Wichtige Erkenntnisse
- Alle drei Anbieter dokumentieren deutsches TTS, Streaming und Voice Cloning. Die Audioqualität für Deutsch wird in diesem Artikel nicht bewertet, da keine Ergebnisse eines gemeinsamen verblindeten Hörtests vorliegen.
- KugelAudio dokumentiert Kugel 3, einen direkt wählbaren EU-API-Endpunkt und eine über den Vertrieb erhältliche Kubernetes- und Helm-Bereitstellung für die Infrastruktur des Kunden.
- Mistral veröffentlicht die Modellgewichte von Voxtral 4B TTS 2603 unter CC BY-NC 4.0. Diese Lizenz erlaubt kein uneingeschränktes kommerzielles Self-Hosting; daneben bietet Mistral eine separate API an.
- ElevenLabs dokumentiert mehrere TTS-Modelle, eine isolierte EU-Umgebung für Unternehmenskunden, einen ausschließlich für die API geltenden Zero-Retention-Modus für ausgewählte Kunden sowie die Bereitstellung der TTS-Modelle v2 und v2.5 in einer Private Cloud.
- Die Anbieter weisen Latenz und Preise mit unterschiedlichen Einheiten und Messgrenzen aus. Vergleichen Sie vor dem Kauf denselben Text, dasselbe Audioformat, dieselbe Region, denselben Verbindungszustand und dieselbe Arbeitslast.
Die Anbieterunterlagen und Preise wurden zuletzt am 10. August 2026 geprüft.
Welchen Anbieter sollten Sie wählen?
Orientieren Sie sich bei der Auswahl an der Anforderung, die sich später am schwersten ändern lässt:
- KugelAudio: Kommt infrage, wenn ein Anbieter mit Sitz in Berlin, ein direkt wählbarer EU-Endpunkt oder eine Kubernetes- und Helm-Bereitstellung mit demselben SDK zu den zentralen Anforderungen gehört.
- Voxtral TTS: Das herunterladbare Modell eignet sich für Forschung und andere nichtkommerzielle Zwecke, die mit CC BY-NC 4.0 vereinbar sind. Für die kommerzielle API müssen Servicebedingungen, Modellverfügbarkeit und Datenkontrollen von Mistral separat geprüft werden.
- ElevenLabs: Kommt infrage, wenn eine große Stimmenbibliothek und die Wahl zwischen ausdrucksstarken Modellen, Long-Form-Modellen und Modellen mit niedriger Latenz gefragt sind. EU-Isolation, Zero Retention und private Bereitstellung sind Enterprise-Funktionen mit klar begrenztem Geltungsbereich, keine Standardeigenschaften.
Keine dieser Aussagen gibt Aufschluss darüber, welches System auf Deutsch am besten klingt.
Wie vergleichen sich KugelAudio, Voxtral TTS und ElevenLabs?
Die Tabelle erfasst dokumentierte Funktionen, keine gemessenen Ergebnisse. Primärquellen: Sprachangebot von KugelAudio, Modelle, Regionen, Self-Hosting, Preise und Impressum; Voxtral-Modellkarte von Mistral, TTS-Leitfaden, veröffentlichte Modellgewichte, regionale Inferenz, Datenschutzkontrollen für die API und Impressum; Modelle von ElevenLabs, Voice Cloning, API-Preise, Datenresidenz, Zero Retention Mode und private Bereitstellung.
Die Preise berücksichtigen keine individuell ausgehandelten Konditionen und können sich nach dem Prüfdatum ändern.
Welches Modell klingt auf Deutsch am besten?
Dieser Artikel kann keinen belastbaren Sieger nennen. Anbieterdemos verwenden unterschiedliche Stimmen, Skripte, Mastering- und Generierungseinstellungen. Sie eignen sich für die Vorauswahl, nicht für ein Ranking.
Ein Auswahltest sollte dasselbe deutsche Material an die konkreten Produktivmodelle senden. Berücksichtigen Sie Gesprächsrunden, längere Erzählpassagen, Namen, zusammengesetzte Wörter, Daten, Währungen, Telefonnummern, Adressen, Abkürzungen und den Wechsel zwischen Deutsch und Englisch. Bewahren Sie Ausgangstext, Rohaudio, Stimm- und Modell-IDs, Einstellungen, Endpunktregion und Zeitstempel auf.
Lassen Sie Natürlichkeit und Präferenz in einem verblindeten Test von deutschsprachigen Muttersprachlern bewerten und geben Sie Konfidenzintervalle an. Messen Sie die Verständlichkeit separat, etwa durch menschliche Transkription oder mit einem klar benannten ASR-System. Der Leitfaden für einen offenen deutschen TTS-Benchmark beschreibt ein reproduzierbares Protokoll.
Welches Modell beherrscht deutsche Dialekte am besten?
Die hier geprüften öffentlichen Nachweise stützen keinen eindeutigen Sieger. Die Aussage eines Anbieters, Akzente oder Dialekte zu unterstützen, ersetzt keine veröffentlichten Ergebnisse für konkrete deutsche Varietäten.
Testen Sie Standarddeutsch getrennt von österreichischem Deutsch, Schweizerdeutsch, Bairisch, Schwäbisch, Niederdeutsch und jeder für die Anwendung relevanten Region. Gewinnen Sie für jede Varietät Testpersonen aus der jeweiligen Sprachgemeinschaft und fragen Sie nach Authentizität und geografischer Stimmigkeit, nicht nur nach einem angenehmen Klang. Eine geklonte Stimme kann einen Akzent beibehalten und dennoch Dialektwortschatz falsch aussprechen. Stimmähnlichkeit und Dialektkompetenz müssen deshalb getrennt bewertet werden.
Sind die Latenzzahlen vergleichbar?
Nein. Der API-Leitfaden von Mistral unterscheidet rund 90 ms Modellverarbeitung von etwa 0,8 Sekunden bis zum ersten PCM-Audio und 3 Sekunden bis zum ersten MP3-Audio. ElevenLabs bezeichnet rund 75 ms als Inferenzzeit des Modells Flash v2.5 und schließt Anwendungs- und Netzwerklatenz ausdrücklich aus. KugelAudio veröffentlicht einen WebSocket-Vergleich, der den Netzwerk-Roundtrip einschließt, den Verbindungsaufbau aber ausnimmt. Diese Werte in eine gemeinsame Rangliste zu setzen würde unterschiedliche Messgrenzen vermischen.
Messen Sie von der Clientanwendung bis zum ersten abspielbaren Audio-Frame. Halten Sie konsistent fest, ob die Verbindung wiederverwendet oder neu aufgebaut wird, und verwenden Sie dasselbe Ausgabeformat sowie dieselben Textblöcke. Erfassen Sie p50, p90 und p99 statt nur des schnellsten Durchlaufs. Messen Sie außerdem Gesamtzeit, Fehlerrate und Audiolücken bei der erwarteten Parallelität. Lange Latenzspitzen sind für einen Voice-Agenten oft wichtiger als der Median.
Wie sieht die Lizenzierungs- und Bereitstellungsrealität aus?
Voxtral ist hier die einzige Option mit öffentlich herunterladbaren Modellgewichten. Die Modellkarte nennt CC BY-NC 4.0, weil die mitgelieferten Stimmreferenzen unter dieser Lizenz stehen. Verwechseln Sie Open Weight nicht mit einer Erlaubnis für kommerzielle Produkte: Wenn die nichtkommerzielle Einschränkung nicht passt, benötigen Sie separate Rechte oder die kommerzielle API.
KugelAudio und ElevenLabs dokumentieren kommerzielle Bereitstellungen für Kunden, keine Open-Source-Versionen ihrer Modelle. KugelAudio liefert ein Helm-Chart und einen Lizenzschlüssel für den Kubernetes-Cluster des Kunden. ElevenLabs beschreibt eine autorisierte Private-Cloud-Bereitstellung für Unternehmen über AWS-Dienste und nennt derzeit die TTS-Modelle v2 und v2.5. Das ist deutlich enger als die Aussage, jedes ElevenLabs-Modell könne auf beliebiger On-Premise-Hardware laufen.
Für alle drei Angebote sollte die Beschaffung das konkrete Modell, die erlaubte Nutzung, den Updateprozess, Supportgrenzen, Telemetrie- und Lizenzprüfungen, Notfallwiederherstellung und das Vorgehen bei Vertragsende dokumentieren.
Was bedeuten EU-Datenresidenz und Zero Retention konkret?
Es handelt sich um unterschiedliche Kontrollen. Ein EU-Endpunkt beschreibt den Ort des Routings oder der Verarbeitung; er belegt nicht, dass sämtliche Logs, Backups, Supportsysteme oder Kontodaten in der EU verbleiben. Eine vollständige Checkliste für den Datenfluss finden Sie im Leitfaden zu On-Premise-Infrastruktur.
KugelAudio dokumentiert einen direkten EU-Endpunkt. Mistral dokumentiert einen regionalen EU-Endpunkt und empfiehlt Kunden, die dort verfügbaren Modelle abzufragen. Keine der zitierten Seiten gibt eine pauschale Zero-Retention-Garantie für sämtliche Datenpfade eines verwalteten Dienstes.
Die EU-Datenresidenz von ElevenLabs ist eine isolierte Umgebung für Unternehmenskunden. Laut Dokumentation erfolgt die Speicherung am gewählten Ort; Verarbeitung für Support oder Moderation kann jedoch andernorts stattfinden, sofern nicht die passende Kombination aus EU-Umgebung, API und Zero Retention Mode gilt. Auch optionale Integrationen können Daten aus der Region übertragen. Der Zero Retention Mode von ElevenLabs ist für ausgewählte Unternehmenskunden verfügbar, gilt nur für berechtigten API-Verkehr und nicht für die Weboberfläche. Ausgenommen sind unter anderem Beispiele für Voice Cloning und Daten, die an den Support gesendet werden.
Beim Self-Hosting können Inhalte von TTS-Anfragen innerhalb der Kundeninfrastruktur bleiben – vorausgesetzt, das bereitgestellte System, Logging, Monitoring, Backups, Supportzugriffe, Updates und Lizenzvalidierung sind entsprechend konfiguriert. Fordern Sie von jedem Anbieter ein Datenflussdiagramm auf Komponentenebene an und stimmen Sie den Auftragsverarbeitungsvertrag darauf ab.
Wie sollten Sie die Kosten vergleichen?
Die Listenpreise in der Tabelle lassen sich nicht direkt vergleichen: KugelAudio rechnet erzeugte Audiominuten ab, Mistral und ElevenLabs dagegen Zeichen. Verarbeiten Sie zunächst einen repräsentativen Korpus und erfassen Sie sowohl eingegebene Zeichen als auch ausgegebene Minuten. Berechnen Sie anschließend die monatlichen Kosten bei identischem Sprachmix, Modell, Format, Parallelitätsprofil und Wiederholungsanteil.
Berücksichtigen Sie bei Managed APIs Grundgebühren, enthaltenes Volumen, Mehrverbrauch, Steuern, regionale Aufschläge und Enterprise-Support. Bei einer Kundenbereitstellung gehören Lizenzen, GPU-Kapazität, Redundanz, Reservekapazität, Clusterbetrieb, Monitoring, Upgrades und Engineering-Zeit in die Rechnung. Self-Hosting bedeutet nicht, dass die Grenzkosten bei null liegen.
Welche Einschränkungen gibt es bei diesem Vergleich?
Der Autor arbeitet für KugelAudio. Deshalb stützt sich der Vergleich auf die Dokumentation der Anbieter, verzichtet auf einen Qualitätssieger und benennt fehlende Nachweise. Anbieterunterlagen können auch nach dem Prüfdatum unvollständig sein oder geändert werden; individuell ausgehandelte Verträge können von öffentlichen Tarifbeschreibungen abweichen.
Wiederholen Sie vor der Unterschrift die Qualitäts-, Latenz-, Verfügbarkeits- und Kostentests für den konkreten Endpunkt und Vertrag. Eine ergebnisoffene Bewertung muss auch Voxtral oder ElevenLabs auswählen können, wenn diese die gemessenen Anforderungen besser erfüllen.
FAQ
Gibt es eine europäische Alternative zu ElevenLabs?
Ja. KugelAudio ist ein deutscher TTS-Anbieter, Mistral ein französischer KI-Anbieter mit Voxtral TTS. ElevenLabs bietet zudem eine isolierte EU-Umgebung für Unternehmenskunden. Unterscheiden Sie deshalb zwischen Sitz des Anbieters, Verarbeitungsort, Speicherort und Bereitstellungsmodell, statt „europäisch“ als eine einzige Eigenschaft zu behandeln.
Was ist der Unterschied zwischen Voxtral und KugelAudio?
Für Voxtral 4B TTS 2603 stehen Modellgewichte unter CC BY-NC 4.0 sowie eine separate API von Mistral zur Verfügung. KugelAudio bietet Kugel 3 als Managed API und als über den Vertrieb erhältliche Kubernetes- und Helm-Bereitstellung an, veröffentlicht das Modell aber nicht als Open Weight.
Welcher deutsche TTS ist am günstigsten?
Das lässt sich aus diesem Artikel nicht ableiten, weil die Abrechnungseinheiten unterschiedlich und Enterprise-Konditionen nicht öffentlich sind. Messen Sie für denselben Korpus Zeichen und erzeugte Minuten und berücksichtigen Sie anschließend Grundgebühren, Wiederholungsversuche, regionale Aufschläge, Infrastruktur und Betrieb.
Kann ich mich selbst hosten, anstatt ElevenLabs zu verwenden?
Die Modellgewichte von Voxtral können für Zwecke selbst gehostet werden, die CC BY-NC 4.0 erlaubt. KugelAudio verkauft eine Kubernetes-Bereitstellung für Kundeninfrastruktur. ElevenLabs dokumentiert eine Private-Cloud-Bereitstellung für Unternehmen über AWS-Dienste. Prüfen Sie, ob diese Architektur Ihre Anforderungen erfüllt, bevor Sie sie als On-Premise bezeichnen.
Welches hat die geringste Latenz?
Das ist hier nicht belegt. Die veröffentlichten Zahlen verwenden unterschiedliche Definitionen und Bereitstellungsbedingungen. Messen Sie daher bei identischem Text, Audioformat, Region, Verbindungszustand und Last die Zeit vom Client bis zum ersten abspielbaren Audiostück und erfassen Sie p50, p90 und p99.
Welche Option ermöglicht Zero Retention?
ElevenLabs dokumentiert einen Zero Retention Mode für berechtigte API-Felder ausgewählter Unternehmenskunden, allerdings mit wichtigen Ausnahmen. Mistral dokumentiert organisationsweite Kontrollen für API-Daten ohne Speicherung. Eine selbst gehostete Bereitstellung von KugelAudio oder Voxtral gibt dem Kunden Kontrolle über die lokale Speicherung; Telemetrie, Logs, Backups, Supportzugriffe und Lizenzprüfungen müssen trotzdem geprüft werden.
Mit KugelAudio entwickeln
Europäische Voice-Infrastruktur produktiv einsetzen.
Nutzen Sie den EU-Endpunkt oder besprechen Sie ein selbst betriebenes Kubernetes-Deployment.