Text-to-Speech-APIs für Telefongespräche: 19 Stimmen im Test zu Latenz, Zahlen und Preis (Nov. 2026)

Ergebnisse#

Was wir herausgefunden haben#

1. Drei Stimmen beginnen nach etwa 0,2 Sekunden zu sprechen#

Inworld TTS-2 Flash, ElevenLabs Flash v2.5 und Rime Mist v3 hatten alle ihr erstes hörbares Wort im Median nach 0,18 bis 0,24 s und im 90. Perzentil unter 0,3 s draußen, und keine von ihnen begann ihre Clips mit Stille. Die neuen Stimmen liefen etwa vier Stunden nach dem ersten Durchgang, daher haben wir für die sieben schnellsten Stimmen gemeinsam eine weitere verschachtelte Runde aller fünf Sätze durchgeführt. Die Reihenfolge innerhalb der Top drei änderte sich (Inworld TTS-2 Flash 0,19 s, Rime Mist v3 0,20 s, ElevenLabs Flash v2.5 0,25 s), und alles darunter behielt seinen Platz: Inworld TTS-2 0,30 s, Cartesia 0,35 s, Google Chirp 3 HD 0,53 s und Gemini 3.8 Flash Lite 0,65 s. Betrachten Sie die Top drei bei der Geschwindigkeit als gleichauf und entscheiden Sie nach Preis, Stimme und Funktionen.

2. Erstes Audio ist nicht dasselbe wie das erste Wort#

Die Zeit bis zum ersten Audio-Byte ist die übliche Latenzzahl, doch mehrere Modelle beginnen ihren Clip mit Stille. Googles Chirp 3 HD sendete sein erstes Audio nach 0,21 s und damit so schnell wie die Spitzenreiter, begann aber jeden Clip mit etwa 0,27 s Stille, sodass der Anrufer das erste Wort nach etwa 0,53 s hört. Googles beide Gemini-Stimmen und Deepgram Aura-2 beginnen ebenfalls mit etwa 0,26 s Stille, Cartesia mit etwa 0,14 s und Kokoro mit etwa 0,43 s. Wir haben diese Stille in jedem Clip gemessen (alles, was leiser als -40 dB ist) und addiert; das ergibt die Spalte „erste hörbare Sprache“.

In einem Voice Agent ist die Stimme der letzte von drei nacheinander ablaufenden Schritten: Das Speech-to-Text-Modell erkennt, dass der Anrufer fertig ist, das Sprachmodell beginnt mit seiner Antwort, und die Stimme beginnt zu sprechen. Jede Zehntelsekunde hier ist eine Zehntelsekunde Stille in der Leitung.

3. Zahlen und E-Mail-Adressen überstehen die Telefonleitung weitgehend#

Wir hatten erwartet, dass günstige Stimmen und 8-kHz-Audio bei Ziffern und E-Mail-Adressen scheitern. Das war größtenteils nicht der Fall. Jedes Modell las „415-867-5309“ als Telefonnummer, die beide Prüfer korrekt notierten, jedes Modell las „dana.kowalski@gmail.com“ als buchstabierte Adresse, und jedes Modell übermittelte „$249.99“, „March 14th“ und „3:15 PM“ in allen drei Durchläufen. Niemand benötigte SSML oder einen umgeschriebenen Prompt. Das ist eine gute Nachricht für Entwickler, aber auch ein kleiner Test: eine Telefonnummer, eine E-Mail-Adresse und eine Anschrift, auf Englisch, mit einem gängigen Namen.

4. Zwei OpenAI-Ergebnisse, die Sie in Ihren eigenen Vorlagen prüfen sollten#

tts-1 las eine Hausnummer falsch. In allen drei Durchläufen hörten beide Prüfer „1428 Elm Street“ als „Fort 128“ oder „128 Elm Street“, und ein dritter Durchgang mit dem Audio in voller Qualität hörte dasselbe. Die Telefonleitung war nicht die Ursache. Wenn Sie tts-1 für Adressen einsetzen, schreiben Sie Hausnummern in Worten aus oder testen Sie zuerst Ihre Formatierung.

gpt-4o-mini-tts ließ einen Satz aus. Bei „I have your number as 415-867-5309 and your email as dana.kowalski@gmail.com. Is that right?“ endete das Audio in allen drei Durchläufen nach der E-Mail-Adresse. Beide Prüfer sowie OpenAIs eigenes gpt-transcribe, angewendet auf die letzten drei Sekunden des Clips, hörten die langsam gelesene E-Mail-Adresse und danach nichts. Die abschließende Frage macht aus einer Rückbestätigung erst eine Bestätigung; es handelt sich also um eine Auslassung, die ein Anrufer bemerkt. gpt-4o-mini-tts ist ein steuerbares Modell, das Stilanweisungen entgegennimmt; wir haben keine gesendet. Wir sahen dies bei einem von fünf Sätzen, dreimal von dreimal.

Die weiteren kleinen Abweichungen: Kokoro (3 von 3 Durchläufen) sowie Inworld TTS-2 Flash und Rime Coda (je 1 von 3) sagten „your email is“, wo der Text „your email as“ vorsah, und ein Prüfer hörte einmal, wie Deepgram Aura-2 „their“ statt „your“ sagte. Keine davon ändert die Bedeutung.

5. Dasselbe Modell über einen Reseller kann zehnmal langsamer sein#

Inworld TTS-2 begann über die eigene API nach 0,28 s zu sprechen. Dasselbe Modell über DeepInfra brauchte 2,64 s, weil der Endpunkt von DeepInfra offenbar den gesamten Clip erzeugt, bevor er etwas davon sendet, und DeepInfra verlangt $35 pro 1 Mio. Zeichen gegenüber Inworlds eigenen $25. MiniMax und xAI, die wir nur über fal.ai erreichten, liefern eine fertige Datei und haben daher nur eine Zeit für den „ganzen Satz“ (3,5 bis 4,6 s einschließlich der Warteschlange von fal); beide streamen über ihre eigenen APIs, die wir nicht getestet haben.

Preis pro Minute, getestet und nicht getestet#

Preise von der jeweiligen Anbieterseite, abgerufen am 12. November 2026. Bei Preisen pro Zeichen rechnen wir mit etwa 740 Zeichen pro Sprechminute um, dem Median der Sprechgeschwindigkeit der getesteten Stimmen (sie reichte von 631 bis 911 Zeichen pro Minute, sodass eine schnelle Stimme bei gleichem Preis pro Zeichen pro Audiominute mehr kostet als eine langsame). Natives Telefonformat bedeutet, dass die API selbst 8-kHz-mu-law (G.711) zurückgeben kann, sodass Sie das Audio nicht konvertieren müssen, bevor es in einen Anruf geht.

Wenn Sie eine Stimme verlassen, die eingestellt wird, siehe Hume AI alternatives und PlayHT alternatives.

Einen Blick wert

ElevenLabs

Realistische KI-Sprecher, Synchronisation und Voice Cloning in Dutzenden Sprachen. Kostenlos starten.

ElevenLabs testen

Je eine Schwäche#

• Inworld TTS-2 Flash: keine Stimmsteuerung in natürlicher Sprache, die Inworld TTS-2 vorbehält (model docs). Stork erhält eine Provision für Anmeldungen bei Inworld; bewerten Sie unsere Begeisterung also entsprechend, die Zahlen werden für jeden Anbieter auf dieselbe Weise gemessen.
• ElevenLabs Flash v2.5: die teuerste der drei schnellsten Stimmen, zum Listenpreis pro Minute etwa dreimal so teuer wie Inworld TTS-2 Flash und viermal so teuer wie Gemini 3.8 Flash Lite. Sie spricht außerdem schneller als die meisten Stimmen, sodass derselbe Text weniger Minuten ergibt, jede Minute aber mehr kostet.
• Rime Mist v3: wird pro Audiominute abgerechnet, mit $0.030 fast dreimal so teuer wie Inworld TTS-2 Flash.
• Inworld TTS-2: brauchte 1,8 s, um einen Satz zu beenden, gegenüber 0,7 s bei TTS-2 Flash, und war über einen Reseller (DeepInfra) beim Start zehnmal langsamer.
• Smallest.ai Lightning v3.1 Pro: eine Stufe hinter den drei schnellsten Stimmen (0,30 s bis zum ersten Wort) und pro Minute etwa 50 % teurer als Inworld TTS-2 Flash ($0.017 gegenüber $0.011).
• Fish Audio S2.1 Pro: keine mu-law-Ausgabe, 0,68 s bis zum ersten Wort und die langsamste direkt erreichte Stimme beim Beenden eines Satzes (5,3 s im Median). Wir konnten nur die kostenlose Entwicklerstufe testen, weil unser Konto kein bezahltes API-Guthaben hat; die bezahlte Stufe könnte anders in die Warteschlange stellen.
• Cartesia Sonic 3.6: kein reines Pay-as-you-go; Sie buchen einen Monatsplan, und Mehrverbrauch ist standardmäßig deaktiviert. Außerdem beginnt jeder Clip mit etwa 0,14 s Stille.
• Rime Coda: die pro Minute teuerste Stimme in unserem Test ($0.050) und neben tts-1 die einzige mit einem Fehler bei einer Entität (ein falsch geschriebener Nachname in drei Durchläufen).
• ElevenLabs v4 Turbo: gleicher Preis wie Flash v2.5, aber hier in beiden Punkten langsamer: 0,47 s bis zum ersten Wort und 1,8 s, bis ein Satz fertig ist.
• Google Cloud Chirp 3 HD: etwa 0,27 s Stille am Anfang jedes Clips, und für Streaming wird die gRPC-Streaming-API von Google benötigt, nicht der einfache REST-Aufruf.
• Gemini 3.8 Flash Lite TTS: etwa 0,26 s Stille am Anfang jedes Clips, der Preis verdoppelt sich am 1. Januar 2027, und 8-kHz-mu-law gibt es nur in Googles neuerer Interactions API.
• Deepgram Aura-2: die langsamste der direkt erreichten Stimmen beim Beenden eines Satzes (4,3 s im Median) und 0,72 s bis zum ersten Wort.
• gpt-4o-mini-tts: ließ die abschließende Frage eines Satzes in allen drei Durchläufen aus, und die API hat keine Ausgabe in 8 kHz oder mu-law.
• Gemini 3.8 Flash TTS: bei jeder hier gemessenen Größe langsamer als Flash Lite (0,99 s bis zum ersten Wort, 2,8 s pro Satz) und pro Minute 50 % teurer.
• Kokoro-82M: 0,43 s Stille vor jedem Clip, nur voreingestellte Stimmen, kein Klonen, und auf DeepInfra kein Telefonformat.
• tts-1: die langsamste Streaming-Stimme beim Start (1,25 s) und las in jedem Durchlauf eine Hausnummer falsch.
• xAI TTS v1: streamt über fal nicht, sodass wir die Zeit bis zum ersten Audio nicht messen konnten; die eigene API streamt über WebSocket.
• MiniMax Speech 2.8 Turbo: pro Minute eine der teuersten in unserem Test ($0.038) und über fal die langsamste Datei (4,6 s).

So haben wir getestet#

• Sätze: „Thanks for calling Riverside Dental, this is Ava. How can I help you today?"; „I have your number as 415-867-5309 and your email as dana.kowalski@gmail.com. Is that right?"; „Our technician will come to 1428 Elm Street, Apartment 3B, Springfield, Oregon 97477."; „Your total is $249.99, and your next appointment is Tuesday, March 14th at 3:15 PM."; und eine Anweisung mit 215 Zeichen dazu, was mitzubringen ist und wie man einen Termin verschiebt. Reiner Text, kein SSML, keine Aussprachehinweise, für jedes Modell identisch.
• Anfragen: ein Satz pro Anfrage, 3 Durchläufe, die Modelle kamen abwechselnd an die Reihe, sodass eine Netzwerkverlangsamung alle trifft. Zuvor gab es pro Modell eine nicht gewertete Aufwärmanfrage, damit der Verbindungsaufbau nicht zählt. Streaming-Endpunkte wurden gelesen, sobald Daten ankamen; erstes Audio = Senden der Anfrage bis zu den ersten Audio-Bytes. Zehn Stimmen liefen in einem ersten Durchgang, sieben (Cartesia, Deepgram, beide Rime-Modelle, beide Inworld-Modelle direkt, Google Cloud) etwa vier Stunden später und zwei (Smallest.ai, Fish Audio) danach, alle am 12. November 2026; die sieben schnellsten wurden anschließend zur Gegenprüfung gemeinsam in einer verschachtelten Runde erneut getestet. Google Cloud wurde über seine gRPC-Streaming-API aufgerufen, die anderen über HTTPS.
• Stimmen und Formate: ElevenLabs „Adam", OpenAI „alloy", Google Gemini „Kore", Google Cloud „en-US-Chirp3-HD-Kore", Inworld „Ashley", Cartesia „Jacqueline", Deepgram „Thalia", Rime „astra", Smallest.ai „chelsea", Fish Audio die beliebte englische Community-Stimme „Sarah" mit Latenz auf „low", Kokoro „af_bella", die Standardstimmen von fal für MiniMax und xAI. Bei jedem Anbieter, der es anbietet, wurde natives 8-kHz-mu-law angefordert (ElevenLabs, Inworld direkt, Cartesia, Deepgram, Rime, Smallest.ai, Google Cloud); Fish Audio lieferte 8-kHz-PCM und die übrigen Audio mit 16 bis 24 kHz.
• Telefonleitung: Jeder Clip wurde auf 300-3.400 Hz bandbegrenzt, auf 8 kHz neu abgetastet und in G.711 mu-law kodiert und anschließend wieder dekodiert, dieselbe Kette wie in unserem Speech-to-Text-Test mit Telefon-Audio. Das simuliert eine Telefonleitung per Software, nicht einen echten Carrier-Pfad mit Paketverlust.
• Bewerter: Zwei Speech-to-Text-Modelle von Anbietern, die in diesem Test keine Stimme haben, Whisper large-v3 und Cohere Transcribe (beide über fal), transkribierten alle 285 Clips der Telefonleitung. Die Bewertung nutzt den Whisper English Normaliser von OpenAI, wobei jede Ziffer als eigenes Wort zählt, sodass „415-867-5309" und „four one five..." gleich bewertet werden; E-Mail-Adressen werden buchstabiert verglichen. Eine Entität gilt nur dann als falsch, wenn beide Bewerter sie verfehlt haben, sodass der Fehler eines Bewerters nicht der Stimme angelastet wird. Die beiden oben genannten OpenAI-Probleme wurden mit einer dritten Transkription erneut geprüft: Whisper large-v3 auf dem Audio von tts-1 in voller Qualität und gpt-transcribe von OpenAI auf den letzten Sekunden des Clips von gpt-4o-mini-tts.
• Führende Stille: in jedem Clip gemessen als die Zeit vor dem ersten Geräusch, das lauter als -40 dB ist.
• Preise: von der jeweiligen Seite des Anbieters am 12. November 2026, in der Tabelle verlinkt. Preis pro Minute für getestete Stimmen = Listenpreis für die Zeichen (bei Gemini die von Google gemeldeten Audio-Token, bei Rime die Minuten) geteilt durch die Minuten des gelieferten Audios. Cartesia wird zum Tarif des Startup-Plans berechnet ($49 für 1,25M Zeichen). OpenAI liefert bei einer gestreamten Anfrage keine Audio-Token-Zahlen, daher verwendet gpt-4o-mini-tts die eigene Schätzung von OpenAI von $0.015 pro Minute.
• Kosten dieses Tests: etwa $1.70 an API-Aufrufen zu Listenpreisen (pro Aufruf protokolliert; der Anteil von Google Cloud ist klein genug, um im monatlichen Gratiskontingent zu liegen, und der von Deepgram stammte aus vorausbezahltem Guthaben), plus mehrere hundert ElevenLabs-Plan-Credits. Das Testskript liegt im Stork-Repository unter scripts/bench/tts_phone_bench.py, und das Roh-Audio sowie die Transkripte werden aufbewahrt, damit jede Zahl überprüft werden kann.

Was dieser Test nicht aussagt#

• Wie die Stimmen klingen. Wir haben weder Natürlichkeit noch Wärme oder Akzent bewertet. Hören Sie sich die Stimme, die Sie verwenden möchten, vor der Auswahl auf einem echten Telefon an.
• Ihr Standort und Ihr Netzwerk. Ein Client in Kalifornien. Absolute Latenzen hängen davon ab, wo Ihre Server stehen; vergleichen Sie die Modelle innerhalb dieser Tabelle.
• WebSocket-Streaming. Wir haben den HTTP-Streaming-Endpunkt jedes Anbieters verwendet (gRPC bei Google Cloud). Voice Agents streamen Text oft über einen WebSocket hinein, während das Sprachmodell ihn schreibt, wodurch das Audio früher beginnen kann.
• Stichprobengröße. 5 Sätze, 3 Durchläufe, eine Stimme pro Modell, nur Englisch. Unterschiede von unter etwa 0,05 s zwischen den schnellsten Stimmen liegen innerhalb der Schwankung von Durchlauf zu Durchlauf. Ein Modell, das unsere eine E-Mail-Adresse korrekt gelesen hat, kann bei Ihrer trotzdem stolpern.
• Nicht getestete Anbieter. Azure, Amazon Polly, Murf, Speechify und Deepgrams Flux TTS wurden nicht getestet, weil uns die Schlüssel fehlen oder wir das Modell in dieser Runde nicht aufgenommen haben, und Fish Audios Drama 3, weil unser Konto kein bezahltes API-Guthaben hat. Ein fehlendes Modell ist kein schlechteres Modell.