Diese Kombination ist ungewöhnlich und zugleich folgerichtig. Wer Stimmen täuschend echt nachbilden kann, versteht auch, welche Spuren ein solcher Prozess im Audiosignal hinterlässt. Synthetische Sprache unterscheidet sich in feinen akustischen Merkmalen von natürlicher Sprache, auch wenn das menschliche Ohr diese Unterschiede kaum noch wahrnimmt. Erkennungsmodelle werden auf genau diese Merkmale trainiert. Ein Anbieter, der beide Seiten kennt, kann seine Erkennung laufend an neue Generationen von Stimmgeneratoren anpassen – ein Wettlauf, der in der Sicherheitsbranche als Katz-und-Maus-Spiel bekannt ist.
Für Unternehmen ergeben sich daraus zwei sehr unterschiedliche Gründe, sich mit Resemble AI zu beschäftigen. Der erste ist die produktive Nutzung synthetischer Stimmen: für Erklärvideos, Schulungen, Telefonansagen, Sprachassistenten, Hörfassungen von Texten oder die Lokalisierung von Inhalten in andere Sprachen. Der zweite ist die Abwehr von Stimmbetrug: Täter nutzen geklonte Stimmen, um sich am Telefon als Geschäftsführer, Kollege oder Lieferant auszugeben und Überweisungen oder Zugangsdaten zu erschleichen. Beide Themen sind für den Mittelstand relevant, berühren aber unterschiedliche Abteilungen – Marketing und Kommunikation auf der einen, IT-Sicherheit, Finanzen und Kundenservice auf der anderen Seite.
Die Qualität synthetischer Stimmen hat in den vergangenen Jahren einen Sprung gemacht. Wenige Minuten oder sogar Sekunden Audiomaterial reichen bei vielen Systemen aus, um eine Stimme überzeugend nachzubilden. Das senkt die Kosten für professionelle Sprachaufnahmen erheblich und eröffnet neue Möglichkeiten, Inhalte schnell zu aktualisieren oder in mehreren Sprachen anzubieten. Gleichzeitig ist die Hürde für Missbrauch gesunken: Öffentlich zugängliche Aufnahmen aus Interviews, Webinaren, Unternehmensvideos oder Podcasts genügen Angreifern, um die Stimme einer Führungskraft zu kopieren. Sicherheitsbehörden und Versicherer berichten seit Längerem über Betrugsversuche, bei denen synthetische Stimmen eine Rolle spielen.
Hinzu kommt der regulatorische Rahmen. Der EU AI Act sieht Transparenzpflichten für KI-generierte und manipulierte Inhalte vor, darunter auch synthetische Audioinhalte und sogenannte Deepfakes. Unternehmen, die synthetische Stimmen veröffentlichen, müssen sich deshalb mit Kennzeichnung und Offenlegung beschäftigen. Werkzeuge wie Wasserzeichen und Erkennung gewinnen dadurch zusätzlich an Bedeutung.
Angesprochen sind Geschäftsführung, IT- und Sicherheitsverantwortliche, Datenschutzbeauftragte, Leitungen von Kundenservice und Callcenter sowie Marketing- und Schulungsabteilungen in mittelständischen Unternehmen. Technisches Detailwissen ist nicht erforderlich. Nach der Lektüre sollten Sie einschätzen können, welche Bausteine Resemble AI anbietet, wie sich der Anbieter von Alternativen wie ElevenLabs, PlayHT, Murf oder WellSaid unterscheidet, wo spezialisierte Lösungen zur Betrugserkennung im Telefonkanal ansetzen und welche rechtlichen Fragen Sie vor einer Einführung klären müssen.
Wir arbeiten herstellerneutral und verzichten bewusst auf exakte Preise, Erkennungsraten, Latenzwerte oder Nutzerzahlen. Solche Angaben ändern sich bei Anbietern im Bereich der Sprach-KI in kurzen Abständen, und Herstellerangaben zu Erkennungsgenauigkeit sind ohne Kenntnis der Testbedingungen nur begrenzt aussagekräftig. Produktnamen, Funktionsumfang, Sprachenunterstützung und Vertragsbedingungen sollten Sie vor einer Entscheidung unmittelbar beim Anbieter prüfen. Unser Ziel ist Orientierung für eine fundierte Auswahl, kein Datenblatt.
Auf der generativen Seite steht das Voice Cloning im Zentrum. Aus Sprachaufnahmen einer Person entsteht ein Stimmmodell, das anschließend beliebige Texte sprechen kann. Darauf baut die Sprachsynthese auf, die neben eigenen Klonen meist auch eine Bibliothek vorgefertigter Stimmen nutzt. Speech-to-Speech wandelt eine gesprochene Aufnahme in die Stimme eines anderen Sprechers um, wobei Betonung, Tempo und Emotion des ursprünglichen Sprechers weitgehend erhalten bleiben sollen. Die Lokalisierung überträgt Audioinhalte in andere Sprachen, idealerweise in der ursprünglichen Stimme. Auf der schützenden Seite stehen die Deepfake-Erkennung, die Audio auf Hinweise synthetischer Herkunft untersucht, und das Audio-Watermarking, das in erzeugte Audiodateien ein unhörbares Kennzeichen einbettet.
Im Markt der Sprach-KI lassen sich grob zwei Strategien beobachten. Manche Anbieter setzen auf eine breite Nutzerbasis aus Kreativen, Content-Produzenten und Entwicklern, mit niedrigschwelligen Abonnements und großer Stimmbibliothek. Andere richten sich stärker an Unternehmen mit besonderen Anforderungen an Sicherheit, Kontrolle und Integration. Resemble AI ist eher der zweiten Gruppe zuzuordnen: Der Anbieter betont Einwilligungsprozesse beim Klonen, Werkzeuge gegen Missbrauch und Optionen für Unternehmensbetrieb. Das bedeutet nicht, dass Einzelpersonen die Plattform nicht nutzen können – die Ausrichtung der Kommunikation und der Funktionen zielt aber erkennbar auf Organisationen.
Diese Ausrichtung hat praktische Folgen. Für ein einzelnes Erklärvideo ist ein Enterprise-orientierter Anbieter nicht zwingend die günstigste oder einfachste Wahl. Für ein Unternehmen, das synthetische Stimmen in Prozesse einbinden, die Herkunft seiner Audioinhalte nachweisen oder seinen Telefonkanal gegen Stimmbetrug absichern will, kann gerade die Kombination aus Erzeugung, Kennzeichnung und Erkennung aus einer Hand ein Argument sein.
Die Verbindung von Erzeugung und Erkennung klingt schlüssig, sollte aber nüchtern bewertet werden. Eine Deepfake-Erkennung ist nur so gut wie ihre Fähigkeit, auch Stimmen aus fremden Generatoren zu erkennen – nicht nur aus dem eigenen. Wer die Erkennung von Resemble AI prüft, sollte deshalb Testmaterial aus mehreren Quellen verwenden. Umgekehrt ist ein Wasserzeichen nur dann hilfreich, wenn es robust gegen typische Veränderungen wie Komprimierung, Telefonübertragung oder Nachbearbeitung bleibt. Beides lässt sich nicht am Datenblatt ablesen, sondern nur im eigenen Test unter realistischen Bedingungen.
Beim Voice Cloning unterscheiden viele Anbieter zwischen schnellen Klonen auf Basis weniger Sekunden oder Minuten Audio und aufwendigeren Klonen, für die längere, sorgfältig aufgenommene Sprachproben nötig sind. Resemble AI folgt grundsätzlich diesem Muster; die genauen Anforderungen sollten Sie beim Anbieter erfragen. Entscheidend für die Qualität ist weniger die Menge als die Beschaffenheit des Materials: ruhige Umgebung, gleichbleibender Mikrofonabstand, natürliche Sprechweise und Inhalte, die der späteren Verwendung ähneln. Wer eine Stimme für Schulungsvideos klont, sollte sie nicht aus einem lauten Messevideo gewinnen.
In der Sprachsynthese lassen sich Aussprache, Sprechtempo, Pausen und teilweise emotionale Färbung steuern, üblicherweise über einen Editor oder über eine Auszeichnungssprache für Sprachausgabe. Gerade im Deutschen lohnt der Blick auf Details: Fachbegriffe, Produktnamen, Abkürzungen, Zahlen, Datumsangaben und englische Lehnwörter werden nicht immer korrekt ausgesprochen. Ein gepflegtes Aussprachewörterbuch spart später viel Nacharbeit.
Speech-to-Speech ist für Fälle interessant, in denen eine reine Textvorlage nicht ausreicht. Ein Sprecher liest einen Text mit der gewünschten Betonung ein, und das System überträgt diese Darbietung in eine andere Stimme – etwa in die freigegebene Markenstimme oder in die Stimme einer Person, die selbst nicht verfügbar ist, aber eingewilligt hat. Für Telefonie und Echtzeitanwendungen bewirbt Resemble AI Varianten mit geringer Verzögerung; ob die Latenz für einen natürlichen Dialog ausreicht, muss im eigenen Netz und mit der eigenen Telefonie getestet werden.
Die Lokalisierung kombiniert in der Regel Spracherkennung, Übersetzung und Sprachsynthese. Aus einer deutschen Tonspur entsteht so eine englische, französische oder polnische Fassung, möglichst in der Originalstimme. Für Produktvideos und interne Schulungen kann das den Aufwand für mehrsprachige Inhalte erheblich senken. Gleichzeitig gilt: Maschinelle Übersetzung macht Fehler, besonders bei Fachsprache, rechtlich relevanten Formulierungen und kulturellen Nuancen. Eine fachliche Abnahme durch Muttersprachler bleibt bei externen Inhalten Pflicht.
Die Deepfake-Erkennung analysiert ein Audiosignal und liefert eine Einschätzung, ob es sich um synthetische oder manipulierte Sprache handelt – in der Regel als Wahrscheinlichkeit oder Risikowert, nicht als absolute Gewissheit. Sie kann auf hochgeladene Dateien angewendet oder je nach Produktvariante in laufende Gespräche eingebunden werden. Wichtig ist das Verständnis der Grenzen: Jede Erkennung erzeugt Fehlalarme und übersieht manche Fälschungen. Komprimierte Telefonaudios, Hintergrundgeräusche und neue Generatoren erschweren die Analyse. Ein Risikowert ist deshalb ein Signal für weitere Prüfschritte, kein Urteil.
Das Watermarking setzt am anderen Ende an. Hier geht es nicht darum, fremde Fälschungen zu entdecken, sondern eigene synthetische Inhalte nachweisbar zu kennzeichnen. Ein unhörbares Wasserzeichen wird beim Erzeugen eingebettet und kann später ausgelesen werden. Das hilft, die Herkunft eigener Audiodateien zu belegen und Transparenzpflichten technisch zu unterstützen. Ein Wasserzeichen ersetzt allerdings keine sichtbare oder hörbare Kennzeichnung gegenüber dem Publikum, und seine Robustheit gegen Bearbeitung, Neuaufnahme oder starke Komprimierung sollte geprüft werden.
Für viele Unternehmen beginnt die Automatisierung mit der Stapelverarbeitung. Statt jede Audiodatei einzeln zu erzeugen, wird ein Satz von Texten – etwa hundert Schulungsbausteine, Produktbeschreibungen oder Ansagen für eine Telefonanlage – in einem Durchgang vertont. Ändert sich eine Formulierung, wird nur der betroffene Baustein neu erzeugt. Das ist einer der größten praktischen Vorteile gegenüber klassischen Sprachaufnahmen, bei denen jede Änderung einen neuen Studiotermin bedeutet.
Einen Schritt weiter gehen dynamische Inhalte, bei denen Teile eines Textes zur Laufzeit eingesetzt werden: der Name eines Kunden, ein Liefertermin, ein Kontostand, eine Auftragsnummer. Hier ist sorgfältige Gestaltung gefragt. Personalisierte Sprachnachrichten mit synthetischer Stimme können hilfreich sein, sie verarbeiten aber personenbezogene Daten und können bei Empfängern den Eindruck erwecken, ein Mensch spreche persönlich mit ihnen. Transparenz und Datenminimierung gehören deshalb von Anfang an in das Konzept.
Sprachagenten kombinieren mehrere Bausteine: Spracherkennung wandelt die Äußerung des Anrufers in Text, ein Sprachmodell erzeugt eine Antwort, die Sprachsynthese spricht sie aus. Resemble AI liefert in dieser Kette die Stimme – auf Wunsch eine freigegebene Markenstimme – und je nach Variante Speech-to-Speech-Funktionen mit geringer Verzögerung. Spracherkennung und Dialoglogik stammen häufig von anderen Anbietern oder aus offenen Modellen. Die Gesamtqualität hängt vom schwächsten Glied ab: Eine natürliche Stimme hilft wenig, wenn die Erkennung Dialekte nicht versteht oder das Sprachmodell falsche Auskünfte gibt.
Für Callcenter und Servicehotlines ist dabei eine klare Regel wichtig: Anrufende sollten erkennen können, dass sie mit einer Maschine sprechen. Das ist nicht nur eine Frage des Vertrauens, sondern ergibt sich auch aus den Transparenzpflichten des EU AI Act für KI-Systeme, die mit Menschen interagieren. Eine kurze, freundliche Ansage zu Beginn genügt häufig – und eine einfache Möglichkeit, zu einem Menschen zu wechseln, gehört ebenfalls dazu.
Auf der Sicherheitsseite lässt sich die Deepfake-Erkennung in Abläufe einbinden, in denen Stimme eine Rolle für Vertrauen oder Berechtigung spielt. Denkbar sind etwa eine Prüfung eingehender Anrufe an die Finanzbuchhaltung, die Analyse von Sprachnachrichten, die eine Zahlungsanweisung enthalten, oder eine zusätzliche Prüfung bei Anrufen, in denen sich jemand als Führungskraft ausgibt. Das Ergebnis der Erkennung sollte nicht allein entscheiden, sondern einen definierten Folgeprozess auslösen: Rückruf über eine bekannte Nummer, Bestätigung über einen zweiten Kanal, Vier-Augen-Prinzip.
Wichtig ist dabei die Verhältnismäßigkeit. Eine flächendeckende Analyse aller Telefonate verarbeitet Sprachdaten von Beschäftigten und Externen in großem Umfang und ist datenschutz- und mitbestimmungsrechtlich anspruchsvoll. Eine gezielte Prüfung in besonders gefährdeten Abläufen ist meist leichter zu begründen und organisatorisch besser handhabbar. Ein Konzept, das Technik, Prozess und Schulung verbindet, ist wirksamer als ein einzelnes Werkzeug.
Über eine Programmierschnittstelle lassen sich Stimmen anlegen, Texte vertonen, Speech-to-Speech-Umwandlungen ausführen und Audiodateien zur Erkennung übergeben. Typisch sind sowohl Anfragen, die eine fertige Audiodatei zurückliefern, als auch Streaming-Varianten, bei denen die Ausgabe bereits während der Erzeugung abgespielt werden kann. Für Entwickler stehen üblicherweise Bibliotheken für gängige Programmiersprachen sowie Rückmeldemechanismen für länger laufende Aufträge bereit. Damit lässt sich Resemble AI in Content-Management-Systeme, Lernplattformen, Videoproduktionsabläufe, Telefonanlagen oder eigene Anwendungen einbinden.
Wer eine solche Integration plant, sollte früh einige Fragen klären: Wie werden Zugangsschlüssel verwaltet und rotiert? Wer darf neue Stimmen anlegen, wer darf vorhandene Klone nutzen? Wie werden erzeugte Dateien gespeichert, wie lange beim Anbieter aufbewahrt und wann gelöscht? Gibt es Protokolle, mit denen sich nachvollziehen lässt, wer wann welchen Inhalt mit welcher Stimme erzeugt hat? Gerade bei geklonten Stimmen realer Personen ist eine lückenlose Nachvollziehbarkeit wichtig, um Missbrauch auszuschließen und im Streitfall belegen zu können, dass Inhalte freigegeben waren.
Für Sprachagenten und die Erkennung im Telefonkanal ist die Anbindung an Telefonie entscheidend. Üblich sind Integrationen über Cloud-Telefonieplattformen, Contact-Center-Software oder eigene Schnittstellen, über die Audioströme in Echtzeit übergeben werden. Welche Plattformen Resemble AI direkt unterstützt und welche Integrationen über Partner oder Eigenentwicklung erfolgen, ist beim Anbieter zu prüfen. Für die Sicherheitsseite kann es sinnvoll sein, Ergebnisse der Deepfake-Erkennung in vorhandene Sicherheitsüberwachung einzuspielen, damit Auffälligkeiten zentral bewertet werden.
Für Unternehmen mit hohem Schutzbedarf ist die Frage nach dem Betriebsort zentral. Resemble AI kommuniziert neben der Cloud-Nutzung auch Optionen für Unternehmensbetrieb, etwa dedizierte oder private Bereitstellungen bis hin zum Betrieb in einer vom Kunden kontrollierten Umgebung. Welche Varianten konkret verfügbar sind, welche Produkte sie umfassen, in welchen Regionen sie betrieben werden können und zu welchen Bedingungen, ist ausdrücklich beim Anbieter zu prüfen. Wir empfehlen, die Zusagen schriftlich festzuhalten: Wo liegen Stimmmodelle und Audiodateien, wer hat administrativen Zugriff, welche Daten fließen für Wartung, Lizenzprüfung oder Telemetrie zurück zum Anbieter?
Als Alternative oder Ergänzung kommen offene Sprachsynthese- und Spracherkennungsmodelle infrage, die sich auf eigener Hardware oder bei einem europäischen Hoster betreiben lassen. Ihr Funktionsumfang ist häufig geringer, und Lizenzbedingungen müssen sorgfältig geprüft werden – manche erlauben keine kommerzielle Nutzung. Dafür verlassen Stimmdaten das eigene Haus nicht. In der Praxis entstehen oft hybride Lösungen: Unkritische Inhalte werden in der Cloud vertont, sensible Stimmen und Daten bleiben in einer kontrollierten Umgebung.
ElevenLabs gilt als einer der bekanntesten Anbieter für synthetische Stimmen, mit breiter Sprachenunterstützung, großer Stimmbibliothek, starken Werkzeugen für Content-Produktion und einem wachsenden Angebot für Sprachagenten. Für Unternehmen, die vor allem hochwertige Inhalte in vielen Sprachen erzeugen wollen, ist ElevenLabs häufig ein naheliegender Vergleichskandidat. PlayHT setzt ebenfalls auf Voice Cloning, Sprachsynthese und Echtzeitstimmen, mit Fokus auf Entwickler und Sprachanwendungen. Murf richtet sich stark an Content-Teams und bietet einen Studio-Editor zur Vertonung von Präsentationen, Videos und Schulungen. WellSaid betont kuratierte, lizenzierte Sprecherstimmen und einen kontrollierten Rahmen für den Unternehmenseinsatz, mit eher zurückhaltendem Ansatz beim Klonen beliebiger Stimmen.
Resemble AI unterscheidet sich von diesen Anbietern weniger durch einzelne generative Funktionen – Klonen, Sprachsynthese und Echtzeitstimmen bieten alle in unterschiedlicher Ausprägung – als durch die ausdrückliche Verbindung mit Erkennung und Kennzeichnung sowie durch die Betonung von Unternehmensbetrieb. Wer primär Inhalte produziert, wird die Klangqualität im Deutschen, die Bedienbarkeit des Editors und die Stimmauswahl in den Vordergrund stellen. Wer zusätzlich Sicherheit und Nachweisbarkeit braucht, wird den kombinierten Ansatz stärker gewichten.
Neben den Stimmgeneratoren gibt es Anbieter, die sich ausschließlich auf die Absicherung von Telefonkanälen spezialisiert haben – etwa Lösungen, die bei Banken, Versicherungen und großen Contact Centern Anrufer authentifizieren, Betrugsmuster erkennen und synthetische Stimmen aufspüren. Solche Plattformen werten häufig nicht nur die Stimme aus, sondern auch Metadaten des Anrufs, Geräte- und Netzmerkmale sowie Verhaltensmuster. Sie sind tief in Contact-Center-Infrastruktur integriert und auf hohe Volumina ausgelegt.
Resemble AI bietet mit seiner Erkennung eine stärker audiozentrierte Perspektive, die sich flexibel in verschiedene Abläufe einbinden lässt – von der Prüfung einzelner Dateien bis zur Analyse von Gesprächsströmen. Für einen Mittelständler mit überschaubarem Telefonaufkommen kann das ausreichen und einfacher zu integrieren sein. Für Organisationen mit großem Contact Center und hohem Betrugsdruck kann eine spezialisierte Betrugsplattform mit umfassender Signalauswertung sinnvoller sein. Beides schließt sich nicht aus.
Für Spracherkennung und Sprachsynthese stehen zunehmend offene Modelle zur Verfügung, die sich lokal oder bei europäischen Hostern betreiben lassen. Für die Transkription ist Whisper ein bekanntes Beispiel; für Sprachsynthese gibt es verschiedene offene Projekte mit unterschiedlicher Qualität und Lizenz. Sie erreichen nicht in jedem Fall das Niveau kommerzieller Plattformen, bieten aber volle Datenhoheit. Für die Deepfake-Erkennung sind offene Lösungen bislang weniger ausgereift. Hier wird man für ernsthafte Anwendungen eher auf kommerzielle Angebote zurückgreifen und den Datenfluss durch Vertrag und Betriebsmodell absichern.
Bewährt hat sich ein Vorgehen in klar getrennten Phasen. Am Anfang steht eine Bestandsaufnahme: Für welche Inhalte oder Abläufe sollen synthetische Stimmen genutzt werden? Wo besteht ein reales Risiko durch Stimmbetrug? Welche Daten fallen an, welcher Schutzbedarf besteht? Darauf folgt eine Richtlinie, die festlegt, wessen Stimmen geklont werden dürfen, wer Inhalte freigibt, wie synthetische Inhalte gekennzeichnet werden und welche Nutzung ausgeschlossen ist – etwa das Klonen von Stimmen ohne schriftliche Einwilligung oder die Imitation von Führungskräften für interne Scherze.
Erst dann beginnt der Test, zunächst mit lizenzierten Stimmen oder mit Stimmen von Freiwilligen, die ausdrücklich eingewilligt haben. Für die Erkennung empfiehlt sich ein eigener Testdatensatz aus echten und synthetischen Aufnahmen unterschiedlicher Herkunft, um Fehlalarme und übersehene Fälschungen realistisch einschätzen zu können. Ein Pilot mit eng umrissenem Anwendungsfall, klaren Erfolgskriterien und begrenztem Nutzerkreis schließt sich an, bevor über einen breiteren Einsatz entschieden wird.
Im laufenden Betrieb stehen drei Aufgaben im Vordergrund. Erstens die Rechteverwaltung: Wer darf welche Stimme nutzen, wer darf neue Klone anlegen, wie werden Zugänge entzogen? Stimmklone sollten wie Schlüssel behandelt werden – wer Zugriff auf die Stimme der Geschäftsführung hat, kann in ihrem Namen sprechen. Zweitens die Qualitätssicherung: Neue Modellversionen können Klang und Aussprache verändern; Stichproben vor und nach Updates verhindern Überraschungen. Drittens der Missbrauchsschutz: Protokolle, Freigabeprozesse und Wasserzeichen helfen, nachzuweisen, welche Inhalte autorisiert sind und welche nicht.
Für die Erkennung kommt die laufende Pflege der Schwellenwerte hinzu. Ist die Empfindlichkeit zu hoch, entstehen viele Fehlalarme, die Mitarbeitende mit der Zeit ignorieren. Ist sie zu niedrig, rutschen Angriffe durch. Eine regelmäßige Auswertung der Ergebnisse und ein klarer Ansprechpartner für Auffälligkeiten sind deshalb Teil des Betriebs, nicht nur der Einführung.
Das typische Muster ist bekannt: Eine Person in der Buchhaltung erhält einen Anruf, scheinbar von der Geschäftsführung. Die Stimme klingt vertraut, der Ton ist dringlich, es geht um eine vertrauliche Übernahme oder eine eilige Zahlung an einen neuen Lieferanten. Früher scheiterten solche Versuche oft an der Stimme. Mit geklonten Stimmen fällt dieses Warnsignal weg. Eine Deepfake-Erkennung kann hier ein zusätzliches Signal liefern – sie sollte aber nie die einzige Verteidigungslinie sein.
Wirksam ist ein Bündel aus Maßnahmen: verbindliche Rückrufregeln über bekannte Nummern, Zahlungsfreigaben nach dem Vier-Augen-Prinzip, vereinbarte Codewörter für außergewöhnliche Anweisungen, Schulungen mit realistischen Beispielen und eine Kultur, in der Rückfragen bei der Geschäftsführung ausdrücklich erwünscht sind. Die technische Erkennung ergänzt diese Maßnahmen dort, wo besonders viel auf dem Spiel steht. Zusätzlich lohnt ein Blick auf die öffentlich verfügbaren Stimmaufnahmen der eigenen Führungskräfte – je mehr sauberes Material online steht, desto leichter fällt das Klonen.
Im Kundenservice können synthetische Stimmen Wartezeiten verkürzen und Standardanfragen rund um die Uhr beantworten. Der Nutzen hängt aber stark von der Qualität der gesamten Kette ab: Spracherkennung, Dialoglogik, Anbindung an Kundendaten und die Möglichkeit, an einen Menschen zu übergeben. Eine sehr natürliche Stimme kann sogar Erwartungen wecken, die der Agent inhaltlich nicht erfüllt. Starten Sie mit klar abgegrenzten Anliegen wie Statusabfragen oder Terminbestätigungen und erweitern Sie schrittweise.
In der Content-Produktion liegt der Nutzen vor allem in Geschwindigkeit und Konsistenz. Schulungsinhalte lassen sich aktualisieren, ohne einen Sprecher neu zu buchen; mehrsprachige Fassungen entstehen schneller. Rechnen Sie dennoch mit Nacharbeit: Aussprache von Fachbegriffen, Betonung in langen Sätzen und die fachliche Prüfung übersetzter Inhalte bleiben menschliche Aufgaben.
Ein guter Einstieg verbindet spürbaren Nutzen mit überschaubarem Risiko. Die Vertonung interner Schulungsinhalte mit einer lizenzierten Stimme ist oft ideal: Es fallen keine biometrischen Daten eigener Beschäftigter an, der Nutzen ist schnell sichtbar, und Fehler sind intern gut korrigierbar. Auf der Sicherheitsseite eignet sich ein Pilot in einem eng umrissenen, besonders gefährdeten Ablauf – etwa Zahlungsanweisungen per Telefon – in Kombination mit Schulung und Rückrufregeln. Das Klonen von Stimmen realer Beschäftigter und die breite Analyse von Telefonaten sollten erst folgen, wenn Einwilligung, Betriebsvereinbarung, Datenschutz-Folgenabschätzung und Betriebsmodell geklärt sind.
Die Lizenz- oder Nutzungskosten für die Sprachsynthese sind bei Content-Anwendungen meist überschaubar und lassen sich gut gegen eingesparte Studioaufnahmen rechnen. Anders sieht es bei Echtzeit-Anwendungen aus: Ein Sprachagent, der täglich viele Gespräche führt, oder eine Erkennung, die viele Anrufe analysiert, erzeugt kontinuierlich Volumen. Hier sollten Sie vorab mit einer realistischen Annahme zu Gesprächszahl und Dauer kalkulieren. Der größte Kostenblock liegt jedoch oft außerhalb der Plattform: in der Anbindung an Telefonie und Fachsysteme, in Einwilligungs- und Freigabeprozessen, in Tests, Schulungen und laufendem Betrieb. Verlässliche Zahlen ergeben sich nur aus einer konkreten Aufwandsschätzung.
Die Stimme ist ein persönliches Merkmal, das eine Person identifizierbar macht. Werden Stimmdaten mit speziellen technischen Verfahren verarbeitet, um eine Person eindeutig zu identifizieren oder ihre Stimme nachzubilden, kann es sich um biometrische Daten im Sinne von Art. 9 DSGVO handeln – also um eine besondere Kategorie personenbezogener Daten mit erhöhten Anforderungen. Ob und wann diese Schwelle erreicht ist, ist im Einzelfall rechtlich zu bewerten. Praktisch bedeutet das: Für das Klonen der Stimme realer Personen sollten Sie eine ausdrückliche, informierte und dokumentierte Einwilligung einholen, eine Datenschutz-Folgenabschätzung prüfen und die Speicherung der Stimmmodelle streng begrenzen.
Neben dem Datenschutz ist das allgemeine Persönlichkeitsrecht berührt, das auch das Recht an der eigenen Stimme umfasst. Wer die Stimme einer Person ohne Zustimmung nachbildet oder in einem Zusammenhang verwendet, dem sie nicht zugestimmt hat, riskiert Unterlassungs- und Schadensersatzansprüche. Bei Beschäftigten kommen arbeitsrechtliche Fragen hinzu, etwa zur Freiwilligkeit der Einwilligung und zur Mitbestimmung des Betriebsrats, insbesondere wenn Telefonate analysiert werden.
Resemble AI ist ein US-Anbieter. Bei der Cloud-Nutzung ist deshalb zu klären, wo Audiodaten und Stimmmodelle verarbeitet und gespeichert werden, ob der Anbieter unter dem EU-US Data Privacy Framework zertifiziert ist oder auf welche anderen Garantien wie Standardvertragsklauseln sich der Transfer stützt, und welche Unterauftragsverarbeiter beteiligt sind. Ein Auftragsverarbeitungsvertrag ist Pflicht. Auch bei Verarbeitung in einer EU-Region unterliegt ein US-Unternehmen grundsätzlich US-Recht, was mögliche behördliche Zugriffe einschließt. Für sensible Stimmdaten ist ein privates oder On-Premises-Deployment beziehungsweise eine EU-Region die datenschutzfreundlichere Option; als Alternative kommen selbst gehostete offene Modelle infrage.
Der EU AI Act ergänzt den Datenschutz um Transparenzpflichten. Anbieter und Betreiber von KI-Systemen, die synthetische Audioinhalte erzeugen, müssen diese nach Maßgabe der Verordnung maschinenlesbar kennzeichnen; Betreiber, die Deepfakes veröffentlichen, müssen offenlegen, dass Inhalte künstlich erzeugt oder manipuliert wurden. Bei KI-Systemen, die direkt mit Menschen interagieren, etwa Sprachagenten am Telefon, ist darauf hinzuweisen, dass es sich um eine KI handelt. Die Pflichten werden gestaffelt anwendbar; den genauen Stand und die Auslegung sollten Sie fortlaufend prüfen. Dieser Artikel ist keine Rechtsberatung – ziehen Sie Ihren Datenschutzbeauftragten und gegebenenfalls fachkundige Rechtsberatung hinzu.