Text zu Sprache mit KI-Stimmen im Test - kostenlos oder Abo?
Wie wichtig ist Sprache und kann eine KI Sprecher*innen ersetzen? Wir vergleichen die beiden beliebtesten Text zu Sprache (auch Text to Speech) Modelle und ziehen ein Fazit.
-
von
David Lörch
- zuletzt bearbeitet am 08.09.2026
Die Modelle im Test:
Elevenlabs
- Viele Funktionen, wie z.B. Voice Cloning günstiger
- Natürlichere Stimmen in deutsch
- Komplettes Audio-Ökosystem
- Weniger Einbindungsmöglichkeiten
Murf AI
- Murf Dub synchronisiert Videos in 40+ Sprachen
- Timeline-Editor
- Viele native Integrationen und Developer SDK
- wenige deutsche Stimmen, unnatürlicher
- Nutze unsere Affiliate Links und unterstütze unsere Arbeit.
Unsere Website ist frei von Werbebannern und wir geben Transparent an, wenn wir ein Produkt zugesendet bekommen haben. Durch einen Kauf bei unseren Affiliate Partnern bezahlst du nicht mehr und unterstützt uns damit. Danke!
Was ist Text zu Sprache und wo findet es Anwendung?
Wer sich heutzutage in Social Media herumtreibt, stößt zwangsweise früher oder später auf KI-generierten Inhalt. Immer häufiger tauchen dabei auch Videos mit mehr oder weniger informativem Inhalt auf, vorgelesen von einer meistens etwas steif aber auch irgendwie bekannt klingenden Stimme. Oft hat die den typischen Podcaster- oder Radiosprecher-Klang, meistens sind es männliche Stimmen. Es gibt immer mehr Kanäle zu diversen Themen, deren ganzer audiovisueller Inhalt von „AI“ durch Textprompts erzeugt wurde.
Auch im kommerziellen Bereich finden fortschrittliche KI-Stimmen immer häufiger Anwendung, da für einen kurzen Werbeclip zu einem neuen Produkt oder einer neuen Dienstleistung oft das Budget für einen richtigen Sprecher gespart wird. Vor allem, wenn er möglichst mehrere Sprachen umfassen und damit viele Zielgruppen ansprechen soll. Werbeagenturen haben sich auch angepasst und bieten oft flexiblere Lösungen an.
Unter „Text-to-Speech“-Tools (TTS) versteht man dabei meistens online-basierte Plattformen, die es erlauben aus jedem eingebenen Text mittels Sprach-Synthese (speech synthesis) natürlich klingende Audiodateien zu erzeugen. Wir haben uns mal zwei führende Anbieter in diesem Bereich näher angeschaut und beide verglichen.
Was leisten die TTS-Anbieter?
Elevenlabs
Elevenlabs ist ein 2022 gegründetes Startup mit Sitz in New York, das Text-zu-Sprache und weitere KI-basierte Dienstleistungen zum Arbeiten mit Stimmen und Sprache anbietet.
Dazu gehören zum Beispiel:
- Voice Changer: ein Werkzeug zum transformieren von Stimmen
- Voice Cloning: Stimmenklone selbst erzeugen
- Sound Effects: erzeugen von Soundeffekten aus Text Prompts
- Speech to Text: das Gegenteil von TTS, das Erzeugen von Textdateien aus Audiofiles (Transkription)
- Komplette Erzeugung von KI-Inhalten inklusive Bilder, Videos und Musik
- Dubbing und Subtitles: Neue Sprachversionen oder Untertitel zu Videos erzeugen
- Stimmenisolator: Hintergrundgeräusche aus Stimmen filtern.
Unterteilt werden die Leistungen dabei in die Bereiche ElevenCreative (Inhalte mit KI erstellen, bearbeiten und lokalisieren), ElevenAgents (Konversationsagenten bereitstellen und überwachen) und ElevenAPI (die KI-Modelle in andere Umgebungen einbauen). Wir beschäftigen uns im Test ausschließlich mit dem „Creative“ Bereich. Zum Einsatz kommen hier die KI-Modelle: „Eleven v3“, „Eleven Multilingual v2“ und „Eleven Flash v2.5“. Angeblich können Inhalte in mehr als 70 Sprachen (darunter auch japanisch, chinesisch und koreanisch) erzeugt werden, das Portal steht dabei auch komplett auf Deutsch zu Verfügung (nur die Dokumentation gibt es ausschließlich auf Englisch).
Murf
Murf ist ein 2020 gegründetes Unternehmen aus San Francisco das ebenfalls realistisch klingende Text-zu-Sprache Synthese, KI-Stimmenklonung und Sprachagenten verspricht und vor allem andere Unternehmen als Kunden hat. Die Aufteilung ist ähnlich wie bei Elevenlabs in Murf Agents (KI Agenten für Firmen), Murf API, Murf Studio (Produktion von Voiceovers) und Murf Dubbing (lokalisieren von Videos). Genutzt werden dafür zwei KI-Modelle, „Falcon“ für Konversationen und „Gen2“ für Inhalte. Murf bietet Spracherzeugung in 35 Sprachen an, die Seite ist allerdings ausschließlich auf Englisch.
Preismodelle
Beide Anbieter haben einen kostenlosen Zugang mit beschränktem Funktionsumfang, für eine kurze Textpassage reicht es aber. Bei Elevenlabs hat man 10 Minuten Text-zu-Sprache umsonst, dann kostet jede zusätzliche Minute 0,36$. Auch bei Murf gibt es 10 Minuten umsonst. Beide Anbieter haben danach ein Guthaben-System: bei Elevenlabs gibt es Credits, die man bei allen Anwendungen benutzen kann. Ein Credit entspricht dabei einem Zeichen Text oder einer Sekunde an Audio. Bei Murf heißen die Credits „Voice Generation Time“. Zusätzlich gibt es natürlich Abomodelle mit einer festen Menge an Credits pro Monat, bei Elevenlabs sind das Starter (6$/Monat), Creator (22$), Pro (99$), Scale (299$), Business (990$) und Enterprise (individuell) und bei Murf Creator (19$), Business (65$) und Enterprise (individuell).
Was gibt es für AI-Voices?
Elevenlabs
Hier gibt es drei verschiedene Arten, wie man Stimmen nutzen kann:
- Eine Stimme aus der riesigen Stimmbibliothek auswählen. Diese unterscheiden sich wiederum in professionelle Stimmklone (also trainiert mit den Aufnahmen professioneller Sprecher) und „Community Voices“ (die von Nutzern von Elevenlabs selbst erstellt wurden, die dann für die Nutzung vergütet werden). Es gibt alle Arten von Stimmen, sogar Dialekte sind dabei.
- Einen „Instant Voice Clone“ oder „Professional Voice Clone“ erstellen. Für das schnelle Verfahren braucht es nur eine maximal 10 MB große Sprachaufnahme, für den professionellen Stimmklon deutlich mehr. Man kann die Aufnahme auch direkt live über die Homepage durchführen.
- Mit „Voice Design“ eine eigene, künstliche Stimme erzeugen nur durch die Eingabe von Attributen wie Alter, Geschlecht, Akzent, Ton usw.
Der Klonung einer Stimme steht einem leider nur in den bezahlten Abomodellen zur Verfügung.
Murf
Bei Murf werden die Stimmen erzeugt indem Aufnahmen von professionellen Sprechern zum Training eines Algorithmus für maschinelles Lernen genutzt werden. Die Sprecher haben hierfür ihre Zustimmung gegeben und sollten Verträge mit Sprechern auslaufen, sind die Stimmen noch eine Weile verfügbar und werden dann zu „Retired Voices“. Auch Murf bietet das Klonen für Stimmen an, allerdings nur im „Enterprise“ Plan und nicht selbst durchführbar.
Das könnte dich auch interessieren:
Die besten USB Mikrofone im Vergleich
Unser Testablauf
Für den Test haben wir uns einen kleinen Werbetext für unsere eigene Homepage einfallen lassen. Stilistisch sollte es nach typischem Marketing-Sprech klingen, also mit viel Fachbegriffen und Anglizismen. Außerdem haben wir verschiedene Satztypen eingebaut (Fragen und Ausrufe), um zu testen, ob der Algorithmus das erkennt. Den kompletten Text findet ihr hier:
„Ihr seid auf der Suche nach Infos zu aktueller Audio-Technik, zu smarten Sound-Gadgets oder zu innovativer Software, um mit Medien aller Art zu arbeiten?
Dann seid ihr bei uns an der richtigen Adresse! Soundandgo gibt euch seit 2022 eine zentrale Anlaufstelle für alle Produkte, die das Herz jedes Audio-Interessierten höherschlagen lassen.
Egal ob Kopfhörer, Mikrofone oder Audio-Interfaces, wir testen alles für euch und liefern euch Reviews, Videos und Vergleichsartikel. Außerdem findet ihr bei uns jede Menge nützliche Tools zur Audiobearbeitung und diverse Dienstleistungen im Bereich Podcasting.“
Für den Test haben wir uns bei beiden Anbietern ein paar Stimmen ausgesucht, die für einen Werbeclip (zum Beispiel im Radio, in Podcasts oder auf Spotify) passend wären. Bei Elevenlabs gibt es dafür einen Filter für die Art der Anwendung, die hier schlicht „Werbung“ heißt. Andere Kategorien heißen zum Beispiel „Erzählung“ (für Hörbücher), „Social Media“ oder „Bildung“ (für Lehrvideos / e-learning).
Bei Murf gibt es verschiedene „Styles“, die mit Emojis dargestellt werden und eher Arten zu sprechen repräsentieren. Es gibt zum Beispiel „Calm“, „Sad“ und „Angry“, aber auch „Promo“, für das wir uns dann entschieden haben.
Man bekommt natürlich noch weitere Attribute bei der Stimmauswahl angezeigt. Geschlecht, Alter und Nationalität werden angegeben und oft gibt es noch ein paar Adjektive, die die Stimme grob beschreiben. Bei Elevenlabs gibt es für alle Sprecher eine kurze Vorschau-Aufnahme. Bei Murf kann man sich einen zufälligen Satz generieren lassen und den dann von den Sprechern in ihren verschiedenen Stilen vorhören. Damit hört man also direkt die Sprachsynthese und nichts vorher erzeugtes.
Elevenlabs im Test mit Klangbeispielen:
In der Stimmenbibliothek gibt es verschiedene Symbole mit denen man schnell die Art der Stimme erkennen kann. Ein professioneller Stimmenklon hat einen goldenen Haken; wurde dieser in Studioqualität aufgenommen, ist der Haken schwarz. Instant Voice Clones haben ein Blitz-Symbol und mit Voice Design erstellte Stimmen kein Symbol. Findet man eine interessante Stimme kann man sie einer eigenen Sammlung hinzufügen, so dass man schnell eine gute Auswahl zusammen hat. In unserer Kategorie ist die Auswahl an männlichen Stimmen deutlich größer, trotzdem haben wir versucht gleichviel männliche und weibliche Stimmen zu nutzen. Die Auswahl fiel dabei auf:
- Marcus – Iconic and Charming
- Christian – Polite and Calm
- Darinka – Warm & natural voice
- Anna – Excited & Journalistic
Wir haben die Stimmen meistens erst mit Standardeinstellungen getestet und dann versucht, das beste rauszuholen, falls die Stimme Potenzial hatte. Dabei wurden auch die unterschiedlichen Spracherzeugungs-Modelle getestet. Hier findet ihr die einzelnen Versuche:
#1: Marcus mit Eleven v2 und Standardeinstellungen. Das Ergebnis ist schon ganz gut, nur die Betonungen sind zum Teil seltsam und die Frage wurde nicht als Frage erkannt. Alle Anglizismen und sogar der Eigenname „Soundandgo“ klingen gut. Der Sound ist typisch für Radiosprecher bass/mittenlastig und etwas blechern.
#2: Die gleiche Stimme mit Eleven v3. Hier sind die Einstellmöglichkeiten deutlich reduziert. Die KI-Stimme klingt natürlicher aber auch ein bisschen höher. Die Frage wird diesmal richtig erkannt und das Tempo ist natürlicher.
#3: Christian mit Standardeinstellungen. Der Sprechtempo ist langsam und der Sprecher klingt sehr steif. Betonungen und Sprachmelodie sind sehr seltsam und unnatürlich. Die Frage wird nicht erkannt.
#4: Gleicher Sprecher mit erhöhter Geschwindigkeit, Stabilität mehr Richtung variabel, Ähnlichkeit höher und Stilübertreibung weniger. Das Ergebnis ist besser, aber immer noch nicht gut.
#5: Darinka mit v2. Die Sprechweise ist viel zu langsam und einschläfernd, außerdem ist die erzeugte Audiodatei sehr leise und rauscht stark. Aus dieser Stimme lässt sich wahrscheinlich nichts brauchbares rausholen.
#6: Anna mit v2 und Standardeinstellungen. Das Fragezeichen wird wieder nicht erkannt, es gibt ein paar seltsame Pausen und die Sprachmelodie könnte natürlicher sein. Die Stimme klingt aber insgesamt gut, wenn auch sehr leise.
#7: Gleiche Stimme mit v3. Die Stimme ist direkt viel lauter und Frage und Ausruf werden richtig erkannt. Insgesamt klingt das Ergebnis viel natürlich und ist durchaus brauchbar.
Zwei wirklich brauchbare Ergebnisse waren dabei (#2 und #7), der Qualitätsunterschied zwischen Eleven v2 und v3 fällt deutlich auf. Jetzt versuchen wir es nochmal mit „Instant Voice Cloning“ und nehmen dafür ein Sprachsample von Johann aus einem seiner letzten Youtube-Videos.
Klonen der eigenen Sprache
#8: Johann geklonte Version mit v2. Es klingt sehr steif und mechanisch/robotisch und enthält seltsame Pausen. Die Frage wird wieder nicht erkannt. Die Geschwindigkeit wurde etwas erhöht, mit den Standardeinstellungen, war es wieder sehr langsam.
#9: Johann geklonte Version mit v3. Viel besser und natürlicher, aber insgesamt klingt die Stimme nicht wirklich ähnlich zur Vorlage, sondern eher generisch. Charakteristische Merkmale fehlen. Mit einer größeren Menge an Samples könnte da Potenzial vorhanden sein.
Bei Eleven v3 kann man in den Text zusätzliche Tags mit eckigen Klammern einfügen, um mehr emotionale Vielfalt in die Darbietung zu kriegen. Außerdem, kann man mit <breaktime> belibige Pausen einfügen, auch dashes (kurz oder lang) oder Ellipsen (…) werden erkannt. Großschreibung kann für zusätzliche Betonung benutzt werden. Wenn die Aussprache von Fremdwörtern, Eigennamen oder Anglizismen nicht passt, kann man mit / IPA Transkriptionen von Aussprachen einfügen.
#10: Die gleiche Version nochmal mit zusätzlichen Tags und Großschreibung für die Betonungen. Das Ergebnis ist durchaus brauchbar, wenn auch nicht als wirklicher Stimmklon.
Zum Teil gibt es leichte Qualitätsprobleme, wie übersteuern oder knisternde Höhen. Downloads gibt es maximal als 192 kbit/s mp3.
Murf AI im Praxis Test:
Murf macht ein paar grobe Angaben, wie ihr Verfahren Text in Sprache umzuwandeln abläuft. Der Text wird zuerst analysiert und dabei werden Wörter in phonetische Bestandteile zerlegt. Aus den phonetischen Daten erzeugen die neuronalen Netzwerke dann Sprache, die nach der Konvertierung noch durch diverses Post-Processing wie Rauschreduzierung läuft.
Bei Murf werden geschriebene Texte in Blöcke aufgeteilt, die leicht zu bearbeiten, zu verschieben oder neu zu arrangieren sind. Das Aufteilen des Textes kann man automatisch übernehmen lassen oder manuell anpassen.
Die Blöcke können dann relativ schnell und unkompliziert über ein Dreipunkt-Menü bearbeitet werden, was etwas direkter und zugänglicher ist als bei Elevenlabs.
Zur direkten Bearbeitung eines Satzes gibt es die Möglichkeiten die Variabilität zu verändern („Change variability“) und selbst die Aussprache einzusprechen („Say it my way“) beide sind aber wieder exklusiv dem „Business“-Plan vorenthalten. Kostenlos ist nur der „Emphasis“-Editor, in dem man mit bis zu 5 Punkten, die Tonhöhe für einzelne Silben festlegen kann, um Betonungen und Sprachmelodie zu erzeugen.
Ein Doppelklick auf ein Wort lässt einen die Aussprache bearbeiten. Man kann die Lokalität des Sprechers ändern, bekommt sinnvolle Vorschläge für die Aussprache in Lautschrift und kann alles vorhören und editieren.
Beim Export und Download gibt es dann deutlich mehr Optionen als bei Elevenlabs, was das Weiterverarbeiten in anderer Software erleichtert.
In unserer Kategorie „Promo“ gibt es keine rein deutschsprachigen Sprecher, alle 7 vorhandenen Sprecher sind „MultiNative“-Sprecher des „Gen2“ Modells, die also mehrere Sprachen beherrschen. Oft ist es dann deutsch und englisch, Sprecher „Miles“ hat aber sage und schreibe 41 Sprachen zur Auswahl. Da muss man sich schon die Frage stellen, wie konsistent die Qualität sein kann. Deutsche Stimmen, die nicht mit „MultiNative“ markiert sind, also nur mit deutsch trainiert wurden, gibt es wenige und die Qualität ist sehr durchwachsen. Mit den Test-Sätzen klingen die meisten unbrauchbar.
Für unseren Test haben wir uns also die „MultiNative“-Sprecher Björn, Jimm, Miles und Josephine ausgesucht. Hier die Ergebnisse im Einzelnen. Wir haben direkt versucht mit der Bearbeitung das beste aus den Sprechern rauszuholen.
#1 Björn: Der Sprachfluss ist sehr unnatürlich, die Anglizismen werden zum Teil sehr merkwürdig ausgesprochen. Soundandgo wird trotz Eingabe nicht richtig ausgesprochen. Die Frage wird korrekt erkannt.
#2 Jimm: Die Stimme klingt besser und der Sprachfluss ist natürlicher. Die Aussprache aller Anglizismen und Fachbegriffe ist aber sehr inkonsistent. „Software“ klingt sehr amerikanisch, „Interfaces“ dagegen eher eingedeutscht. „Soundandgo“ wird trotz Anpassung der Aussprache und verschiedenen Optimierungsversuchen seltsam ausgesprochen. Frage wird gut erkannt, der Ausruf ist etwas schwach.
#3 Miles: Die Aussprache der Anglizismen ist wieder wild durcheinander. Das Sprachtempo ist gemächlich, aber gut verständlich. Frage wird erkannt.
#4 Josephine: Es gibt viele seltsame Pausen, manche Wörter klingen wie reingeschnitten, da die Sprachmelodie nicht ans nächste Wort anknüpft. Anglizismen wie zuvor falsch. Die Stimme klingt aber relativ natürlich, die Frage wird wieder erkannt.
Nur zwei der Sprecher haben überhaupt Potenzial (#2 und #4), was die Natürlichkeit der Stimme betrifft. Aber auch bei diesen würden wir das Ergebnis in der Form nicht veröffentlichen. Es bedarf einiger Anpassungen der Aussprache, die mit den im „Creator“-Abo zur Verfügung stehenden Werkzeugen nicht erfolgreich durchgeführt werden können.
Fazit: Werbeclips mit KI-Stimmen erstellen?
Elevenlabs hat vor allem mit seinem „Eleven v3“-Modell einen durchaus potenten KI-Sprachgenerator an der Hand, mit dem sich ohne große Anpassungen brauchbare Audioclips erzeugen lassen. Die v2-Version hat noch Probleme mit der Erkennung von Satzzeichen und klingt insgesamt nicht so natürlich. Wenn man eine geklonte Stimme nutzen will, reicht das „Instant Voice Cloning“ nicht wirklich aus, um einen realistischen Klon zu erzeugen. Stimmen mit dem v3-Modell klingen insgesamt recht generisch und man bekommt oft das Gefühl nicht los, die Stimme schon mal in einem Video oder einer Werbung gehört zu haben. Einen individuellen Markenklang zu erzeugen wird also schwierig.
Murf fehlt es im deutschen Sprachbetrieb leider deutlich an verlässlichen Ergebnissen und Qualität. Der Gebrauch scheint deutlich auf den englischen Sprachraum ausgerichtet zu sein. Die Einstellmöglichkeiten und die fielen durchdachten Funktionen können aber gegenüber Elevenlabs punkten und man sieht deutlich, dass es eher auf professionelle Anwender zugeschnitten ist. Das volle Potenzial entfaltet sich aber erst in den höherpreisigen Abomodellen.
Beide Anbieter erlauben auch das Erstellen von kompletten Werbevideos mit Bild, Musik und Sprache. Eine vollständig KI-gesteuerte Medienproduktion erlaubt dabei einfache und schnelle Ergebnisse. Die Bedenken was Privatsphäre, Datensicherheit und ethischer Umgang mit Trainingsmaterial betrifft liegen aber wie bei allen KI-Modellen auf dem Tisch.
Das könnte dich auch interessieren:
Wireless Mikrofone im Vergleich
Mit * markierte Links sind Affiliate-Links. Es fallen für dich keine weiteren Kosten für dich an, teilweise sind diese Links mit einem automatischen Rabatt für dich. Wir markieren diese Links aus Transparenz und würden niemals schlechte Produkte empfehlen! Mehr dazu erfährst du auf der Seite Unsere Partner.
