Murf baut auf dieser Technologie auf, setzt den Schwerpunkt aber auf den Produktionsprozess. Statt nur eine Audiodatei aus einem Text zu erzeugen, bietet Murf ein Studio, in dem ein Skript in Blöcke gegliedert, jedem Block eine Stimme zugewiesen, Tempo und Tonhöhe angepasst, Pausen gesetzt und einzelne Wörter betont werden können. Bilder, Folien oder Videoclips lassen sich in dieselbe Zeitleiste laden, sodass Sprache und Bild synchron entstehen. Hintergrundmusik kann unterlegt und in der Lautstärke angepasst werden. Am Ende steht eine fertige Audio- oder Videodatei, die direkt in eine Lernplattform, auf eine Website oder in ein Videoportal übernommen werden kann.
Der Bedarf an gesprochenen Inhalten wächst in Unternehmen stetig. Schulungen werden zunehmend als kurze Lernvideos statt als Präsenztermine angeboten, Produkte werden mit Erklärvideos verkauft, Webseiten und Social-Media-Kanäle verlangen nach Bewegtbild mit Ton, und Telefonanlagen sollen Anrufende freundlich und verständlich durch Menüs führen. Gleichzeitig ist professionelle Sprachaufnahme aufwendig: Sprecherinnen und Sprecher müssen gebucht, Studiozeiten organisiert, Skripte abgestimmt und Korrekturen erneut aufgenommen werden. Ändert sich ein Produktname oder eine Telefonnummer, beginnt der Prozess von vorn.
KI-Sprachgeneratoren wie Murf verändern diese Rechnung. Eine Korrektur im Skript ist in Minuten neu vertont, mehrere Sprachversionen lassen sich aus einer Vorlage erzeugen, und Fachabteilungen können Inhalte selbst produzieren, ohne auf externe Dienstleister zu warten. Das bedeutet nicht, dass menschliche Sprecher überflüssig werden – für Markenkampagnen, emotionale Inhalte oder hochwertige Imagefilme bleiben sie oft die bessere Wahl. Für die große Menge an wiederkehrenden, sachlichen Inhalten aber bietet synthetische Sprache inzwischen eine ernstzunehmende Alternative.
Angesprochen sind Geschäftsführung, Marketing, Personalentwicklung, Vertrieb, IT-Verantwortliche und Datenschutzbeauftragte in mittelständischen Unternehmen, die verstehen wollen, was Murf leistet, wo seine Grenzen liegen und wie es sich von Alternativen unterscheidet. Technisches Vorwissen ist nicht erforderlich. Wir arbeiten herstellerneutral und bewusst zurückhaltend mit Zahlen: Stimmenzahl, unterstützte Sprachen, Preise, Kontingente und Funktionsumfang einzelner Editionen ändern sich bei Murf wie bei allen Anbietern in diesem Markt häufig. Alle konkreten Angaben sollten Sie unmittelbar vor einer Entscheidung beim Anbieter prüfen. Unser Ziel ist Orientierung, nicht ein Datenblatt.
Wie die meisten Anbieter im TTS-Markt staffelt Murf sein Angebot in mehrere Editionen. Typischerweise gibt es einen kostenlosen Einstieg zum Ausprobieren, der in Umfang und Nutzungsrechten deutlich eingeschränkt ist, eine oder mehrere Editionen für Einzelpersonen und kleine Kreativteams, eine Business-Edition für Teams mit gemeinsamen Projekten und Freigaben sowie ein Enterprise-Angebot mit individuellen Konditionen. Die Unterschiede zwischen den Editionen betreffen erfahrungsgemäß nicht nur das Volumen an erzeugter Sprache, sondern auch Fragen, die für Unternehmen entscheidend sind: kommerzielle Nutzungsrechte an den erzeugten Aufnahmen, Zugriff auf bestimmte Stimmen, Verfügbarkeit von Voice Cloning und Dubbing, Team- und Rechteverwaltung, Single Sign-on, Support-Zusagen und vertragliche Regelungen zur Auftragsverarbeitung.
Für den Unternehmenseinsatz ist deshalb nicht die Frage entscheidend, welche Edition am günstigsten ist, sondern welche Edition die rechtlichen und organisatorischen Mindestanforderungen erfüllt. Eine kostenlose oder sehr kleine Edition kann für einen ersten Klangtest ausreichen. Sobald Aufnahmen veröffentlicht, in Kundenkommunikation eingesetzt oder mit vertraulichen Skripten erzeugt werden, braucht es eine Edition, in der Nutzungsrechte, Datenverarbeitung und Verantwortlichkeiten vertraglich geregelt sind. Welche Edition das jeweils ist, und unter welchen Bedingungen, sollten Sie in den aktuellen Lizenz- und Vertragsunterlagen prüfen.
Im Markt für KI-Sprache lassen sich grob zwei Lager unterscheiden. Auf der einen Seite stehen Anbieter, die vor allem Sprach-Infrastruktur liefern: leistungsfähige Modelle, die über eine Schnittstelle angesprochen werden und in fremde Anwendungen eingebaut werden. Dazu gehören die Sprachdienste der großen Cloud-Plattformen. Auf der anderen Seite stehen Anbieter, die ein Produktionswerkzeug für Endanwender bauen, mit Editor, Vorlagen und Exportfunktionen. Murf ist klar im zweiten Lager verwurzelt, hat sein Angebot aber mit API, Dubbing und Echtzeit-Funktionen in Richtung Infrastruktur erweitert.
Daraus ergibt sich ein recht klares Profil: Murf richtet sich in erster Linie an Unternehmen, die regelmäßig Voiceovers für sachliche, professionelle Inhalte benötigen und dafür ein Werkzeug suchen, das Fachabteilungen ohne Tonstudio bedienen können. Besonders betont der Anbieter Anwendungsfelder wie E-Learning, Unternehmenskommunikation, Produktmarketing und Präsentationen. Für sehr emotionale Erzählstimmen, Hörbücher oder Spielecharaktere gibt es Wettbewerber mit anderem Schwerpunkt, für hochvolumige Echtzeit-Sprachdialoge in Callcentern spezialisierte Infrastrukturanbieter. Diese Einordnung vertiefen wir in Kapitel 06.
Wer Murf zum ersten Mal öffnet, findet keine technische Konsole, sondern eine Oberfläche, die an ein einfaches Schnittprogramm erinnert. Links steht das Skript, unterteilt in Absätze oder Blöcke, rechts beziehungsweise darunter eine Zeitleiste mit Sprach-, Musik- und Bildspuren. Jeder Block kann eine eigene Stimme erhalten – so lassen sich Dialoge, Interviews oder Wechsel zwischen Erzählerin und Experte abbilden. Änderungen am Text werden nur für den betroffenen Block neu berechnet, was Korrekturschleifen spürbar verkürzt. Wer eine Präsentation vertonen möchte, kann Folien importieren und den Text je Folie zuordnen; bei Videos wird die Sprache an Szenen ausgerichtet.
Für den Unternehmensalltag sind auch die unscheinbareren Funktionen wichtig: Projekte lassen sich in Ordnern organisieren, im Team teilen und kommentieren, Vorlagen erleichtern wiederkehrende Formate, und der Export erfolgt in gängigen Audio- und Videoformaten. Wie weit Freigabeprozesse, Rollen und Versionsstände abgebildet werden können, hängt von der Edition ab. Für Abteilungen, die viele Inhalte produzieren, lohnt sich ein Blick darauf, wie gut sich das Studio in den eigenen Abnahmeprozess integrieren lässt – etwa mit fachlicher Prüfung des Skripts, sprachlicher Prüfung der Aufnahme und finaler Freigabe durch Marketing oder Personalentwicklung.
Für den DACH-Markt ist die Qualität der deutschen Stimmen die wichtigste fachliche Frage. Murf bietet deutsche Stimmen mit unterschiedlichen Klangfarben an; die Auswahl ist erfahrungsgemäß kleiner als im Englischen, und nicht jede Stimme beherrscht jeden Sprechstil. Neuronale Stimmen klingen im Deutschen inzwischen in vielen Fällen sehr natürlich, stoßen aber an typische Grenzen: zusammengesetzte Fachwörter, Abkürzungen, Anglizismen, Produktnamen, Zahlen mit Einheiten, Datumsangaben und Eigennamen werden nicht immer korrekt betont. Auch regionale Färbungen – etwa österreichisches oder schweizerisches Hochdeutsch – sind nur eingeschränkt oder gar nicht abbildbar.
Wir empfehlen deshalb, vor einer Entscheidung einen Klangtest mit echten Skripten durchzuführen: ein typisches Schulungskapitel, ein Produkttext mit Ihren Fachbegriffen und eine Telefonansage mit Zahlen und Öffnungszeiten. Lassen Sie die Ergebnisse von Personen anhören, die das spätere Publikum gut kennen. Erst so zeigt sich, ob die Stimme zu Ihrer Marke passt und wie viel Nacharbeit für eine saubere Aussprache nötig ist.
Murf stellt mehrere Werkzeuge bereit, um die Sprachausgabe gezielt zu formen. Auf Satz- und Wortebene lassen sich Pausen einfügen, Wörter hervorheben, Sprechtempo und Tonhöhe anpassen. Für schwierige Begriffe gibt es Möglichkeiten, eine alternative Schreibweise oder eine Lautschrift zu hinterlegen, damit die Stimme etwa einen Firmennamen oder ein Fachwort korrekt ausspricht. Solche Korrekturen lassen sich – je nach Edition – in einer Art Aussprachebibliothek speichern und in künftigen Projekten wiederverwenden. Für Unternehmen mit vielen Produktnamen oder spezieller Fachsprache ist genau diese Funktion oft der entscheidende Hebel: Einmal sauber gepflegt, sorgt sie dafür, dass Begriffe über alle Inhalte hinweg einheitlich klingen.
Hinzu kommen Funktionen, mit denen die gewünschte Sprechweise vorgegeben werden kann, etwa indem ein Satz selbst eingesprochen und die KI-Stimme angewiesen wird, Betonung und Rhythmus zu übernehmen. Wie zuverlässig das im Deutschen funktioniert, sollte im Test geprüft werden. Grundsätzlich gilt: Je professioneller der Anspruch, desto mehr Zeit fließt in die Feinarbeit an Betonung und Pausen. Die Zeitersparnis gegenüber einer Studioaufnahme bleibt dennoch erheblich – vor allem, wenn Inhalte später aktualisiert werden müssen.
Rechtlich ist eine Stimme jedoch kein beliebiges Produktionsmittel. Sie ist Teil der Persönlichkeit eines Menschen und durch das allgemeine Persönlichkeitsrecht geschützt; wird sie zur eindeutigen Identifizierung einer Person technisch verarbeitet, kann es sich zudem um biometrische Daten im Sinne der DSGVO handeln, die besonders geschützt sind. Für den Unternehmenseinsatz bedeutet das: Ohne eine ausdrückliche, informierte und dokumentierte Einwilligung der betroffenen Person sollte keine Stimme geklont werden. Die Vereinbarung sollte regeln, für welche Zwecke und Inhalte die Stimme genutzt werden darf, wie lange, ob eine Vergütung erfolgt, wie ein Widerruf funktioniert und was mit dem Stimmmodell nach Ende eines Arbeitsverhältnisses geschieht. Bei Beschäftigten ist zusätzlich zu prüfen, ob die Einwilligung im Arbeitsverhältnis tatsächlich freiwillig ist, und häufig auch der Betriebsrat einzubinden. Auch die Bedingungen des Anbieters selbst – etwa Nachweise der Einwilligung und Schutzmaßnahmen gegen Missbrauch – sollten Sie prüfen.
Der Voice Changer setzt an einer anderen Stelle an: Er nimmt eine bereits eingesprochene Aufnahme und überträgt sie in eine andere Stimme. Das ist praktisch, wenn eine Fachkraft einen Ablauf mit natürlicher Betonung erklärt hat, die Aufnahme aber für die Veröffentlichung einheitlicher oder professioneller klingen soll. Auch hier gilt: Die Person, deren Aufnahme verarbeitet wird, muss informiert sein, und die Zielstimme darf keine reale Person ohne deren Einwilligung imitieren.
Über die Murf API lässt sich Sprachsynthese in eigene Anwendungen einbetten. Typische Szenarien sind die automatische Vertonung von Inhalten aus einem Redaktionssystem, die Erzeugung von Telefonansagen aus einer Datenbank, die Sprachausgabe in einem Kundenportal oder die Anbindung an einen KI-Assistenten, der gesprochene Antworten liefert. Der Anbieter hat sein Angebot hier in Richtung niedriger Latenz und Streaming ausgebaut, was für Sprachdialoge und Agentenanwendungen wichtig ist. Welche Modelle, Stimmen und Sprachen über die API verfügbar sind, ob sie sich vom Studio unterscheiden, welche Latenzen in der Praxis erreicht werden und wie Kontingente abgerechnet werden, sollten Sie in der aktuellen Entwicklerdokumentation prüfen und mit eigenen Messungen belegen.
Wichtig für die Architektur: Sobald Sprache automatisiert über eine API erzeugt wird, laufen Inhalte ohne manuelle Sichtprüfung durch den Dienst des Anbieters. Für Telefonansagen mit Öffnungszeiten ist das unkritisch, für dynamisch erzeugte Texte mit Kundennamen, Vertragsdaten oder Gesundheitsinformationen dagegen nicht. Hier gehört eine Datenschutzbewertung an den Anfang des Projekts, nicht an das Ende.
Murf bietet nach Anbieterangaben Erweiterungen für verbreitete Design- und Präsentationswerkzeuge an, etwa für Canva und Google Slides, sodass Voiceovers direkt dort erzeugt werden können, wo Folien und Grafiken entstehen. Welche Integrationen aktuell verfügbar sind, in welchen Editionen sie enthalten sind und wie weit sie reichen, ändert sich und sollte vor einer Entscheidung geprüft werden. Für Unternehmen, die stark mit Microsoft PowerPoint arbeiten, ist der Weg häufig: Folien exportieren, im Murf-Studio vertonen und das Ergebnis als Video oder als einzelne Audiodateien zurück in die Präsentation oder das Lernmodul übernehmen.
Für die Werkzeugwahl hilft eine einfache Leitfrage: Wo soll die Kontrolle über die Stimme liegen? Wer eine einheitliche Unternehmensstimme über viele Formate hinweg nutzen will – Videos, Telefonie, Podcasts, Präsentationen –, profitiert von einem zentralen TTS-Werkzeug mit gepflegter Aussprachebibliothek. Wer dagegen nur gelegentlich Avatar-Videos erstellt, kommt mit den Bordmitteln der Videoplattform oft schneller ans Ziel.
Über die API kann Murf an Content-Management-Systeme, Lernplattformen, Kundenportale, Telefonanlagen oder Automatisierungswerkzeuge angebunden werden. Die technische Anbindung selbst ist für erfahrene Entwicklerteams überschaubar. Aufwendiger ist die Gestaltung des Prozesses drumherum: Wer gibt Texte frei, bevor sie vertont werden? Wie werden erzeugte Dateien versioniert und gespeichert? Wie wird sichergestellt, dass Aussprachekorrekturen aus dem Studio auch in der API-Nutzung greifen? Und wie wird verhindert, dass personenbezogene Daten ungeprüft an den Dienst übermittelt werden? Diese Fragen sollten in einem kurzen Architekturkonzept geklärt sein, bevor die erste Zeile Code entsteht.
Ein Hinweis zur Abhängigkeit: Je tiefer Murf in Prozesse eingebunden wird, desto aufwendiger wird ein späterer Anbieterwechsel – besonders, wenn eine geklonte Markenstimme oder eine umfangreich gepflegte Aussprachebibliothek im Spiel ist. Klären Sie deshalb früh, ob und in welcher Form sich Projekte, Skripte und Aussprachekorrekturen exportieren lassen, und bewahren Sie Originalskripte und Aufnahmen stets auch in eigenen Systemen auf.
PlayHT richtet sich traditionell an Content-Creator und Entwickler und hat ebenfalls ein breites Stimmenangebot mit API und Cloning-Funktionen aufgebaut. WellSaid positioniert sich deutlich in Richtung Unternehmenskommunikation und Corporate Learning und betont kuratierte, lizenzrechtlich saubere Stimmen sowie Governance-Funktionen; der Fokus liegt hier historisch stark auf Englisch, sodass die Abdeckung deutscher Stimmen besonders sorgfältig geprüft werden sollte. Für alle drei gilt: Marktpositionen, Eigentümerstrukturen und Produktschwerpunkte haben sich in den vergangenen Jahren mehrfach verschoben. Prüfen Sie den aktuellen Stand, bevor Sie sich langfristig binden.
Resemble AI hat sich auf Voice Cloning spezialisiert und ergänzt dies um Funktionen, die für Unternehmen zunehmend wichtig werden: das Erkennen synthetischer Stimmen, digitale Wasserzeichen und je nach Angebot Betriebsmodelle mit mehr Kontrolle über die Infrastruktur. Wer eine Markenstimme mit besonderem Missbrauchsschutz aufbauen will, sollte Resemble in den Vergleich aufnehmen. Für reine Fachabteilungsnutzung ist das Werkzeug allerdings technischer als Murf.
Die Sprachdienste der großen Cloud-Plattformen – etwa Azure AI Speech von Microsoft und Google Cloud Text-to-Speech – sind ein anderes Produkt: Sie liefern Sprach-Infrastruktur per API, mit großer Sprachenabdeckung, Steuerung über die Auszeichnungssprache SSML und vor allem der Möglichkeit, EU-Regionen zu wählen und die Nutzung in bestehende Cloud-Verträge einzubetten. Ein Studio für Fachabteilungen bieten sie nur in Ansätzen. Für Telefonsysteme, Portale und Anwendungen mit personenbezogenen Daten sind sie deshalb häufig die naheliegendere Wahl, für Voiceover-Produktion durch Marketing und Personalentwicklung eher Murf und vergleichbare Studios. Auch hier gilt: Auch bei EU-Region bleiben die Anbieter US-Unternehmen, der Drittlandbezug ist zu bewerten.
Bewährt hat sich ein Vorgehen in klar getrennten Phasen. Am Anfang steht eine Bestandsaufnahme: Welche Inhalte werden heute vertont oder sollten vertont werden? Wie viele Minuten Sprache fallen pro Monat an? Wer erstellt sie, mit welchem Aufwand und welchen Kosten? Welche Sprachen werden benötigt? Darauf folgt eine Richtlinie, die festlegt, welche Inhalte mit Murf vertont werden dürfen, welche Daten in Skripten nicht vorkommen dürfen, wer Stimmen auswählt und freigibt und unter welchen Bedingungen Stimmklone zulässig sind.
Erst dann beginnt der Klangtest mit echten Skripten, idealerweise im Vergleich mit mindestens einer Alternative – etwa einem weiteren Studio-Anbieter und einem Cloud-Sprachdienst mit EU-Region. Ein Pilot mit eng umrissenem Anwendungsfall, etwa der Vertonung eines Schulungsmoduls oder einer Produktvideo-Serie, klare Erfolgskriterien und ein begrenzter Nutzerkreis schließen sich an. Erfolgskriterien können Produktionszeit pro Minute Sprache, Anzahl der Korrekturschleifen, Rückmeldungen der Zielgruppe und Kosten im Vergleich zur bisherigen Lösung sein. Erst danach fällt die Entscheidung über Edition, Vertrag und breiteren Rollout.
Synthetische Sprache wirkt nur dann professionell, wenn sie einheitlich eingesetzt wird. Wir empfehlen, eine kleine Zahl von Hausstimmen festzulegen – etwa eine Stimme für Schulungen, eine für Marketing und eine für Telefonansagen – und diese in einem kurzen Stimmleitfaden zu dokumentieren: Stimme, Sprechstil, Tempo, Umgang mit Zahlen und Abkürzungen, Musik und Lautstärke. Ergänzt wird der Leitfaden durch eine gepflegte Aussprachebibliothek mit Firmennamen, Produktnamen und Fachbegriffen. Für die Abnahme hat sich ein Vier-Augen-Prinzip bewährt: Eine Person prüft das Skript fachlich, eine zweite hört die fertige Aufnahme vollständig an, bevor sie veröffentlicht wird. KI-Stimmen machen selten grobe Fehler, aber gelegentlich überraschende – eine falsch betonte Zahl oder ein verschluckter Produktname fällt sonst erst Kundinnen und Kunden auf.
Im laufenden Betrieb sind drei Punkte wichtig. Erstens verändern Anbieter ihre Stimmen und Modelle: Neue Generationen klingen oft besser, aber anders, und ältere Stimmen werden mitunter umgestellt oder eingestellt. Wenn eine Schulungsserie über Jahre gepflegt wird, kann das zu hörbaren Brüchen führen. Dokumentieren Sie deshalb, welche Stimme und Version für welche Inhalte verwendet wurde, und archivieren Sie Skripte und Audiodateien in eigenen Systemen. Zweitens braucht es eine klare Verwaltung von Nutzerkonten und Rollen, damit beim Ausscheiden von Mitarbeitenden keine Projekte verloren gehen und keine Zugänge offen bleiben. Drittens sollte eine verantwortliche Person oder ein kleines Team den Betrieb begleiten, Rückmeldungen sammeln, die Aussprachebibliothek pflegen und Kontingente sowie Kosten im Blick behalten.
Den größten und am schnellsten messbaren Nutzen sehen wir im E-Learning. Pflichtunterweisungen zu Arbeitssicherheit, Datenschutz oder Compliance müssen regelmäßig aktualisiert werden; mit klassischer Sprachaufnahme bedeutet jede Änderung eine neue Studiosession. Mit Murf wird der geänderte Absatz im Skript angepasst und neu erzeugt, der Rest bleibt unverändert. Für Unternehmen mit Standorten in mehreren Ländern kommt die Mehrsprachigkeit hinzu: Eine geprüfte deutsche Fassung dient als Vorlage, Übersetzungen werden fachlich geprüft und mit passenden Stimmen vertont. Ähnlich verhält es sich bei Erklär- und Produktvideos. Vertrieb und Marketing können Varianten für unterschiedliche Zielgruppen, Branchen oder Märkte erzeugen, ohne für jede Variante eine Produktion zu beauftragen. Wichtig ist, dass die Skripte gut sind – eine KI-Stimme macht aus einem schwachen Text keinen guten Film.
Für Telefonansagen ist Murf ein naheliegender Einstieg: Die Texte sind kurz, enthalten in der Regel keine personenbezogenen Daten und ändern sich regelmäßig – Öffnungszeiten, Feiertage, Urlaubszeiten, neue Menüpunkte. Die Aufnahmen werden im Studio erzeugt, im passenden Format exportiert und in die Telefonanlage geladen. Anders sieht es bei dynamischen Sprachdialogen aus, in denen Antworten in Echtzeit erzeugt werden und Kundendaten enthalten können. Hier gelten höhere Anforderungen an Latenz, Verfügbarkeit und Datenschutz; ein Cloud-Sprachdienst mit EU-Region oder ein selbst gehostetes Modell kann hier die passendere Wahl sein. Die Grenze zwischen beiden Szenarien sollte bewusst gezogen werden.
Ein guter Einstieg vereint drei Eigenschaften: Er ist klar abgegrenzt, er erzeugt spürbaren Nutzen und er lässt sich mit überschaubarem rechtlichen Risiko umsetzen. Ein bestehendes Schulungsmodul, das ohnehin überarbeitet werden muss, oder die Telefonansagen der Zentrale sind häufig ideale Startpunkte. Sie enthalten kaum personenbezogene Daten, der Nutzen ist sofort hörbar, und die Ergebnisse lassen sich gut mit der bisherigen Lösung vergleichen. Voice Cloning sollte dagegen erst angegangen werden, wenn Einwilligungen, Nutzungsvereinbarungen und Vertragsbedingungen sauber geklärt sind. Ebenso wichtig ist Transparenz nach innen: Mitarbeitende sollten wissen, wofür synthetische Stimmen eingesetzt werden und dass sie keine Aufnahmen ihrer eigenen Stimme ohne Zustimmung befürchten müssen.
Die Lizenzkosten eines KI-Sprachgenerators sind im Vergleich zu professionellen Sprachaufnahmen meist überschaubar – gerade bei regelmäßig aktualisierten Inhalten. Eine realistische Rechnung berücksichtigt aber auch die Arbeitszeit für Skripte, Feinarbeit an Aussprache und Betonung, Abnahme und Veröffentlichung. Bei mehrsprachigen Inhalten kommt die fachliche Prüfung der Übersetzungen hinzu. Vergleichen Sie deshalb nicht nur Abo-Preise, sondern die Gesamtkosten pro fertiger Minute veröffentlichter Sprache mit Ihrer bisherigen Lösung. Prüfen Sie außerdem, wie Kontingente gezählt werden, ob Neuberechnungen nach Korrekturen das Kontingent belasten und welche Funktionen nur in höheren Editionen verfügbar sind.
Murf AI ist ein US-Anbieter. Skripte, hochgeladene Medien, Stimmaufnahmen für Cloning und die erzeugten Audiodateien werden auf Infrastruktur des Anbieters beziehungsweise seiner Dienstleister verarbeitet. Für die DSGVO ist deshalb zunächst zu klären, wo diese Verarbeitung stattfindet und welche Unterauftragnehmer beteiligt sind. Erfolgt eine Übermittlung personenbezogener Daten in die USA, braucht es eine tragfähige Grundlage: Das kann eine Zertifizierung des Anbieters unter dem EU-US Data Privacy Framework (DPF) sein, deren aktueller Status in der offiziellen Liste zu prüfen ist, oder der Abschluss von Standardvertragsklauseln (SCC) mit einer Bewertung der Übermittlungsrisiken. Zusätzlich ist ein Auftragsverarbeitungsvertrag erforderlich, der Zweck, Umfang, Löschfristen, technische und organisatorische Maßnahmen und den Umgang mit Unterauftragnehmern regelt. Ob ein solcher Vertrag in jeder Edition verfügbar ist oder nur im Business- beziehungsweise Enterprise-Umfeld, sollten Sie vorab klären.
Besonders wichtig ist die Frage, ob Eingaben und Aufnahmen zum Training oder zur Verbesserung der Modelle verwendet werden. Für Unternehmensinhalte sollte das vertraglich ausgeschlossen sein. Unabhängig von der Vertragslage empfiehlt sich Datenminimierung: Skripte für Voiceovers enthalten in den meisten Fällen keine personenbezogenen Daten – und das sollte auch so bleiben. Namen von Kundinnen und Kunden, Vertragsdetails oder Gesundheitsinformationen gehören nicht in einen Cloud-Sprachgenerator ohne gründliche Prüfung.
Wird die Stimme eines realen Menschen geklont, sind gleich mehrere Rechtsbereiche berührt: das allgemeine Persönlichkeitsrecht, das Datenschutzrecht – bei biometrischer Verarbeitung mit den erhöhten Anforderungen an besondere Kategorien personenbezogener Daten – und gegebenenfalls Urheber- und Leistungsschutzrechte, wenn professionelle Sprecherinnen und Sprecher beteiligt sind. Erforderlich sind eine ausdrückliche, informierte, freiwillige und dokumentierte Einwilligung, eine klare Zweckbindung und eine Regelung für Widerruf und Löschung des Stimmmodells. Auch die Lizenzbedingungen der Stimmen aus der Bibliothek des Anbieters sind zu beachten, etwa ob bestimmte Nutzungen wie politische Inhalte oder Werbung für bestimmte Branchen ausgeschlossen sind.
Hinzu kommt die europäische KI-Verordnung (EU AI Act). Sie sieht Transparenzpflichten für synthetisch erzeugte oder manipulierte Inhalte vor: Anbieter von KI-Systemen sollen synthetische Audioinhalte maschinenlesbar kennzeichnen, und wer realistisch wirkende synthetische Inhalte – insbesondere Deepfakes, also etwa die nachgebildete Stimme einer realen Person – veröffentlicht, muss offenlegen, dass sie künstlich erzeugt wurden. Auch wer Anrufende mit einem Sprachsystem interagieren lässt, sollte deutlich machen, dass sie mit einer KI sprechen. Unabhängig von der genauen Reichweite der Pflichten im Einzelfall empfehlen wir eine einfache Hausregel: Synthetische Stimmen werden in Videos, Schulungen und Telefonansagen erkennbar gemacht, etwa durch einen kurzen Hinweis im Abspann, in der Modulbeschreibung oder in der Begrüßung. Die Anwendung und Konkretisierung der Pflichten, etwa durch Leitlinien und Verhaltenskodizes, sollten Sie im aktuellen Stand verfolgen.
Für viele Voiceover-Anwendungen mit unkritischen Skripten lässt sich Murf mit AVV, geprüfter Transfergrundlage und klaren Regeln vertretbar einsetzen. Wo Inhalte sensibel sind, personenbezogene Daten dynamisch vertont werden oder digitale Souveränität ein strategisches Ziel ist, sollten Alternativen geprüft werden. Eine Option sind Cloud-Sprachdienste mit wählbarer EU-Region, deren Verarbeitung in europäischen Rechenzentren stattfindet und in bestehende Cloud-Verträge eingebettet werden kann – bei US-Konzernen bleibt der Drittlandbezug allerdings zu bewerten. Die souveränste Option sind selbst gehostete offene TTS-Modelle auf eigener Hardware oder bei einem europäischen Hoster: Daten verlassen das eigene Haus nicht, und es besteht keine Abhängigkeit von einem US-Dienst. Der Preis dafür sind ein geringerer Bedienkomfort, eigener Betriebsaufwand und je nach Modell Abstriche bei Klangqualität und Lizenzfreiheit. Viele Unternehmen kombinieren deshalb beide Welten: ein Studio wie Murf für Marketing- und Schulungsinhalte, eine EU- oder Self-Hosting-Lösung für sensible und automatisierte Anwendungen.