KI-Stimmen im Vergleich: 8 Modelle im Blindtest

👁 117 Aufrufe

Derselbe Text - 62 Wörter mit Datum, Betrag, Zugnummer, Telefonnummer, Frage, Ausrufezeichen und kniffligen Zungenbrechern - wurde von 8 KI-Stimmen gesprochen: aus der Cloud, kostenlos sowie komplett lokal auf einer RTX 4090. Hören Sie sich die Aufnahmen zuerst im Blindtest an, bevor Sie die Auflösung aufklappen. Nur eine Stimme meisterte den Test völlig fehlerfrei, während zwei kostenlose lokale Modelle an Zahlen scheiterten.

Dieser Test ergänzt meine Übersicht von 14 TTS-Modellen. Dort wurden Fehler in drei langen Texten ausgewertet. Hier geht es um das menschliche Gehör: ein kurzer Testtext, acht Stimmen im direkten Vergleich, ein Blindtest und eine Tabelle mit Kosten sowie kommerziellen Nutzungsrechten.

Der Testtext

Jedes Modell erhielt exakt dieselbe Vorlage in Standardschreibweise, ohne Ziffern vorab als Wörter auszuschreiben. Getestet wurde anhand eines polnischen Texts; nachfolgend eine deutsche Übersetzung zur Veranschaulichung der enthaltenen Hürden:

Deutsche Übersetzung des getesteten polnischen Originaltexts: „Szczebrzeszyn, 17. Oktober 2026, 9:45 Uhr. Der Käfer summt im Schilf, und Frau Dr. Agnieszka Brzęczyszczykiewicz kauft eine Fahrkarte für 1249,99 Einheiten der polnischen Währung für den Zug IC 5316 nach Lodz. Schafft sie es rechtzeitig, wenn der Zug bereits 25 Minuten Verspätung hat? Halm, Kuckuck, Biene - versuchen Sie, das ohne Stottern nachzusprechen! Und jetzt notieren: 15% Rabatt, Nummer 601 234 567. Vielen Dank und auf Wiederhören nächsten Donnerstag in Danzig!“

In dieser Passage stecken 15 gezielte Kontrollpunkte:

• Eigennamen und phonetische Zungenbrecher (Übersetzung aus dem Polnischen): Szczebrzeszyn, Käfer, Brzęczyszczykiewicz, Halm, Kuckuck, Biene;
• Grammatisch korrekte Zahlformen bei Datum, Uhrzeit, Geldbetrag, Zeitdauer und Prozentangaben;
• Die Abkürzung IC, die Zugnummer und eine in Dreiergruppen gesprochene Telefonnummer;
• Die steigende Frageintonation im Satz „Schafft sie es rechtzeitig…?“;
• Vollständigkeit - ob Wörter übersprungen oder hinzuerfunden wurden.

Blindtest: Anhören vor dem Aufdecken

Die Reihenfolge ist zufällig, die Lautstärke angeglichen, und die Dateinamen verraten kein Modell. Notieren Sie Ihren Favoriten und klicken Sie erst danach auf „Modell anzeigen“.

Vergleichen Sie Ihren Höreindruck mit den Messwerten unten - eine hohe Trefferquote deckt sich nicht immer mit dem subjektiv angenehmsten Stimmklang.

Ergebnisse: Aussprache an 15 Kontrollpunkten

Methodik der Auswertung: Jede Audiodatei wurde lokal von Whisper large-v3 transkribiert und zusätzlich von Gemini 3.8 Flash geprüft, das Lautschrift und Einzelfehler analysierte. Ein Fehler wurde gewertet, wenn er in beiden Protokollen sichtbar war oder Gemini eine eindeutig falsche Flexionsform dokumentierte. Eine Einzelwertung wurde manuell angepasst: Pipers Aussprache der Zugnummer als eine Gesamtzahl („fünftausenddreihundertsechzehn“) wurde als zulässig anerkannt.

Typische Fehlerquellen bei komplexen Texten

• Datum - 6 von 8 Stimmen wählten die falsche grammatikalische Fallendung. Beide Edge-Stimmen fügten unpassende Füllwörter ein.
• Geldbetrag - Nur Eleven v4 nannte Haupt- und Nachkommaeinheiten korrekt. Edge las mathematisch „Hundertstel“, XTTS und Piper sagten „Komma“, GPT Audio ließ den Tausenderblock weg.
• Zungenbrecher - Edge Marek, Piper und Chatterbox verwechselten Zischlaute deutlich hörbar.
• Seltene Wortanfänge - Edge Zofia verschluckte Konsonanten, GPT Audio Mini und Piper veränderten Vokale.
• Lange Eigennamen - Wurden von fast allen Systemen erstaunlich gut gemeistert; lediglich Piper scheiterte daran.
• Frageintonation - Nur Eleven v4, GPT Audio, GPT Audio Mini und Chatterbox erzeugten eine natürlich ansteigende Tonhöhe. Edge, XTTS und Piper lasen die Frage wie einen Aussagesatz.
• Telefonnummer - Piper interpretierte die Ziffernfolge als zusammenhängende Millionenzahl. Eleven v4 las Ziffer für Ziffer vor, was natürlich klang.

Vergleich: Kosten, Stimmen, Lizenzen und Latenz

Die Latenz beschreibt die Dauer von der Textübermittlung bis zum ersten Audiosignal (bei Streaming-APIs) bzw. bis zur fertigen Datei (bei lokalen Modellen). Die Messung erfolgte am 8. Oktober 2026 mit einem Aufruf pro Modell - sie dient als Praxisorientierung, nicht als standardisierter Benchmark.

Preise in EUR basieren auf den Herstellerangaben in USD (umgerechnet zum EZB-Referenzkurs vom 12.10.2026: 1 EUR = 1.1181 USD via ecb.europa.eu; Rundungen können auftreten). Bei Azure stammt der Richtwert aus Übersichten, da die offizielle Tarifseite ohne Kontoanmeldung keine genauen Zahlen anzeigte.

Lokale Ausführung auf RTX 4090: Messwerte

XTTS spricht langsam (53 Sekunden gegenüber 35-43 Sekunden bei den anderen) und mit spürbarem fremdsprachigen Akzent, meistert komplexe Eigennamen jedoch überraschend exakt. Chatterbox setzt voraus, dass Zahlen vorab im Text ausgeschrieben werden - bei Ziffern wie „17. Oktober“ oder Geldbeträgen entstehen unverständliche Tonfolgen. Piper läuft selbst auf leistungsschwacher Hardware, erinnert klanglich aber an Navigationsgeräte älterer Generationen. Details zur Einrichtung beschreibt der Leitfaden zu lokaler KI.

Warum Gemini TTS im Test fehlt

Gemini 3.8 Flash TTS und 3.1 Flash TTS schnitten im vorherigen Modellvergleich stark ab (Version 3.1 fehlerfrei). Für diesen Test bestand jedoch kein Zugang: OpenRouter führte keine Gemini-Varianten mit Audioausgabe, und das im September genutzte Gateway war zum Testzeitpunkt für Neuguthaben gesperrt. Sobald der Zugriff wieder möglich ist, wird Gemini im Blindtest ergänzt.

Einsatzempfehlungen: Welches Modell für welchen Zweck?

• Vertonung von Videos und Werbespots - Eleven v4. Einzige fehlerfreie Stimme im Test mit natürlicher Satzmelodie. Nach der Einführungsphase liegt der Preis bei ca. 0,072 EUR (0,08 USD) pro 1.000 Zeichen. Mehr dazu im ElevenLabs-Überblick.
• Sprachassistenten und Echtzeitdialoge - GPT Audio: Geringste Latenz (0,8 s) und gute Fragestellung, Geldbeträge sollten jedoch abgefangen werden. GPT Audio Mini ist deutlich günstiger, neigt aber zum Auslassen ganzer Sätze.
• Kostenlos für Notizen und persönliche Hörtexte - Edge TTS. Gute Audioqualität, Zahlen sollten jedoch als Wörter ausgeschrieben werden. Für kommerzielle Projekte führt der Weg über das offizielle Azure Speech.
• Offline-Verarbeitung ohne Cloud-Upload - XTTS v2 für rein private Nutzung oder Chatterbox (MIT-Lizenz) für kommerzielle Zwecke, sofern Ziffern vorab in Text umgewandelt werden.
• Minimale Hardwareanforderungen - Piper. Klingt mechanisch, arbeitet aber ressourcenschonend auf nahezu jedem Prozessor.

Häufige Fragen (FAQ)

Welcher KI-Stimmengenerator schneidet am besten ab?

In diesem Blindtest erzielte Eleven v4 von ElevenLabs mit 15 von 15 Punkten und dem natürlichsten Stimmbild den ersten Platz. Im umfassenderen Vergleich von 14 Modellen liegt Gemini 3.1 Flash TTS gleichauf.

Gibt es komplett kostenlose KI-Stimmen?

Ja: Edge TTS sowie die lokal installierbaren Open-Source-Modelle Piper, XTTS v2 und Chatterbox. Edge TTS nutzt inoffizielle Endpunkte und ist für kommerzielle Projekte ungeeignet. Unter den lokalen Modellen erlauben Chatterbox (MIT) und Teile von Piper (lizenzabhängig je nach Stimme) eine gewerbliche Nutzung.

Welche KI-Stimme liest Zahlen und Datumsangaben am zuverlässigsten vor?

Eleven v4. Viele andere Modelle scheitern an korrekter Flexion oder sprechen Nachkommastellen buchstabengetreu als „Komma“ aus. Bei einfacheren Modellen hilft es, Zahlen und Datumsformate vor der Übergabe an das Modell direkt als Wörter auszuschreiben.

Dürfen KI-generierte Stimmen gewerblich genutzt werden?

Das hängt von den Lizenzbedingungen ab: ElevenLabs erlaubt die kommerzielle Nutzung in bezahlten Plänen, OpenAI verlangt einen Hinweis auf die synthetische Natur der Stimme, Chatterbox unterliegt der MIT-Lizenz. XTTS v2 schließt gewerbliche Nutzung aus, und der Direktzugriff via Edge TTS besitzt keine offizielle API-Freigabe.

Wie hoch sind die Kosten pro Audiominute?

Eine Minute gesprochener Text umfasst im Schnitt etwa 700 bis 900 Zeichen. Bei Eleven v4 belaufen sich die Kosten auf etwa 0,05 bis 0,06 EUR (ca. 0,06 bis 0,07 USD; EZB-Kurs 12.10.2026) pro Minute. Bei GPT Audio Mini liegt der Betrag im Bruchteil eines Cents, während lokale Modelle lediglich Strom verbrauchen.

Wie wurde dieser Test durchgeführt?

Alle Audiospuren wurden am 8. Oktober 2026 mit demselben Ausgangstext und ohne manuelle Nachbearbeitung erzeugt. Cloud-Dienste wurden über ihre Schnittstellen (ElevenLabs, OpenRouter, Edge TTS) angesteuert, lokale Modelle auf einem System mit Nvidia RTX 4090 (24 GB VRAM) unter Windows 11 ausgeführt.

// weiterlesenDie Stimme im All: Wenn ein einzelner Mensch die Brücke zur Raumstation wirdWeltraumKI-Musikgenerator Test 2026: 7 Modelle im VergleichBenchmarksKI-Bildgeneratoren im Vergleich: Test-Arena mit 11 ModellenBenchmarks

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.