Sprachsynthese: So entstehen KI-Stimmen am Telefon

Sprachsynthese, auch Text-to-Speech (TTS), ist die künstliche Erzeugung gesprochener Sprache aus Text. Im KI-Telefonassistenten ist sie der letzte Schritt: Sie macht aus der Antwort des Sprachmodells die Stimme, die Ihre Anrufer hören.

Die Stimme ist das Erste, was ein Anrufer von Ihrem KI-Telefonassistenten wahrnimmt. Klingt sie blechern, legt er auf oder verlangt sofort einen Menschen. Klingt sie natürlich und antwortet ohne lange Pause, bleibt er im Gespräch. Dafür zuständig ist die Sprachsynthese.

Diese Seite erklärt, was hinter dem Begriff steckt, welche Verfahren es gibt und worauf es speziell am Telefon ankommt. Danach geht es um eigene Stimmen, um die rechtlichen Pflichten und darum, wie Sie bei der Anbieterwahl die Stimme prüfen.

Was ist Sprachsynthese?

Sprachsynthese ist die künstliche Erzeugung der menschlichen Sprechstimme. Die bekannteste Form heißt Text-to-Speech (TTS): Software bekommt einen geschriebenen Text und gibt ihn als gesprochene Sprache aus. Umgangssprachlich ist auch von Computerstimme, KI-Stimme oder synthetischer Stimme die Rede.

Das Gegenstück ist die Spracherkennung, die Gesprochenes in Text verwandelt. In einem Voicebot arbeiten beide Hand in Hand: Spracherkennung hört zu, ein Sprachmodell versteht das Anliegen und formuliert die Antwort, die Sprachsynthese spricht sie aus. Wie diese Bausteine zusammenspielen, beschreibt der Eintrag Conversational AI.

Sie begegnen Sprachsynthese im Alltag öfter, als Sie vielleicht denken: im Navigationsgerät, in Vorlesefunktionen für sehbehinderte Menschen, in automatisch vertonten Videos und in Ansagen von Telefonanlagen.

Wie funktioniert Text-to-Speech?

Ein TTS-System arbeitet in zwei Stufen.

1. Textanalyse: Die Software bereitet den Text auf. Sie schreibt Zahlen, Datumsangaben und Abkürzungen aus („14.11." wird zu „vierzehnter November", „GmbH" zu „G-m-b-H"), ermittelt die Aussprache jedes Wortes und legt die Prosodie fest, also Betonung, Satzmelodie, Tempo und Pausen. An dieser Stelle entscheidet sich, ob eine Frage am Satzende nach oben geht.
2. Klangerzeugung: Aus dieser Beschreibung entsteht das hörbare Audiosignal.

Für die zweite Stufe gab es im Lauf der Jahrzehnte sehr unterschiedliche Ansätze.

Die Verfahren im Überblick

Die Formantsynthese war bis in die 1990er-Jahre verbreitet. Bei der konkatenativen Synthese spielt die Software aufgezeichnete Lautübergänge (Diphone) oder größere Einheiten aus einer Sprachdatenbank ab. Das „Unit Selection"-Verfahren sucht dabei möglichst lange passende Stücke heraus. Innerhalb eines begrenzten Themenfelds klingt das sehr gut, außerhalb hört man die Schnittstellen.

Heute setzen praktisch alle Anbieter auf neuronale Sprachsynthese. Die Modelle lernen aus Aufnahmen, wie eine Stimme klingt, und erzeugen daraus neue Sätze, die nie aufgenommen wurden. Moderne Modelle betonen je nach Zusammenhang unterschiedlich und können auf Wunsch freundlich, sachlich oder ruhig klingen.

Worauf es am Telefon ankommt

Ein Hörbuch darf eine Minute rechnen, bevor die erste Silbe erklingt. Ein Telefonat nicht. Am Telefon gelten andere Anforderungen als bei Vorlese-Apps oder Videovertonung:

• Reaktionszeit: Die Pause zwischen Frage und Antwort setzt sich aus Spracherkennung, Sprachmodell und Sprachsynthese zusammen. Gute Systeme streamen die Ausgabe, sie beginnen also zu sprechen, während der Rest des Satzes noch erzeugt wird. Wirkt die Pause lang, hält der Anrufer die Leitung für tot.
• Unterbrechbarkeit: Anrufer fallen einem Bot ins Wort. Die Sprachausgabe muss dann sofort stoppen. Das nennt sich Barge-in.
• Telefonqualität: Klassische Telefonverbindungen übertragen nur einen schmalen Frequenzbereich. Eine Stimme, die im Kopfhörer brillant klingt, kann am Handy mit schlechtem Empfang anders wirken. Hören Sie Probestimmen deshalb über das Telefon an, nicht nur im Browser.
• Aussprache von Fachbegriffen: Namen, Straßen, Produktbezeichnungen und Fachwörter aus Ihrer Branche spricht die Synthese nicht automatisch richtig aus. Fragen Sie, ob sich die Aussprache einzelner Wörter festlegen lässt.
• Zahlen und Uhrzeiten: Telefonnummern, Termine und Preise müssen deutlich und im richtigen Rhythmus kommen. Testen Sie gezielt Sätze wie „Ihr Termin ist am Dienstag, den 4. November, um 9:30 Uhr".
• Sprachen und Dialekte: Haben Sie viele fremdsprachige Anrufer, braucht die Synthese passende Stimmen in diesen Sprachen. Für die Schweiz nennen etwa smao und savedhours Schweizerdeutsch, goai österreichische Dialekte.

Stimmenauswahl bei KI-Telefonassistenten

Wie viele Stimmen zur Wahl stehen, unterscheidet sich stark. Aus unseren geprüften Anbieterdaten (Stand Oktober 2026, laut Anbieter):

Mehr Stimmen sind nicht automatisch besser. Entscheidend ist, ob drei oder vier deutsche Stimmen dabei sind, die zu Ihrem Betrieb passen. Eine Kanzlei klingt anders als ein Handwerksbetrieb.

Eigene Stimme und Voice Cloning

Beim Voice Cloning lernt das System aus Aufnahmen einer bestimmten Person deren Stimme und spricht danach beliebige Texte damit. Für Betriebe ist das reizvoll: Der Telefonassistent klingt wie die Inhaberin oder wie die Stimme aus Ihrer Radiowerbung.

Laut unseren Daten bieten das unter anderem fonio (Tarif Scale), sipgate sona, telli und Famulor an, bei Savedhours gibt es die eigene Stimme erst im Tarif Gross auf Anfrage. Vitas kündigt Voice Cloning laut Produktseite erst ab Dezember 2026 an. velentis nennt ausdrücklich eine schriftliche Einwilligung als Voraussetzung für den Stimmenklon.

Zwei Punkte sollten Sie vorher klären:

• Einwilligung: Klonen Sie nur Stimmen, deren Inhaber schriftlich zugestimmt haben, auch bei Mitarbeitern. Regeln Sie, was mit der Stimme passiert, wenn die Person das Unternehmen verlässt.
• Täuschung: Ein Stimmenklon darf Anrufer nicht glauben lassen, sie sprächen mit der echten Person. Der KI-Hinweis zu Gesprächsbeginn ist hier besonders wichtig.

Rechtlicher Rahmen

• KI-Hinweis: Art. 50 Abs. 1 der KI-Verordnung (EU) 2024/1689 verlangt, dass Menschen erfahren, wenn sie mit einem KI-System interagieren, sofern das nicht offensichtlich ist. Je natürlicher die synthetische Stimme, desto weniger offensichtlich ist es. Die Regel gilt laut Art. 113 seit dem 2. August 2026. Mehr im Ratgeber AI Act und KI-Telefonie.
• Kennzeichnung synthetischer Audioinhalte: Nach Art. 50 Abs. 2 KI-VO müssen Anbieter von KI-Systemen, die synthetische Audioinhalte erzeugen, diese maschinenlesbar als künstlich erzeugt markieren. Diese Pflicht trifft in erster Linie den Hersteller der Sprachsynthese, nicht Sie als Nutzer.
• Deepfakes: Wer Audioinhalte einsetzt, die einer real existierenden Person ähneln und fälschlich echt wirken würden, muss nach Art. 50 Abs. 4 KI-VO offenlegen, dass sie künstlich erzeugt sind. Für geklonte Stimmen ist das relevant.
• Datenschutz: Sprachaufnahmen für das Klonen sind personenbezogene Daten. Läuft die Synthese bei einem Dienstleister, gehört er in den Auftragsverarbeitungsvertrag nach Art. 28 DSGVO beziehungsweise in die Liste der Unterauftragnehmer.

Diese Übersicht ist keine Rechtsberatung. Lassen Sie Ihren konkreten Einsatz bei Bedarf von Ihrem Datenschutzbeauftragten oder einer Kanzlei prüfen.

Wer liefert die Stimme? Ein Blick in die Unterauftragnehmer

Viele KI-Telefonassistenten entwickeln die Sprachsynthese nicht selbst, sondern kaufen sie zu. Das ist kein Nachteil, hat aber Folgen für den Datenschutz, weil der Text jeder Antwort an diesen Dienst geht. Einige Beispiele aus unseren Daten:

• speakki hostet bei Hetzner in Nürnberg, nutzt für die Sprachsynthese laut Subprozessorliste aber ElevenLabs mit Verarbeitung in den USA.
• sipgate sona wirbt mit eigener Infrastruktur in deutschen Rechenzentren, die Unterauftragnehmerliste nennt dennoch ElevenLabs (USA) für Spracherkennung und -synthese.
• Zeeg setzt für KI-Anrufe ebenfalls ElevenLabs ein, laut Datenschutzerklärung mit EU-Datenresidenz.
• telli gibt an, Telefonie, Spracherkennung und Sprachausgabe bei aktiviertem EU-Hosting je Agent in der EU zu verarbeiten.
• smao nennt selbst betriebene Sprachmodelle ohne US-KI-Subprozessoren in der Gesprächsverarbeitung.

Wenn Ihnen Datenverarbeitung in der EU wichtig ist, fragen Sie gezielt nach dem TTS-Dienst. Eine Übersicht nach Hosting finden Sie unter KI-Telefonassistent DSGVO-konform aus Deutschland.

So testen Sie die Stimme vor dem Kauf

1. Probeanruf vom Handy: Rufen Sie die Demo-Nummer aus dem Auto oder von der Straße an, nicht vom ruhigen Schreibtisch.
2. Eigene Sätze: Lassen Sie Ihren Firmennamen, zwei schwierige Fachbegriffe, eine Telefonnummer und einen Termin vorlesen.
3. Unterbrechen: Fallen Sie dem Bot mitten im Satz ins Wort. Stoppt er sofort?
4. Fremde Ohren: Lassen Sie zwei Kollegen anrufen, die das System nicht kennen, und fragen Sie hinterher, wie es geklungen hat.
5. Kosten prüfen: Premium-Stimmen oder eigene Stimmen sind teils höheren Tarifen vorbehalten. Was das bei Ihrem Anrufvolumen bedeutet, zeigt der Kostenrechner.

Die nach unserer Methodik bestbewerteten Anbieter, unabhängig von Provisionen:

Alle geprüften Anbieter mit Preisen, Funktionen und Datenschutzangaben finden Sie im Vergleich der KI-Telefonassistenten.

Häufige Fragen

Passend zum Thema