Wissensdatenbank · Voice & Conversational AI · Voice-Agent-Plattform

ElevenLabs Agents – Voice-Agenten mit Stimmen, die man nicht vergisst.

ElevenLabs ist vor allem für extrem natürliche synthetische Stimmen bekannt. Mit der Agents Platform – ursprünglich unter dem Namen Conversational AI gestartet – baut der Anbieter auf seinen eigenen Sprachsynthese- und Spracherkennungsmodellen eine vollständige Plattform für sprechende KI-Agenten: am Telefon, auf der Website und in Apps. Für Unternehmen, denen Stimmqualität, Mehrsprachigkeit und schnelle Umsetzung wichtig sind, ist ElevenLabs eine der spannendsten Optionen – mit klaren Prüfaufgaben bei Datenresidenz, Drittlandtransfer und Stimmrechten.

Dieser Artikel wurde mithilfe künstlicher Intelligenz erstellt und redaktionell geprüft.

28 Min. Lesezeit
Aktualisiert · Oktober 2026
Fachartikel · Expertenbeitrag
ElevenLabs Agents
ElevenLabs · US-Rechtsträger, Standorte u. a. in London und New York (Vertragspartner prüfen)
Typ
Voice-Agent-Plattform (SaaS) mit API
Basis
Eigene TTS- und STT-Modelle, frei wählbares LLM
Kanäle
Telefonie (SIP, Twilio), Web-Widget, Apps, API
Betrieb
Cloud-Dienst des Anbieters, kein Self-Hosting
Datenresidenz
Standard außerhalb EU möglich, EU-Option im Enterprise-Umfeld prüfen
Hauptwettbewerb
Vapi, Retell AI, Parloa, Cognigy, OpenAI Realtime
INAGRO Eignung Mittelstand mit Voice-Fokus
★★★★★
Kapitel 01 · Überblick

Was ist ElevenLabs Conversational AI?

ElevenLabs Conversational AI – inzwischen vom Anbieter als Agents Platform vermarktet – ist eine Cloud-Plattform, mit der Unternehmen sprechende KI-Agenten erstellen, testen und betreiben. Ein solcher Agent hört zu, versteht, denkt mit Hilfe eines Sprachmodells nach, ruft bei Bedarf Unternehmenssysteme auf und antwortet mit einer synthetischen Stimme, die kaum noch von einem Menschen zu unterscheiden ist. Das Besondere: Die beiden Enden der Sprachkette – Spracherkennung und Sprachsynthese – stammen aus dem eigenen Haus.

Um ElevenLabs einzuordnen, hilft ein Blick auf die Herkunft. Das Unternehmen wurde Anfang der 2020er-Jahre von zwei Gründern mit polnischen Wurzeln aufgebaut und ist mit Text-to-Speech groß geworden: Hörbücher, Videovertonung, Synchronisation, Barrierefreiheit, Content-Produktion. In diesem Markt hat ElevenLabs Maßstäbe gesetzt, was Natürlichkeit, Betonung und emotionale Färbung synthetischer Stimmen angeht. Der Schritt zum Voice-Agenten war naheliegend: Wer die beste Stimme liefert, will auch das Gespräch liefern, in dem diese Stimme spricht.
Die Plattform ist damit kein klassisches Contact-Center-Produkt, das nachträglich Sprachfähigkeiten bekommen hat, sondern das Gegenteil: ein Sprachspezialist, der sich in Richtung Dialogautomatisierung entwickelt. Diese Herkunft prägt Stärken und Schwächen gleichermaßen. Drei Eigenschaften machen ElevenLabs Agents aus:
  • Stimmqualität als Kernkompetenz – Die Sprachsynthese gilt im Markt als eine der natürlichsten überhaupt, mit großer Stimmenbibliothek, Voice Cloning und feinen Möglichkeiten, Sprechtempo, Stil und Stabilität zu steuern. Für Marken, die am Telefon nicht nach Roboter klingen wollen, ist das ein echtes Argument.
  • Komplette Sprachkette aus einer Hand – Spracherkennung, Turn-Taking, Sprachmodell-Anbindung, Sprachsynthese, Telefonie-Anbindung und Auswertung sind auf einer Plattform integriert. Das reduziert die Zahl der Dienstleister und Schnittstellen, die ein Projekt sonst selbst orchestrieren müsste.
  • Entwicklerfreundlich und trotzdem zugänglich – Agenten lassen sich in einer Weboberfläche konfigurieren und testen, gleichzeitig steht eine umfangreiche API mit SDKs bereit. Fachbereich und Entwicklung können am selben Agenten arbeiten.

Vom Stimmengenerator zur Agentenplattform

Die Entwicklung lässt sich in drei Phasen beschreiben. Zuerst stand die reine Sprachsynthese im Vordergrund: Text hinein, Audio heraus. Dann kamen Werkzeuge für Synchronisation, Voice Cloning und eine eigene Spracherkennung hinzu, sodass ElevenLabs beide Richtungen der Sprachverarbeitung abdeckte. In der dritten Phase verband der Anbieter diese Bausteine mit einer Orchestrierungsschicht für Echtzeitgespräche, einer Anbindung an große Sprachmodelle, Werkzeugaufrufen, Wissensdatenbanken und Telefonie. Daraus wurde zunächst „Conversational AI“ und später die breiter gefasste „Agents Platform“.
Für Entscheider bedeutet das: Viele Artikel, Tutorials und Vergleiche im Netz beziehen sich auf frühere Produktstände. Funktionsumfang, Namen einzelner Komponenten und Preismodelle haben sich in kurzer Zeit mehrfach verändert. Wer ElevenLabs heute bewertet, sollte sich auf die aktuelle Dokumentation und ein eigenes Testkonto stützen, nicht auf Erfahrungsberichte, die älter als einige Monate sind.

Rechtsträger, Sitz und warum das wichtig ist

ElevenLabs tritt international auf, hat Teams in mehreren Ländern und Büros unter anderem in London und New York sowie Präsenzen in Europa. Der für Kundenverträge maßgebliche Rechtsträger ist nach unserem Kenntnisstand eine US-Gesellschaft; je nach Vertrag und Region können auch andere Konzerngesellschaften beteiligt sein. Das ist kein Detail für Juristen, sondern hat direkte Folgen: Ein US-Vertragspartner unterliegt US-Recht und kann behördlichen Zugriffsansprüchen nach US-Recht ausgesetzt sein, auch wenn Daten in Europa gespeichert werden. Wer ElevenLabs einsetzen will, sollte deshalb vor Vertragsabschluss schriftlich klären, welche Gesellschaft Vertragspartner ist, wo Daten standardmäßig verarbeitet werden, welche Unterauftragsverarbeiter beteiligt sind und auf welcher Grundlage ein Drittlandtransfer erfolgt. Wir gehen darauf in Kapitel 09 ausführlich ein.
INAGRO-Einschätzung

ElevenLabs Agents ist die naheliegende Wahl, wenn Stimmqualität, Mehrsprachigkeit und eine schnelle Umsetzung im Vordergrund stehen und das Unternehmen bereit ist, einen US-basierten Cloud-Dienst sorgfältig datenschutzrechtlich abzusichern. Es ist keine Lösung für Unternehmen, die zwingend selbst hosten müssen, und kein vollwertiges Contact-Center-System. Wer diese Grenzen kennt, bekommt eine der modernsten Voice-Agent-Plattformen am Markt.

Kapitel 02 · Produktfamilie & Positionierung

Die Produktfamilie von ElevenLabs und ihre Positionierung

Die Agents Platform steht nicht allein, sondern baut auf mehreren Produktlinien auf, die ElevenLabs auch einzeln anbietet. Wer versteht, welche Bausteine in einem Voice-Agenten zusammenwirken, kann Qualität, Latenz und Kosten besser beurteilen. Modellnamen und Versionen ändern sich häufig – die aktuelle Modellübersicht ist immer beim Anbieter zu prüfen.

Text-to-Speech
Kernprodukt

Die Sprachsynthese, mit der ElevenLabs bekannt geworden ist. Es gibt Modellvarianten mit unterschiedlichem Schwerpunkt: maximale Ausdrucksstärke für Content-Produktion und besonders schnelle, latenzarme Varianten für Echtzeitgespräche.

EinsatzAgenten, Content, Vertonung
SprachenViele, inkl. Deutsch
StärkeNatürlichkeit, Ausdruck
Für AgentenSchnelle Varianten wählen
Speech-to-Text
Eigenes Modell

Die eigene Spracherkennung (vom Anbieter unter dem Namen Scribe geführt) wandelt gesprochene Sprache in Text. Für Agenten wird eine Echtzeitvariante genutzt, die Teiltranskripte liefert, damit der Agent früh reagieren kann.

EinsatzAgenten, Transkription
ModusBatch und Echtzeit
StärkeMehrsprachigkeit
PrüfenFachbegriffe, Dialekte
Voice Cloning & Voice Library
Stimmen

Eigene Stimmen lassen sich aus Sprachaufnahmen erzeugen – schnell aus kurzen Samples oder hochwertig aus längerem, professionell aufgenommenem Material. Dazu kommt eine große Bibliothek vorgefertigter und von der Community bereitgestellter Stimmen.

VariantenInstant und Professional
VoraussetzungRechte und Einwilligung
StärkeMarkenstimme
RisikoStimmrechte, Missbrauch
Agents Platform
Orchestrierung

Die Plattform, die alles verbindet: Echtzeit-Audio, Turn-Taking, LLM-Anbindung, Tools, Wissensbasis, Workflows, Telefonie, Widget, Tests und Analysen. Früher als Conversational AI bezeichnet.

BetriebSaaS des Anbieters
ZugangWeb-Oberfläche, API, SDKs
StärkeAlles integriert
ZielgruppeEntwickler & Fachbereich

Warum eigene Sprachmodelle ein strategischer Vorteil sind

Die meisten Voice-Agent-Plattformen sind Orchestrierer: Sie verbinden Spracherkennung eines Anbieters, ein Sprachmodell eines zweiten und Sprachsynthese eines dritten. Das ist flexibel, bringt aber Reibungsverluste mit sich. Jeder Übergang zwischen Diensten kostet Zeit, jeder Anbieter hat eigene Verträge, eigene Datenschutzbedingungen und eigene Ausfallrisiken. ElevenLabs kontrolliert dagegen beide Audio-Enden selbst. Das erlaubt eine engere Abstimmung zwischen Erkennung, Gesprächssteuerung und Synthese – etwa beim Erkennen, wann ein Anrufer fertig gesprochen hat, oder beim schnellen Abbrechen der eigenen Antwort, wenn der Anrufer dazwischenredet.
Nicht unter eigener Kontrolle ist dagegen in der Regel das Sprachmodell, das die eigentlichen Antworten erzeugt. Hier bindet ElevenLabs große Modelle verschiedener Anbieter an oder erlaubt die Anbindung eines eigenen Modells. Das ist bewusst so gewählt: Der Anbieter konzentriert sich auf das, was er am besten kann – Sprache –, und lässt die Wahl des „Gehirns“ offen. Für die Datenschutzbewertung heißt das allerdings, dass neben ElevenLabs mindestens ein weiterer Dienst mit Gesprächsinhalten arbeitet.

Positionierung im Markt: Sprachspezialist mit Agenten-Anspruch

ElevenLabs positioniert die Agents Platform zwischen zwei Lagern. Auf der einen Seite stehen entwicklerorientierte Voice-Agent-Plattformen wie Vapi oder Retell AI, die vor allem als flexible Orchestrierungsschicht für Entwickler auftreten. Auf der anderen Seite stehen Enterprise-Plattformen für den Kundenservice wie Parloa oder Cognigy, die tief in Contact-Center-Prozesse integriert sind und stark über Beratung und Projektgeschäft verkauft werden. ElevenLabs bedient beide Zielgruppen ein Stück weit: Selbstbedienung für Entwickler und kleinere Teams, Enterprise-Verträge mit erweiterten Datenschutz- und Sicherheitsoptionen für große Kunden.
Das Preismodell folgt typischerweise einer nutzungsbasierten Logik – etwa nach Gesprächsminuten oder Guthaben, gestaffelt nach Tarifen –, ergänzt um Enterprise-Vereinbarungen mit individuellen Konditionen. Ob und in welcher Höhe zusätzlich Kosten für das angebundene Sprachmodell, für Telefonie oder für besonders hochwertige Stimmen anfallen, hängt vom gewählten Tarif und der Konfiguration ab. Konkrete Preise nennen wir bewusst nicht; sie ändern sich häufig und sind beim Anbieter zu prüfen.
Tarif vor Architektur klären

Viele Funktionen, die für den professionellen Einsatz entscheidend sind – etwa EU-Datenresidenz, Null-Speicherung von Gesprächsdaten, erweiterte Sicherheitszertifikate, Single Sign-on oder individuelle Verträge zur Auftragsverarbeitung –, sind häufig an höhere Tarife oder Enterprise-Verträge gebunden. Klären Sie vor dem ersten Prototyp, welcher Tarif für den produktiven Betrieb nötig ist, damit die Wirtschaftlichkeitsrechnung nicht auf einem Selbstbedienungstarif basiert, der später nicht ausreicht.

Kapitel 03 · Funktionsumfang

Funktionsumfang und Kernfähigkeiten

Ein ElevenLabs-Agent besteht aus einer Handvoll Konfigurationsbausteinen: Persönlichkeit und Anweisungen, Stimme und Sprache, Sprachmodell, Wissen, Werkzeuge, Gesprächsablauf sowie Auswertung. Die Plattform bündelt diese Bausteine in einer Oberfläche, die sich auch ohne tiefe Programmierkenntnisse bedienen lässt, und stellt alles zusätzlich per API bereit.

Agenten-Konfiguration: Prompt, Stimme und Sprache

Im Zentrum steht der Systemprompt: eine Beschreibung, wer der Agent ist, welche Aufgabe er hat, wie er sprechen soll und was er auf keinen Fall tun darf. Dazu kommen eine erste Begrüßung, die Wahl der Stimme aus der Bibliothek oder einer eigenen geklonten Stimme, die Hauptsprache und gegebenenfalls weitere Sprachen, zwischen denen der Agent automatisch wechseln kann. Stimmparameter wie Stabilität, Ähnlichkeit zur Originalstimme und Sprechtempo lassen sich feinjustieren. Gerade am Telefon lohnt es sich, hier Zeit zu investieren: Eine etwas ruhigere, stabilere Einstellung wirkt oft professioneller als die ausdrucksstärkste Variante.
Über dynamische Variablen lassen sich Gesprächsinformationen zur Laufzeit in den Agenten einspielen – etwa der Name des Anrufers, eine Kundennummer aus der Telefonanlage oder der Kontext einer vorherigen Interaktion. So kann ein Agent personalisiert begrüßen, ohne dass für jeden Kunden ein eigener Agent gebaut werden muss. Viele Einstellungen lassen sich zudem pro Gespräch überschreiben, was für Tests und für unterschiedliche Kampagnen hilfreich ist.

Workflows, Übergaben und Mehrsprachigkeit

Einfache Agenten kommen mit einem einzigen Prompt aus. Komplexere Szenarien – etwa ein Agent, der zuerst das Anliegen erkennt und dann an spezialisierte Unteragenten für Rechnungsfragen, Terminbuchung oder technische Störungen weitergibt – lassen sich nach Herstellerangaben über visuelle Workflows und Agenten-Übergaben abbilden. Jeder Knoten kann eigene Anweisungen, eigenes Wissen und eigene Werkzeuge haben. Das hält Prompts kürzer, reduziert Verwechslungen und macht das Verhalten nachvollziehbarer.
Zu den Systemfunktionen gehören typischerweise das Beenden eines Gesprächs, das Weiterleiten an eine Telefonnummer oder einen menschlichen Mitarbeitenden, die Übergabe an einen anderen Agenten, das Erkennen der gesprochenen Sprache mit automatischem Sprachwechsel sowie das Überspringen eines Gesprächszugs, wenn der Anrufer erkennbar noch nachdenkt. Welche dieser Funktionen in der aktuellen Version verfügbar sind und wie sie konfiguriert werden, ist in der Dokumentation nachzulesen.

Test, Analyse und Qualitätssicherung

Ein Voice-Agent ist nie fertig. ElevenLabs bietet deshalb Werkzeuge, um Gespräche nachzuvollziehen: Transkripte, Audioaufnahmen (sofern nicht deaktiviert), Zeitstempel, aufgerufene Werkzeuge und Kosten je Gespräch. Über frei definierbare Bewertungskriterien kann jedes Gespräch automatisch daraufhin geprüft werden, ob es erfolgreich war – etwa „Termin gebucht“ oder „Kunde hat korrekte Auskunft erhalten“. Zusätzlich lassen sich strukturierte Daten aus dem Gespräch extrahieren, zum Beispiel Anliegen, Produkt oder Rückrufwunsch, die anschließend an andere Systeme übergeben werden.
Für die Qualitätssicherung vor dem Livegang stehen Testfunktionen und simulierte Gespräche zur Verfügung, mit denen typische Szenarien wiederholt durchgespielt werden können. Das ersetzt keine Tests mit echten Anrufern, verkürzt aber die Iterationsschleifen erheblich – vor allem nach Änderungen am Prompt, die erfahrungsgemäß unerwartete Nebenwirkungen haben können.
Aufzeichnung bewusst entscheiden

Standardmäßig speichert eine Plattform wie ElevenLabs Transkripte und häufig auch Audio, um Analyse und Fehlersuche zu ermöglichen. Für den Datenschutz ist das ein zentraler Punkt. Legen Sie vor dem Livegang fest, ob Audio gespeichert wird, wie lange Transkripte aufbewahrt werden und wer darauf zugreifen darf – und prüfen Sie, welche Optionen zur Begrenzung oder Abschaltung der Speicherung Ihr Tarif bietet.

Kapitel 04 · KI- & Automatisierungsfunktionen

LLM-Wahl, Tools und natürliches Turn-Taking

Die Qualität eines Voice-Agenten entscheidet sich an drei Stellen: an der Intelligenz des Sprachmodells, an der Fähigkeit, im richtigen Moment die richtigen Systeme aufzurufen, und am Gesprächsgefühl – also daran, ob sich der Dialog wie ein Gespräch oder wie ein Walkie-Talkie anfühlt. ElevenLabs adressiert alle drei, mit unterschiedlichen Graden an Kontrolle.

Sprachmodell-Wahl: integrierte Modelle oder eigenes LLM

ElevenLabs bietet in der Agentenkonfiguration eine Auswahl großer Sprachmodelle verschiedener Anbieter an, darunter nach unserem Kenntnisstand Modelle von Google, OpenAI und Anthropic sowie gegebenenfalls eigene oder offene Modelle, die der Anbieter selbst betreibt. Zusätzlich lässt sich ein eigenes Sprachmodell über eine kompatible Schnittstelle anbinden – etwa ein Modell, das bei einem europäischen Hoster läuft, oder ein eigener Dienst, der zwischen Agent und Modell zusätzliche Logik einzieht. Welche Modelle aktuell verfügbar sind und in welcher Region sie verarbeitet werden, ist beim Anbieter zu prüfen.
Die Modellwahl ist ein Abwägen. Größere Modelle verstehen komplexe Anliegen, Mehrdeutigkeiten und lange Gesprächsverläufe besser, brauchen aber mehr Zeit für die erste Antwort. Kleinere, schnelle Modelle reagieren zügiger und sind günstiger, machen aber eher Fehler bei mehrstufigen Aufgaben. Am Telefon ist die Reaktionszeit entscheidend: Jede zusätzliche Sekunde bis zur Antwort wirkt wie Zögern. In der Praxis bewährt sich, mit einem leistungsfähigen Modell zu beginnen, die Gesprächsqualität zu stabilisieren und dann systematisch zu testen, ob ein schnelleres Modell mit den eigenen Testgesprächen gleichwertige Ergebnisse liefert.
Für die Datenhoheit ist die Option eines eigenen Modells besonders interessant. Läuft das Sprachmodell bei einem europäischen Anbieter oder in der eigenen Infrastruktur, bleibt zumindest der Teil der Verarbeitung, in dem Inhalte interpretiert und Antworten formuliert werden, unter eigener Kontrolle. Audio und Transkripte durchlaufen aber weiterhin die ElevenLabs-Plattform – die Datenhoheitsfrage ist damit verkleinert, nicht gelöst.

Tools und Function Calling: vom Plaudern zum Erledigen

Ein Agent, der nur reden kann, ist ein besserer Anrufbeantworter. Wertschöpfung entsteht, wenn er Dinge erledigt: Bestellstatus abfragen, Termin buchen, Ticket anlegen, Rückruf eintragen. ElevenLabs unterstützt dafür mehrere Arten von Werkzeugen. Server-Tools sind Aufrufe an Webhooks oder APIs des Unternehmens – das Sprachmodell entscheidet anhand einer Beschreibung, wann das Werkzeug gebraucht wird, und füllt die Parameter aus dem Gespräch. Client-Tools werden im Browser oder in der App des Nutzers ausgeführt, etwa um eine Seite zu öffnen oder ein Formular vorzubefüllen. Systemwerkzeuge steuern das Gespräch selbst, etwa Weiterleitung oder Gesprächsende. Zusätzlich unterstützt die Plattform nach Herstellerangaben das Model Context Protocol, über das sich standardisierte Werkzeugserver anbinden lassen.
Die Qualität der Werkzeuganbindung hängt weniger von der Plattform ab als von der Vorarbeit im Unternehmen. Werkzeuge brauchen klare Namen, präzise Beschreibungen, eindeutige Parameter und robuste Fehlerbehandlung. Ein Werkzeug „Kundendaten holen“, das bei unvollständiger Kundennummer einen unverständlichen Fehler zurückgibt, führt zu einem Agenten, der sich am Telefon verheddert. Ebenso wichtig: Werkzeuge mit Wirkung – Stornierung, Gutschrift, Vertragsänderung – sollten serverseitig abgesichert sein, also nur mit verifizierter Identität und innerhalb klarer Grenzen ausführbar. Das Sprachmodell darf entscheiden, dass es ein Werkzeug aufrufen will; ob der Aufruf zulässig ist, muss das Backend entscheiden.

Knowledge Base und Turn-Taking: Wissen und Gesprächsgefühl

Über die Knowledge Base lassen sich Dokumente, Webseiten und Texte hinterlegen, auf die der Agent zugreift. Bei kleinen Wissensbeständen werden Inhalte direkt in den Kontext gegeben, bei größeren nutzt die Plattform eine Suche im Sinne von Retrieval-Augmented Generation, die nur die passenden Abschnitte heranzieht. Für Produktinformationen, Öffnungszeiten, Lieferbedingungen oder häufige Fragen ist das schnell eingerichtet. Die Qualität steht und fällt mit den Quellen: veraltete PDFs, widersprüchliche FAQ und unstrukturierte Handbücher führen zu unsicheren Antworten. Eine kurze, redaktionell gepflegte Wissensbasis schlägt fast immer den großen Dokumentenimport.
Turn-Taking ist die oft unterschätzte Disziplin der Voice-Agenten: Wann hat der Anrufer fertig gesprochen? Wann macht er nur eine Denkpause? Was passiert, wenn er dem Agenten ins Wort fällt? ElevenLabs setzt dafür nach eigenen Angaben ein eigenes Modell ein, das nicht nur auf Stille wartet, sondern Sprachmelodie und Inhalt berücksichtigt. Unterbrechungen durch den Anrufer (Barge-in) werden erkannt, die laufende Antwort wird abgebrochen. Einstellungen wie Wartezeit vor einer Nachfrage, Toleranz gegenüber Hintergrundgeräuschen oder das Ignorieren kurzer Bestätigungslaute wie „mhm“ lassen sich anpassen. Gerade bei deutschen Anrufern, die oft in längeren Sätzen mit Pausen sprechen, lohnt ein sorgfältiges Tuning mit echten Testanrufen.
Praxis-Hinweis

Trennen Sie im Projekt drei Fragen sauber voneinander: Versteht der Agent das Anliegen? (Modell und Prompt), tut er das Richtige? (Werkzeuge und Backend-Absicherung) und fühlt sich das Gespräch gut an? (Turn-Taking, Stimme, Reaktionszeit). Wer alle drei gleichzeitig optimiert, dreht an zu vielen Schrauben und weiß am Ende nicht, welche Änderung gewirkt hat.

Kapitel 05 · Integrationen & Ökosystem

Telefonie, Widgets und Backend-Integration

Ein Voice-Agent muss erreichbar sein – über die Telefonnummer, auf der Website, in der App – und er muss an die Systeme angebunden werden, in denen Kundendaten, Termine und Aufträge liegen. ElevenLabs deckt die Kanalseite weitgehend selbst ab und setzt bei der Backend-Seite auf offene Schnittstellen.

Bereich Typische Anbindung Aufwand Hinweis
Website Einbettbares Widget per Code-Snippet Gering Consent-Banner und Mikrofonfreigabe beachten
Apps & eigene Frontends SDKs für Web und Mobile, WebSocket, WebRTC Mittel Authentifizierung über signierte Sitzungen
Telefonie über Twilio Integrierte Anbindung, Nummer importieren Gering Twilio als weiterer Auftragsverarbeiter
Telefonie über SIP SIP-Trunk zur eigenen Telefonanlage oder zum Carrier Mittel Codecs, Weiterleitung und Rufnummernplan testen
Ausgehende Anrufe API oder Stapelanrufe aus Listen Mittel Werberecht und Einwilligungen strikt prüfen
CRM, Kalender, Ticketing Server-Tools, Webhooks, MCP, Automatisierungsplattformen Mittel Saubere APIs der Kernsysteme vorausgesetzt

Telefonie: Twilio, SIP-Trunk und bestehende Telefonanlagen

Für den Weg ins Telefonnetz gibt es im Wesentlichen zwei Wege. Der einfachste ist die integrierte Anbindung an Twilio Voice: Eine bei Twilio gemietete Rufnummer wird in ElevenLabs importiert und einem Agenten zugewiesen – eingehende Anrufe landen direkt beim Agenten, ausgehende Anrufe lassen sich per API starten. Für einen Prototyp ist das in kurzer Zeit eingerichtet. Zu bedenken ist, dass Twilio damit ein weiterer, ebenfalls US-basierter Dienstleister in der Datenkette wird.
Der zweite Weg ist die Anbindung über einen SIP-Trunk. Damit lässt sich der Agent an eine bestehende Telefonanlage, an eine Cloud-Telefonanlage oder direkt an einen Carrier anschließen. Für viele Mittelständler ist das der realistischere Weg in die Produktion: Die vorhandene Hauptnummer bleibt erhalten, die Telefonanlage leitet bestimmte Anrufe – etwa außerhalb der Geschäftszeiten oder bei Überlast – an den Agenten weiter, und der Agent kann bei Bedarf zurück an Durchwahlen oder Gruppen übergeben. Technisch sind dabei Codecs, Rufnummernübermittlung, Weiterleitungsmechanismen und die Übergabe von Kontextinformationen sorgfältig zu testen. Hier liegt erfahrungsgemäß ein beträchtlicher Teil des Projektaufwands.

Web-Widget, SDKs und APIs

Auf der Website lässt sich ein Agent über ein einbettbares Widget integrieren, das sich in Farben, Texten und Verhalten anpassen lässt. Besucher können dann per Klick mit dem Agenten sprechen oder, je nach Konfiguration, auch schreiben. Für eigene Oberflächen stellt ElevenLabs SDKs für gängige Web- und Mobile-Technologien bereit, außerdem eine WebSocket-Schnittstelle und WebRTC-basierte Verbindungen für eine robuste Audioübertragung. Damit lassen sich Agenten zum Beispiel in ein Kundenportal, eine Service-App oder ein Gerät mit Sprachsteuerung einbauen.
Für den produktiven Einsatz ist die Absicherung wichtig: Öffentliche Agenten auf einer Website können von jedem genutzt werden – auch missbräuchlich, etwa um Kosten zu verursachen. Die Plattform bietet dafür Mechanismen wie signierte Sitzungs-URLs, Domain-Freigaben und Nutzungsgrenzen. Diese sollten von Anfang an konfiguriert werden. Auf Websites kommt zudem die Einbindung in das Consent-Management hinzu: Ein Widget, das beim Laden bereits Verbindungen zu einem US-Dienst aufbaut, ist datenschutzrechtlich anders zu bewerten als eines, das erst nach aktiver Zustimmung geladen wird.

CRM, Kalender und Automatisierungsplattformen

Die Anbindung an Unternehmenssysteme erfolgt über die in Kapitel 04 beschriebenen Werkzeuge. Für gängige Systeme gibt es teils vorgefertigte Integrationen, häufig wird aber über Webhooks und eigene API-Endpunkte gearbeitet. Ein bewährtes Muster im Mittelstand ist eine schlanke Middleware oder eine Automatisierungsplattform zwischen Agent und Kernsystemen: Der Agent ruft einen einfachen, gut beschriebenen Endpunkt auf, die Middleware übernimmt Authentifizierung, Validierung, Protokollierung und die eigentliche Kommunikation mit CRM, ERP oder Kalender. Das entkoppelt den Agenten von der Komplexität gewachsener IT-Landschaften und erleichtert späteres Umziehen auf eine andere Plattform.
Nach dem Gespräch können Ergebnisse per Webhook weitergegeben werden: Transkript, Zusammenfassung, extrahierte Daten, Bewertung. So entsteht im CRM ein Gesprächsvermerk, im Ticketsystem ein vorqualifiziertes Ticket oder in der Vertriebsliste ein Rückrufwunsch. Welche Daten dabei übertragen werden, sollte bewusst minimiert werden – nicht jedes System braucht das vollständige Transkript.
Kapitel 06 · Abgrenzung

ElevenLabs im Vergleich zu Alternativen

Der Markt für Voice-Agenten ist jung, dynamisch und unübersichtlich. ElevenLabs konkurriert mit Entwicklerplattformen, mit Enterprise-Lösungen für den Kundenservice und mit den Sprachschnittstellen der großen Modellanbieter. Die folgende Einordnung ist herstellerneutral und qualitativ – sie ersetzt keinen Proof of Concept mit eigenen Anforderungen.

Aspekt ElevenLabs Vapi Retell AI Parloa Cognigy OpenAI Realtime
Grundansatz Voice-Plattform auf eigenen Sprachmodellen Orchestrierung für Entwickler Voice-Agenten für Telefonie Voice-first-Plattform für Kundenservice Enterprise-Plattform für Contact Center
Stimmqualität Kernstärke Je nach gewähltem TTS Je nach gewähltem TTS Hoch Je nach Integration
Flexibilität der Kette Audio fest, LLM frei Sehr hoch Hoch Mittel Hoch
Contact-Center-Tiefe Mittel Gering Mittel Hoch Sehr hoch
Einstiegshürde Niedrig Mittel Niedrig bis mittel Projektgeschäft Projektgeschäft
Sweet Spot Stimme, Mehrsprachigkeit, schneller Start Individuelle Voice-Stacks Telefon-Agenten im Volumen Hotline-Automatisierung DACH Großes Contact Center

ElevenLabs vs. Vapi und Retell AI: integriert oder orchestriert

Vapi und Retell AI sind die naheliegendsten Vergleichspunkte. Beide sind Plattformen für Voice-Agenten, die Entwicklern eine Orchestrierungsschicht bieten und dabei Spracherkennung, Sprachmodell und Sprachsynthese verschiedener Anbieter kombinieren – häufig auch ElevenLabs-Stimmen. Der Vorteil dieses Ansatzes ist maximale Wahlfreiheit: Wer eine bestimmte Spracherkennung für Fachbegriffe braucht oder einen Synthese-Anbieter wie Cartesia bevorzugt, kann die Kette entsprechend zusammensetzen. Der Nachteil sind mehr Verträge, mehr Abhängigkeiten und mehr Stellen, an denen Latenz entsteht.
ElevenLabs geht den umgekehrten Weg: Die Audio-Enden sind fest, dafür eng abgestimmt. Wer die ElevenLabs-Stimmen ohnehin nutzen will, spart sich mit der Agents Platform eine zusätzliche Orchestrierungsschicht. Wer dagegen mehrere Sprachdienste vergleichen oder je nach Sprache und Anwendungsfall wechseln will, ist bei Vapi oder Retell flexibler. Retell AI hat sich zudem stark auf den Telefonie-Kontext mit hohen Anrufvolumen ausgerichtet, Vapi auf maximale Konfigurierbarkeit für Entwicklerteams.

ElevenLabs vs. Parloa, Cognigy und OpenAI Realtime

Parloa ist eine in Deutschland gegründete Plattform, die auf Voice-Agenten im telefonischen Kundenservice spezialisiert ist und stark auf Enterprise-Kunden im DACH-Raum zielt. Cognigy ist eine umfassende Conversational-AI-Plattform für Contact Center mit tiefen Integrationen in Contact-Center-Software, Routing und Mitarbeiterunterstützung. Beide bieten mehr Prozesstiefe, mehr Contact-Center-Funktionen und einen stärker beratungsorientierten Vertrieb. ElevenLabs punktet demgegenüber mit Stimmqualität, Geschwindigkeit der Umsetzung und Selbstbedienung, ist aber kein Ersatz für eine Contact-Center-Plattform, wenn Routing, Warteschlangen, Mitarbeiter-Desktop und Qualitätsmanagement aus einer Hand kommen sollen.
OpenAI Realtime verfolgt einen grundsätzlich anderen Ansatz: Ein Speech-to-Speech-Modell verarbeitet Audio direkt, ohne den Umweg über Text. Das kann sehr natürliche, schnelle Gespräche ermöglichen, bietet aber weniger Auswahl bei Stimmen und erfordert, dass Telefonie, Werkzeuge, Wissen, Tests und Auswertung selbst gebaut oder über weitere Dienste ergänzt werden. ElevenLabs liefert diese Plattformschicht mit, setzt aber auf die klassische Kette aus Erkennung, Sprachmodell und Synthese – mit dem Vorteil, dass Transkripte, Werkzeugaufrufe und Antworten in Textform nachvollziehbar bleiben.
Wann ElevenLabs gewinnt – und wann nicht
ElevenLabs gewinnt, wenn die Stimme Teil der Marke ist, mehrere Sprachen bedient werden müssen und ein Agent schnell und ohne großes Projektteam live gehen soll. ElevenLabs verliert gegen Parloa und Cognigy, wenn tiefe Contact-Center-Integration und Enterprise-Projektbegleitung gefragt sind, gegen Vapi und Retell, wenn die Sprachkette frei kombiniert werden soll, und gegen selbst gebaute Lösungen, wenn Self-Hosting zwingend ist.
Kapitel 07 · Einführung & Betrieb

Vom Prototyp zum stabilen Voice-Agenten

Ein erster ElevenLabs-Agent ist in kurzer Zeit gebaut – oft in einem Nachmittag. Genau darin liegt eine Falle: Der Abstand zwischen einer beeindruckenden Demo und einem Agenten, der hunderte echte Anrufe zuverlässig bearbeitet, ist größer als er wirkt. Eine strukturierte Einführung trennt Demo, Pilot und Produktion klar voneinander.

01
Anwendungsfall und Erfolgskriterien
Welche Anrufe oder Anliegen soll der Agent übernehmen, in welchem Umfang, zu welchen Zeiten? Wir definieren messbare Ziele wie Lösungsquote, Übergabequote, Gesprächsdauer und Zufriedenheit sowie klare Grenzen, was der Agent nicht tun darf.
02
Datenschutz- und Vertragsklärung
Vertragspartner, Tarif, Datenresidenz, Speicherfristen, Auftragsverarbeitung, Drittlandtransfer, Stimmrechte. Diese Punkte gehören vor den Prototyp mit echten Daten, nicht danach.
03
Prototyp mit Testanrufen
Prompt, Stimme, Wissensbasis und zwei bis drei zentrale Werkzeuge werden umgesetzt und mit realistischen Testanrufen geprüft – mit Kolleginnen und Kollegen, die bewusst undeutlich, schnell, mit Dialekt oder mit Hintergrundgeräuschen sprechen.
04
Integration und Absicherung
Anbindung an Telefonanlage oder SIP-Trunk, Backend-Werkzeuge mit serverseitiger Prüfung, Übergabe an Mitarbeitende mit Kontext, Missbrauchsschutz, Monitoring und Alarmierung.
05
Pilotbetrieb mit begrenztem Volumen
Start zum Beispiel außerhalb der Geschäftszeiten oder für einen Teil der Anrufe. Gespräche werden täglich ausgewertet, Prompt und Wissensbasis nachgeschärft, neue Testfälle aus realen Fehlern abgeleitet.
06
Skalierung und kontinuierliche Pflege
Ausbau auf weitere Anliegen, Zeiten und Sprachen, Versionierung von Agentenkonfigurationen, Regressionstests vor jeder Änderung und eine klare Verantwortung für den Agenten als Produkt.

Betrieb ohne eigene Infrastruktur – aber nicht ohne Verantwortung

Weil ElevenLabs ein Cloud-Dienst ist, entfällt der Betrieb von Servern, Modellen und Audio-Infrastruktur. Das ist ein großer Vorteil gegenüber selbst gebauten Lösungen. Es bleibt aber eine Reihe von Betriebsaufgaben: Überwachung der Gesprächsqualität, Reaktion auf Ausfälle des Dienstes oder des angebundenen Sprachmodells, Pflege der Wissensbasis, Prüfung von Plattform-Updates, die das Verhalten des Agenten verändern können, und Kostenkontrolle. Für den Fall eines Ausfalls sollte immer ein Rückfallweg existieren – etwa eine automatische Weiterleitung an die Zentrale oder eine Ansage mit Rückrufangebot.
Ein oft unterschätzter Punkt ist das Versionsmanagement. Änderungen am Prompt, an der Stimme oder am gewählten Sprachmodell wirken sofort auf alle Gespräche. Bewährt hat sich, Agentenkonfigurationen über die API zu exportieren und zu versionieren, getrennte Agenten für Test und Produktion zu führen und Änderungen erst nach einem Durchlauf der wichtigsten Testszenarien freizugeben.

Rollen und Kompetenzen im Team

Ein ElevenLabs-Projekt braucht kein großes Entwicklungsteam, aber die richtigen Rollen: eine fachliche Verantwortung, die den Anwendungsfall kennt und Prioritäten setzt, Conversation Design für Prompt, Gesprächsführung und Tonalität, Integrationskompetenz für Werkzeuge und Telefonie sowie eine Datenschutz-Begleitung. Für einfache Agenten können mehrere Rollen in einer Person zusammenfallen. Sobald Backend-Integrationen und Telefonanlage ins Spiel kommen, ist Entwicklungs- und Telefonie-Know-how unverzichtbar.
Im Mittelstand bewährt sich ein gemischtes Modell: Ein externer Partner baut den ersten Agenten mit Integrationen und Testprozess auf und befähigt ein internes Team, Prompt, Wissensbasis und Auswertung selbst zu pflegen. So bleibt das Fachwissen im Haus, während technische Spezialthemen gezielt zugekauft werden.
Realistische Zeitplanung

Eine überzeugende Demo entsteht in Stunden bis wenigen Tagen. Ein Pilot mit Telefonie-Anbindung und ersten Werkzeugen ist in einigen Wochen realistisch. Der stabile Produktivbetrieb mit Datenschutz-Dokumentation, Integrationen und eingeschwungenem Qualitätsprozess braucht typischerweise mehrere Monate. Der Engpass liegt selten bei ElevenLabs, sondern bei Telefonanlage, Schnittstellen und Freigaben.

Kapitel 08 · Einsatz im Mittelstand

ElevenLabs im DACH-Mittelstand

Für viele Mittelständler ist das Telefon nach wie vor der wichtigste Kundenkanal – und zugleich der, der am meisten Personal bindet. Voice-Agenten versprechen Entlastung, Erreichbarkeit rund um die Uhr und kürzere Wartezeiten. Ob ElevenLabs dafür passt, hängt stark von der deutschen Sprachqualität, vom Anwendungsfall und von den Datenschutzanforderungen ab.

Telefonzentrale und Anrufannahme

Der Agent nimmt Anrufe an, erkennt das Anliegen, beantwortet Standardfragen und verbindet gezielt weiter – oder nimmt außerhalb der Geschäftszeiten strukturiert eine Rückrufbitte auf.

Keine verpassten Anrufe
Terminvereinbarung

Handwerksbetriebe, Praxen, Autohäuser und Dienstleister lassen Termine per Telefon buchen, verschieben oder absagen – mit direkter Anbindung an den Kalender und Bestätigung per Nachricht.

Entlastung am Empfang
Service-Hotline erste Ebene

Bestellstatus, Lieferzeiten, Rechnungskopien und einfache Störungsmeldungen werden automatisiert bearbeitet, komplexe Fälle mit Zusammenfassung an Mitarbeitende übergeben.

Kürzere Wartezeiten
Mehrsprachiger Kundenkontakt

Exporteure, Tourismusbetriebe und Unternehmen mit internationalen Kunden bedienen Anrufe in mehreren Sprachen mit derselben Markenstimme – ohne für jede Sprache eigenes Personal vorzuhalten.

Internationale Erreichbarkeit
Lead-Qualifizierung

Eingehende Interessenten werden telefonisch oder auf der Website vorqualifiziert, Bedarf und Kontaktdaten strukturiert erfasst und an den Vertrieb übergeben. Ausgehende Anrufe nur mit belastbarer Einwilligung.

Schnellere Reaktion
Sprechender Produktberater

Auf der Website oder in der App beantwortet ein Agent Fragen zu Produkten, Varianten und Anwendung – gestützt auf eine gepflegte Wissensbasis aus Datenblättern und Handbüchern.

Beratung rund um die Uhr

Deutsch-Qualität, Dialekte und Fachsprache

Die deutsche Sprachsynthese von ElevenLabs gehört nach unserer Erfahrung zu den natürlichsten am Markt – Betonung, Satzmelodie und Aussprache wirken in den meisten Fällen überzeugend. Schwachstellen zeigen sich typischerweise bei Eigennamen, Produktbezeichnungen, Abkürzungen, Zahlen, Datumsangaben und Fremdwörtern. Hier helfen Aussprachewörterbücher und eine gezielte Formulierung im Prompt, etwa die Anweisung, Postleitzahlen ziffernweise zu sprechen. Auch die Wahl der Stimme spielt eine Rolle: Nicht jede Stimme aus der Bibliothek ist für Deutsch gleich gut geeignet. Für ein professionelles Ergebnis lohnt es sich, mehrere Stimmen mit realen Gesprächsausschnitten zu vergleichen.
Auf der Erkennungsseite ist die Lage differenzierter. Hochdeutsch in ruhiger Umgebung wird gut verstanden. Starke regionale Färbungen – Schwäbisch, Bairisch, Sächsisch, Plattdeutsch oder Schweizerdeutsch – sowie Telefonqualität, Freisprechen im Auto oder Werkstattlärm können die Erkennungsqualität deutlich mindern. Schweizerdeutsch ist ein Sonderfall, weil es sich in Wortschatz und Grammatik stark vom Hochdeutschen unterscheidet. Wie gut die Erkennung mit der eigenen Kundschaft zurechtkommt, lässt sich nur mit eigenen Testanrufen herausfinden. Fachbegriffe, Artikelnummern und Namen sollten gezielt geprüft und, wo möglich, über Schlüsselwort-Hinweise oder Rückfragen abgesichert werden.

Wer zu ElevenLabs passt – und wer nicht

ElevenLabs passt besonders gut zu Mittelständlern, die schnell einen hochwertigen Voice-Agenten für klar umrissene Aufgaben einführen wollen, bei denen Markenwirkung und Stimme eine Rolle spielen, die mehrere Sprachen bedienen und die bereit sind, einen US-basierten Cloud-Dienst vertraglich sauber abzusichern. Auch Agenturen und Softwarehäuser, die Voice-Funktionen in eigene Produkte einbauen wollen, finden in der API einen guten Baukasten.
Weniger gut passt ElevenLabs zu Unternehmen mit zwingender Anforderung an Self-Hosting oder rein europäische Anbieter, zu großen Contact Centern, die eine vollständige Plattform mit Routing und Mitarbeiterunterstützung suchen, und zu Anwendungsfällen mit besonders sensiblen Daten – etwa Gesundheitsdaten –, sofern nicht die entsprechenden Enterprise-Optionen und vertraglichen Zusicherungen vorliegen. Wer die Grundlagen von Sprach-KI zunächst einordnen möchte, findet in unseren Artikeln zu Voice AI und zu STT, TTS und Voice Agents den passenden Einstieg.
Kapitel 09 · Kosten & DSGVO

Kosten, DSGVO und Datenhoheit

Bei einem US-basierten Cloud-Dienst für Sprachverarbeitung sind Kosten und Datenschutz die beiden Themen, an denen Projekte am häufigsten ins Stocken geraten. Sprache ist ein besonders persönliches Datum, synthetische Stimmen werfen zusätzliche Rechtsfragen auf, und der EU AI Act bringt neue Transparenzpflichten. Konkrete Preise nennen wir nicht; sie sind beim Anbieter zu erfragen.

Plattform
Variabel / beim Anbieter prüfen
Nutzungsbasiert nach Minuten oder Guthaben, Tarifstufen
  • Enthaltenes Volumen, Mehrkosten, Funktionen je Tarif und Enterprise-Konditionen vor der Planung klären.
Sprachmodell
€–€€ / volumenabhängig
Integriertes LLM oder eigenes Modell
  • Je nach Tarif separat berechnet oder enthalten. Größere Modelle kosten mehr und antworten langsamer.
Telefonie
€–€€ / laufend
Rufnummern, Minuten, SIP-Trunk
  • Fällt beim Telefonie-Anbieter an, nicht bei ElevenLabs. Bei ausgehenden Anrufen und Weiterleitungen zusätzlich beachten.
Projekt & Pflege
€€–€€€ / einmalig und laufend
Integration, Conversation Design, Auswertung
  • Oft der größte Block. Ein Voice-Agent ist ein Produkt, das kontinuierlich verbessert werden muss.

Kosten realistisch kalkulieren

Nutzungsbasierte Preismodelle wirken auf den ersten Blick transparent: Pro Gesprächsminute fällt ein bestimmter Betrag an. In der Praxis setzen sich die Kosten eines Gesprächs aber aus mehreren Komponenten zusammen – Plattformminuten, Sprachmodell, Telefonie, gegebenenfalls Zusatzfunktionen. Dazu kommen Tests, die ebenfalls Minuten verbrauchen, sowie Gespräche, die nicht zum Ziel führen. Für eine belastbare Rechnung sollten realistische Annahmen zu Anrufvolumen, durchschnittlicher Gesprächsdauer, Anteil automatisch gelöster Anliegen und Übergabequote getroffen und im Pilotbetrieb überprüft werden.
Auf der Nutzenseite stehen eingesparte Bearbeitungszeit, bessere Erreichbarkeit, weniger verlorene Anrufe und gegebenenfalls zusätzliche Umsätze durch schnellere Reaktion. Wichtig ist eine ehrliche Bewertung: Ein Agent, der die Hälfte der Anrufe nur annimmt und dann weiterleitet, spart wenig Arbeitszeit, kann aber durch strukturierte Vorqualifizierung trotzdem wertvoll sein. Kostenbremsen wie Gesprächsdauer-Limits, Nutzungsgrenzen pro Tag und Missbrauchsschutz für öffentliche Widgets sollten von Anfang an eingerichtet werden.
Datenschutz-Stack im Detail

ElevenLabs ist ein Cloud-Dienst mit US-Rechtsträger. Standardmäßig ist mit einer Verarbeitung außerhalb der EU, insbesondere in den USA, zu rechnen. Für Enterprise-Kunden bietet der Anbieter nach eigenen Angaben eine EU-Datenresidenz sowie Optionen zur Begrenzung der Speicherung an – Verfügbarkeit, Umfang und Bedingungen sind im Einzelfall zu prüfen. Besonders relevant sind:

Vertragspartner
US-Gesellschaft – Rechtsträger, Gerichtsstand und Konzernbezug schriftlich klären
Serverstandort
Standard: Verarbeitung außerhalb EU (u. a. USA) möglich – EU-Residenz im Tarif prüfen
Drittlandtransfer
Grundlage prüfen: Angemessenheitsbeschluss bzw. Zertifizierung, Standardvertragsklauseln, Transfer-Folgenabschätzung
AVV & Subunternehmer
Auftragsverarbeitung abschließen, Liste der Unterauftragsverarbeiter inkl. LLM-Anbieter prüfen
Speicherung
Audio und Transkripte minimieren, Aufbewahrung begrenzen, Null-Speicherung prüfen
Stimmrechte
Für geklonte Stimmen schriftliche Einwilligung und Nutzungsrechte des Sprechers

DSGVO, Datenresidenz und Drittlandtransfer

Ein Voice-Agent verarbeitet Stimme, Gesprächsinhalt, Telefonnummer und oft weitere personenbezogene Daten wie Name, Kundennummer oder Anliegen. Das einsetzende Unternehmen ist Verantwortlicher im Sinne der DSGVO, ElevenLabs in aller Regel Auftragsverarbeiter. Erforderlich sind eine Rechtsgrundlage für die Verarbeitung, eine verständliche Information der Anrufer, ein Vertrag zur Auftragsverarbeitung, technische und organisatorische Maßnahmen, ein Löschkonzept und je nach Umfang und Sensibilität eine Datenschutz-Folgenabschätzung. Sprachaufzeichnungen sind dabei besonders heikel: Wer Gespräche aufzeichnet, braucht dafür eine tragfähige Grundlage und muss das transparent machen.
Da der Vertragspartner eine US-Gesellschaft ist und die Standardverarbeitung außerhalb der EU erfolgen kann, ist der Drittlandtransfer ausdrücklich zu bewerten. Zu prüfen ist, ob der Anbieter unter einem geltenden Angemessenheitsrahmen zertifiziert ist, ob Standardvertragsklauseln vereinbart sind und welche zusätzlichen Maßnahmen bestehen. Die vom Anbieter angebotene EU-Datenresidenz kann das Risiko deutlich reduzieren, weil Gesprächsdaten dann in europäischen Rechenzentren verarbeitet und gespeichert werden. Sie beseitigt aber nicht automatisch jeden Drittlandbezug: Support-Zugriffe, Konzernstrukturen, Unterauftragsverarbeiter und insbesondere das gewählte Sprachmodell können weiterhin Daten außerhalb der EU berühren. Klären Sie deshalb schriftlich, welche Daten in welcher Region verarbeitet werden, welche Dienste in der EU-Umgebung tatsächlich verfügbar sind und wo das angebundene Sprachmodell läuft.

Voice Cloning, Stimmrechte und EU AI Act

Wer eine eigene Markenstimme klont – etwa die Stimme der Geschäftsführerin, eines Mitarbeiters oder eines professionellen Sprechers –, verarbeitet biometrisch geprägte Daten und berührt Persönlichkeitsrechte. Erforderlich sind eine informierte, schriftliche Einwilligung der Person, eine klare Regelung zu Nutzungszweck, Dauer, Vergütung und Widerruf sowie eine Vereinbarung, was mit der Stimme nach Ende der Zusammenarbeit oder des Arbeitsverhältnisses geschieht. ElevenLabs verlangt nach eigenen Angaben für hochwertige Stimmklone eine Verifizierung des Sprechers und hat Schutzmechanismen gegen das Klonen fremder Stimmen eingeführt. Das entbindet das Unternehmen aber nicht von der eigenen Pflicht, die Rechte sauber zu klären. Stimmen aus der öffentlichen Bibliothek unterliegen den Lizenzbedingungen des Anbieters, die auf kommerzielle Nutzung hin zu prüfen sind.
Der EU AI Act sieht für KI-Systeme, die direkt mit Menschen interagieren, Transparenzpflichten vor: Anrufer müssen erkennen können, dass sie mit einer KI sprechen, sofern das nicht offensichtlich ist. Gerade weil ElevenLabs-Stimmen so natürlich klingen, ist ein klarer, gesprochener Hinweis zu Beginn des Gesprächs Pflicht und gute Praxis zugleich. Darüber hinaus gelten Kennzeichnungspflichten für synthetisch erzeugte oder manipulierte Audioinhalte, insbesondere wenn sie den Eindruck erwecken, eine reale Person zu sein (Deepfake-Problematik). Wer eine Stimme klont, die einer realen, bekannten Person gehört, und damit Inhalte erzeugt, sollte die Kennzeichnung besonders sorgfältig umsetzen. Die meisten Kundenservice-Agenten fallen nicht in die Hochrisiko-Kategorie; je nach Einsatzzweck kann das aber anders sein und ist im Einzelfall zu bewerten.
Keine Rechtsberatung

Die Hinweise in diesem Kapitel sind eine allgemeine fachliche Einordnung aus IT- und Projektsicht und keine Rechtsberatung. Die Bewertung des konkreten Einsatzes – insbesondere zu Drittlandtransfer, Datenresidenz, Sprachaufzeichnungen, Voice Cloning, Werberecht bei ausgehenden Anrufen und den Pflichten aus dem EU AI Act – sollte mit dem eigenen Datenschutzbeauftragten oder fachkundiger rechtlicher Begleitung erfolgen. Die Verantwortung im Sinne der DSGVO bleibt beim einsetzenden Unternehmen.

Kapitel 10 · Häufige Fragen

Häufig gestellte Fragen zu ElevenLabs Agents

Diese Fragen tauchen in Beratungsgesprächen zu ElevenLabs und Voice-Agenten am häufigsten auf – kurz und sachlich beantwortet.

Was ist ElevenLabs Conversational AI?
ElevenLabs Conversational AI, inzwischen als Agents Platform vermarktet, ist eine Cloud-Plattform für sprechende KI-Agenten. Sie verbindet die eigene Spracherkennung und Sprachsynthese von ElevenLabs mit einem frei wählbaren Sprachmodell, Werkzeugen, einer Wissensbasis und Telefonie-Anbindung. Agenten lassen sich in einer Weboberfläche konfigurieren und per API in eigene Anwendungen einbauen.
Wo hat ElevenLabs seinen Sitz und wo werden Daten verarbeitet?
Der für Kundenverträge maßgebliche Rechtsträger ist nach unserem Kenntnisstand eine US-Gesellschaft, mit Standorten unter anderem in London und New York. Standardmäßig ist mit einer Datenverarbeitung außerhalb der EU, insbesondere in den USA, zu rechnen. Für Enterprise-Kunden wird eine EU-Datenresidenz angeboten. Vertragspartner, Serverstandorte und Unterauftragsverarbeiter sollten vor Vertragsabschluss schriftlich geklärt werden.
Wie gut spricht und versteht ElevenLabs Deutsch?
Die deutsche Sprachsynthese gehört zu den natürlichsten am Markt. Schwachstellen liegen eher bei Eigennamen, Abkürzungen, Zahlen und Fachbegriffen, die sich über Aussprachehilfen und Prompt-Anweisungen verbessern lassen. Die Spracherkennung funktioniert bei Hochdeutsch gut, bei starkem Dialekt, Schweizerdeutsch oder schlechter Telefonqualität sollte sie mit eigenen Testanrufen geprüft werden.
Welche Sprachmodelle kann ich mit ElevenLabs nutzen?
Die Plattform bietet eine Auswahl großer Sprachmodelle verschiedener Anbieter und erlaubt zusätzlich die Anbindung eines eigenen Modells über eine kompatible Schnittstelle. Damit lässt sich etwa ein Modell bei einem europäischen Hoster nutzen. Welche Modelle aktuell verfügbar sind und in welcher Region sie verarbeitet werden, ist beim Anbieter zu prüfen.
Kann ich ElevenLabs an meine bestehende Telefonanlage anbinden?
Ja. Neben der integrierten Anbindung an Twilio unterstützt die Plattform SIP-Trunks, über die sich Agenten an bestehende Telefonanlagen, Cloud-Telefonanlagen oder Carrier anschließen lassen. Die vorhandene Hauptnummer kann so erhalten bleiben. Codecs, Weiterleitungen und Kontextübergabe sollten im Pilot sorgfältig getestet werden.
Ist ElevenLabs DSGVO-konform einsetzbar?
Ein DSGVO-konformer Einsatz ist möglich, setzt aber sorgfältige Vorbereitung voraus: Auftragsverarbeitungsvertrag, Bewertung des Drittlandtransfers, Prüfung der EU-Datenresidenz, Begrenzung von Aufzeichnungen und Speicherfristen, Information der Anrufer und gegebenenfalls eine Datenschutz-Folgenabschätzung. Das ist eine fachliche Einordnung und keine Rechtsberatung – die konkrete Bewertung gehört zum Datenschutzbeauftragten.
Darf ich die Stimme eines Mitarbeiters klonen?
Nur mit informierter, schriftlicher Einwilligung der Person und einer klaren Vereinbarung zu Zweck, Dauer, Vergütung und Widerruf. Die Stimme ist Teil der Persönlichkeit und kann biometrische Daten berühren. Zu regeln ist auch, was nach dem Ausscheiden des Mitarbeiters mit der Stimme geschieht. Oft ist eine professionelle Sprecherstimme mit klarer Lizenz die sauberere Lösung.
Was verlangt der EU AI Act von einem ElevenLabs-Agenten?
Anrufer müssen erkennen können, dass sie mit einer KI sprechen – praktisch durch einen gesprochenen Hinweis zu Beginn des Gesprächs. Für synthetisch erzeugte Audioinhalte, insbesondere wenn sie wie eine reale Person klingen, gelten zusätzliche Kennzeichnungspflichten. Kundenservice-Agenten sind meist nicht hochriskant, die Einstufung hängt aber vom Einsatzzweck ab.
ElevenLabs, Vapi, Retell oder Parloa – was passt besser?
ElevenLabs passt, wenn Stimmqualität, Mehrsprachigkeit und schneller Start im Vordergrund stehen. Vapi und Retell AI bieten mehr Freiheit bei der Kombination verschiedener Sprachdienste. Parloa und Cognigy sind stärker auf tiefe Contact-Center-Integration und Enterprise-Projekte ausgerichtet. Ein kurzer Proof of Concept mit eigenen Testanrufen bringt meist schnell Klarheit.
Was kostet ein Voice-Agent mit ElevenLabs?
Die Plattform rechnet nutzungsbasiert nach Tarifstufen ab, ergänzt um Enterprise-Verträge. Hinzu kommen je nach Konfiguration Kosten für das Sprachmodell, für Telefonie sowie für Integration, Conversation Design und laufende Pflege. Konkrete Preise ändern sich häufig und sind beim Anbieter zu prüfen. Eine belastbare Rechnung entsteht erst mit realen Daten aus dem Pilotbetrieb.

Voice-Agenten souverän einsetzen

Brauchen Sie eine ehrliche Voice-Agent-Strategie?

Wir prüfen herstellerunabhängig, ob ElevenLabs zu Ihren Anforderungen passt: Anwendungsfall, Stimme und Deutsch-Qualität, Telefonie-Anbindung, Werkzeuge und Backend, Datenresidenz und Drittlandtransfer, Stimmrechte und EU AI Act – pragmatisch auf den Mittelstand zugeschnitten und mit ehrlichem Blick auf Vapi, Retell AI, Parloa und Cognigy als Alternativen.

Seit 2006 am Markt

Erfahrung aus über 100 Digitalprojekten

DSGVO & Souveränität

Datenschutz von Anfang an mitgedacht

Rückmeldung in 24 h

Schnell, direkt, unverbindlich