Wer einen Sprachassistenten am Telefon oder auf der Website betreibt, setzt in den meisten Fällen auf eine Kette aus drei Bausteinen: Eine Spracherkennung wandelt das Gesprochene in Text um, ein Sprachmodell formuliert eine Antwort, und eine Sprachsynthese liest diese Antwort vor. Jeder dieser Schritte kostet Zeit. Bei der Sprachsynthese kommt hinzu, dass sie nicht nur schnell, sondern auch gut klingen muss: Eine roboterhafte Stimme zerstört das Vertrauen, eine zögerliche Stimme lässt das Gespräch stocken. Cartesia hat sich darauf spezialisiert, beides zusammenzubringen – hohe Natürlichkeit und eine Reaktionszeit, die sich im Gespräch kaum bemerkbar macht.
Das Unternehmen wurde von Forschenden aus dem Umfeld der Stanford University gegründet, die maßgeblich an der Entwicklung sogenannter State-Space-Modelle beteiligt waren – einer Modellarchitektur, die lange Datenströme wie Audio besonders effizient verarbeiten kann. Diese Herkunft prägt das Produkt bis heute: Cartesia versteht sich nicht als klassischer Stimmen-Shop, sondern als Anbieter von Echtzeit-Intelligenz, bei der Effizienz und Geschwindigkeit Konstruktionsprinzipien sind und nicht nachträgliche Optimierung. Was diese Architektur ausmacht, erklären wir in Kapitel 04 allgemeinverständlich.
Drei Eigenschaften prägen Cartesia:
Cartesia ist ein vergleichsweise junges Unternehmen, das seit seiner Gründung ein beachtliches Tempo vorgelegt hat. Die erste Sonic-Generation wurde rasch von Entwicklern aufgegriffen, die Voice Agents bauten und mit den Reaktionszeiten etablierter Sprachsynthese-Dienste unzufrieden waren. Seither hat Cartesia die Modellfamilie mehrfach weiterentwickelt, die Zahl der unterstützten Sprachen ausgebaut, Funktionen wie das Klonen von Stimmen und die Steuerung von Emotion und Sprechtempo ergänzt und sein Angebot um weitere Bausteine erweitert – darunter eine eigene Spracherkennung und Werkzeuge für den Bau kompletter Sprachagenten. Wie bei allen Anbietern in diesem Markt gilt: Funktionsumfang, Modellbezeichnungen und Bedingungen ändern sich schnell. Für jede Planung ist der aktuelle Stand in der Dokumentation des Anbieters zu prüfen, nicht in älteren Blogbeiträgen oder Vergleichstabellen.
Für die Einordnung ebenso wichtig ist der Anbieter selbst. Cartesia ist ein US-Unternehmen, die Verarbeitung findet im Standardfall in US-Rechenzentren statt. Das hat Folgen für Datenschutz, Vertragsgestaltung und die Bewertung des Drittlandtransfers – Themen, die wir in Kapitel 09 ausführlich behandeln. Hinzu kommt bei einem Stimm-Anbieter eine zweite rechtliche Dimension: die Frage, wessen Stimme eigentlich spricht, und ob die betroffene Person dem zugestimmt hat.
Cartesia richtet sich in erster Linie an Entwicklerteams, Softwareanbieter und Plattformen, die Sprachanwendungen bauen. Typische Nutzer sind Anbieter von Voice-Agent-Plattformen, die Cartesia als eine von mehreren Stimmen-Optionen anbieten, Unternehmen mit eigener Softwareentwicklung, die einen Telefon-Assistenten selbst orchestrieren, sowie Digitalagenturen und Systemhäuser, die Sprachlösungen für Kunden umsetzen. Viele Mittelständler kommen mit Cartesia daher indirekt in Berührung: Sie nutzen eine Plattform, in deren Stimmen-Auswahl Cartesia als Option auftaucht. Für eine Fachabteilung, die ohne IT-Unterstützung einen Assistenten aufsetzen will, ist die API in Reinform zu technisch.
Die Sonic-Modelle sind das, wofür Cartesia bekannt ist. Mit jeder Generation hat der Anbieter drei Dinge verbessert: die Natürlichkeit der Stimmen, insbesondere Betonung, Satzmelodie und Pausen; die Steuerbarkeit, also die Möglichkeit, Sprechtempo, Emotion und teils nonverbale Elemente wie ein kurzes Lachen zu beeinflussen; und die Mehrsprachigkeit, die inzwischen eine breite Palette von Sprachen umfasst, darunter Deutsch. Gleichzeitig ist die Reaktionsgeschwindigkeit das zentrale Verkaufsargument geblieben.
Für Unternehmen bedeutet das: Sonic ist nicht in erster Linie für Hörbücher, Werbespots oder lange Erklärvideos gedacht, auch wenn es dafür nutzbar ist. Sein Sweet Spot ist der Dialog – kurze, situative Sätze, die in Echtzeit entstehen und sofort gesprochen werden müssen. Wer überwiegend vorproduzierte Inhalte vertont, sollte Anbieter vergleichen, die auf maximale Ausdrucksstärke bei längeren Texten optimiert sind. Wer dagegen einen Telefon-Assistenten baut, für den ist die Kombination aus Tempo und Klang genau der richtige Prüfstein.
Unsere Empfehlung lautet daher, Cartesia zunächst dort zu bewerten, wo es seine Stärke hat – als Stimme –, und weitere Bausteine nur dann aus derselben Quelle zu beziehen, wenn sie im direkten Vergleichstest überzeugen. Eine Architektur, in der Spracherkennung, Sprachmodell und Sprachsynthese per Konfiguration austauschbar sind, schützt vor Abhängigkeit und erlaubt es, bei jedem Baustein den besten oder datenschutzfreundlichsten Anbieter zu wählen.
Cartesia bietet mehrere Wege, Audio zu erzeugen. Der einfachste ist eine klassische Anfrage, bei der ein vollständiger Text gesendet und eine fertige Audiodatei zurückgegeben wird – geeignet für Ansagen, Benachrichtigungen oder vorproduzierte Inhalte. Für Echtzeit-Dialoge interessanter sind die Streaming-Varianten: Das Audio wird in kleinen Stücken ausgeliefert, sobald es erzeugt ist, sodass die Wiedergabe beginnen kann, bevor der ganze Satz fertig ist. Über eine dauerhafte WebSocket-Verbindung lassen sich zudem mehrere Anfragen hintereinander senden, ohne für jede eine neue Verbindung aufzubauen – das spart wertvolle Millisekunden.
Besonders relevant für Voice Agents ist die Möglichkeit, Text stückweise nachzuliefern. Ein Sprachmodell erzeugt seine Antwort Wort für Wort. Würde die Sprachsynthese warten, bis die Antwort vollständig vorliegt, ginge viel Zeit verloren. Cartesia erlaubt es, Textfragmente innerhalb eines zusammenhängenden Kontexts nachzureichen, wobei die Betonung über die Fragmente hinweg stimmig bleiben soll. Zusätzlich kann die Schnittstelle Zeitstempel für einzelne Wörter liefern. Das ist wichtig, wenn der Anrufer den Assistenten unterbricht: Die Anwendung weiß dann genau, bis zu welchem Wort die Antwort tatsächlich gehört wurde, und kann den Gesprächsverlauf korrekt fortführen. Für die Telefonie stehen gängige Audioformate und Abtastraten zur Verfügung, sodass das Audio ohne aufwendige Umwandlung in Telefonnetze eingespeist werden kann.
Cartesia stellt eine Bibliothek vorgefertigter Stimmen in verschiedenen Sprachen, Altersgruppen und Sprechstilen bereit. Für viele Anwendungen reicht eine gut gewählte Stimme aus dieser Bibliothek. Darüber hinaus bietet der Anbieter Voice Cloning an: Aus einer kurzen Sprachaufnahme lässt sich eine Stimme ableiten, die dem Original ähnelt. Daneben gibt es nach Herstellerangaben aufwendigere Verfahren, bei denen mit mehr Audiomaterial eine präzisere Nachbildung entsteht – etwa für eine dauerhafte Markenstimme. Welche Varianten in welchem Tarif verfügbar sind, ist beim Anbieter zu prüfen.
Neben der Stimmwahl lässt sich der Ausdruck beeinflussen: Sprechtempo, Lautstärke und emotionale Färbung – freundlich, ruhig, energisch – sowie je nach Modell Pausen oder nonverbale Elemente. Für die Aussprache von Fachbegriffen, Produktnamen und Abkürzungen gibt es Mechanismen, um die gewünschte Lautung vorzugeben. Gerade im deutschsprachigen Mittelstand, in dem Artikelbezeichnungen, Ortsnamen und Fachvokabular selten in Trainingsdaten auftauchen, ist dieser Punkt entscheidend. Ebenso wichtig ist die Behandlung von Zahlen, Datumsangaben, Uhrzeiten, Währungen und Telefonnummern: Ob „12.10.“ als Datum und „0521“ als Vorwahl korrekt gesprochen werden, gehört in jeden Test.
Bei geklonten Stimmen ist besondere Sorgfalt geboten. Eine Stimme ist ein persönliches Merkmal, und ihre Nachbildung berührt Persönlichkeitsrechte, Datenschutz und – bei Sprechern – vertragliche Nutzungsrechte. Wir behandeln diese Fragen in Kapitel 09 ausführlich. Vorab: Ohne dokumentierte, informierte Einwilligung der Person, deren Stimme geklont wird, sollte kein Klon erstellt werden.
Für international tätige Mittelständler ist die Mehrsprachigkeit ein wichtiger Punkt. Cartesia unterstützt eine Vielzahl von Sprachen, und viele Stimmen können mehrere Sprachen sprechen. Darüber hinaus bietet der Anbieter Funktionen zur Lokalisierung von Stimmen: Eine Stimme soll ihren Charakter behalten, aber mit dem Akzent oder in der Sprache einer anderen Region sprechen. So kann eine Markenstimme beispielsweise auf Deutsch, Englisch und Französisch auftreten. Wie natürlich das im Einzelfall klingt, insbesondere bei deutschen Umlauten, Komposita und regionaler Färbung, muss mit eigenen Hörproben bewertet werden.
Man kann sich die Verarbeitung von Sprache als das Lesen eines langen Datenstroms vorstellen. Ein Transformer arbeitet, vereinfacht gesagt, wie ein Leser, der bei jedem neuen Wort noch einmal auf alle bisherigen Wörter zurückblickt, um den Zusammenhang zu verstehen. Das ist sehr leistungsfähig, wird aber mit wachsender Länge immer aufwendiger: Je mehr bereits gelesen wurde, desto mehr muss bei jedem Schritt berücksichtigt werden. Bei Audio, das aus sehr vielen kleinen Zeitabschnitten besteht, summiert sich das schnell.
Ein State-Space-Modell arbeitet anders. Es führt eine Art komprimiertes Gedächtnis mit, einen sogenannten Zustand, der bei jedem neuen Datenpunkt aktualisiert wird. Statt bei jedem Schritt die gesamte Vergangenheit erneut zu betrachten, fasst das Modell das Wichtigste laufend in diesem Zustand zusammen – ähnlich wie ein Dolmetscher, der nicht jeden gehörten Satz wörtlich im Kopf behält, sondern ein fortlaufendes Verständnis des Gesprächs. Der Aufwand pro Schritt bleibt dadurch weitgehend konstant, unabhängig davon, wie lang der Datenstrom bereits ist. Die Idee stammt ursprünglich aus der Signalverarbeitung und Regelungstechnik; neu ist, dass es Forschenden gelungen ist, solche Modelle so zu gestalten, dass sie mit modernen Lernverfahren trainiert werden können und in vielen Aufgaben mit Transformern mithalten.
Die Gründer von Cartesia gehören zu den Forschenden, die diese Modellklasse in den vergangenen Jahren maßgeblich vorangetrieben haben. Bekannte Arbeiten aus diesem Umfeld haben gezeigt, dass State-Space-Modelle gerade bei langen Sequenzen – Audio, Zeitreihen, Genomdaten – effizient arbeiten. Cartesia überträgt diese Erkenntnisse auf ein konkretes Produkt: Sprachmodelle, die kontinuierlich und mit gleichbleibend geringem Aufwand Audio erzeugen.
Aus der Architektur ergeben sich mehrere praktische Vorteile, die Cartesia in den Vordergrund stellt. Erstens die Reaktionszeit: Weil das Modell Schritt für Schritt mit konstantem Aufwand arbeitet, kann es sehr schnell mit der Ausgabe beginnen und gleichmäßig weitersprechen. Zweitens die Effizienz: Ein geringerer Rechenaufwand pro erzeugter Sekunde Audio kann sich in niedrigeren Betriebskosten und einer höheren Zahl gleichzeitiger Gespräche pro Server niederschlagen. Drittens die Eignung für kleinere Geräte: Effiziente Modelle lassen sich eher auf Endgeräten oder in kompakter eigener Infrastruktur betreiben, was für Datenschutz und Offline-Szenarien interessant ist.
Wichtig ist eine nüchterne Einordnung. Die Architektur ist ein Mittel, kein Selbstzweck. Ob eine Stimme natürlich klingt, deutsche Zahlen korrekt spricht und im Telefonnetz stabil bleibt, hängt ebenso von Trainingsdaten, Feinabstimmung und Infrastruktur ab wie von der Modellklasse. Auch Transformer-basierte Wettbewerber haben ihre Reaktionszeiten in den vergangenen Jahren deutlich verbessert, und viele moderne Systeme kombinieren ohnehin verschiedene Architekturbausteine. Für die Auswahl zählt daher nicht die Architektur, sondern das gemessene Ergebnis im eigenen Szenario.
Cartesia veröffentlicht – wie alle Anbieter in diesem Markt – Vergleiche zu Reaktionszeit und Qualität. Solche Angaben sind ein Hinweis, aber keine Entscheidungsgrundlage. Gemessen wird häufig unter idealen Bedingungen: kurze Testsätze, englische Sprache, Server und Client in derselben Region, optimale Konfiguration. Im Mittelstand sieht die Realität anders aus: deutsche Sprache, Gespräche über das Telefonnetz, Server in den USA und Anrufer in Ostwestfalen, eine Kette aus mehreren Diensten, von denen jeder Zeit kostet.
Für einen fairen Vergleich empfiehlt sich ein eigener Messaufbau: dieselben deutschen Testsätze, dieselbe Infrastruktur, dieselbe Netzwerkstrecke, gemessen wird die Zeit vom Absenden des ersten Textfragments bis zum ersten hörbaren Audio sowie die Gesamtzeit eines typischen Gesprächsschritts. Ergänzend werden Hörproben von mehreren Personen blind bewertet – ohne zu wissen, welcher Anbieter welche Probe erzeugt hat. Erst diese Kombination aus Messung und Höreindruck liefert eine belastbare Aussage.
Gerade dieser Komfort verdient einen zweiten Blick. Wird Cartesia über eine Plattform genutzt, fließen Gesprächsinhalte über mindestens zwei Anbieter: die Plattform und Cartesia, häufig ergänzt um Telefonie- und Sprachmodell-Anbieter. Jeder ist ein Auftragsverarbeiter oder Unterauftragsverarbeiter mit eigenem Standort, eigenen Speicherfristen und eigener Vertragslage. Ob eine geklonte Stimme bei der Plattform oder bei Cartesia gespeichert wird und wer daran welche Rechte hat, sollte vor dem Projektstart geklärt sein.
Wer Cartesia direkt über die API einbindet, etwa für Ansagen in einer Telefonanlage, für Vorlesefunktionen in einer Software oder für die Vertonung von Inhalten, nutzt die offiziellen Programmierbibliotheken oder die REST- und WebSocket-Schnittstellen. Das bietet volle Kontrolle, verlangt aber, dass Streaming, Pufferung, Fehlerbehandlung und Wiederholungsversuche selbst implementiert werden. Für einfache, nicht zeitkritische Vertonungen ist das überschaubar; für Echtzeit-Dialoge empfehlen wir in aller Regel den Weg über ein Framework.
In der Praxis haben sich die Profile angenähert: ElevenLabs bietet ebenfalls schnelle Modelle für Agents, Cartesia hat Ausdruck und Stimmvielfalt ausgebaut. Die Unterschiede liegen heute eher im Detail – Klang einzelner deutscher Stimmen, Stabilität bei Zahlen und Namen, Verhalten am Telefon, Preismodell und Vertragsbedingungen. Wer vor allem vorproduzierte Inhalte oder eine sehr ausdrucksstarke Markenstimme braucht, wird ElevenLabs intensiv prüfen. Wer einen Telefon-Assistenten mit maximalem Tempo in einer selbst orchestrierten Kette baut, sollte Cartesia im direkten Vergleich testen.
Deepgram kommt aus der Spracherkennung und bietet mit Aura eigene Sprachsynthese-Modelle an, die ebenfalls auf geringe Latenz für Voice Agents ausgelegt sind. Der Reiz liegt in der Kombination: Spracherkennung und Sprachsynthese aus einer Hand, mit einem Vertrag und einer abgestimmten Infrastruktur. Cartesia geht mit seiner eigenen Spracherkennung den umgekehrten Weg – vom Stimmen-Spezialisten zum Stack-Anbieter. Im Vergleich lohnt es sich, Stimmqualität und Stimmvielfalt im Deutschen sowie Erkennungsgenauigkeit getrennt zu bewerten, statt sich vorschnell für einen Komplettanbieter zu entscheiden.
Azure AI Speech von Microsoft ist für viele mittelständische Unternehmen die naheliegende Enterprise-Option. Der Dienst bietet eine große Auswahl neuronaler Stimmen in vielen Sprachen, eigene Markenstimmen über ein kontrolliertes Verfahren mit Sprecher-Einwilligung, und – entscheidend – die Bereitstellung in EU-Regionen unter den Datenschutzzusagen von Microsoft. Für Unternehmen, die bereits in der Microsoft-Cloud arbeiten, sind Vertragsrahmen und Freigaben oft schon vorhanden. Ob Klang und Reaktionszeit für den konkreten Dialog mit spezialisierten Anbietern mithalten, ist zu testen; auch beim US-Mutterkonzern bleibt die Frage des CLOUD Act zu bewerten.
Die datenschutzfreundlichste Option sind selbst gehostete Open-Source-Modelle für Sprachsynthese. Die Qualität offener Modelle hat sich deutlich verbessert, und einige erreichen für Deutsch inzwischen ein Niveau, das für viele Service-Dialoge genügt. Bei eigenem Betrieb in einem deutschen oder europäischen Rechenzentrum verlassen Gesprächsinhalte die eigene Kontrolle nicht. Der Preis: Betrieb, GPU-Infrastruktur, Updates, Skalierung und die Prüfung von Lizenzen und Trainingsdaten liegen beim Unternehmen oder seinem Dienstleister. Für Anwendungen mit sensiblen Daten – Gesundheit, Finanzen, personenbezogene Auskünfte – ist diese Option ernsthaft zu prüfen.
Der Standardweg ist die Cloud-API: Die Anwendung sendet Text an Cartesia, die Sprachsynthese läuft in der Infrastruktur des Anbieters, das Audio kommt zurück. Das ist schnell eingerichtet und skaliert ohne eigene Hardware, bedeutet aber, dass Gesprächsinhalte die eigene Infrastruktur verlassen. Für größere Kunden bietet Cartesia nach eigenen Angaben Enterprise-Vereinbarungen mit erweiterten Bedingungen an – etwa zu Datenspeicherung, Kapazitäten, Service-Levels und teils zu Bereitstellungsvarianten in der Infrastruktur des Kunden oder in bestimmten Regionen. Welche Optionen konkret verfügbar sind, ob eine Verarbeitung in der EU oder eine Installation im eigenen Rechenzentrum möglich ist und zu welchen Bedingungen, ist im Einzelfall beim Anbieter zu prüfen.
Daneben verfolgt Cartesia den Ansatz, effiziente Modelle auf Endgeräten oder nahe am Gerät laufen zu lassen. Hier zahlt sich die State-Space-Architektur aus, weil sie mit vergleichsweise wenig Rechenleistung auskommt. Für Industrieanwendungen, Fahrzeuge, Geräte im Außendienst oder Szenarien ohne stabile Internetverbindung kann das spannend sein. Reifegrad, unterstützte Plattformen, Lizenzbedingungen und die Verfügbarkeit deutscher Stimmen in solchen Varianten sind allerdings genau zu prüfen; für die meisten Mittelständler wird die Cloud-Variante der Startpunkt sein.
Sprachsynthese wirkt auf den ersten Blick deterministisch: Text rein, Audio raus. In der Praxis gibt es Schwankungen. Dieselbe Stimme kann denselben Satz leicht unterschiedlich betonen, neue Modellversionen verändern die Aussprache einzelner Wörter, und bei Lastspitzen kann die Reaktionszeit steigen. Deshalb braucht auch die Stimme eine Testsuite: eine Sammlung kritischer Sätze mit Zahlen, Namen, Fachbegriffen und typischen Formulierungen, die bei jeder Änderung an Modell, Stimme oder Aussprachevorgaben erneut erzeugt und stichprobenartig angehört wird.
Im laufenden Betrieb gehören Kennzahlen in ein Monitoring: Zeit bis zum ersten Audio, Gesamtdauer der Erzeugung, Fehlerraten und Abbrüche, Anteil von Gesprächen mit Unterbrechungen sowie die Kosten pro Gespräch. Auffälligkeiten in einzelnen Gesprächen – etwa wiederholte Rückfragen des Anrufers nach einer bestimmten Ansage – sind oft ein Hinweis auf Ausspracheprobleme, die sich gezielt beheben lassen.
Jeder Cloud-Dienst kann ausfallen, langsamer werden oder an Kapazitätsgrenzen stoßen. Ein Voice Agent, der ausschließlich auf eine Stimme eines Anbieters angewiesen ist, verstummt dann. Bewährt hat sich ein zweiter Anbieter als Rückfallebene, der über das Framework automatisch übernimmt, wenn der primäre Dienst nicht rechtzeitig antwortet. Die Ersatzstimme klingt anders, aber ein Gespräch mit anderer Stimme ist besser als ein abgebrochenes. Zusätzlich sollten feste Ansagen – Begrüßung, Datenschutzhinweis, Weiterleitungstexte – vorab erzeugt und lokal vorgehalten werden. Das spart Kosten und macht diese Teile unabhängig vom Anbieter.
Ebenso wichtig ist die Portabilität geklonter Stimmen. Eine Markenstimme, die bei einem Anbieter erstellt wurde, lässt sich in der Regel nicht einfach zu einem anderen mitnehmen. Wer eine eigene Stimme aufbauen will, sollte die Originalaufnahmen selbst besitzen, die Rechte daran vertraglich sichern und damit rechnen, die Stimme bei einem Wechsel neu erstellen zu müssen.
Für den DACH-Markt ist die Qualität der deutschen Stimmen das wichtigste Auswahlkriterium – und eines, das sich nicht aus Herstellerdemos ableiten lässt. Englische Beispiele klingen bei fast allen Anbietern beeindruckend; im Deutschen trennt sich die Spreu vom Weizen. Ein strukturierter Hörtest sollte mindestens folgende Bereiche abdecken: Zahlen und Formate wie Datumsangaben, Uhrzeiten, Preise, Postleitzahlen, Telefon- und Kundennummern; Eigennamen wie Firmen-, Produkt- und Ortsnamen aus der eigenen Region; Fachvokabular der Branche; Anglizismen, die im deutschen Geschäftsalltag üblich sind; sowie lange Komposita, die für das Deutsche typisch sind.
Hinzu kommt der Eindruck der Stimme insgesamt: Klingt sie nach Hochdeutsch ohne fremden Akzent? Passt die Tonlage zur Zielgruppe – ein Handwerksbetrieb im ländlichen Raum braucht eine andere Ansprache als ein Softwareanbieter. Wirkt die Stimme bei Duzen und Siezen gleichermaßen stimmig? Und wie klingt sie über eine echte Telefonverbindung, nicht nur über Studiokopfhörer? Wir empfehlen, mindestens drei bis fünf Stimmen verschiedener Anbieter mit denselben Sätzen zu erzeugen und von Mitarbeitenden aus Service und Vertrieb blind bewerten zu lassen.
Cartesia passt zu Mittelständlern, die einen Voice Agent mit spürbarem Volumen planen, bei dem Gesprächstempo ein wichtiges Qualitätsmerkmal ist, und die über einen erfahrenen Umsetzungspartner, ein eigenes Entwicklungsteam oder eine Voice-Agent-Plattform verfügen. Besonders gut passt es zu Softwareanbietern, die Sprachfunktionen in eigene Produkte einbauen, und zu Unternehmen, die eine modulare Architektur verfolgen, in der jeder Baustein gezielt gewählt wird.
Cartesia rechnet nutzungsabhängig ab, typischerweise auf Basis der Menge erzeugten Texts beziehungsweise Audios, kombiniert mit Abonnement-Stufen, die Kontingente und Funktionen festlegen. Für größere Volumen gibt es individuelle Vereinbarungen. Im Kontext eines Voice Agents ist die Sprachsynthese meist nur ein Kostenblock unter mehreren: Sprachmodell, Spracherkennung, Telefonie und Plattformgebühren kommen hinzu. Wirksame Hebel auf Seite der Stimme sind kurze, präzise Antworten des Assistenten, das Vorabproduzieren und Zwischenspeichern wiederkehrender Ansagen sowie die Wahl des passenden Modells für den jeweiligen Gesprächsteil.
Für die Wirtschaftlichkeitsbetrachtung empfiehlt sich eine Rechnung pro gelöstem Anliegen statt pro Zeichen oder Minute: Was kostet ein vollständig durch den Voice Agent erledigter Anruf inklusive aller Bausteine und anteiligem Betrieb – und was kostet derselbe Anruf im eigenen Service? Diese Zahlen lassen sich nur im Pilotbetrieb seriös ermitteln. Aktuelle Preise, Tarifstufen und Konditionen für Enterprise-Kunden sind beim Anbieter zu prüfen.
Cartesia ist ein US-Anbieter, und die Verarbeitung findet im Standardfall in Rechenzentren in den USA statt. Damit liegt ein Drittlandtransfer vor, der eine tragfähige Grundlage benötigt – etwa einen Angemessenheitsbeschluss wie das EU-US Data Privacy Framework, sofern der Anbieter zertifiziert ist, oder Standardvertragsklauseln mit ergänzender Transfer-Folgenabschätzung. Ob Cartesia zertifiziert ist, welche Unterauftragsverarbeiter eingesetzt werden und welche Sicherheitsnachweise vorliegen, ist beim Anbieter zu prüfen. Zusätzlich ist der CLOUD Act zu berücksichtigen: US-Behörden können unter bestimmten Voraussetzungen auf Daten zugreifen, die US-Unternehmen verarbeiten – grundsätzlich auch dann, wenn die Daten außerhalb der USA gespeichert sind. Die Rechtslage zum transatlantischen Datentransfer ist zudem nicht abschließend stabil und sollte laufend beobachtet werden.
Mehrere Wege können die Situation verbessern. Erstens lohnt die Frage nach Enterprise-Bedingungen: reduzierte oder keine Speicherung von Texten und Audio, Ausschluss der Nutzung für Training, Verarbeitung in bestimmten Regionen oder eine Bereitstellung in eigener Infrastruktur. Ob und zu welchen Konditionen das für ein mittelständisches Volumen verfügbar ist, ist beim Anbieter zu prüfen. Zweitens kann Datenminimierung helfen: Werden an die Sprachsynthese nur Texte ohne unnötige personenbezogene Details gesendet, sinkt das Risiko. Drittens bleiben datenschutzfreundlichere Alternativen: Azure Speech in einer EU-Region, europäische Anbieter oder selbst gehostete Open-Source-Modelle in einem deutschen Rechenzentrum, bei denen Gesprächsinhalte die eigene Kontrolle nicht verlassen.
Beim Klonen einer Stimme entsteht eine besondere Rechtslage. Eine Stimme ist ein Persönlichkeitsmerkmal, ihre Aufnahme ein personenbezogenes Datum, und ihre Nachbildung kann das allgemeine Persönlichkeitsrecht berühren. Wird die Stimme einer Mitarbeiterin, eines Geschäftsführers oder eines professionellen Sprechers geklont, braucht es eine informierte, dokumentierte Einwilligung, die Zweck, Umfang, Dauer, Kanäle und Widerrufsmöglichkeiten klar beschreibt. Im Arbeitsverhältnis ist zusätzlich die Freiwilligkeit kritisch zu prüfen; der Betriebsrat kann zu beteiligen sein. Bei professionellen Sprechern sind außerdem vertragliche Nutzungsrechte und Vergütung zu regeln, und es ist zu klären, was beim Ausscheiden der Person oder beim Widerruf mit der Stimme geschieht.
Auch der Anbieter selbst setzt Grenzen: Die Nutzungsbedingungen von Stimm-Anbietern untersagen in der Regel das Klonen fremder Stimmen ohne Berechtigung und den Einsatz für Täuschung oder Betrug. Für Unternehmen gilt darüber hinaus der EU AI Act: KI-Systeme, die direkt mit Menschen interagieren, müssen als solche erkennbar sein, und synthetisch erzeugte Audioinhalte unterliegen Kennzeichnungspflichten. Am Telefon bedeutet das einen klaren, gesprochenen Hinweis zu Beginn des Gesprächs. Eine geklonte Stimme einer realen Person, die ohne diesen Hinweis spricht, ist besonders heikel. Hinzu kommen die Grundpflichten der DSGVO – Rechtsgrundlage, Information der Anrufer, Löschkonzept – sowie bei Aufzeichnung von Gesprächen die Vertraulichkeit des gesprochenen Wortes.