Text to Speech: Was TTS im Unternehmen und am Telefon leistet

Text to Speech (TTS) wandelt geschriebenen Text in gesprochene Sprache um. Für Ihr Unternehmen ist die wichtigere Frage, welche Art von TTS-Werkzeug zum Zweck passt: eine fertige Audiodatei, eine Programmierschnittstelle oder eine Stimme, die live mit Ihren Anrufern spricht.

Wer „Text to Speech“ in eine Suchmaschine eingibt, bekommt fast nur Online-Generatoren: Text einfügen, Stimme wählen, MP3 herunterladen. Für ein YouTube-Video reicht das. Für ein Unternehmen stellen sich andere Fragen. Darf ich die Datei gewerblich nutzen? Wohin geht der Text, den ich eintippe? Und reicht eine vorgelesene Datei überhaupt, oder soll die Stimme am Telefon auf Anrufer reagieren?

Diese Seite ordnet Text to Speech aus Sicht eines Betriebs ein. Wie die Technik im Inneren funktioniert, welche Syntheseverfahren es gibt und was Voice Cloning ist, steht ausführlich im Glossareintrag Sprachsynthese.

Was ist Text to Speech?

Text to Speech, kurz TTS, bezeichnet Software, die geschriebenen Text in gesprochene Sprache umwandelt. Die deutsche Fachbezeichnung ist Sprachsynthese. Umgangssprachlich heißt das Ergebnis Computerstimme, KI-Stimme oder synthetische Stimme.

Die Umkehrung ist Speech to Text: Aus Gesprochenem wird Text. In einem KI-Telefonassistenten arbeiten beide zusammen. Die Spracherkennung hört den Anrufer, ein Large Language Model formuliert die Antwort, Text to Speech spricht sie aus.

Drei Arten von TTS-Werkzeugen

Für Unternehmen lohnt die Unterscheidung nach dem Ergebnis, das Sie brauchen.

Generatoren liefern einen festen Text als Datei. Der Text steht vorher fest, die Ansage klingt jedes Mal gleich. Das passt für die Ansage außerhalb der Geschäftszeiten oder für das Menü einer IVR. Vorlagen für solche Texte finden Sie im Ratgeber Anrufbeantworter-Ansage geschäftlich.

Schnittstellen brauchen Sie, wenn eine Software selbst entscheidet, was gesprochen wird. Wer einen eigenen Sprachagenten baut, kombiniert TTS-API, Spracherkennung und Sprachmodell selbst. Plattformen wie Vapi und Retell AI nehmen einen Teil dieser Arbeit ab, setzen aber technisches Know-how voraus. Eine Übersicht bietet der Vergleich Voicebot-Plattformen für Entwickler.

KI-Telefonassistenten bringen die Stimme fertig mit. Sie wählen eine Stimme aus einer Liste, schreiben Begrüßung und Regeln, leiten Ihre Nummer um. Die Sprachsynthese läuft im Hintergrund, Sie bekommen sie nie als einzelnes Produkt zu sehen.

Statische Ansage oder Live-Stimme?

Der Unterschied zeigt sich, sobald ein Anrufer etwas Unerwartetes sagt. Eine Bandansage spielt ab, was hinterlegt ist. Wer „Ich habe einen Wasserschaden, ist heute noch jemand da?“ sagt, hört trotzdem „Unsere Geschäftszeiten sind montags bis freitags“.

Ein KI-Telefonassistent formuliert stattdessen eine passende Antwort, fragt Name und Adresse ab und stellt bei einem Notfall durch. Dafür muss die Sprachausgabe besondere Anforderungen erfüllen, die bei einem Generator keine Rolle spielen:

• Geschwindigkeit: Die Stimme muss zu sprechen beginnen, bevor der Satz komplett erzeugt ist. Längere Pausen wirken am Telefon wie eine abgebrochene Verbindung.
• Unterbrechbarkeit: Fällt der Anrufer ins Wort, muss die Ausgabe sofort stoppen. Das Stichwort dafür ist Barge-in.
• Variable Inhalte: Uhrzeiten, Datumsangaben, Telefonnummern und Namen ändern sich mit jedem Gespräch und müssen trotzdem sauber ausgesprochen werden.

Ob sich für Ihren Betrieb eine Ansage oder ein Assistent lohnt, hängt vor allem davon ab, wie viele Anrufe heute unbeantwortet bleiben. Der Ratgeber KI-Anrufbeantworter vergleicht beide Wege.

Nutzungsrechte: Was Gratis-Tools erlauben

Die meisten Online-Generatoren werben mit „kostenlos“. Die Frage, ob Sie das Ergebnis gewerblich verwenden dürfen, beantworten erst die Nutzungsbedingungen. Zwei Beispiele, jeweils laut Angaben auf der Anbieterseite (geprüft im Oktober 2026):

• Speakatoo nennt „Commercial Rights“ in den bezahlten Tarifen und schließt die kommerzielle Nutzung im Gratistarif ausdrücklich aus.
• TTS Omni gibt in seinen FAQ an, die Ausgaben für YouTube, Podcasts, Werbung und Kurse nutzen zu dürfen, und verweist für Details auf die eigenen Bedingungen.

Eine Telefonansage Ihrer GmbH ist eine gewerbliche Nutzung. Speichern Sie deshalb beim Erstellen den Tarif, das Datum und die damals gültigen Lizenzbedingungen ab. Wechselt ein Anbieter später seine Bedingungen, können Sie belegen, unter welchen Regeln die Datei entstanden ist.

Bei KI-Telefonassistenten stellt sich die Frage anders. Die Stimme ist Teil des Dienstes, den Sie im Rahmen Ihres Vertrags nutzen; was erlaubt ist, regeln dort AGB und Vertrag.

Datenschutz: Was Sie eintippen, verlässt Ihr Haus

TTS-Dienste verarbeiten den Text auf ihren Servern. Bei einer Ansage wie „Sie erreichen uns ab 8 Uhr wieder“ ist das unkritisch. Anders sieht es aus, wenn Sie Kundendaten in den Text schreiben, etwa für eine persönliche Terminerinnerung oder eine vorgelesene Rückrufnotiz.

Dann verarbeitet der TTS-Anbieter personenbezogene Daten in Ihrem Auftrag. Nach Art. 28 DSGVO brauchen Sie mit ihm einen Auftragsverarbeitungsvertrag. Prüfen Sie vor dem Einsatz, ob der Generator überhaupt einen AVV anbietet. Fehlt er, gehören keine Kundendaten in den Text.

Auch bei KI-Telefonassistenten lohnt der Blick in die Unterlagen, denn die Stimme kommt oft von einem Zulieferer. In unseren Anbieterdaten nennen zum Beispiel webchatagent für die Standard-Sprachausgabe ElevenLabs in den USA, Zeeg ElevenLabs mit EU-Datenresidenz und telli eine Sprachausgabe in der EU bei aktiviertem EU-Hosting je Agent. smao gibt an, ohne US-KI-Subprozessoren in der Gesprächsverarbeitung auszukommen. Mehr dazu im Ratgeber Datenschutz in der KI-Telefonie.

Kennzeichnung nach der KI-Verordnung

Für Live-Gespräche gilt seit dem 2. August 2026 Art. 50 Abs. 1 der KI-Verordnung (EU) 2024/1689: Anrufer müssen erfahren, dass sie mit einem KI-System sprechen, sofern das nicht offensichtlich ist. Üblich ist ein kurzer Satz in der Begrüßung. Formulierungen finden Sie im Ratgeber KI-Hinweis am Telefon.

Die maschinenlesbare Markierung synthetischer Audioinhalte nach Art. 50 Abs. 2 trifft den Anbieter des TTS-Systems, nicht Sie. Bildet eine Stimme eine reale Person nach und würde fälschlich echt wirken, verlangt Art. 50 Abs. 4 eine Offenlegung.

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

Kosten: Zeichen, Credits oder Minuten

Wie TTS abgerechnet wird, hängt vom Werkzeug ab:

• Generatoren und APIs rechnen meist nach Zeichen, Credits oder Monatskontingent ab. Eine einmal erzeugte Ansage kostet danach nichts mehr.
• Entwicklerplattformen weisen die Stimme als eigenen Baustein aus. Retell AI nennt laut Preisseite 0,07 bis 0,31 US-Dollar pro Minute, je nach gewähltem Sprachmodell, Stimme und Telefonie. Bei Vapi kommen zu 0,05 US-Dollar Plattformgebühr pro Minute die Kosten für Stimme, Spracherkennung, Modell und Telefonie hinzu.
• KI-Telefonassistenten enthalten die Stimme im Paket. Bei fonio beginnt das bei 99 Euro netto im Monat bei Jahreszahlung mit 1.000 Inklusivminuten.

Was ein Assistent bei Ihrem Anrufvolumen kostet, rechnet der Kostenrechner durch. Eine Übersicht aller Preismodelle steht unter Kosten.

Checkliste: TTS für Ihren Betrieb auswählen

1. Zweck klären: Feste Ansage, Software-Funktion oder Live-Gespräch? Danach richtet sich die Werkzeugart.
2. Deutsche Stimmen anhören: Fünf gute deutsche Stimmen sind mehr wert als hundert englische. Hören Sie Proben über das Handy an, nicht nur über Lautsprecher.
3. Eigene Testsätze: Firmenname, zwei Fachbegriffe, eine Telefonnummer, ein Termin. Lassen sich Fehler in der Aussprache korrigieren?
4. Lizenz sichern: Gewerbliche Nutzung schriftlich bestätigt, Tarif dokumentiert.
5. Datenfluss prüfen: Wer erzeugt die Stimme, in welchem Land, gibt es einen AVV?
6. Kosten hochrechnen: Zeichenpreis, Credits oder Minutenpreis auf ein realistisches Monatsvolumen umlegen.

KI-Telefonassistenten mit großer Stimmenauswahl

Wenn Ihre Anrufer mit einer Stimme sprechen sollen, die antwortet statt nur vorzulesen, vergleichen Sie Telefonassistenten. Laut unseren Daten bietet fonio mehr als 120 Stimmen und im Tarif Scale eine eigene Stimme, smao mehr als 70 Stimmen, sipgate sona 57 Stimmen (im Free-Tarif eine) und Voice Cloning, Placetel mehr als 25 Stimmen in über 80 Sprachen.

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