyperscaler ausgerichtet haben, holen sich damit einen weiteren Dienstleister ins Haus – mit eigener Prüfung von Datenschutz, Sicherheit und Vertragsbedingungen. Für die Einordnung ist außerdem wichtig, dass ElevenLabs sowohl Endkunden mit einer komfortablen Oberfläche als auch Entwickler mit einer umfangreichen Schnittstelle bedient. Diese Doppelrolle macht die Plattform vielseitig, erfordert aber eine klare interne Entscheidung, wer sie wofür nutzen darf.
ElevenLabs wurde von zwei Gründern aus Polen ins Leben gerufen und ist als US-Unternehmen organisiert. Zugleich hat das Unternehmen eine deutliche europäische Prägung: Teams und Büros befinden sich unter anderem in Europa, und der Bezug zum europäischen Markt ist ausgeprägt. Für die rechtliche Bewertung ist dennoch maßgeblich, welche Gesellschaft Ihr Vertragspartner ist, wo die Daten verarbeitet werden und welchem Recht der Anbieter unterliegt. Ein europäischer Gründungshintergrund ändert nichts daran, dass bei einem US-Unternehmen Fragen des Drittlandtransfers und möglicher behördlicher Zugriffe zu prüfen sind. Darauf gehen wir in Kapitel 09 ausführlich ein.
Innerhalb der Sprachsynthese bietet ElevenLabs typischerweise mehrere Modellvarianten an, die unterschiedliche Ziele verfolgen. Manche sind auf maximale Ausdrucksstärke und Natürlichkeit ausgelegt und eignen sich für Hörbücher, Werbespots oder Erklärvideos, bei denen es auf jede Nuance ankommt. Andere sind auf geringe Verzögerung optimiert und für Echtzeitanwendungen wie Sprach-Agenten gedacht, bei denen eine schnelle Antwort wichtiger ist als die letzte Feinheit der Betonung. Welche Varianten aktuell verfügbar sind, wie sie heißen und welche Sprachen sie jeweils abdecken, sollten Sie beim Anbieter prüfen – dieser Teil des Angebots ändert sich besonders häufig.
Im einfachsten Fall fügen Sie einen Text ein, wählen eine Stimme und erhalten eine Audiodatei. Interessant wird es bei der Feinsteuerung. Je nach Modell lassen sich Parameter wie Stabilität, Ähnlichkeit zur Ausgangsstimme oder Ausdrucksstärke einstellen. Eine stabilere Einstellung führt zu gleichmäßiger, sachlicher Sprache – gut für Schulungen und Ansagen. Eine variablere Einstellung erzeugt mehr Emotion und Dynamik – gut für Werbung und Geschichten, aber mit einem höheren Risiko, dass einzelne Passagen unerwartet klingen.
Neuere Modelle reagieren zudem auf Hinweise im Text selbst, etwa auf Anmerkungen zu Tonfall, Lachen oder Flüstern, und erlauben Dialoge mit mehreren Stimmen. Für die deutsche Sprache ist die Aussprache ein wichtiges Thema: Fachbegriffe, Produktnamen, Abkürzungen, Zahlen und Maßeinheiten werden nicht immer so gesprochen, wie es im Unternehmen üblich ist. Hier helfen Aussprache-Wörterbücher, phonetische Schreibweisen oder schlicht eine angepasste Schreibweise im Skript. Wer regelmäßig mit derselben Terminologie arbeitet, sollte ein solches Wörterbuch einmal sauber pflegen.
Beim Voice Cloning wird aus Aufnahmen einer realen Person eine synthetische Stimme erzeugt, die deren Klangfarbe und Sprechweise nachahmt. ElevenLabs unterscheidet dabei grundsätzlich zwischen einer schnellen Variante, die mit kurzen Aufnahmen auskommt und eine gute, aber nicht perfekte Ähnlichkeit liefert, und einer aufwendigeren, professionellen Variante, die deutlich mehr Audiomaterial benötigt und eine sehr hohe Ähnlichkeit erreichen kann. Für die professionelle Variante sieht der Anbieter eine Verifizierung vor, mit der nachgewiesen werden soll, dass die geklonte Stimme tatsächlich der Person gehört, die sie anlegt. Details zum Ablauf sind beim Anbieter zu prüfen.
Als Alternative zum Klonen gibt es das Voice Design: Hier wird eine neue, synthetische Stimme anhand einer Beschreibung erzeugt – etwa nach Alter, Tonlage, Sprechtempo und Charakter. Solche Stimmen gehören keiner realen Person. Für Unternehmen kann das ein eleganter Weg zu einer wiedererkennbaren Markenstimme sein, ohne die Persönlichkeitsrechte einer Sprecherin oder eines Sprechers dauerhaft in Anspruch zu nehmen. Ergänzend steht eine Stimmenbibliothek zur Verfügung, in der vorgefertigte und von anderen Nutzern geteilte Stimmen zu finden sind. Bei geteilten Stimmen sollten die jeweiligen Nutzungsbedingungen genau gelesen werden, insbesondere für kommerzielle Verwendung.
Die Dubbing-Funktion verknüpft mehrere Schritte: Das Original wird transkribiert, die Sprecher werden getrennt, der Text wird übersetzt und anschließend mit synthetischen Stimmen neu vertont – auf Wunsch mit einer Stimme, die dem Original ähnelt. Hintergrundgeräusche und Musik können dabei erhalten bleiben. Für Unternehmensvideos, Webinare und Schulungen ist das ein starker Hebel, weil ein Video ohne neuen Dreh in weitere Sprachen gebracht werden kann. Die Qualität hängt allerdings stark vom Ausgangsmaterial ab: Saubere Tonspuren, klare Aussprache und wenige Überlappungen liefern deutlich bessere Ergebnisse als Mitschnitte aus lauten Umgebungen. Ein redaktioneller Korrekturschritt, besonders bei Fachbegriffen und rechtlich relevanten Aussagen, bleibt Pflicht.
Die Transkriptionsfunktion wandelt Audio in Text um und liefert dabei typischerweise Zeitstempel und eine Zuordnung zu Sprechern. Sie lässt sich für Untertitel, Protokolle oder die Auswertung von Interviews nutzen. Im Studio-Bereich schließlich können längere Projekte wie Hörbücher, Podcast-Folgen oder vertonte Handbücher kapitelweise bearbeitet, mit verschiedenen Stimmen versehen und als Ganzes exportiert werden. Generative Werkzeuge für Soundeffekte und weitere Audioelemente runden das Angebot ab. Für die meisten mittelständischen Anwendungen sind diese Zusatzfunktionen nett, aber nicht entscheidend – die Kernfrage bleibt die Qualität und Rechtssicherheit der Stimme.
Ein Sprach-Agent von ElevenLabs verbindet drei Komponenten: Er hört zu und wandelt die Sprache des Gegenübers in Text um, er lässt ein Sprachmodell entscheiden, was zu antworten ist, und er spricht die Antwort mit einer synthetischen Stimme aus. Welches Sprachmodell die Gesprächslogik übernimmt, ist in gewissem Rahmen wählbar; neben Modellen verschiedener Anbieter lässt sich je nach Konfiguration auch ein eigenes Modell anbinden. Hinzu kommen eine Wissensbasis, aus der der Agent Informationen zieht, und sogenannte Werkzeuge: Der Agent kann während des Gesprächs externe Systeme abfragen, etwa einen Termin im Kalender prüfen, einen Auftragsstatus nachsehen oder ein Ticket anlegen.
Wichtige Bausteine für den Unternehmenseinsatz sind die Übergabe an einen Menschen, wenn der Agent nicht weiterweiß oder der Anrufer es wünscht, die Protokollierung und Auswertung von Gesprächen sowie Test- und Bewertungsfunktionen, mit denen sich das Verhalten vor dem Livegang prüfen lässt. Natürlich wirkende Gespräche hängen stark von der Reaktionsgeschwindigkeit und vom Umgang mit Unterbrechungen ab. Hier hat die Plattform viel investiert; wie sich das in Ihrer Telefonie-Umgebung und mit Ihren Inhalten tatsächlich anfühlt, lässt sich aber nur im eigenen Pilot beurteilen.
Für Unternehmen mit regelmäßigem Video-Output lohnt es sich, Lokalisierung nicht als Einzelaufgabe, sondern als Prozess zu denken. Ein typischer Ablauf sieht so aus: Ein neues Video wird im Medienarchiv oder im Videoportal abgelegt, ein Automatisierungs-Workflow übergibt es per Schnittstelle an die Dubbing-Funktion, die übersetzten Fassungen werden zur redaktionellen Prüfung bereitgestellt und nach Freigabe automatisch in die Zielkanäle ausgespielt. Ähnlich lassen sich Texte aus einem Content-Management- oder Lernmanagementsystem automatisch vertonen, sobald sie freigegeben sind.
Der Gewinn liegt in der Durchlaufzeit und der Konsistenz: Jede Sprachversion nutzt dieselben Stimmen, dieselben Aussprache-Regeln und denselben Prüfprozess. Entscheidend ist dabei der menschliche Freigabeschritt. Maschinelle Übersetzung und Synchronisation sind gut, aber nicht fehlerfrei. Gerade bei Sicherheitsunterweisungen, Produktaussagen oder Rechtstexten muss eine fachkundige Person das Ergebnis abnehmen, bevor es veröffentlicht wird.
Für Entwicklerinnen und Entwickler bietet ElevenLabs eine umfangreiche Programmierschnittstelle. Sprache kann als fertige Datei erzeugt oder als Datenstrom ausgegeben werden, sodass die Wiedergabe schon beginnt, während der Rest noch berechnet wird – wichtig für Anwendungen, bei denen jede Verzögerung stört. Für die gängigen Programmiersprachen stehen Software-Bibliotheken bereit, und über Webhooks lassen sich Ergebnisse asynchroner Aufträge, etwa abgeschlossene Dubbing-Jobs, an eigene Systeme melden.
Bei der Integration sollten API-Schlüssel wie Passwörter behandelt werden: zentral verwaltet, mit möglichst eingeschränkten Rechten, regelmäßig erneuert und nie im Quellcode oder in geteilten Dokumenten abgelegt. Zudem empfiehlt es sich, Nutzungsgrenzen und Kostenwarnungen einzurichten, damit ein fehlerhafter Workflow nicht unbemerkt große Mengen an Kontingent verbraucht.
Die Programmierschnittstelle ist der flexibelste Weg. Sie erlaubt die Steuerung praktisch aller Funktionen – Sprachsynthese, Stimmenverwaltung, Dubbing, Transkription und Agenten – und lässt sich mit gängigen Programmiersprachen ansprechen. Für Sprach-Agenten gibt es zusätzlich Bibliotheken für Web- und App-Oberflächen, ein einbettbares Website-Widget und Mechanismen, mit denen Agenten über definierte Werkzeuge auf Unternehmenssysteme zugreifen. Auch die Anbindung über das Model Context Protocol, einen offenen Standard für die Verbindung von KI-Anwendungen mit Werkzeugen, wird im Umfeld von ElevenLabs angeboten; Reifegrad und Umfang sind beim Anbieter zu prüfen.
Für die IT ist wichtig: Jede Integration ist ein Datenfluss. Es sollte klar dokumentiert sein, welche Daten an ElevenLabs übertragen werden, welche Rückgaben in welche Systeme fließen und wo Gesprächsprotokolle oder Audiodateien gespeichert werden. Diese Dokumentation ist nicht nur gute Praxis, sondern Grundlage für das Verzeichnis von Verarbeitungstätigkeiten und eine mögliche Datenschutz-Folgenabschätzung.
Für viele mittelständische Unternehmen ist der Weg über Automatisierungsplattformen wie Zapier, Make oder n8n der pragmatischste Einstieg. Damit lassen sich Abläufe wie „neuer freigegebener Blogartikel wird automatisch als Audio-Version vertont“ ohne eigene Softwareentwicklung umsetzen. Besonders interessant ist n8n, weil es auch selbst betrieben werden kann und so zumindest die Steuerungslogik im eigenen Haus bleibt. Zu beachten ist, dass jede zusätzliche Plattform ein weiterer Auftragsverarbeiter in der Kette ist.
Für Sprach-Agenten am Telefon wird ElevenLabs in der Regel über einen Telefonie-Anbieter oder eine SIP-Anbindung mit der bestehenden Telefonanlage verbunden. So kann ein Agent Anrufe auf einer bestimmten Rufnummer entgegennehmen, außerhalb der Geschäftszeiten einspringen oder Rückrufe durchführen. Welche Anbieter und Anlagen unterstützt werden, ist im Einzelfall zu prüfen. Gerade bei der Telefonie kommen zusätzliche rechtliche Aspekte hinzu, etwa zur Aufzeichnung von Gesprächen und zur Information der Anrufenden.
Viele Video-, Präsentations-, E-Learning- und Design-Werkzeuge nutzen Sprachsynthese im Hintergrund, teils auch Technologie von ElevenLabs. Für Anwender ist das bequem, weil die Stimme direkt im gewohnten Werkzeug verfügbar ist. Für die Compliance bedeutet es aber, dass die Vertragskette länger wird: Sie schließen den Vertrag mit dem Werkzeuganbieter, der wiederum Dienste Dritter nutzt. Prüfen Sie in solchen Fällen die Liste der Unterauftragsverarbeiter, die Nutzungsrechte an den erzeugten Audios und die Frage, ob Stimmen, die Sie in einem Werkzeug anlegen, auch beim Technologiepartner gespeichert werden.
OpenAI bietet Sprachausgabe als Teil seines breiten KI-Angebots an. Der Vorteil liegt in der engen Verzahnung mit Sprachmodellen und Echtzeit-Schnittstellen; wer ohnehin auf OpenAI setzt, kann Sprachfunktionen mit wenig Zusatzaufwand ergänzen. Beim Voice Cloning ist OpenAI deutlich zurückhaltender als ElevenLabs. Microsoft Azure Speech und Google Cloud Text-to-Speech sind ausgereifte Unternehmensdienste mit großer Sprachabdeckung, wählbaren EU-Rechenzentrumsregionen, etablierten Vertragswerken und Einbindung in die jeweiligen Ökosysteme. Für Unternehmen, die bereits stark auf Microsoft oder Google ausgerichtet sind, ist das ein gewichtiges Argument – Einkauf, Sicherheitsprüfung und Datenschutzbewertung sind oft schon erledigt. Benutzerdefinierte Stimmen sind dort möglich, aber teils an Zulassungs- und Prüfprozesse gebunden.
ElevenLabs punktet demgegenüber typischerweise mit Ausdrucksstärke, einer sehr zugänglichen Oberfläche für Kreative, einem breiten und schnell wachsenden Funktionsumfang rund um Stimmen sowie integriertem Dubbing. Wer vor allem hochwertige, emotionale Vertonungen und flexible Stimmen braucht, findet hier oft das stimmigere Paket. Wer dagegen maximale Einbettung in eine bestehende Konzern-Cloud und bewährte Enterprise-Verträge sucht, ist bei den Hyperscalern häufig besser aufgehoben.
PlayHT und Murf richten sich stark an Content-Teams, die Voiceovers für Videos, Präsentationen und Schulungen erstellen, und bieten dafür komfortable Studio-Oberflächen. Bei PlayHT empfiehlt es sich, die aktuelle Produktstrategie und Verfügbarkeit direkt beim Anbieter zu prüfen. WellSaid positioniert sich stark im Unternehmensumfeld mit Fokus auf kontrollierte, lizenzierte Sprecherstimmen. Resemble AI legt einen Schwerpunkt auf Voice Cloning und bietet zusätzlich Werkzeuge zur Erkennung synthetischer Stimmen und zur Wasserzeichen-Markierung. Cartesia hat sich auf besonders schnelle Sprachausgabe für Echtzeitanwendungen spezialisiert und ist damit vor allem für Sprach-Agenten ein ernstzunehmender Wettbewerber. ElevenLabs deckt viele dieser Felder gleichzeitig ab; ein spezialisierter Anbieter kann in seiner Nische dennoch die bessere Wahl sein.
Eine eigene Kategorie bilden offene Sprachmodelle, die sich auf eigener Hardware betreiben lassen. Projekte wie Piper, Coqui XTTS, Kokoro oder F5-TTS zeigen, dass offene Sprachsynthese in den vergangenen Jahren stark aufgeholt hat. Für die Transkription steht mit Whisper ein verbreitetes offenes Modell zur Verfügung. Der große Vorteil: Texte, Aufnahmen und Stimmen verlassen das eigene Haus nicht. Das macht Open-Source-TTS zur DSGVO-konformeren Option für sensible Inhalte und zur Antwort auf Fragen der digitalen Souveränität.
Der Preis dafür ist Aufwand. Qualität, Sprachabdeckung und Ausdrucksstärke schwanken je nach Modell deutlich, für deutsche Sprache sind gezielte Tests nötig, und Betrieb, Updates und Integration liegen vollständig bei Ihnen oder einem Dienstleister. Zudem unterscheiden sich die Lizenzen erheblich – manche Modelle erlauben die kommerzielle Nutzung, andere schränken sie ein. Die Lizenz ist daher vor jedem Einsatz genau zu prüfen. In der Praxis bewährt sich oft eine hybride Architektur: offene Modelle für interne oder sensible Anwendungen, ein kommerzieller Dienst wie ElevenLabs für öffentlich wirksame Inhalte, bei denen höchste Klangqualität zählt.
Eine geklonte Stimme ist ein Vermögenswert und zugleich ein Risiko. Wir empfehlen, jede im Unternehmen genutzte Stimme in einem einfachen Register zu erfassen: Wem gehört die Stimme, auf welcher Grundlage wird sie genutzt, für welche Zwecke und Kanäle ist die Nutzung erlaubt, wie lange gilt die Einwilligung oder Lizenz, und wer ist intern verantwortlich? Bei synthetisch gestalteten Stimmen oder Stimmen aus der Bibliothek gehört ein Verweis auf die geltenden Lizenzbedingungen dazu. Das Register sorgt dafür, dass beim Ausscheiden einer Mitarbeiterin, beim Widerruf einer Einwilligung oder bei einer Anfrage der Datenschutzaufsicht schnell klar ist, was zu tun ist.
Ebenso wichtig ist die Rechteverwaltung auf der Plattform selbst. Arbeiten Sie mit einem zentral verwalteten Unternehmenskonto, vergeben Sie Rollen nach dem Prinzip der geringsten Rechte und beschränken Sie das Anlegen neuer geklonter Stimmen auf wenige berechtigte Personen. So verhindern Sie, dass Mitarbeitende im guten Glauben Stimmen von Kollegen, Kunden oder Prominenten nachbilden.
Synthetische Sprache ist nicht fehlerfrei. Typische Probleme sind falsch betonte Fachbegriffe, verschluckte Silben, unnatürliche Pausen oder in seltenen Fällen hörbare Artefakte. Ein fester Abhörschritt vor jeder Veröffentlichung ist deshalb Pflicht. Für wiederkehrende Inhalte lohnt ein Styleguide für Skripte: wie Zahlen, Datumsangaben, Abkürzungen und Produktnamen geschrieben werden, damit die Stimme sie zuverlässig richtig spricht. Ein gepflegtes Aussprache-Wörterbuch spart auf Dauer viel Nacharbeit. Bei mehrsprachigen Projekten sollte für jede Zielsprache eine muttersprachliche Person die finale Abnahme übernehmen.
Im laufenden Betrieb sollten drei Rollen klar besetzt sein: eine fachliche Verantwortung für Inhalte und Freigaben, typischerweise im Marketing, in der Personalentwicklung oder im Kundenservice; eine technische Verantwortung für Konten, Schnittstellen, Schlüssel und Kostenkontrolle in der IT; und eine Compliance-Verantwortung für Datenschutz, Stimmrechte und Kennzeichnung. In kleineren Unternehmen können diese Rollen in wenigen Händen liegen – entscheidend ist, dass sie bewusst zugewiesen sind. Weil sich Modelle, Tarife und Vertragsbedingungen bei ElevenLabs häufig ändern, gehört zudem eine regelmäßige Überprüfung dazu, ob die getroffenen Entscheidungen noch tragen.
Die Einsparungen gegenüber klassischen Studioproduktionen können beträchtlich sein, vor allem bei häufig aktualisierten Inhalten und vielen Sprachversionen. Sie entstehen aber nicht automatisch. Skripte müssen weiterhin geschrieben, Übersetzungen geprüft und Ergebnisse abgehört werden. Bei sehr emotionalen oder markenprägenden Produktionen, etwa einem Imagefilm, bleibt eine professionelle Sprecherin oder ein professioneller Sprecher oft die bessere Wahl. Synthetische Stimmen spielen ihre Stärken vor allem dort aus, wo Menge, Geschwindigkeit und Aktualität zählen.
Bei Sprach-Agenten gilt: Ein guter Agent ersetzt nicht das Serviceteam, sondern entlastet es von Routine. Der Erfolg hängt weniger von der Stimme als von der Qualität der hinterlegten Informationen, der Anbindung an Fachsysteme und sauberen Übergaben an Menschen ab. Planen Sie für den Aufbau eines produktiven Agenten deshalb ausreichend Zeit für Inhalte, Tests und Feinschliff ein.
Ein guter Einstieg erfüllt drei Bedingungen: Er ist klar abgegrenzt, er bringt schnell sichtbaren Nutzen, und er ist datenschutzrechtlich unkritisch. Die Vertonung bestehender Schulungsvideos mit einer synthetisch gestalteten Stimme oder die mehrsprachige Fassung eines Produktvideos erfüllen diese Bedingungen häufig. Sie enthalten selten personenbezogene Daten, benötigen keine fremde Stimme und zeigen dem Unternehmen schnell, was die Technologie leisten kann. Sprach-Agenten mit Kundendaten oder das Klonen von Mitarbeiterstimmen sind lohnende zweite Schritte, wenn die Grundlagen stehen.
Synthetische Stimmen lösen bei manchen Menschen Unbehagen aus – bei Kunden ebenso wie bei Mitarbeitenden. Offenheit ist hier der beste Weg. Kommunizieren Sie intern, warum und wofür Sie KI-Stimmen nutzen, binden Sie den Betriebsrat frühzeitig ein, wenn Mitarbeiterstimmen oder Gesprächsauswertungen betroffen sind, und kennzeichnen Sie KI-generierte Inhalte gegenüber Kunden klar. Wer transparent arbeitet, vermeidet Vertrauensverluste und ist zugleich für die Kennzeichnungspflichten der KI-Verordnung gut aufgestellt.
Die Lizenzgebühr ist selten der größte Posten. Wesentliche Aufwände entstehen für Skripterstellung, Übersetzungsprüfung, Abhören und Freigabe, für die Integration in bestehende Systeme und – bei Sprach-Agenten – für den Aufbau und die Pflege der Wissensbasis. Bei hohem Volumen können nutzungsbasierte Kosten spürbar werden; hier lohnt ein Vergleich mit Hyperscaler-Angeboten oder einem selbst betriebenen offenen Modell. Dem gegenüber stehen eingesparte Studiokosten, kürzere Produktionszeiten und neue Möglichkeiten, die vorher schlicht nicht finanzierbar waren. Eine belastbare Wirtschaftlichkeitsrechnung entsteht erst aus einem konkreten Anwendungsfall mit realen Mengen.
ElevenLabs ist ein Unternehmen mit Sitz in den USA. Werden Texte, Audiodateien oder Gesprächsinhalte mit personenbezogenen Daten an die Plattform übertragen, liegt in vielen Konstellationen eine Übermittlung in ein Drittland vor. Für solche Übermittlungen braucht es eine tragfähige Rechtsgrundlage, etwa eine Zertifizierung des Anbieters nach dem EU-US-Datenschutzrahmen oder Standardvertragsklauseln mit ergänzenden Schutzmaßnahmen. Ob und in welcher Form diese Grundlagen beim Anbieter bestehen, ist aktuell zu prüfen. Unabhängig davon bleibt die Frage, welchen Zugriffsbefugnissen US-Behörden gegenüber US-Unternehmen unterliegen – ein Punkt, der vertraglich nicht vollständig aufgelöst werden kann und für die digitale Souveränität relevant ist.
ElevenLabs bietet nach eigenen Angaben für bestimmte Unternehmenskunden Optionen zur Datenverarbeitung in der EU sowie Einstellungen, mit denen Inhalte nicht oder nur kurz gespeichert werden. Ob diese Optionen für Ihren Tarif verfügbar sind, welche Dienste sie umfassen und wie sie vertraglich abgesichert sind, ist beim Anbieter zu prüfen. Eine EU-Datenresidenz verbessert die Lage deutlich, ersetzt aber nicht die Prüfung des Vertragspartners und seiner Rechtsordnung. Für besonders sensible Inhalte – etwa vertrauliche Gesprächsmitschnitte, Gesundheits- oder Personaldaten – ist der Betrieb offener Sprach- und Transkriptionsmodelle auf eigener oder europäischer Infrastruktur die DSGVO-konformere Option. Gut zu wissen: Viele Anwendungen, etwa die Vertonung von Marketingtexten oder Schulungsskripten ohne Personenbezug, sind datenschutzrechtlich deutlich weniger heikel als Agenten mit Kundendaten oder die Transkription interner Besprechungen.
Die Stimme eines Menschen ist Teil seiner Persönlichkeit. Das allgemeine Persönlichkeitsrecht schützt davor, dass die eigene Stimme ohne Zustimmung nachgeahmt oder für fremde Zwecke verwendet wird. Zugleich sind Sprachaufnahmen personenbezogene Daten im Sinne der DSGVO; werden sie zur eindeutigen Identifizierung einer Person verarbeitet, können sie als biometrische Daten einem besonderen Schutz unterliegen. Für das Klonen einer realen Stimme heißt das in der Praxis: Es braucht eine dokumentierte, informierte und freiwillige Einwilligung der betroffenen Person, die Zweck, Umfang, Kanäle, Dauer und Widerrufsmöglichkeiten klar beschreibt.
Besondere Sorgfalt gilt im Arbeitsverhältnis. Weil zwischen Arbeitgeber und Beschäftigten ein Abhängigkeitsverhältnis besteht, ist die Freiwilligkeit einer Einwilligung kritisch zu prüfen. Regeln Sie, was mit der geklonten Stimme passiert, wenn jemand das Unternehmen verlässt oder die Einwilligung widerruft – im Regelfall muss die Stimme dann gelöscht und darf nicht weiter genutzt werden. Bei professionellen Sprecherinnen und Sprechern gehört die Nutzung als KI-Stimme ausdrücklich in den Vertrag, inklusive Vergütung, Nutzungsumfang und Laufzeit. Bestehende Sprecherverträge decken das in aller Regel nicht ab. Und selbstverständlich gilt: Stimmen von Prominenten, Wettbewerbern, Kunden oder Politikern dürfen nicht ohne deren ausdrückliche Zustimmung nachgebildet werden.
Geklonte Stimmen lassen sich missbrauchen – etwa für Betrugsanrufe, bei denen sich Täter als Geschäftsführung ausgeben und eilige Überweisungen fordern. ElevenLabs hat nach eigenen Angaben verschiedene Schutzmechanismen eingeführt, darunter Verifizierungsschritte beim professionellen Klonen, Sperren für bestimmte Stimmen und Werkzeuge zur Erkennung von Audio, das mit der Plattform erzeugt wurde. Solche Maßnahmen reduzieren das Risiko, beseitigen es aber nicht. Unternehmen sollten deshalb auch intern vorbeugen: Zahlungsfreigaben nie allein auf Grundlage eines Anrufs, Rückrufe über bekannte Nummern, Sensibilisierung der Mitarbeitenden für Stimm-Betrug.
Hinzu kommen die Transparenzpflichten der europäischen KI-Verordnung (AI Act). Sie sehen vor, dass Menschen erkennen können, wenn sie mit einem KI-System interagieren, und dass künstlich erzeugte oder manipulierte Audio-, Bild- und Videoinhalte, die echten Personen täuschend ähnlich sind, als solche offengelegt werden. Anbieter generativer Systeme müssen ihre Ausgaben zudem maschinenlesbar kennzeichnen. Für die Praxis heißt das: Sprach-Agenten sollten sich zu Beginn als KI zu erkennen geben, und synthetisch erzeugte oder geklonte Stimmen in veröffentlichten Inhalten sollten klar gekennzeichnet werden. Wann genau welche Pflicht greift und wie sie konkret auszugestalten ist, hängt vom Einzelfall und von der Entwicklung der Leitlinien ab – verfolgen Sie diese aktiv.