Sprachsynthese ist keine neue Technologie. Navigationsgeräte, Bahnhofsdurchsagen und Bildschirmleser für sehbehinderte Menschen nutzen seit Jahrzehnten künstliche Stimmen. Lange klangen diese Stimmen jedoch hörbar mechanisch: monotone Betonung, abgehackte Übergänge zwischen Silben, falsche Pausen an Satzgrenzen. Für ein Erklärvideo, einen Podcast oder ein Kundentelefonat waren sie deshalb kaum zu gebrauchen. Mit dem Aufkommen neuronaler Sprachmodelle hat sich das grundlegend verändert. Moderne Systeme lernen aus großen Mengen gesprochener Sprache, wie Menschen betonen, atmen, Pausen setzen und Emotionen transportieren. Das Ergebnis ist eine Sprachausgabe, die in vielen Situationen kaum noch von einer menschlichen Aufnahme zu unterscheiden ist.
PlayHT ist einer der Anbieter, die diese Entwicklung früh kommerzialisiert haben. Ursprünglich vor allem als Werkzeug für Content-Ersteller bekannt, die Blogartikel vertonen oder Videos mit Sprecherstimmen versehen wollten, hat sich die Plattform schrittweise zu einem breiteren Angebot entwickelt: mit eigenen Sprachmodellen, einer Programmierschnittstelle für Entwickler, Echtzeit-Streaming für dialogfähige Anwendungen und schließlich einer Umgebung für Sprachagenten. In der Öffentlichkeit trat das Unternehmen zeitweise auch unter dem Namen PlayAI auf. Darüber hinaus gab es Berichte über eine Übernahme durch einen großen US-Technologiekonzern. Welche Auswirkungen solche Unternehmensentwicklungen auf Produktumfang, Verfügbarkeit, Vertragsbedingungen und Datenverarbeitung haben, lässt sich von außen nicht verlässlich beurteilen – prüfen Sie den aktuellen Status unmittelbar beim Anbieter, bevor Sie Entscheidungen treffen.
Drei Entwicklungen machen KI-Stimmen für mittelständische Unternehmen gerade jetzt relevant. Erstens ist die Qualität so weit gestiegen, dass synthetische Sprache für Schulungen, Produktvideos und Telefonansagen ernsthaft in Frage kommt. Zweitens sind die Kosten im Vergleich zu klassischen Sprecheraufnahmen stark gesunken, vor allem bei häufig wechselnden Inhalten und vielen Sprachen. Drittens ermöglichen latenzarme Streaming-Modelle erstmals Sprachdialoge, die sich nicht mehr wie ein starres Telefonmenü anfühlen, sondern wie ein Gespräch. Gleichzeitig wachsen die Risiken: Stimmen lassen sich missbrauchen, Deepfakes nehmen zu, und der europäische Gesetzgeber hat mit dem AI Act Transparenzpflichten für synthetische Inhalte eingeführt.
Der Artikel richtet sich an Geschäftsführung, Marketing- und Kommunikationsverantwortliche, Personal- und Weiterbildungsabteilungen, Leitungen von Kundenservice und Vertrieb sowie IT- und Datenschutzverantwortliche in mittelständischen Unternehmen. Technisches Detailwissen ist nicht nötig. Nach der Lektüre sollten Sie einschätzen können, wofür sich PlayHT eignet, wo die Grenzen liegen, wie sich die Plattform von Alternativen unterscheidet und welche rechtlichen und organisatorischen Fragen Sie vor einer Einführung klären müssen. Einen breiteren Einstieg in das Thema bietet unser Grundlagenartikel zu Text-to-Speech.
Wir arbeiten herstellerneutral und verzichten bewusst auf exakte Preise, Latenzangaben, Stimmenzahlen oder Nutzerzahlen. Solche Werte ändern sich im Markt für Sprach-KI in kurzen Abständen, und Herstellerangaben lassen sich ohne eigene Messung nicht verlässlich vergleichen. Stattdessen beschreiben wir Eigenschaften qualitativ und weisen an den entscheidenden Stellen darauf hin, was Sie beim Anbieter prüfen sollten. Modellnamen und Produktbezeichnungen nennen wir nur dort, wo sie zur Orientierung beitragen – sie können sich jederzeit ändern.
Im Kern basiert die Plattform auf eigenen neuronalen Sprachmodellen, die PlayHT in mehreren Generationen weiterentwickelt hat. Daneben wurden zeitweise auch Stimmen anderer Anbieter, etwa großer Cloud-Plattformen, über die Oberfläche bereitgestellt. Die Modelle unterscheiden sich in Klangqualität, Ausdrucksstärke, Sprachunterstützung und Reaktionsgeschwindigkeit. Für den Nutzer zeigt sich das als Auswahl zwischen Stimmen und Modellvarianten, die für unterschiedliche Zwecke optimiert sind: hochwertige Vertonung von Inhalten auf der einen Seite, möglichst schnelle Antworten im Dialog auf der anderen. Welche Modelle aktuell angeboten werden und wie sie heißen, sollten Sie in der Dokumentation des Anbieters prüfen.
Das Studio ist der Einstieg für Fachabteilungen. Ein Redakteur oder eine Trainerin fügt ein Skript ein, wählt eine Stimme, korrigiert die Aussprache einzelner Fachbegriffe, setzt Pausen und exportiert das Ergebnis als Audiodatei. Für Erklärvideos, Lernmodule oder vertonte Artikel reicht das oft völlig aus. Die API richtet sich an Entwickler, die Sprachausgabe in eigene Systeme einbauen – etwa in eine Lernplattform, ein Telefonsystem, eine App oder einen automatisierten Produktionsprozess, der aus Textvorlagen regelmäßig Audiodateien erzeugt. Die Voice Agents schließlich sind auf Dialoge ausgelegt: Hier wird die Sprachausgabe mit Spracherkennung und einem Sprachmodell kombiniert, sodass ein System zuhören, verstehen und antworten kann.
Qualitativ lässt sich PlayHT als Anbieter beschreiben, der von der Content-Vertonung kommt und sich zunehmend in Richtung Echtzeit-Sprache und Sprachagenten bewegt hat. Im Unterschied zu reinen Studio-Werkzeugen für Unternehmenssprecher setzt PlayHT stark auf Entwickler und Plattformpartner, im Unterschied zu den großen Cloud-Anbietern ist Sprache hier das Kernprodukt und nicht eines von hunderten Diensten. Daraus ergibt sich ein typisches Profil: hohe Innovationsgeschwindigkeit und ausdrucksstarke Stimmen, aber auch ein geringerer Reifegrad bei Unternehmensthemen wie Regionenwahl, Zertifizierungen und langfristiger Planbarkeit, als man ihn von Hyperscalern kennt. Für die Auswahl bedeutet das: PlayHT ist eine Option unter mehreren, deren Stärken und Risiken bewusst gegeneinander abgewogen werden sollten.
Herzstück der Plattform ist eine umfangreiche Bibliothek vorgefertigter Stimmen in verschiedenen Sprachen, Akzenten, Altersgruppen und Sprechstilen. Neben neutralen Erzählerstimmen finden sich Stimmen für Werbung, Hörbuch, Nachrichten oder lockere Gesprächssituationen. Auch Deutsch wird unterstützt; ob die Qualität deutscher Stimmen für Ihren Anwendungsfall genügt, sollten Sie jedoch immer mit eigenen Texten testen. Gerade im Deutschen zeigen sich Unterschiede zwischen Anbietern und Modellen deutlich: bei zusammengesetzten Fachbegriffen, Abkürzungen, Zahlen, Datumsangaben, englischen Lehnwörtern und Eigennamen. Eine Stimme, die im englischen Demo-Clip beeindruckt, kann bei einer deutschen Betriebsanweisung mit vielen technischen Begriffen deutlich schwächer klingen.
Einige Modelle unterstützen mehrsprachige Ausgabe mit derselben Stimme. Das ist für international tätige Mittelständler interessant, die eine Schulung oder ein Produktvideo in mehreren Sprachen mit konsistentem Klangbild veröffentlichen möchten. Welche Sprachen in welcher Qualität verfügbar sind, ändert sich mit jeder Modellgeneration und sollte im aktuellen Angebot geprüft werden.
Für den professionellen Einsatz entscheidend ist, wie gut sich die Ausgabe steuern lässt. PlayHT bietet dafür – je nach Modell und Zugang – mehrere Mittel: Pausen lassen sich gezielt einfügen, Sprechtempo und Tonhöhe anpassen, und über Ausspracheregeln oder Wörterbücher kann festgelegt werden, wie bestimmte Wörter gesprochen werden. Das ist wichtig für Produktnamen, Firmennamen, Fachbegriffe und Abkürzungen, die ein Modell sonst falsch interpretieren würde. Teilweise wird auch die Auszeichnungssprache SSML unterstützt, ein Standard zur Steuerung von Sprachsynthese, wobei der Funktionsumfang je nach Modell variiert. Neuere, ausdrucksstärkere Modelle setzen stärker auf Kontext und Stilangaben statt auf detaillierte Steuerbefehle – das klingt natürlicher, ist aber weniger exakt reproduzierbar.
Die erzeugten Audiodateien lassen sich in gängigen Formaten exportieren und in Videoschnitt, Lernplattformen oder Websites weiterverwenden. Im Studio werden Texte in Projekten organisiert, mehrere Stimmen können innerhalb eines Projekts kombiniert werden – etwa für Dialoge in Schulungsszenarien. Für Teams gibt es je nach Tarif gemeinsame Arbeitsbereiche und Rechteverwaltung. Daneben existieren Funktionen zum Einbetten von Audio-Playern auf Websites, mit denen Blogartikel automatisch als Audio angeboten werden können. Für die Bewertung im Unternehmen sind vor allem drei Punkte relevant: Lassen sich Projekte und Stimmen sauber verwalten und archivieren, sind die Nutzungsrechte an den erzeugten Dateien eindeutig geregelt, und lassen sich Daten bei Bedarf vollständig exportieren und löschen? Alle drei Fragen sollten Sie vor einem breiten Einsatz anhand der aktuellen Nutzungsbedingungen klären.
Beim Voice Cloning wird aus Aufnahmen einer realen Person ein Stimmmodell erzeugt, das anschließend beliebige Texte in dieser Stimme sprechen kann. PlayHT unterscheidet dabei – wie viele Anbieter – zwischen einem schnellen Verfahren, das mit vergleichsweise kurzen Aufnahmen auskommt, und einem aufwendigeren Verfahren mit mehr und hochwertigerem Trainingsmaterial, das eine höhere Ähnlichkeit und Stabilität erreichen soll. Welche Varianten in welchem Tarif verfügbar sind und wie viel Material benötigt wird, sollten Sie beim Anbieter prüfen.
Für Unternehmen ist Voice Cloning interessant, wenn eine wiedererkennbare Markenstimme entstehen soll, wenn eine Geschäftsführerin regelmäßig Botschaften in mehreren Sprachen verbreiten möchte oder wenn ein langjähriger Trainer seine Stimme für Lernmodule zur Verfügung stellt. Gleichzeitig ist eine Stimme ein höchstpersönliches Merkmal. Die Stimme ist ein personenbezogenes Datum, unter Umständen sogar ein biometrisches, und sie ist durch das allgemeine Persönlichkeitsrecht geschützt. Eine Stimme darf deshalb nur mit ausdrücklicher, informierter und dokumentierter Einwilligung der betroffenen Person geklont werden. Was passiert, wenn ein Mitarbeitender das Unternehmen verlässt, ob die Einwilligung widerrufen werden kann und wer das Stimmmodell dann löscht – all das gehört vorab schriftlich geregelt. Mehr dazu in unserem Artikel zu Voice Cloning.
Für Dialoge reicht es nicht, dass eine Stimme gut klingt – sie muss auch schnell sein. Wenn ein Anrufer eine Frage stellt, empfindet er schon kurze Pausen bis zur Antwort als unnatürlich. PlayHT hat deshalb Modellvarianten entwickelt, die auf eine geringe Verzögerung bis zum ersten hörbaren Laut optimiert sind, und bietet Streaming-Schnittstellen an, über die Audio bereits ausgegeben wird, während der Rest des Satzes noch erzeugt wird. Das ist die technische Grundlage für Voicebots, interaktive Assistenten und Anwendungen, in denen Sprache unmittelbar auf Eingaben reagieren soll.
Konkrete Latenzangaben nennen wir bewusst nicht. Herstellerangaben werden unter idealen Bedingungen gemessen, während die tatsächliche Verzögerung im Unternehmen von vielen Faktoren abhängt: Entfernung zum Rechenzentrum, Netzwerk, Telefonie-Anbindung, Spracherkennung, Antwortzeit des Sprachmodells und Länge der Antworten. Gerade bei einem US-Anbieter kann die Netzwerkstrecke aus Europa eine Rolle spielen. Die einzig verlässliche Zahl ist die, die Sie in einem Test unter realistischen Bedingungen selbst messen.
Die dritte Fähigkeit ist die Kombination aller Bausteine zu einem Gesprächspartner. Ein Sprachagent besteht im Kern aus drei Komponenten: einer Spracherkennung, die das Gesagte in Text umwandelt, einem Sprachmodell, das versteht und eine Antwort formuliert, und einer Sprachausgabe, die diese Antwort spricht. Hinzu kommen Logik für Gesprächsführung, Unterbrechungen und Übergaben an Menschen sowie Anbindungen an Unternehmenssysteme wie Kalender, CRM oder Ticketsystem. PlayHT hat Modelle und Werkzeuge entwickelt, die speziell auf natürliche Gesprächssituationen zugeschnitten sind – mit lebendigerer Betonung, Füllwörtern und einem Sprechstil, der eher an ein Telefonat als an eine Nachrichtensprecherin erinnert.
Für den Mittelstand ist dieser Bereich spannend, aber anspruchsvoll. Ein guter Voicebot entsteht nicht durch eine gute Stimme allein, sondern durch eine durchdachte Gesprächsführung, saubere Daten, klare Grenzen und eine funktionierende Übergabe an Menschen. Hinzu kommen die Transparenzpflicht – Anrufende müssen erkennen können, dass sie mit einer KI sprechen – und eine sorgfältige Datenschutzbewertung, weil im Gespräch fast immer personenbezogene Daten anfallen.
Der wichtigste Integrationsweg ist die API. Sie erlaubt es, Text an PlayHT zu senden und Audio zurückzuerhalten – entweder als fertige Datei für die spätere Verwendung oder als Stream für Echtzeit-Anwendungen. Für gängige Programmiersprachen stellt der Anbieter Software-Bibliotheken bereit, die den Einstieg erleichtern. Für Echtzeit-Szenarien kommen Streaming-Protokolle zum Einsatz, die eine fortlaufende Übertragung ermöglichen. Welche Protokolle, Audioformate und Abtastraten unterstützt werden – letzteres ist für Telefonie wichtig –, sollten Sie in der aktuellen Entwicklerdokumentation prüfen.
Für die Planung gilt: Kapseln Sie die Anbindung an PlayHT in einer eigenen Schicht Ihrer Anwendung. Wenn alle Aufrufe über eine zentrale Komponente laufen, lässt sich der Anbieter später austauschen, ohne die gesamte Anwendung umzubauen. Gerade in einem Markt, in dem sich Anbieter, Modelle und Eigentumsverhältnisse schnell ändern, ist diese Austauschbarkeit ein wichtiger Schutz.
Für Sprachagenten am Telefon wird PlayHT in der Regel mit einer Telefonie-Infrastruktur kombiniert – etwa einem Cloud-Telefonieanbieter, einer bestehenden Telefonanlage mit SIP-Anbindung oder einer Contact-Center-Plattform. Daneben gibt es zahlreiche Voicebot- und Conversational-AI-Plattformen, die verschiedene TTS-Anbieter als austauschbare Stimme einbinden; PlayHT war bei vielen dieser Plattformen als Option verfügbar. Für mittelständische Unternehmen ist dieser Weg oft attraktiver als eine Eigenentwicklung, weil die Plattform Gesprächslogik, Spracherkennung und Telefonie bereits mitbringt. Die Datenschutzbewertung wird dadurch allerdings komplexer, weil mehrere Dienstleister beteiligt sind.
Für die Content-Produktion lässt sich PlayHT mit Videoschnitt-, Präsentations- und Lernwerkzeugen kombinieren – in vielen Fällen schlicht über den Export von Audiodateien, teils über direkte Integrationen. Über Automatisierungsplattformen und die API können wiederkehrende Abläufe aufgebaut werden, etwa die automatische Vertonung neuer Blogartikel, die Aktualisierung von Ansagen bei geänderten Öffnungszeiten oder die Erzeugung von Audioversionen für Produktdatenblätter. Für Websites bietet der Anbieter Einbettungsmöglichkeiten für Audio-Player an. Prüfen Sie beim Einbinden von Drittanbieter-Playern auf Ihrer Website, ob dabei Daten Ihrer Besucher an den Anbieter übertragen werden – das kann eine Einwilligung im Cookie-Banner erforderlich machen. Die datensparsamere Variante ist, erzeugte Audiodateien selbst zu hosten.
ElevenLabs ist der wohl bekannteste Wettbewerber und bietet ein ähnlich breites Spektrum: Studio, API, Voice Cloning, Synchronisation, Echtzeit-Streaming und Sprachagenten. Beide Anbieter stehen für ausdrucksstarke, natürliche Stimmen. Unterschiede zeigen sich im Detail – bei der Qualität einzelner Sprachen, der Stabilität über lange Texte, der Steuerbarkeit, den Werkzeugen für Teams und vor allem bei den Unternehmensoptionen wie Vertragswerk, Datenverarbeitung und Regionenwahl. ElevenLabs hat sein Unternehmensangebot in den vergangenen Jahren stark ausgebaut. Da PlayHT sich zudem in einer Phase möglicher Unternehmensveränderungen befindet, sollten Sie die Zukunftssicherheit beider Optionen in einem direkten Vergleich bewerten. Ausführlich behandeln wir ElevenLabs in einem eigenen Artikel.
Anbieter wie Murf und WellSaid konzentrieren sich stärker auf die Content-Produktion im Unternehmen: Schulungsvideos, Präsentationen, Produktvideos. Ihre Studios sind auf Teamarbeit, Markenkonsistenz und einfache Bedienung ausgelegt, Echtzeit-Dialoge stehen weniger im Vordergrund. Resemble AI hat sich früh auf Voice Cloning spezialisiert und betont Sicherheitsfunktionen wie Wasserzeichen und die Erkennung synthetischer Stimmen. Cartesia setzt auf besonders latenzarme Echtzeit-Modelle für Sprachagenten. Wer vor allem Voicebots bauen will, sollte PlayHT deshalb nicht nur mit ElevenLabs, sondern auch mit solchen Echtzeit-Spezialisten vergleichen; wer vor allem Lernvideos vertonen will, eher mit den Studio-Anbietern.
Die Sprachdienste von Microsoft Azure und Google Cloud sind keine spezialisierten Voice-Startups, sondern Bausteine großer Cloud-Plattformen. Ihre Stimmen sind ausgereift, oft sehr stabil und in vielen Sprachen verfügbar; die emotionale Ausdrucksstärke kann – je nach Stimme – hinter den Spezialisten zurückbleiben, holt aber auf. Ihr großer Vorteil liegt in den Unternehmensrahmenbedingungen: Auswahl europäischer Regionen, etablierte Auftragsverarbeitungsverträge, Zertifizierungen, Zugriffssteuerung und Integration in bestehende Cloud-Verträge. Die Hyperscaler bleiben allerdings US-Unternehmen. Wer maximale Datenhoheit braucht, kann zudem offene TTS-Modelle selbst betreiben – auf eigener Hardware oder bei einem europäischen Hoster. Die Klangqualität offener Modelle hat sich deutlich verbessert, der Betriebsaufwand und die Lizenzprüfung bleiben jedoch eigene Aufgaben.
Am Anfang steht die Frage nach dem Zweck: Soll Content schneller und günstiger produziert werden, soll ein Telefonprozess entlastet werden, oder geht es um Barrierefreiheit? Daraus ergibt sich, ob Studio, API oder Voice Agents im Mittelpunkt stehen. Im zweiten Schritt folgt ein Hörtest mit eigenen Texten: Wählen Sie typische Inhalte aus Ihrem Alltag – mit Fachbegriffen, Zahlen, Produktnamen und Eigennamen – und lassen Sie mehrere Anbieter dieselben Texte sprechen. Bewerten Sie blind, also ohne zu wissen, welcher Anbieter welche Aufnahme erzeugt hat, und beziehen Sie Personen aus der späteren Zielgruppe ein.
Parallel dazu sollte die rechtliche Prüfung beginnen: Auftragsverarbeitungsvertrag, Datentransfer, Nutzungsrechte an den erzeugten Audiodateien, Regeln für Voice Cloning und Transparenzpflichten. Erst wenn diese Fragen geklärt sind, lohnt sich ein Pilot mit echten Prozessen. Für den Pilot empfehlen wir einen klar abgegrenzten Anwendungsfall mit messbarem Ziel – etwa die Vertonung einer Schulungsreihe oder eine einzelne Telefonansage – und eine feste Laufzeit. Danach wird bewertet, ob und wie der Einsatz ausgeweitet wird.
Im Betrieb gilt es, Qualität dauerhaft zu sichern. Legen Sie fest, wer Audioinhalte vor der Veröffentlichung abhört und freigibt, und pflegen Sie das Aussprache-Wörterbuch kontinuierlich. Anbieter aktualisieren Modelle regelmäßig; dabei kann sich der Klang einer Stimme verändern, oder ältere Modelle werden eingestellt. Halten Sie deshalb fest, welche Stimme und welches Modell für welche Inhalte genutzt wird, und testen Sie Änderungen, bevor sie in produktive Abläufe gelangen. Bei API-Nutzung gehören Kostenüberwachung, Limits und Alarme dazu, damit ein Fehler in einer Automatisierung nicht unbemerkt große Mengen Audio erzeugt. Schließlich sollten Sie einen Exit-Plan haben: Welche Stimmen, Projekte und Wörterbücher können Sie exportieren, und wie schnell ließe sich auf einen anderen Anbieter wechseln, falls sich Bedingungen oder Verfügbarkeit ändern?
Viele mittelständische Unternehmen kämpfen mit Erreichbarkeit: Das Telefon klingelt, während alle im Kundentermin sind; Anfragen außerhalb der Geschäftszeiten gehen verloren; einfache Fragen binden qualifizierte Fachkräfte. Ein Voicebot kann hier spürbar entlasten – etwa indem er Anliegen aufnimmt, Termine vorschlägt oder Standardauskünfte gibt. Der Erfolg hängt jedoch weniger an der Stimme als an der Gesprächsführung und der Anbindung an Systeme. Zudem fallen in Telefonaten fast immer personenbezogene Daten an: Name, Telefonnummer, Anliegen, mitunter auch Gesundheits- oder Finanzinformationen. Für solche Szenarien ist die Datenschutzbewertung eines US-Anbieters besonders anspruchsvoll. Prüfen Sie deshalb, ob eine TTS-Lösung mit EU-Region oder ein selbst betriebenes Modell die bessere Grundlage ist – zumindest für die Teile des Gesprächs, in denen sensible Daten vorkommen.
Deutlich einfacher ist der Einsatz in der Content-Produktion. Wenn ein Unternehmen Sicherheitsunterweisungen, Produktschulungen oder Erklärvideos vertont, werden in der Regel keine personenbezogenen Daten verarbeitet – es geht um Skripte, die ohnehin veröffentlicht werden sollen. Hier kann PlayHT seine Stärken gut ausspielen: schnelle Produktion, konsistenter Klang, einfache Aktualisierung und mehrsprachige Varianten. Ein Lernmodul, das sich bisher wegen hoher Sprecherkosten nur alle paar Jahre aktualisieren ließ, kann nun bei jeder Änderung einer Arbeitsanweisung angepasst werden. Wichtig bleiben eine fachliche Freigabe der Inhalte, ein Hörtest vor der Veröffentlichung und – im Sinne der Transparenz – ein Hinweis, dass die Stimme künstlich erzeugt wurde. In Kombination mit KI-Videowerkzeugen und Avataren, wie wir sie in eigenen Artikeln vorstellen, entstehen so vollständige Lerninhalte mit überschaubarem Aufwand.
KI-Stimmen lösen unterschiedliche Reaktionen aus. Manche Kundinnen und Kunden schätzen schnelle Erreichbarkeit, andere fühlen sich getäuscht, wenn sie erst spät merken, dass sie mit einer Maschine sprechen. Sprecherinnen und Sprecher sowie Beschäftigte, deren Stimme genutzt werden soll, haben berechtigte Fragen zu Rechten und Vergütung. Offenheit zahlt sich aus: Kommunizieren Sie klar, wo KI-Stimmen eingesetzt werden, bieten Sie stets einen Weg zu einem Menschen an und beziehen Sie den Betriebsrat frühzeitig ein, wenn Beschäftigte betroffen sind. Akzeptanz ist kein Nebenthema, sondern Voraussetzung für einen dauerhaften Erfolg.
Bei der reinen Content-Vertonung ist die Rechnung meist einfach: Ein Abo ersetzt Sprecheraufnahmen, und schon wenige vertonte Lernmodule oder Videos können den Aufwand rechtfertigen. Bei API-Nutzung und Voicebots wird es komplexer. Hier hängen die Kosten von der erzeugten Sprachmenge, der Gesprächsdauer, der Zahl gleichzeitiger Gespräche und den zusätzlichen Diensten ab – Spracherkennung, Sprachmodell, Telefonie, Hosting. Hinzu kommen Aufwände für Konzeption, Integration, Tests, Rechteklärung, Pflege des Aussprache-Wörterbuchs und laufende Qualitätssicherung. Eine belastbare Kalkulation entsteht nur aus einer konkreten Aufwandsschätzung und einem Pilotbetrieb mit realen Volumina. Bedenken Sie auch die Kosten eines möglichen Anbieterwechsels, falls sich Bedingungen durch Unternehmensentwicklungen ändern.
PlayHT ist ein US-Anbieter. Werden personenbezogene Daten verarbeitet – etwa Namen in einem Skript, Gesprächsinhalte eines Voicebots oder Stimmaufnahmen für ein Klonmodell –, handelt es sich in der Regel um eine Übermittlung in ein Drittland. Dafür braucht es eine tragfähige Grundlage: Entweder ist der Anbieter unter dem EU-US Data Privacy Framework (DPF) zertifiziert, oder es werden Standardvertragsklauseln (SCC) vereinbart, ergänzt um eine Bewertung des Transferrisikos. Ob und in welcher Form PlayHT aktuell zertifiziert ist und welche Vertragsgrundlagen angeboten werden, müssen Sie beim Anbieter prüfen – zumal Unternehmensentwicklungen Änderungen nach sich ziehen können. Zusätzlich ist ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO erforderlich, in dem unter anderem geregelt ist, ob Eingaben und Stimmdaten zum Training von Modellen genutzt werden, wie lange sie gespeichert und wann sie gelöscht werden und welche Unterauftragnehmer beteiligt sind.
Der einfachste Weg, Risiken zu begrenzen, ist Datenminimierung: Für die Vertonung von Schulungen, Videos und Ansagen werden in der Regel keine personenbezogenen Daten benötigt. Bei Voicebots hingegen sind sie kaum vermeidbar. Für solche Szenarien ist eine TTS-Lösung mit Verarbeitung in einer EU-Region – etwa bei einem Hyperscaler mit europäischem Rechenzentrum – oder ein selbst gehostetes offenes TTS-Modell auf eigener Hardware bzw. bei einem europäischen Hoster die DSGVO-konformere Option. Auch Hyperscaler unterliegen allerdings US-Recht; die volle Datenhoheit bietet nur der eigene Betrieb.
Beim Voice Cloning kommen zum Datenschutz weitere Rechtsfragen hinzu. Die Stimme ist durch das Persönlichkeitsrecht geschützt; ihre Nachbildung ohne Einwilligung kann zivilrechtliche Ansprüche auslösen. Für Beschäftigte gelten zusätzlich die Besonderheiten des Beschäftigtendatenschutzes, bei dem die Freiwilligkeit einer Einwilligung kritisch zu prüfen ist, sowie gegebenenfalls Mitbestimmungsrechte des Betriebsrats. Regeln Sie Zweck, Umfang, Dauer, Vergütung und Widerruf schriftlich. Bei professionellen Sprecherinnen und Sprechern gehören die KI-Nutzung und das Klonen ausdrücklich in den Vertrag.
Der EU AI Act sieht Transparenzpflichten für bestimmte KI-Systeme vor. Wer ein KI-System einsetzt, das mit Menschen interagiert – etwa einen Voicebot am Telefon –, muss die betroffenen Personen darauf hinweisen, dass sie mit einer KI sprechen, sofern das nicht ohnehin offensichtlich ist. Synthetisch erzeugte Audioinhalte sollen maschinenlesbar als künstlich erkennbar sein, und für Deepfakes, also realistisch wirkende Nachbildungen echter Personen, gelten Offenlegungspflichten. Praktisch bedeutet das: eine klare Ansage zu Gesprächsbeginn, ein Hinweis bei vertonten Videos und Lernmodulen sowie eine bewusste Entscheidung, ob und wie geklonte Stimmen realer Personen eingesetzt werden. Die Pflichten gelten gestaffelt; den jeweils aktuellen Stand sollten Sie prüfen.
Unabhängig vom Anbieter bleibt das Unternehmen für die rechtmäßige Verarbeitung verantwortlich. Dazu gehören ein Eintrag im Verzeichnis von Verarbeitungstätigkeiten, gegebenenfalls eine Datenschutz-Folgenabschätzung – bei Voicebots mit Kundendaten und beim Klonen von Stimmen naheliegend –, technische und organisatorische Maßnahmen, Informationspflichten gegenüber Betroffenen sowie klare Lösch- und Zugriffskonzepte. Hinzu kommt die im AI Act verankerte Pflicht, für ausreichende KI-Kompetenz der Beschäftigten zu sorgen, die mit solchen Systemen arbeiten. Eine kurze interne Richtlinie, wer KI-Stimmen wofür einsetzen darf, welche Stimmen freigegeben sind und wie gekennzeichnet wird, schafft Klarheit und Vertrauen.