Sprach- und Stimmmodelle

Worauf du achten solltest

Die Fragen, die die Optionen unterscheiden, nach Wichtigkeit geordnet.

1. 01

   Sprache zu Text: Wortfehlerrate auf einem genannten Testdatensatz

   Die Wortfehlerrate (WER) ist der Anteil der Wörter, die ein Modell falsch erkennt, niedriger ist also besser, aber sie bedeutet nur etwas, wenn der Testdatensatz genannt ist. AA-WER v2 von Artificial Analysis mittelt über etwa 8 Stunden Audio: Gespräche im Stil von Agenten (50%), Reden im Europäischen Parlament (25%) und Telefonkonferenzen zu Quartalszahlen (25%), mit bereinigten Referenztranskripten. Im Oktober 2026 liegen die Spitzenreiter bei etwa 2%, während Whisper large-v3-turbo 4,6% erreicht. WER-Angaben von Anbietern auf eigenen Daten sind nicht vergleichbar; teste mit Audio, das wie deines klingt, mit deinen Akzenten, deinem Fachjargon und deinen Störgeräuschen.

2. 02

   Sprache zu Text: Geschwindigkeit, Streaming und Funktionen

   Batch-Transkription wird nach dem Geschwindigkeitsfaktor beurteilt, Sekunden Audio pro Sekunde Verarbeitung; Deepgram Nova-3 läuft mehr als 600-mal schneller als Echtzeit, Scribe v2 etwa 63-mal. Live-Untertitel und Sprachagenten brauchen ein echtes Streaming-Modell mit niedriger Latenz, oft ein separates Modell mit eigenem Preis (Scribe v2 Realtime, Gemini 3.5 Transcribe Live, gpt-live-transcribe). Prüfe dann Diarisierung (wer gesprochen hat), Zeitstempel pro Wort, eigenes Vokabular und Spracherkennung, und beachte, dass sich manche Funktionen nicht in einer Anfrage kombinieren lassen.

3. 03

   Text zu Sprache: Qualität aus blinden Abstimmungen, mit Vorsicht zu lesen

   Die Speech Arena von Artificial Analysis ordnet Stimmen nach Elo aus Hörerpräferenzen, wobei jedes Modell seine eigenen eingebauten Stimmen nutzt; eine separate Tabelle nutzt kontrollierte Stimmen. Eleven v4 und v4 Turbo führen bei etwa 1330, Cartesia Sonic 3.6 und Gemini 3.8 Flash TTS dicht dahinter. Sie meldet auch Zeichen pro Sekunde und einen Wert für die Robustheit der Aussprache bei Namen, Codes, Zahlen und Datumsangaben, der für Support-Hotlines und Agenten mehr zählt als Elo. Arena-Abstimmungen bevorzugen angenehme kurze Clips; teste lange Vorlesetexte selbst.

4. 04

   Text zu Sprache: Zeit bis zum ersten Audio für Agenten

   Für Sprachagenten zählt, wie schnell der erste Ton ankommt, nachdem Text gesendet wurde, nicht die gesamte Generierungszeit. Anbieter nennen eigene Werte (ElevenLabs gibt für v4 Turbo etwa 150 ms bis zur ersten Sprache an), gemessen in eigenen Netzen; teste aus deiner Region über einen Streaming-WebSocket. Achte auf festgeschriebene Modell-Snapshots, wie Cartesia sie anbietet, damit sich eine Stimme nicht unter dir verändert.

5. 05

   Stimmklonen und Schutz bei der Einwilligung

   Eine Stimme aus einer kurzen Probe zu klonen ist inzwischen üblich, prüfe also, was der Anbieter gegen Missbrauch tut: Prüfung der Einwilligung, Wasserzeichen (SynthID von Google, das Perth-Wasserzeichen von Resemble in Chatterbox) und regionale Beschränkungen (die Stimmnachbildung von Gemini ist im EWR und in Großbritannien nicht verfügbar). Offene Modelle verlassen sich meist auf das Verhalten der Nutzer; Chatterbox prüft keine Einwilligung. Wenn du echte Menschen klonst, hol dir unabhängig vom Tool eine schriftliche Einwilligung.

6. 06

   Sprachen, und wie gut jede abgedeckt ist

   Eine lange Liste an Sprachen ist nicht dasselbe wie gute Qualität in jeder Sprache. Parakeet v3 deckt 25 europäische Sprachen ab und sonst nichts; Whisper akzeptiert 99, aber seine Modellkarte beansprucht starke Ergebnisse nur für etwa 10. Prüfe die Ergebnisse pro Sprache auf der Modellkarte oder teste deine Zielsprachen, besonders bei Sprachwechseln innerhalb eines Satzes wie Hinglish.

7. 07

   Preiseinheiten und offene Gewichte

   Sprache zu Text wird pro Minute oder Stunde Audio bepreist, Text zu Sprache pro Zeichen oder pro Audio-Token, was Vergleiche umständlich macht; Artificial Analysis rechnet STT auf Dollar pro 1.000 Minuten und TTS auf Dollar pro 1M Zeichen um. Achte auf geplante Erhöhungen (Gemini 3.8 Flash TTS verdoppelt sich im Januar 2027) und separate Preise für Streaming. Offene Gewichte (Whisper MIT, Parakeet CC BY 4.0, Kokoro Apache 2.0, Chatterbox MIT) sind bei großem Volumen am günstigsten und halten Audio auf deinen Servern, zum Preis von etwas Genauigkeit oder Natürlichkeit.

19 Tools im Vergleich

Sortiert nach unserer Bewertung. Öffne einen Testbericht für Quellen, Preise und das vollständige Fazit.

Tools für Sprach- und Stimmmodelle im Vergleich

Tool	Bewertung	Unser Fazit	Ideal für	Preis
Eleven v4 and v4 TurboModell	4.7/5	Nichts auf den öffentlichen Ranglisten klingt besser, aber Googles Gemini 3.8 Flash TTS kommt bis auf 60 Elo-Punkte heran, für etwa ein Fünftel des Preises von v4.	Produzenten von Hörbüchern, Spielen und Synchronfassungen, die die ausdrucksstärksten Stimmen brauchen, und Teams für Voice Agents, die Qualität von der Spitze der Rangliste zum niedrigeren Turbo-Preis wollen.	API: v4 0,08 $ und v4 Turbo 0,04 $ pro 1.000 Zeichen. Abos von Starter für 6 $/Monat bis Business für 990 $/Monat enthalten Zeichenkontingente.
Gemini 3.8 Flash TTSModell	4.5/5	Fünfter in Blindabstimmungen zu weniger als der Hälfte des Preises von Eleven v4 Turbo: Gemini 3.8 Flash TTS ist ein Schnäppchen mit Ablaufdatum am 1. Januar.	Entwickler, die lange Erzähltexte oder mehrsprachige Synchronisationen produzieren, Qualität nahe der Spitze wollen und die Preiserhöhung im Januar verkraften können.	Flash TTS: 0,50 $ pro 1 Mio. Text-Tokens Input, 9 $ pro 1 Mio. Audio-Tokens Output (etwa 0,81 $ pro Stunde Audio) bis 31. Dez. 2026, ab 1. Jan. 2027 das Doppelte. Flash-Lite: 6 $ pro 1 Mio. Audio-Tokens Output. Batch zum halben Preis; kostenlose Stufe in AI Studio.
Cartesia Sonic 3.6Modell	4.4/5	Sonic 3.6 hat den Abstand zu ElevenLabs in einem einzigen Release größtenteils geschlossen und kostet pro Zeichen weniger als Eleven v4, trainiert aber mit Kundeninhalten, solange du nicht widersprichst.	Teams, die Voice Agents für den Produktivbetrieb bauen und stabile, versionierte Stimmen zu einem moderaten Preis wollen.	Free 20K Credits/Monat (keine kommerzielle Lizenz); Pro 5 $ (100K), Startup 49 $ (1,25 Mio.), Scale 299 $ (8 Mio.); Mehrnutzung 38 $ bis 65 $ pro 1 Mio. Credits. Ein Credit entspricht einem Zeichen, etwa 750 bis 800 pro Minute Audio.
ElevenLabs Scribe v2Modell	4.4/5	Scribe v2 transkribiert genau und übernimmt Schwärzung und Sprecherzuordnung, aber Microsoft verkauft inzwischen bessere Genauigkeit für weniger als den halben Preis.	Meeting-, Medien- und Klinikprodukte, die neben einem genauen Transkript auch Sprecherkennzeichnung und Schwärzung brauchen.	API: Scribe v2 und v2 Medical 0,22 $ pro Stunde Audio; Scribe v2 Realtime 0,39 $ pro Stunde; Keyterm Prompting kostet 0,05 $ pro Stunde extra. Tarife ab 6 $/Monat enthalten Stunden.
AssemblyAITool	4.4/5	AssemblyAI ist günstig, genau und schnell abgeschlossen, aber lies zuerst die Datenbedingungen: Kostenlose Konten helfen beim Training der Modelle und können nicht widersprechen.	Entwickler, die einer App Transkription oder Live-Untertitel hinzufügen und niedrige veröffentlichte Preise, ein kostenloses BAA und eine EU-Option wollen.	Aufnahmen: Universal-3.5 Pro 0,21 $/Std., Universal-2 0,15 $/Std. Streaming: Universal-3.6 Pro Realtime 0,45 $/Std., Universal-Streaming 0,15 $/Std. Voice Agent API 4,50 $/Std. Add-ons ab 0,01 $/Std.; Medical Mode +0,15 $/Std. 50 $ Startguthaben.
Retell AITool	4.4/5	Retell ist die Plattform für Telefonagenten mit der klarsten Rechnung und den wenigsten Compliance-Hürden, solange du den Agenten gern selbst baust.	Entwickler und Operations-Teams, die eigene Telefonagenten für eingehende oder ausgehende Anrufe bauen und planbare Minutenkosten sowie eine kostenlose BAA wollen.	Nutzungsbasiert von 0,07 $ bis 0,31 $ pro Sprachminute (0,055 $ Sprachinfrastruktur plus Stimme und LLM); 10 $ Startguthaben; 20 gleichzeitige Anrufe kostenlos, danach 8 $ pro Anruf und Monat; Telefonnummern 2 $ pro Monat. Enterprise individuell.
VapiTool	4.3/5	Vapi gibt Entwicklern die größte Freiheit, Sprachanbieter zu kombinieren, und lässt sich das bezahlen, sobald dein Agent etwas Sensibles verarbeitet.	Entwickler, die Sprachagenten in ihr eigenes Produkt einbauen und jeden Anbieter für Spracherkennung, Modell und Stimme selbst wählen und austauschen wollen.	0,05 $/Min. Hosting plus Anbieterkosten zum Selbstkostenpreis; 5 $ Startguthaben. Core 29 $/Monat (10 gleichzeitige Anrufe, 30 Tage Aufbewahrung); Pro 10 % Hosting-Gebühr mit einem Minimum von 999 $/Monat; Premier auf Anfrage. HIPAA-Add-on 2.000 $/Monat; zusätzliche gleichzeitige Anrufe 10 $/Leitung/Monat.
Gemini 3.5 TranscribeModell	4.2/5	Genau und günstig genug für die meisten Transkriptionen, aber in keiner der beiden Hinsichten mehr die naheliegende Wahl.	Teams, die bereits die Gemini API nutzen und Datei- und Streaming-Transkription von einem Anbieter für etwa einen halben Cent pro Minute wollen.	Transcribe etwa 0,005 $ pro Minute (2 $ Eingabe / 12 $ Ausgabe pro 1M Tokens); Transcribe Live etwa 0,009 $ pro Minute (3,50 $ / 21 $). Free Tier in AI Studio und in der API.
Parakeet TDT 0.6B v3Modell	4.1/5	Parakeet v3 hält den Geschwindigkeitsrekord bei der Transkription, mit Genauigkeit auf Whisper-Niveau und einer harten Grenze um Europa.	Entwickler, die große Mengen Audio in europäischen Sprachen transkribieren und Tempo und niedrige Kosten schätzen.	Kostenlos unter CC BY 4.0. Die gehostete Version bei Together AI kostet 0,0015 $ pro Minute (1,50 $ pro 1.000 Minuten).
pyannote speaker-diarization-community-1Modell	4.1/5	Weiterhin der offene Standard, um Sprecher auseinanderzuhalten, und ein klarer Fortschritt gegenüber 3.1, doch das kostenpflichtige Modell der eigenen Entwickler macht bei schwierigem Audio etwa ein Drittel weniger Fehler.	Entwickler, die selbst gehostete Transkription für Meetings, Anrufe oder Podcasts bauen und Sprecherlabels unter einer freizügigen Lizenz brauchen.	Kostenlos unter CC BY 4.0. Gehostet bei pyannoteAI für 0,035 € pro Stunde Audio; das kostenpflichtige Modell Precision-3 kostet 0,112 € pro Stunde (Developer, 19 €/Monat) oder 0,096 € (Starter, 99 €/Monat).
Deepgram Nova-3Modell	4.0/5	Nova-3 ist schnell und günstig genug für Live-Telefonaudio, macht in einem neutralen Test aber mehr als doppelt so viele Fehler wie die Spitzenreiter bei der Genauigkeit.	Teams in Contact Centern und für Live-Untertitel, die schnelle Transkription von Telefonaudio mit hoher Parallelität brauchen, auch auf eigenen Servern.	Aufgezeichnet 0,0043 $/Min. (einsprachig) oder 0,0052 $/Min. (mehrsprachig) bei Pay-as-you-go; Streaming 0,0048 $/Min. im Aktionspreis, regulär 0,0077 $. Der Growth-Tarif ab 4.000 $/Jahr ist günstiger. 200 $ Gratisguthaben.
OmniVoiceModell	4.0/5	OmniVoice ist das offene TTS-Modell der Wahl, wenn die Sprache auf keiner anderen Liste steht, vorausgesetzt, deine Rechtsabteilung liest die Tokenizer-Lizenz.	Entwickler, die offene, selbst gehostete Sprachausgabe in Sprachen brauchen, die weder die kommerziellen noch die offenen Marktführer abdecken.	Kostenlose Gewichte; Code unter Apache 2.0, Audio-Tokenizer unter der Boson Higgs Audio 2 Community License (ab 100.000 jährlich aktiven Nutzern ist eine erweiterte Lizenz nötig).
Maya 2 NativeModell	4.0/5	Für Sprachagenten in indischen Sprachen ist Maya 2 Native das offene Modell, mit dem du anfangen solltest: auf Hindi nah an den kostenpflichtigen Spitzenreitern und im großen Maßstab günstig im Betrieb, wobei überall sonst automatisierte Werte statt Belegen stehen.	Entwickler, die Sprachagenten, IVR oder Vertonungen in indischen Sprachen bauen und unter einer freizügigen Lizenz selbst hosten wollen.	Kostenlos unter Apache 2.0 (Codec Mimi unter CC BY 4.0); selbst gehostet auf deinen eigenen GPUs. Kein gehosteter Preis des Herstellers veröffentlicht.
KKokoro-82MModell	3.9/5	Nichts so Kleines klingt so gut, aber seit August 2025 gab es keine Updates, behandle es also als fertige Software und nicht als Projekt, das noch besser wird.	Entwickler, die günstige, freizügig lizenzierte Sprachausgabe für Vertonung, Barrierefreiheit oder Prototypen brauchen.	Kostenlos unter Apache 2.0. Gehostet für 0,65 $ pro Million Zeichen auf Replicate (laut Artificial Analysis), der niedrigste Preis auf dessen Rangliste, und 0,99 $ auf DeepInfra.
GPT TranscribeModell	3.9/5	Ein vernünftiges Upgrade für Teams, die auf OpenAI setzen, auch wenn die Abkündigung, auf der es aufbaut, Sprecherzuordnung und Zeitstempel wegnimmt, die dieses Modell nicht zurückgibt.	Teams auf der OpenAI API, die Whisper oder GPT-4o Transcribe vor Februar 2027 verlassen müssen und keine Sprecherzuordnung oder Zeitstempel brauchen.	0,0045 $ pro Minute Audio (4,50 $ pro 1.000 Minuten); keine Batch-Unterstützung. Das Streaming-Modell gpt-live-transcribe kostet 0,017 $ pro Minute.
MOSS-Transcribe-Diarize 0.9BModell	3.9/5	MOSS-Transcribe-Diarize ersetzt eine Meeting-Pipeline aus zwei Modellen durch ein kleines, und seine Benchmark-Siege liegen überwiegend auf Mandarin.	Teams, die lange Aufnahmen mit mehreren Sprechern auf eigenen GPUs transkribieren, besonders auf Chinesisch, und Sprecherlabels ohne separates Diarisierungsmodell wollen.	Kostenlos unter Apache 2.0. Das größere Pro-Modell wird über MOSIs Online-Playground angeboten; API-Preise sind nicht veröffentlicht.
Breeze TTS 2Modell	3.8/5	Breeze TTS 2 klingt wie ein Sprachmodell der Spitzenklasse, doch die Lizenz macht es zu einer Demo, die du zu Hause laufen lassen kannst, nicht zu einem ElevenLabs-Ersatz, den du ausliefern kannst.	Forschende, Hobbyisten und Teams, die die Qualität offener Stimmen bewerten und entweder nicht-kommerziell bleiben oder für den Produktivbetrieb BreezeBlues gehosteten Tarif kaufen.	Gewichte kostenlos, nur für Forschung und nicht-kommerzielle Nutzung. Gehostete Tarife: Free (400 tägliche Credits zu je 10 Zeichen), Starter 9 $/Monat, Creator 19 $/Monat, Pro 99 $/Monat, Scale 299 $/Monat, Business 999 $/Monat; etwa 30 $ pro Million Zeichen, bei jährlicher Zahlung rund 25 $. Enterprise auf Anfrage.
Whisper large-v3-turboModell	3.7/5	Whisper turbo ist heute die billige, uneingeschränkte Basislinie, an der neuere Sprachmodelle gemessen werden, nicht das Modell, das gewinnt.	Teams, die günstige, freizügig lizenzierte Transkription brauchen, die sie selbst hosten oder für Cent-Beträge pro Stunde einkaufen können, und mit zweitklassiger Genauigkeit leben können.	Kostenlos unter der MIT-Lizenz. Gehostete Versionen sind günstig: Artificial Analysis führt Groq mit etwa 0,67 $ pro 1.000 Minuten.
ChatterboxModell	3.7/5	Chatterbox ist dank seines Wasserzeichens der offene Stimmenkloner, den ein Compliance-Team abnehmen kann, aber nicht der, den Zuhörer wählen würden.	Teams, die kommerziell nutzbares offenes Voice Cloning mit Herkunftskennzeichnung brauchen und Stimmqualität aus dem Mittelfeld akzeptieren.	Kostenlos unter der MIT-Lizenz. Artificial Analysis führt gehostetes Chatterbox mit 25 $ und Resembles Chatterbox HD mit 40 $ pro Million Zeichen.

Im direkten Vergleich

Die Spezifikationen, die für diesen Schritt zählen. Geprüft am 19. Okt. 2026; prüf sie auf der Website des Anbieters, bevor du dich festlegst.

Direktvergleiche und Ranglisten

• Die besten Text-to-Speech-Modelle
• Die besten Speech-to-Text-Modelle

Wo diese Stufe hingehört

• Videoproduktion: Wir würden mit Eleven v4 and v4 Turbo anfangen.
• Sprachagent: Wir würden mit Parakeet TDT 0.6B v3, Cartesia Sonic 3.6 anfangen.

Quellen für diesen Leitfaden

• Artificial Analysis: speech-to-text leaderboard
• Artificial Analysis: text-to-speech leaderboard
• Whisper large-v3-turbo model card