Was ist Text-to-Speech?
Text-to-Speech, kurz TTS, macht aus geschriebenem Text gesprochene Sprache. Du gibst einen Absatz ein, heraus kommt eine Audiodatei. Ein anderes Wort dafür ist Sprachsynthese.
Die blechernen Navi-Stimmen von früher haben damit wenig zu tun. Heutige Systeme arbeiten mit neuronalen Netzen. Sie berechnen Klang, Betonung und Satzmelodie gemeinsam. Microsoft beschreibt seine neuronalen Stimmen als „nearly indistinguishable from human recordings“ — kaum von echten Aufnahmen zu unterscheiden.
Im Marketing begegnet dir TTS an vielen Stellen:
- Audio-Artikel: ein Vorlese-Knopf über dem Blogbeitrag
- Erklärvideos und Reels: Sprecherstimme ohne Mikrofon
- E-Learning und Onboarding: vertonte Schulungen
- Voicebots und Hotlines: die Stimme, die antwortet
- Werbung: schnelle Varianten für Audio-Spots
Was kostet Text-to-Speech?
Die meisten Cloud-Anbieter rechnen pro Zeichen ab, meist pro einer Million Zeichen. Leerzeichen und Satzzeichen zählen mit. ElevenLabs rechnet stattdessen in Credits je Monatstarif.
Amazon Polly
pro 1 Mio. Zeichen
Standard
4 $
Neural
16 $
Generative
30 $
Long-Form
100 $
Preise laut AWS, Stand November 2026, mit Freikontingenten im ersten Jahr. Zur Einordnung eine eigene Beispielrechnung: Ein Artikel mit rund 1.000 Wörtern hat grob 7.000 Zeichen. Mit einer neuronalen Polly-Stimme kostet die Vertonung damit rund 11 Cent, mit der Standardstimme rund 3 Cent.
Teuer wird TTS also selten über die Stimme. Teuer wird es, wenn du die Lizenz falsch wählst — dazu gleich mehr.
Die wichtigsten Anbieter
- ElevenLabs: sehr natürliche Stimmen, laut Preisseite 74 Sprachen. Der Gratis-Tarif erlaubt keine kommerzielle Nutzung, das geht erst ab dem Starter-Tarif für 6 $ im Monat.
- Microsoft Azure AI Speech: neuronale Stimmen in über 100 Sprachen und Varianten, Steuerung per SSML. Eigene Markenstimmen nur nach Antrag.
- Google Cloud Text-to-Speech: mehrere Stimmtypen bis zu den hochwertigen Chirp-3-HD-Stimmen, für Deutsch rund 30 davon.
- Amazon Polly: günstig und solide, beliebt für Newsreader und lange Texte.
- OpenAI: Sprachmodelle über die API, mit klarer Regel zur Kennzeichnung (siehe unten).
SSML (Speech Synthesis Markup Language) ist dabei dein Werkzeug für den Feinschliff. Mit dieser Auszeichnung steuerst du Pausen, Tempo, Tonhöhe und die Aussprache einzelner Wörter.
Häufige Fehler
Fehler 1 · Den Gratis-Tarif kommerziell nutzen
Das Erklärvideo für den Kunden mit der kostenlosen ElevenLabs-Stimme? Ohne kommerzielle Lizenz ist das ein Vertragsbruch. Lies die Lizenzbedingungen, bevor die Stimme in Werbung landet.
Fehler 2 · Die KI-Stimme verschweigen
OpenAI verlangt in seinen Richtlinien, Hörern klar zu sagen, dass die Stimme KI-generiert ist. Ahmt eine Stimme eine echte Person nach, greift zusätzlich Artikel 50 des EU AI Act, der seit August 2026 eine Offenlegung verlangt. Ein Satz wie „Dieser Artikel wird von einer KI-Stimme vorgelesen“ kostet nichts.
Fehler 3 · Die Aussprache nicht prüfen
Fachbegriffe, Abkürzungen und englische Markennamen in deutschem Text klingen oft schief. „ROAS“ wird schnell zu „Rosas“. Hör jede Datei einmal ab und korrigier per SSML oder Aussprache-Lexikon.
Fehler 4 · Vorlesen mit Barrierefreiheit verwechseln
Weltweit leben laut WHO mindestens 2,2 Milliarden Menschen mit einer Seh-Einschränkung. Ein Vorlese-Knopf hilft manchen davon. Er ersetzt aber keine Website, die mit Screenreadern funktioniert. Wer unter das Barrierefreiheitsstärkungsgesetz fällt, kommt um saubere Überschriften, Alt-Texte und Tastaturbedienung nicht herum.
Lohnt sich ein Vorlese-Knopf?
Verlage setzen stark darauf: 75 % von 326 befragten Digital-Führungskräften wollten 2025 Text-to-Audio ausbauen, laut Reuters Institute. Beim Publikum sieht es nüchterner aus. Im Digital News Report 2025 interessierten sich Nutzer eher für KI-Zusammenfassungen (27 %) und Übersetzungen (24 %) als für Vorlesen.
Häufige Fragen
Darf ich KI-Stimmen in Werbung nutzen?
Ja, wenn dein Tarif die kommerzielle Nutzung erlaubt. Bei ElevenLabs etwa ist das erst ab dem bezahlten Starter-Tarif der Fall. Die Stimme einer echten Person ohne deren Zustimmung nachzubauen, ist dagegen tabu.
Muss ich kennzeichnen, dass ein Audio mit KI erzeugt wurde?
Bei Standardstimmen verlangen es manche Anbieter wie OpenAI in ihren Richtlinien. Ahmt die Stimme eine echte Person nach, gilt seit August 2026 die Offenlegungspflicht aus Artikel 50 des EU AI Act. Ein kurzer Hinweis ist in jedem Fall die sichere Wahl.
Was kostet die Vertonung eines Blogartikels?
Meist nur Cent-Beträge. Ein Artikel mit 1.000 Wörtern hat rund 7.000 Zeichen. Mit einer neuronalen Stimme bei Amazon Polly sind das rund 11 Cent. Teurer wird es nur bei Premium-Stimmen oder Abo-Tarifen.
Welcher Anbieter hat die besten deutschen Stimmen?
Das ist Geschmackssache und ändert sich mit jedem Modell-Update. ElevenLabs, Microsoft Azure und die Chirp-3-HD-Stimmen von Google gelten als besonders natürlich. Hör dir für deinen Text zwei, drei Anbieter an, bevor du dich festlegst.
Wie bekomme ich Fachbegriffe richtig ausgesprochen?
Mit SSML. Damit legst du für einzelne Wörter fest, wie sie klingen sollen, und setzt Pausen. Viele Tools bieten dafür auch ein Aussprache-Lexikon, das für alle Texte gilt.
