Menschen bewerten KI-Stimmen blind, und die besten Modelle liegen bei sehr unterschiedlichen Preisen. Was die Ranglisten von Artificial Analysis zu Sprachausgabe und Spracherkennung sagen und was für Deutsch offen bleibt.
Artificial Analysis misst zwei Seiten der Sprach-KI: Text zu Sprache (die KI spricht) und Spracherkennung (die KI schreibt mit). Bei der ersten entscheiden blinde Hörvergleiche, bei der zweiten die Wortfehlerrate. Wir haben beide Ranglisten gelesen und ordnen ein, was die Zahlen für Betriebe heißen, etwa für Telefonassistenten, Mitschriften und Videos. Alle Werte sind Messwerte von Artificial Analysis mit Stand 28. Oktober 2026, wir haben nichts nachgemessen. Zur Transparenz: Wir nutzen in der Redaktion selbst ElevenLabs für Sprecherstimmen.
In der Arena für Text zu Sprache führt Eleven v4 von ElevenLabs mit 1335 Punkten (80 US-Dollar je Million Zeichen). Eleven v4 Turbo liegt mit 1333 Punkten fast gleichauf und kostet 40 Dollar, also die Hälfte. Dahinter folgen Qwen-Audio-3.1-TTS-Plus (1305 Punkte, 19,30 Dollar), Sonic 3.6 von Cartesia (1294, 49 Dollar) und Gemini 3.8 Flash TTS (1283, 16,50 Dollar). Als günstiges Modell mit offenen Gewichten steht Kokoro 82M bei 0,65 Dollar je Million Zeichen und 1061 Punkten. Als Rechenbeispiel: 1.000 Zeichen sind grob eine Minute Sprechzeit, das kostet bei Eleven v4 etwa 8 Cent, bei Eleven v4 Turbo 4 Cent.
Bei der Spracherkennung liegen die besten Modelle sehr eng beieinander: Fun-Realtime-ASR-preview von Alibaba mit 1,7 Prozent Wortfehlerrate, MAI-Transcribe-2 von Microsoft mit 2,0 Prozent (1,67 Dollar je 1.000 Minuten), Voxtral Small Transcribe 3 von Mistral mit 2,1 Prozent (4,00 Dollar) und Scribe v2 von ElevenLabs mit 2,2 Prozent (3,67 Dollar). Eine Stunde Audio kostet damit bei den vorderen Modellen rund 10 bis 25 Cent. Das günstigste Modell, StepAudio 2.5 ASR, kostet 0,37 Dollar je 1.000 Minuten bei 4,7 Prozent Fehlerrate, Whisper Large v3 Turbo bei Groq 0,67 Dollar bei 4,6 Prozent.
In der Sprachausgabe-Arena lassen sich als Akzente US und UK filtern, Deutsch ist dort nicht aufgeführt. Auf der Seite zur Spracherkennung steht nicht, wie die Tests deutsche Sprache oder Dialekte gewichten. Ob eine Stimme im Deutschen natürlich klingt und ob Fachbegriffe, Namen und Zahlen richtig erkannt werden, musst du mit eigenen Aufnahmen prüfen. Plätze mit wenigen Punkten Abstand sind praktisch gleichauf.
Sprach-KI steckt in Telefonassistenten, Mitschriften von Gesprächen, Videos mit Sprecher und Hörfassungen von Texten. Die Preise sind im Verhältnis zum Nutzen meist klein: Ein Reeltext mit 600 Zeichen kostet bei Eleven v4 rund 5 Cent. Wichtiger als der Preis ist die Qualität auf Deutsch und der Umgang mit Daten, denn Gespräche mit Kunden enthalten oft Namen, Nummern und Anliegen.
Für Telefon und Mitschriften gilt: Kläre vorher, ob Anrufer informiert werden, wo die Audiodaten liegen und wie lange, und ob der Anbieter sie zum Training nutzt. Bei Stimmen von echten Personen brauchst du eine schriftliche Einwilligung, und KI-Stimmen solltest du als solche kennzeichnen. Das ist keine Rechtsberatung, kläre es mit deinem Datenschutzbeauftragten oder Berater.
Für Telefonassistenten ist nicht nur Klang und Preis wichtig, sondern auch die Wartezeit zwischen Frage und Antwort. Die Arena-Rangliste zeigt das nicht, Artificial Analysis führt Speech-to-Speech und Streaming getrennt. Wir haben diese Listen hier nicht ausgewertet.
Fünf Minuten: Nimm drei kurze deutsche Aufnahmen auf, eine ruhig, eine mit Hintergrundgeräuschen, eine mit Namen und Zahlen. Zehn Minuten: Lass sie von zwei Spracherkennungen mitschreiben und zähle die Fehler. Drei Minuten: Lass einen Absatz aus deinem Alltag von zwei Stimmen vorlesen und höre kritisch auf Betonung und Aussprache. Zwei Minuten: Notiere Preis und Datenfragen für die Favoriten.
Bei Stimmen-KI liegen das teuerste Modell und sein Turbo-Modell 2 Punkte auseinander, der Preis aber um die Hälfte. Bei der Spracherkennung liegen die besten Modelle sehr eng. Offen bleibt, wie sie sich auf Deutsch schlagen.
Teste mit deutschen Aufnahmen, klär die Datenfragen und rechne mit kleinen Preisen im Verhältnis zum Nutzen.
Quellen: Artificial Analysis, „Provider Voice Arena Leaderboard“ und „Speech to Text AI Model & Provider Leaderboard“ (Stand 28. Oktober 2026). Alle Angaben sind Messwerte des Testhauses, wir haben nichts nachgemessen.
Welches Modell für welche Aufgabe, welche Tools wirklich zählen und wie du richtig promptest — komplett lesbar, kein Download.
Jetzt gratis lesen →Wir testen mit dir Stimme und Spracherkennung mit deinen eigenen deutschen Aufnahmen und klären die Datenfragen.