Bester KI-Sprecher: 14 TTS-Modelle im Test

👁 114 Aufrufe

Als bester KI-Sprecher erwies sich in meinem Test Eleven v4 von ElevenLabs, am anderen Ende der Preisskala erreichte Gemini 3.1 Flash TTS von Google jedoch ein Unentschieden. Ich habe 14 Text-to-Speech-Modelle an denselben polnischen Sätzen getestet: Zungenbrecher, der Nachname Brzęczyszczykiewicz, Datumsangaben, Beträge, Abkürzungen wie „ul.“, „dr“, „tj.“, Telefonnummern und E-Mail-Adressen. Jede Aufnahme wurde durch drei Transkriptionsmodelle analysiert und steht unten zum Nachhören bereit, ergänzt durch das Ranking von Artificial Analysis vom 28. September 2026. Den neuen Microsoft-Sprecher beschreibe ich im Artikel MAI-Voice-2.1. Einen Blindtest derselben Stimmen finden Sie unter KI-Sprecher im Vergleich - 8 Stimmen, ein Text.

So habe ich die KI-Sprecher getestet

Jedes Modell erhielt dieselben drei Texte in normaler Schreibweise ohne ausgeschriebene Zahlen, da dies der typischen Praxis entspricht. Getestet wurde in polnischer Sprache. Der erste Text umfasste vier Sätze (353 Zeichen) mit phonetischen Hürden wie den polnischen Wörtern für „Szczebrzeszyn“ (in polnischer Originalfassung), „Halm“ (im polnischen Original), dem Namen Dr. Agnieszka Brzęczyszczykiewicz, dem Datum 17.03.2027, der Uhrzeit 9:45 Uhr, einer Straßenadresse, einem Geldbetrag (1.249,99) und 15%. Der zweite Text war ein Parcours mit 11 Stolperfallen: Zugnummer IC 5316, Gleis 3, 6:05 Uhr, 29.02.2028, 14:30 Uhr, Rechnungsnummer 48/2026, 3.450,50, Abkürzungen wie „d.h.“, „ca. 2,8 Tsd.“, eine Telefonnummer und eine E-Mail-Adresse. Der dritte Text prüfte englische Eigennamen im Satzgefüge: Google Chrome, YouTube, Subscribe, OneDrive, WhatsApp (die Testprompts wurden auf Polnisch formuliert).

ElevenLabs-Modelle wurden über deren eigene API angesprochen, alle anderen über fal.ai und OpenRouter. Bei ElevenLabs kam die polnische Bibliotheksstimme Adam zum Einsatz, bei anderen Anbietern die integrierten männlichen Standardstimmen und bei Inworld die polnische Stimme Szymon. Die Ergebnisse wurden mit drei Transkriptionssystemen gegengeprüft: Whisper large-v3 (lokal auf CPU), ElevenLabs Scribe v2 und Gemini mit der Anweisung zur wortgetreuen Transkription („genau wie ausgesprochen“). Ein Aussprachefehler wurde nur gewertet, wenn ihn mindestens zwei Transkriptionen bestätigten.

Modelle ohne öffentliche API auf diesen Plattformen wurden nicht berücksichtigt: Cartesia Sonic 3.6, Speechify Simba 3.2, Inworld Realtime TTS-2 und Luna TTS. Da auch Qwen-Audio-3.0-TTS-Plus nicht zugänglich war, wurde die günstigere Variante Qwen Audio 3.0 TTS (Flash) getestet.

Ranking: Ergebnisse im Sprachtest

* Preisangabe laut Artificial Analysis. Über fal.ai lagen die Kosten für die Google-Modelle durch Provider-Aufschläge bei 30 bis 50 USD pro Million Zeichen. ** GPT Audio rechnet nach Audio-Tokens ab; die Werte basieren auf den realen Kosten für den Testtext mit 353 Zeichen (0,053 USD bzw. 0,0019 USD). ElevenLabs-Preise stammen aus der API-Preisliste exkl. MwSt.; bis zum 12. Oktober kostet v4 aktionsweise ca. 19,68 EUR (22 USD) und v4 Turbo ca. 9,84 EUR (11 USD) pro Million Zeichen. Umrechnungskurse basieren auf dem EZB-Referenzkurs vom 12.10.2026 (1 EUR = 1,1181 USD, Quelle: ecb.europa.eu).

Das Spitzentrio: Eleven v4, v4 Turbo und Gemini 3.1 Flash TTS

Eleven v4 erzielte die volle Punktzahl über drei verschiedene Stimmen hinweg (Adam, Magdalena, Alice) sowie in drei aufeinanderfolgenden Durchläufen mit der Stimme Adam. Das Ergebnis war somit reproduzierbar. Datumsangaben, Beträge und E-Mail-Adressen wurden grammatikalisch exakt gebeugt und ausgeschrieben. Zudem unterstützt das Modell Emotions-Tags, was kein anderer Kandidat im Test bietet. Ausführliche Details dazu finden Sie im Beitrag zu Eleven v4.

Eleven v4 Turbo meisterte Zahlen ebenso souverän, reagiert mit einer Latenz von 0,25 s deutlich schneller (vollwertiges v4: 0,95 s) und verbraucht nur die Hälfte der API-Guthaben. Für Echtzeit-Sprachassistenten ist dies die bessere Wahl.

Gemini 3.1 Flash TTS sorgte für eine Überraschung. Obwohl im Ranking von Artificial Analysis lediglich auf Rang 11 platziert (1.203 Punkte), las es im Sprachtest alle Zahlen und Abkürzungen fehlerfrei vor, inklusive Sonderzeichen in Bestellnummern. Datumsangaben wurden umgangssprachlich, aber korrekt wiedergegeben. Einziger Schwachpunkt: Über fal.ai dauerte die Generierung für 353 Zeichen zwischen 19 und 50 Sekunden.

Das Mittelfeld: v3, Gemini 3.8 und OpenAI

Eleven v3 (17/18) leistete sich eine falsche grammatikalische Endung bei Gleisangaben. Bei der Stimme Alice wurde zudem einmal ein Monat im Datum übersprungen. Da Version 4 denselben Preis hat, spricht kaum noch etwas für das Vorgängermodell.

Gemini 3.8 Flash-Lite TTS (17/18) bietet mit ca. 9,84 EUR (11 USD) pro Million Zeichen das beste Preis-Leistungs-Verhältnis. Das Modell patzte lediglich bei einem Nachkomma-Geldbetrag und verhaspelte sich leicht bei einem polnischen Zungenbrecher-Namen.

Gemini 3.8 Flash TTS, Platz 3 im globalen Benchmark von Artificial Analysis, schnitt im Test schlechter ab als die Lite-Variante: Falsche grammatikalische Geschlechter bei Titeln, Zahlenabkürzungen wurden fehlerhaft gelesen und Ziffern in Telefonnummern verschluckt. Zudem schwankte die Ausgabequalität zwischen einzelnen Testläufen.

GPT Audio und GPT Audio mini von OpenAI sind Sprach-Chatmodelle, keine reinen Synthesizer. Die Aussprache war sauber, jedoch interpretierten beide Modelle den polnischen Testsatz (deutsche Übersetzung: „Öffne Google Chrome, gehe auf YouTube…“) als Arbeitsanweisung und antworteten: „Entschuldigung, bei solchen Vorgängen kann ich nicht helfen“. Erst als der Text in Anführungszeichen mit dem Zusatz „lies wortwörtlich vor“ übergeben wurde, gelang die Aufnahme. Für automatisierte Produktionen stellt dieses Verhalten ein Risiko dar.

xAI TTS führt Polnisch nicht offiziell in den Sprachoptionen, erkennt die Sprache aber automatisch. Bei komplexen Wörtern buchstabierte das Modell jedoch den Anfang, ließ akademische Titel ungekürzt stehen und interpretierte Datumsangaben fälschlicherweise als Uhrzeiten.

Abstiegsränge: Typische Fehlerquellen

Eleven Multilingual v2 und Flash v2.5 sind ältere Modelle von ElevenLabs, die in vielen Integrationen noch standardmäßig aktiv sind. Abkürzungen wurden buchstabiert statt ausgeschrieben, und Beträge wurden fehlerhaft vorgelesen. Flash v2.5 erfand bei einer Stimme ein völlig anderes Datum. Durch das Aktivieren der Textnormalisierung (apply_text_normalization: "on") verbesserte sich das Ergebnis von Flash auf 10 von 11 Punkten im Parcours.

MiniMax Speech 2.8 HD las Satzzeichen und Abkürzungen wörtlich vor („at“ statt des korrekten E-Mail-Zeichens) und erzeugte überlange Sprechpausen: Der Testtext dauerte 49,6 s gegenüber 32,1 s bei Eleven v4.

Inworld TTS-1.5 Max brach ab dem Datumsfeld in unverständliche Silbenketten ein. Qwen Audio 3.0 TTS unterstützt kein Polnisch, las die Sätze mit englischer Phonetik und übersetzte Zahlenfragmente eigenmächtig ins Englische.

Artificial Analysis im Vergleich zum Praxistest

Artificial Analysis ermittelt die Natürlichkeit von Stimmen primär anhand englischsprachiger Blindtests. Die Top 8 vom 28. September 2026: Eleven v4 (1319 Elo), Cartesia Sonic 3.6 (1276), Gemini 3.8 Flash TTS (1267), Qwen-Audio-3.0-TTS-Plus (1258), Inworld Realtime TTS-2 (1246), Gemini 3.8 Flash-Lite TTS (1241), Speechify Simba 3.2 (1240) und Luna TTS (1231). Die vollständige Tabelle finden Sie im Beitrag zu Eleven v4.

Die Übereinstimmung mit meinem Praxistest ist nur teilweise gegeben. Zwar führt ElevenLabs beide Listen an, doch schnitt Gemini 3.8 Flash TTS im Sprachtest mit Zahlen schlechter ab als die Lite-Variante und Gemini 3.1. Modelle von Qwen und Inworld versagten völlig. Ein englischer Benchmark liefert Hinweise auf die Basistechnologie, komplexe Zielsatztests mit Zahlen und Eigennamen erfordern jedoch immer eigene Stichproben. Das ist mein Fazit.

Eine automatisierte Klangbewertung durch Gemini 3.8 Flash vergab für Eleven v4, v4 Turbo, Gemini 3.1 Flash und 3.8 jeweils 8/10 Punkten für Natürlichkeit. Multilingual v2 und Flash v2.5 fielen mit 2-6/10 Punkten ab, unter anderem wegen auffälliger Akzentschwankungen bei Ziffern. Dies deckt sich mit der Messung der Tonhöhenmodulation: Den flachsten Tonfall wiesen Flash v2.5, Multilingual v2, GPT Audio mini und xAI TTS auf.

Welcher KI-Sprecher eignet sich für welchen Zweck?

• Videos, E-Learning und Werbespots: Eleven v4 mit passender Bibliotheksstimme. Kriterien zur Stimmauswahl erläutere ich unter ElevenLabs Stimmwahl.
• Sprachassistenten und Echtzeitanwendungen: Eleven v4 Turbo mit nur 0,25 s Latenz bis zur ersten Audioausgabe.
• Große Textmengen bei knappem Budget: Gemini 3.1 Flash TTS oder 3.8 Flash-Lite direkt über die Google API.
• Kostenlos und lokal betreibbar: Keines der getesteten Cloud-Modelle; Alternativen bieten Systemstimmen und Open-Source-Engines, siehe KI-Stimmen und lokale TTS-Systeme.

Unabhängig vom Modell empfiehlt sich eine Textaufbereitung vor der Synthese: kurze Hauptsätze und gezielte Kommasetzung für natürliche Sprechpausen, wie im Leitfaden Texte für KI-Sprecher optimieren beschrieben.

Häufig gestellte Fragen (FAQ)

Welcher KI-Sprecher ist der beste?

Im Test von 14 TTS-Modellen vom 28. September 2026 erzielte Eleven v4 von ElevenLabs das beste Gesamtergebnis: 18 von 18 Zahlen, Daten und Abkürzungen wurden fehlerfrei umgesetzt. Ebenfalls ohne Fehler bei Zahlen blieben Eleven v4 Turbo und Gemini 3.1 Flash TTS.

Welcher günstige KI-Sprecher bietet gute Qualität?

Gemini 3.8 Flash-Lite TTS von Google: rund 9,84 EUR (11 USD) pro Million Zeichen laut Artificial Analysis bei nur einem Fehler im Zifferntest. Gemini 3.1 Flash TTS liegt bei rund 16,37 EUR (18,3 USD) und blieb gänzlich fehlerfrei.

Können KI-Sprecher Zahlen und Datumsangaben korrekt vorlesen?

Moderne Modelle beherrschen dies weitgehend, ältere Versionen scheitern oft. Eleven v4 meisterte alle Testfälle, während Eleven Flash v2.5 im Standardmodus nur 7 von 18 Punkten erreichte. Bei älteren Engines hilft die manuelle Textnormalisierung oder das Ausschreiben von Zahlen.

Kann ChatGPT als Sprecher genutzt werden?

Das Modell GPT Audio liest flüssig, neigt jedoch dazu, Texte als Aufforderung misszuverstehen. Anweisungsähnliche Sätze wurden teils mit einer Verweigerung beantwortet. Der Text muss explizit in Anführungszeichen mit der Anweisung „lies wortwörtlich vor“ übergeben werden.

Wie viel kostet eine Minute Sprachausgabe per KI?

Eine Minute gesprochener Text entspricht etwa 660 Zeichen. Bei Eleven v4 via API liegen die Kosten bei rund 0,05 EUR (0,053 USD) exkl. MwSt., während Gemini 3.8 Flash-Lite TTS bei unter 0,01 EUR (ca. 0,007 USD) liegt.

// weiterlesenKI ohne Zensur? 9 Modelle im Test mit 16 heiklen FragenBenchmarksMuse Spark Open: Metas 816B-Modell, Hardware und TestBenchmarksKI-Modelltest vom 20.10.2026: 7 Modelle, 4 AufgabenBenchmarks

Kinetyra

Der Link zu ElevenLabs ist ein Partnerlink: Wenn Sie darüber kaufen, erhält WISSNOX eine Provision, für Sie bleibt der Preis gleich. Auf den Inhalt hat das keinen Einfluss, auch nicht auf kritische Passagen.