Das Unternehmen stammt aus Seattle und ist aus dem Umfeld eines bekannten KI-Forschungsinstituts hervorgegangen. Von Beginn an wurde die Technologie mit professionellen Sprecherinnen und Sprechern entwickelt, die ihre Stimme vertraglich zur Verfügung stellen. Diese Herkunft prägt das Produkt bis heute: WellSaid Labs betont, dass seine Stimmen nicht aus fremdem Material ohne Zustimmung zusammengesetzt werden, sondern auf lizenzierten Aufnahmen beruhen. Für Unternehmen, die ihre Inhalte öffentlich ausspielen oder in regulierten Branchen tätig sind, ist das ein Argument, das über reine Klangqualität hinausgeht. Welche Firmierung, welche Vertragspartei und welche Produktnamen zum Zeitpunkt Ihrer Entscheidung gelten, sollten Sie beim Anbieter prüfen.
Text-to-Speech selbst ist keine neue Technik. Navigationsgeräte, Bildschirmleser und Telefonansagen nutzen synthetische Stimmen seit Jahrzehnten. Neu ist die Qualität: Moderne neuronale Sprachmodelle erzeugen Stimmen, die Atmung, Satzmelodie und Betonung so überzeugend nachbilden, dass viele Zuhörer den Unterschied zu einer menschlichen Aufnahme bei kurzen Passagen kaum noch bemerken. Damit wird synthetische Sprache für Formate interessant, für die früher ausschließlich professionelle Sprecher gebucht wurden – vom Pflichttraining zur Arbeitssicherheit bis zur Produktdemonstration auf der Messe.
In vielen mittelständischen Unternehmen wächst der Bedarf an gesprochenen Inhalten schneller als die Budgets für Tonstudios. Schulungen werden zunehmend digital angeboten, Unterweisungen müssen dokumentiert und regelmäßig wiederholt werden, Produkte werden über Erklärvideos verkauft, und interne Kommunikation findet über Videobotschaften und Podcasts statt. Klassische Sprecheraufnahmen sind hochwertig, aber unflexibel: Ändert sich ein Satz, eine Produktbezeichnung oder eine Vorschrift, muss erneut aufgenommen werden. Synthetische Sprache löst genau dieses Problem, weil sich ein Text in Minuten ändern und neu vertonen lässt.
Hinzu kommt der Wunsch nach Konsistenz. Wer Dutzende Lernmodule produziert, möchte, dass sie wie aus einem Guss klingen – mit derselben Stimme, demselben Tempo und derselben Aussprache von Fachbegriffen. Bei wechselnden menschlichen Sprechern ist das schwer zu erreichen; bei einer synthetischen Stimme mit gepflegtem Aussprache-Wörterbuch ist es der Normalfall.
Angesprochen sind Verantwortliche aus Personalentwicklung, Marketing, Produktmanagement, IT und Datenschutz in mittelständischen Unternehmen, die einschätzen wollen, ob WellSaid Labs oder ein vergleichbarer Dienst zu ihren Inhalten passt. Wir arbeiten herstellerneutral und bewusst zurückhaltend mit Zahlen: Preise, Stimmenzahl, unterstützte Sprachen und Kontingente ändern sich bei TTS-Anbietern in kurzen Abständen. Statt Werte zu nennen, die schnell veralten, beschreiben wir Fähigkeiten qualitativ und markieren, wo Sie beim Anbieter prüfen sollten.
WellSaid Labs hat sich nicht als Allzweck-Stimmenfabrik entwickelt, sondern als Werkzeug für Menschen, die regelmäßig längere Sprechertexte produzieren. Das merkt man an vielen Details. Die Oberfläche ist auf die Arbeit mit Absätzen und Kapiteln ausgelegt, nicht auf einzelne Sätze. Die Stimmen sind so ausgewählt, dass sie über längere Passagen angenehm und unaufgeregt klingen – erzählend, erklärend, werblich oder dialogisch, je nach Sprecherprofil. Und die Werkzeuge zur Aussprache sind auf wiederkehrende Fachbegriffe, Abkürzungen und Produktnamen zugeschnitten, wie sie in Unternehmenstexten ständig vorkommen.
Diese Ausrichtung erklärt auch, warum WellSaid Labs besonders häufig im Umfeld von E-Learning-Autorenwerkzeugen, Corporate-Learning-Abteilungen und Agenturen für Erklärvideos auftaucht. Hier zählt nicht die größte Auswahl an Effekten, sondern ein verlässlicher, planbarer Produktionsprozess mit einer Stimme, die auch nach zwanzig Minuten noch angenehm zuzuhören ist.
Im Wettbewerb mit Anbietern, die Hunderte Stimmen in vielen Sprachen anbieten, setzt WellSaid Labs auf Kuratierung. Die Stimmenauswahl ist bewusst überschaubarer, dafür sind die einzelnen Stimmen sorgfältig produziert und lizenziert. Offenes Stimmklonen aus beliebigem Material, wie es Creator-orientierte Werkzeuge anbieten, steht nicht im Vordergrund; individuelle Markenstimmen entstehen, soweit angeboten, eher als begleitetes Projekt mit Einwilligung des jeweiligen Sprechers. Für Unternehmen bedeutet das: weniger Spielraum für Experimente, dafür ein geringeres Risiko, versehentlich eine Stimme ohne geklärte Rechte zu verwenden.
Das Herz der Plattform ist die Stimmenbibliothek. Jede Stimme trägt einen eigenen Charakter: Manche eignen sich für sachliche Erklärungen, andere für lebendige Werbetexte, wieder andere für ruhige Lerninhalte oder für Dialogszenen. Anders als bei Anbietern, deren Bibliotheken zu großen Teilen aus Community-Beiträgen bestehen, wird die Auswahl bei WellSaid Labs vom Anbieter selbst kuratiert. Die Sprecherinnen und Sprecher, deren Aufnahmen die Grundlage bilden, haben dem zugestimmt und werden nach Angaben des Anbieters für die Nutzung ihrer Stimme vergütet.
Für Unternehmen hat dieses Modell einen praktischen Wert. Wer eine Stimme in einem öffentlich zugänglichen Lernmodul, einem Werbespot oder einem Produkt verwendet, möchte sicher sein, dass sich nicht später ein Mensch meldet, dessen Stimme ohne Zustimmung nachgebildet wurde. Ein kuratiertes, vertraglich abgesichertes Stimmenangebot reduziert dieses Risiko deutlich. Es ersetzt allerdings nicht den Blick in die Nutzungsbedingungen: Prüfen Sie beim Anbieter, für welche Kanäle, Medien und Laufzeiten die Nutzungsrechte an den erzeugten Aufnahmen gelten, ob es Einschränkungen für bestimmte Inhalte gibt und was mit bereits veröffentlichten Aufnahmen nach Vertragsende geschieht.
Beim Sprachumfang ist Zurückhaltung geboten. WellSaid Labs hat seinen Schwerpunkt historisch im amerikanischen Englisch, mit einzelnen weiteren Akzenten und Sprachen. Ob und in welcher Qualität deutsche Stimmen verfügbar sind, wie viele es gibt und wie gut sie mit deutscher Satzmelodie, Komposita und Fremdwörtern umgehen, ist für den DACH-Einsatz die wichtigste offene Frage. Sie lässt sich nicht aus Marketingtexten beantworten, sondern nur durch einen Test mit Ihren eigenen Texten. Den aktuellen Sprachumfang prüfen Sie beim Anbieter.
Im Studio fügt man ein Skript ein, wählt eine Stimme und lässt den Text erzeugen. Längere Texte werden in Abschnitte zerlegt, die sich einzeln anhören und neu generieren lassen. Das ist praktischer, als es klingt: Klingt ein Satz nicht richtig, muss nicht die ganze Datei neu erzeugt werden, sondern nur dieser Abschnitt. Mehrere Varianten eines Abschnitts lassen sich vergleichen, die beste wird übernommen. Am Ende steht eine Audiodatei in gängigen Formaten, die in Schnittprogramme, Präsentationen oder E-Learning-Werkzeuge importiert werden kann.
Für Teams sind Projekt- und Ordnerstrukturen wichtig. Ein Kurs mit zwölf Lektionen lässt sich als zusammengehöriges Projekt anlegen, sodass alle Beteiligten mit denselben Stimmen und Aussprache-Einstellungen arbeiten. Inwieweit sich Projekte zwischen Personen teilen, freigeben und versionieren lassen, hängt von der Edition ab und sollte beim Anbieter geprüft werden.
Die Fähigkeit, Aussprache gezielt zu steuern, ist der unterschätzte Kern guter Sprachausgabe im Unternehmen. Ein falsch betonter Produktname, eine buchstabierte statt gesprochene Abkürzung oder ein englisch ausgesprochener Ortsname fallen Zuhörern sofort auf und untergraben die Glaubwürdigkeit eines ansonsten professionellen Lernmoduls. WellSaid Labs bietet dafür Werkzeuge, mit denen sich Wörter umschreiben, also so notieren lassen, wie sie gesprochen werden sollen, und solche Regeln in wiederverwendbaren Bibliotheken bündeln. Hinzu kommen Steuerungsmöglichkeiten für Pausen, Tempo und Betonung.
In der Praxis entsteht so nach und nach ein unternehmenseigenes Aussprache-Wörterbuch, das wertvoller ist als jede einzelne Aufnahme. Es sichert, dass auch neue Mitarbeitende im Team ohne Einarbeitung korrekt klingende Inhalte erzeugen. Prüfen Sie, ob sich dieses Wörterbuch exportieren lässt – für den Fall, dass Sie später den Anbieter wechseln wollen.
Moderne TTS-Modelle arbeiten nicht mehr mit aneinandergereihten Lautbausteinen, sondern erzeugen das Audiosignal aus einem gelernten Verständnis davon, wie gesprochene Sprache klingt. Das Ergebnis sind Stimmen, die Atempausen setzen, am Satzende die Stimme senken und in Aufzählungen einen natürlichen Rhythmus finden. WellSaid Labs legt dabei besonderen Wert auf Stabilität über lange Texte: Die Stimme soll in der zehnten Minute genauso klingen wie in der ersten, ohne plötzliche Tonhöhensprünge oder merkwürdige Betonungen.
Grenzen gibt es dennoch. Emotionale Nuancen, Ironie, echte Dialoge mit Unterbrechungen oder sehr spezifische Regieanweisungen kann ein Sprachmodell nur eingeschränkt umsetzen. Zahlen, Datumsangaben, Maßeinheiten und Abkürzungen werden nicht immer so gelesen, wie es im Kontext gemeint ist. Und in Sprachen, für die weniger Trainingsmaterial vorliegt, sinkt die Qualität spürbar. Für Unternehmen gilt deshalb dieselbe Regel wie bei jeder KI-Ausgabe: Jede Aufnahme muss vor der Veröffentlichung von einem Menschen angehört werden, idealerweise von jemandem, der den Inhalt fachlich versteht.
Viele Unternehmen wünschen sich eine eigene, wiedererkennbare Stimme – etwa die Stimme des Geschäftsführers für interne Botschaften oder eine exklusive Markenstimme für alle Produktvideos. WellSaid Labs bietet, je nach Edition und Vereinbarung, die Entwicklung individueller Stimmen an. Anders als bei Werkzeugen, die aus wenigen Minuten beliebigen Audiomaterials eine Stimme klonen, ist dies in der Regel ein begleiteter Prozess mit professionellen Aufnahmen und vertraglicher Regelung der Rechte.
Rechtlich ist die Nachbildung einer realen Stimme ein sensibles Thema. Die Stimme ist Teil des allgemeinen Persönlichkeitsrechts, und Aufnahmen, aus denen sich eine Person identifizieren lässt, sind personenbezogene Daten. Wer die Stimme eines Mitarbeitenden nachbilden lässt, braucht eine freiwillige, informierte und dokumentierte Einwilligung, die Zweck, Einsatzkanäle, Laufzeit, Vergütung und Widerruf regelt. Im Arbeitsverhältnis ist die Freiwilligkeit besonders sorgfältig zu prüfen, und was mit der Stimme nach dem Ausscheiden der Person geschieht, sollte von Anfang an festgelegt sein. Der Betriebsrat ist frühzeitig einzubinden. Diese Hinweise ersetzen keine Rechtsberatung.
Der größte Effizienzgewinn entsteht dort, wo Sprachausgabe nicht mehr manuell im Studio, sondern automatisch aus vorhandenen Texten erzeugt wird. Beispiele sind Produktbeschreibungen, die aus einem Produktinformationssystem vertont werden, Unterweisungen, die bei jeder Änderung einer Vorschrift neu erzeugt werden, oder Nachrichten im Intranet, die zusätzlich als Audio angeboten werden. Die API von WellSaid Labs ermöglicht solche Abläufe. Sie setzt jedoch Entwicklungsaufwand voraus, eine saubere Qualitätssicherung und eine klare Regel, welche automatisch erzeugten Inhalte ohne menschliche Kontrolle veröffentlicht werden dürfen – nach unserer Erfahrung zunächst keine.
Der wichtigste Einsatzbereich ist die Produktion von Lerninhalten. Typischerweise entstehen Kurse in Autorenwerkzeugen, werden als Paket exportiert und in einer Lernplattform bereitgestellt. WellSaid Labs liefert die Audiospuren, die in diese Werkzeuge importiert werden. Für einige verbreitete Autorenumgebungen gibt es nach Angaben des Anbieters direkte Anbindungen oder Plugins, mit denen Texte aus dem Kurs heraus vertont werden können, ohne Dateien manuell hin- und herzuschieben. Welche Integrationen aktuell verfügbar sind und in welcher Edition, sollten Sie beim Anbieter prüfen.
Auch ohne direkte Integration funktioniert der Weg über Dateien zuverlässig: Skript im Studio vertonen, Audio exportieren, im Autorenwerkzeug einfügen. Für kleinere Kurse ist das völlig ausreichend. Erst bei großen Kurskatalogen mit häufigen Änderungen lohnt sich eine engere Kopplung.
Für Erklärvideos werden die Audiodateien in Schnittprogramme importiert und mit Bildschirmaufnahmen, Animationen oder Produktbildern kombiniert. Je nach Angebot gibt es Erweiterungen für verbreitete Kreativ- und Schnittumgebungen – beim Anbieter prüfen. In vielen Unternehmen entstehen Erklärvideos außerdem in Präsentationsprogrammen, die Audio pro Folie abspielen. Hier genügt der Export einzelner Abschnitte als separate Dateien, was das Studio gut unterstützt.
Wer synthetische Sprecher mit Video-Avataren kombinieren möchte, greift meist zu spezialisierten Avatar-Plattformen, die eigene Stimmen mitbringen. WellSaid Labs ist kein Avatar-Videowerkzeug, sondern liefert die Tonspur. Für Formate ohne sichtbaren Sprecher – Bildschirmvideos, Animationen, Produktrundgänge – ist diese Arbeitsteilung oft die flexiblere Lösung.
Über die API lässt sich Sprachausgabe auch in eigene Software, Geräte oder Kundenanwendungen einbinden – etwa für gesprochene Hinweise in einer Maschinensteuerung, für Audio-Anleitungen in einer Service-App oder für vorgelesene Inhalte auf der Website. Hier sind zwei Fragen besonders wichtig. Erstens: Erlaubt die gewählte Lizenz die Verwendung in einem eigenen Produkt, das an Kunden ausgeliefert wird, und unter welchen Bedingungen? Zweitens: Wird die Sprachausgabe vorab erzeugt und als Datei ausgeliefert, oder in Echtzeit bei jeder Anfrage? Vorab erzeugte Dateien sind datenschutzrechtlich und technisch deutlich einfacher, weil keine Nutzerdaten an den Anbieter fließen. Echtzeit-Anwendungen mit hohen Anforderungen an Antwortzeiten sind ein Feld, in dem andere, auf niedrige Latenz spezialisierte Anbieter teils stärker aufgestellt sind.
ElevenLabs ist der bekannteste Name im Markt und deckt eine enorme Bandbreite ab: sehr viele Sprachen, eine große Stimmenbibliothek mit Community-Beiträgen, Stimmklonen aus kurzen Aufnahmen, Synchronisation ganzer Videos, Sprachagenten und Echtzeit-Anwendungen. Für deutschsprachige Inhalte ist ElevenLabs häufig die naheliegende erste Wahl, weil die Sprachunterstützung breit ist. WellSaid Labs setzt einen anderen Akzent: weniger Stimmen, dafür sorgfältig produziert und lizenziert; weniger Experimentierfeld, dafür ein ruhiger, auf Unternehmensinhalte zugeschnittener Produktionsprozess. Wer mehrsprachige Inhalte in vielen Sprachen braucht, wird bei ElevenLabs eher fündig. Wer überwiegend englischsprachige Lerninhalte produziert und ein besonders klares Lizenzmodell schätzt, findet bei WellSaid Labs eine überzeugende Alternative.
Murf richtet sich ähnlich wie WellSaid Labs an Teams, die Voiceovers für Präsentationen, Marketing und Schulung erstellen, bietet aber eine breitere Sprach- und Stimmenauswahl und integrierte Funktionen, um Audio direkt mit Bildern oder Video zu kombinieren. Play.ht positioniert sich stärker als Stimmen- und API-Anbieter für Entwickler, mit vielen Sprachen und Klon-Funktionen. Beide sind für deutschsprachige Inhalte grundsätzlich interessant. Im direkten Vergleich punktet WellSaid Labs vor allem mit Stimmqualität über lange Texte, Aussprache-Kontrolle und einem klaren ethischen Rahmen für die Stimmen; Murf und Play.ht punkten mit Breite und Preisflexibilität. Eine Entscheidung sollte immer auf einem direkten Hörvergleich mit eigenen Texten beruhen.
Die Sprachdienste großer Cloud-Anbieter sind weniger Produkte für Redaktionsteams als Bausteine für Entwickler. Sie bieten sehr viele Sprachen und Stimmen, darunter zahlreiche deutsche, eine ausgereifte Steuerung über Auszeichnungssprachen und – für den Mittelstand besonders relevant – die Möglichkeit, Rechenzentrumsregionen in der EU zu wählen. Dafür fehlt meist ein komfortables Studio für Nicht-Techniker, und die Stimmen klingen je nach Modell eher funktional als nach Sprecherkabine. Selbst gehostete Open-Source-Modelle schließlich bieten die größte Datenhoheit, weil kein Text das Unternehmen verlässt; sie erfordern aber eigene Hardware, technisches Know-how und eine sorgfältige Prüfung der Lizenzen von Modell und Trainingsdaten. WellSaid Labs sitzt zwischen diesen Polen: produktfertig und bedienfreundlich, aber als US-Cloud-Dienst mit den entsprechenden Datenschutzfragen.
Für den Einsatz von Sprachausgabe im Unternehmen gibt es grundsätzlich drei Wege. Erstens die Nutzung einer spezialisierten SaaS-Plattform wie WellSaid Labs über Browser und API, bei der Texte in der Cloud des Anbieters verarbeitet werden. Zweitens die Nutzung der Sprachdienste großer Cloud-Anbieter in einer EU-Region, eingebunden in eigene Anwendungen. Drittens der Betrieb eines offenen Sprachmodells auf eigener Hardware oder bei einem europäischen Hoster. Diese Wege schließen sich nicht aus: Viele Unternehmen nutzen eine komfortable Plattform für öffentliche Inhalte und eine selbst betriebene oder EU-gehostete Lösung für interne, vertrauliche Texte.
Bewährt hat sich ein Vorgehen in vier Schritten. Zuerst ein Hörtest: Wählen Sie drei bis fünf typische Texte aus Ihrem Alltag – ein Lernmodul mit Fachbegriffen, einen Werbetext, eine Produktanleitung – und lassen Sie diese bei WellSaid Labs und mindestens einem Wettbewerber vertonen, in allen benötigten Sprachen. Lassen Sie die Ergebnisse von Menschen bewerten, die die Zielgruppe kennen, idealerweise ohne zu verraten, welcher Anbieter welche Aufnahme erzeugt hat. Zweitens eine Vertrags- und Datenschutzprüfung mit Datenschutzbeauftragtem und gegebenenfalls Rechtsabteilung. Drittens ein Pilotprojekt mit einem überschaubaren Kurs oder einer Videoserie, in dem Arbeitsabläufe, Aussprache-Wörterbuch und Freigabeprozess erprobt werden. Viertens der Rollout mit Schulung, Richtlinien und klaren Zuständigkeiten.
Wichtig ist, den Pilot nicht nur auf Klangqualität zu bewerten. Messen Sie, wie lange die Produktion eines Moduls von Skript bis Freigabe dauert, wie viele Korrekturschleifen nötig sind und wie Lernende oder Kunden auf die synthetische Stimme reagieren. Diese Erfahrungswerte sind für die Wirtschaftlichkeitsbetrachtung wertvoller als jede Herstellerangabe.
Im laufenden Betrieb braucht es klare Rollen. Jemand pflegt das Aussprache-Wörterbuch, jemand gibt Aufnahmen fachlich frei, jemand verwaltet Zugänge und Lizenzen. Legen Sie fest, welche Stimmen für welche Inhaltsarten verwendet werden, damit Ihr Unternehmen konsistent klingt. Achten Sie außerdem auf Änderungen beim Anbieter: Stimmen können weiterentwickelt, umbenannt oder ersetzt werden, Modelle werden aktualisiert und klingen danach anders. Für Kurse, die über Jahre gepflegt werden, ist es sinnvoll, die Originaldateien zu archivieren und bei Modell-Updates gezielt zu prüfen, ob neu erzeugte Abschnitte noch zum Rest passen. Fragen Sie beim Anbieter nach, wie lange bestimmte Stimmversionen verfügbar bleiben.
Ein Maschinenbauer mit mehreren Standorten muss Mitarbeitende jährlich zu Arbeitssicherheit, Datenschutz und Compliance unterweisen und dazu Produktschulungen für Vertrieb und Service anbieten. Die Inhalte ändern sich regelmäßig: neue Vorschriften, neue Produktvarianten, neue Abläufe. Mit klassischen Sprecheraufnahmen wird jede Änderung zum kleinen Projekt mit Studiobuchung. Mit einer synthetischen Stimme wird der betroffene Satz im Skript geändert, neu erzeugt, angehört und ins Lernmodul übernommen. Das Aussprache-Wörterbuch sorgt dafür, dass Produktnamen überall gleich klingen.
Für englischsprachige Kurse, etwa für internationale Tochtergesellschaften oder Händler, spielt WellSaid Labs seine Stärken voll aus. Für deutschsprachige Kurse hängt die Eignung davon ab, welche deutschen Stimmen verfügbar sind und wie sie im Hörtest abschneiden. Viele Unternehmen landen bei einer Kombination: WellSaid Labs oder ein vergleichbarer Spezialanbieter für englische Inhalte, ein Anbieter mit breiter deutscher Unterstützung für die Inhalte im Heimatmarkt.
Exportorientierte Mittelständler brauchen Produktvideos, Messe-Loops und Anleitungen in mehreren Sprachen. Eine professionelle englische Sprecherstimme wertet solche Inhalte deutlich auf, und die Möglichkeit, Texte bei Produktänderungen schnell zu aktualisieren, spart Agenturkosten. Wer zusätzlich Deutsch, Französisch, Spanisch oder weitere Sprachen benötigt, sollte prüfen, ob ein Anbieter alle Sprachen in vergleichbarer Qualität abdeckt oder ob mehrere Werkzeuge kombiniert werden müssen. Für die Übersetzung der Skripte selbst bieten sich europäische Übersetzungsdienste an; die übersetzten Texte sollten vor der Vertonung von Muttersprachlern geprüft werden.
Synthetische Stimmen ersetzen keine Markenbotschafter. Für das Imagevideo, in dem die Geschäftsführerin über die Werte des Familienunternehmens spricht, oder für den Recruiting-Clip mit echten Auszubildenden bleibt die menschliche Stimme die bessere Wahl – Authentizität lässt sich nicht synthetisieren. Der richtige Startpunkt ist ein klar umrissener, wiederkehrender Inhaltstyp mit messbarem Aufwand: etwa die jährliche Unterweisung oder eine Serie von Produkterklärungen. Dort lässt sich der Nutzen nach wenigen Wochen belastbar beurteilen.
Konkrete Preise nennen wir bewusst nicht, weil sie sich bei TTS-Anbietern häufig ändern. Qualitativ lässt sich sagen: WellSaid Labs bietet Abo-Editionen, die in der Regel pro Person oder Arbeitsplatz abgerechnet werden und Kontingente für die erzeugte Audiomenge enthalten, sowie individuell verhandelte Unternehmensverträge mit erweiterten Funktionen. Die API-Nutzung kann gesondert lizenziert sein. Im Vergleich zu Massenanbietern liegt WellSaid Labs nach unserer Einschätzung eher im Premiumsegment. Aktuelle Konditionen, Testmöglichkeiten und Mindestlaufzeiten prüfen Sie beim Anbieter.
Der größere Kostenblock ist ohnehin die Arbeitszeit: Skripte schreiben, Aussprache pflegen, Aufnahmen anhören, korrigieren und in Lernmodule oder Videos einbauen. Eine faire Wirtschaftlichkeitsrechnung vergleicht deshalb nicht Lizenzpreis gegen Sprecherhonorar, sondern den gesamten Produktionsaufwand über die Lebensdauer eines Inhalts – inklusive aller Aktualisierungen. Gerade bei häufig geänderten Inhalten ist der Vorteil synthetischer Sprache dann deutlich.
Bei der Nutzung von WellSaid Labs werden Texte und gegebenenfalls Audiodateien in der Cloud des Anbieters verarbeitet. Prüfen Sie vor dem Einsatz, wo die Server stehen und ob eine Verarbeitung in der EU möglich ist, auf welcher Rechtsgrundlage Daten in die USA übermittelt werden – etwa über eine Zertifizierung des Anbieters nach dem EU-US Data Privacy Framework oder über Standardvertragsklauseln –, ob ein Auftragsverarbeitungsvertrag nach Art. 28 DSGVO angeboten wird, welche Unterauftragsverarbeiter eingesetzt werden, ob Ihre Texte zum Training von Modellen verwendet werden und wie Löschfristen geregelt sind. Sicherheitsnachweise und Zertifizierungen sollten Sie sich vorlegen lassen.
In der Praxis entschärft sich die Lage, wenn die vertonten Texte keine personenbezogenen Daten enthalten. Ein Lernmodul über Arbeitssicherheit oder ein Produkterklärvideo enthält in der Regel nur allgemeine Inhalte. Anders sieht es aus, wenn Skripte Namen von Kunden oder Mitarbeitenden, interne Kennzahlen oder vertrauliche Produktinformationen enthalten. Für solche Inhalte empfehlen wir eine strengere Bewertung oder den Wechsel auf eine Lösung mit EU-Hosting. Ziehen Sie in jedem Fall Ihren Datenschutzbeauftragten hinzu.
Eine echte Stärke von WellSaid Labs liegt im Umgang mit den Stimmen selbst. Weil die Stimmen auf Aufnahmen von Sprechern beruhen, die eingewilligt haben und vergütet werden, sind Persönlichkeits- und Nutzungsrechte an den Stimmen klarer geregelt als bei Anbietern, deren Bibliotheken auf offen geklonten oder unklar lizenzierten Stimmen basieren. Für Unternehmen, die öffentlich publizieren, ist das ein spürbarer Beitrag zur Rechtssicherheit – auch mit Blick auf die Transparenzpflichten der europäischen KI-Verordnung und die Erwartung von Kunden und Mitarbeitenden, dass mit synthetischen Stimmen verantwortungsvoll umgegangen wird.
Wer dagegen maximale Datenhoheit benötigt, findet DSGVO-konformere Optionen an anderer Stelle. Die Sprachdienste großer Cloud-Anbieter lassen sich in Rechenzentrumsregionen innerhalb der EU betreiben und bieten viele deutsche Stimmen; Auftragsverarbeitung und Transferfragen sind dort meist standardisiert geregelt, sollten aber trotzdem geprüft werden. Noch weiter geht der Betrieb eines selbst gehosteten Open-Source-TTS-Modells auf eigener Hardware oder bei einem europäischen Hoster: Kein Text verlässt dann das Unternehmen. Der Preis dafür sind technischer Aufwand, eigene Qualitätssicherung und die sorgfältige Prüfung der Lizenzen von Modellen und Stimmen.
Unabhängig vom Werkzeug bleibt das Unternehmen für die rechtmäßige Verarbeitung verantwortlich. Dazu gehören ein Eintrag im Verzeichnis von Verarbeitungstätigkeiten, eine dokumentierte Risikobewertung, bei individuellen Stimmen eine sorgfältig gestaltete Einwilligung der Sprecher und gegebenenfalls eine Datenschutz-Folgenabschätzung, transparente Kennzeichnung synthetischer Stimmen gegenüber Lernenden und Kunden sowie die Schulung der Mitarbeitenden im Sinne der KI-Kompetenzpflichten der europäischen KI-Verordnung.