Ein Voice Agent für Anrufende in Europa muss zwei harte Anforderungen erfüllen, bevor irgendein Latenzwert zählt: Die Sprach-API muss über eine Verbindung streamen, die zwischen den Turns offen bleibt, und das Audio muss in der EU bleiben. Beim zweiten Punkt unterscheiden sich die Anbieter am stärksten. Manche halten den Verkehr in jedem Tarif in Europa, andere nur im Rahmen eines Enterprise-Vertrags mit eigenem Konto und eigenem Schlüssel.
Dieser Artikel vergleicht acht Streaming-TTS-APIs genau in diesen Punkten, erklärt, warum sich ihre veröffentlichten Latenzwerte nicht miteinander vergleichen lassen, und zeigt, was eine erzeugte Minute kostet.
Er ergänzt technisch unseren Überblick über europäische Anbieter von KI-Sprachmodellen und Die besten Text-to-Speech-APIs für Entwickler 2026.
Der Autor arbeitet bei KugelAudio, einem der acht verglichenen Anbieter. Angaben zu KugelAudio sind Selbstauskünfte; Angaben zu Wettbewerbern stammen aus der Dokumentation oder Preisseite des jeweiligen Anbieters. Dies ist kein Benchmark: Latenzwerte der Wettbewerber wurden nicht nachgemessen, Enterprise-Bedingungen werden oft verhandelt, und einen Sieger küren wir nicht.
Das Wichtigste in Kürze
- Modellverarbeitungszeit, serverseitige Zeit bis zum ersten Audio, erstes Byte beim Client und erstes abspielbares Audio sind verschiedene Messungen und lassen sich zwischen Anbietern nicht vergleichen.
- WebSocket-Streaming spart ab dem zweiten Turn den Verbindungsaufbau und nimmt LLM-Text schon während der Erzeugung an; mehrere Anbieter bieten dasselbe über HTTP/2 oder Streaming im gRPC-Stil.
- „EU-Endpunkt“ kann EU-Hosting in jedem Tarif bedeuten, eine isolierte Umgebung nur für Enterprise-Kunden oder die Cloud-Region Ihrer Ressource. ElevenLabs und Cartesia bieten Datenresidenz in der EU für Enterprise-Kunden an; KugelAudio läuft für Kunden in EU und EWR in jedem Tarif standardmäßig nur in der EU.
- Umgerechnet mit 825 Zeichen pro Minute liegen die hier dokumentierten Listenpreise grob bei einem bis sieben Cent pro Minute. Ob die Datenresidenz in der EU in diesem Preis enthalten ist und was ein zugesagtes Volumen kostet, verändert den Vergleich stärker als der Listenpreis.
Zuletzt geprüft am 10. November 2026.
Was bedeutet „niedrige Latenz“ bei einer Streaming-TTS-API?
Niedrige Latenz heißt: wenig Zeit zwischen dem Moment, in dem Ihre Anwendung Text zum Sprechen hat, und dem ersten Audio, das die zuhörende Person hört. Angaben der Anbieter decken meist nur einen Ausschnitt ab. Die Dokumentation von Microsoft Azure Speech benennt die Ausschnitte: „first byte service latency“ (Eingang der Anfrage bis zum ersten Chunk, der den Dienst verlässt), „first byte client latency“ (Start der Synthese bis zum ersten Chunk beim Client, inklusive Netzwerk) und „finish latency“ (bis das gesamte Audio angekommen ist). Als Ideal nennt sie eine erlebte Latenz nahe einem Netzwerk-Roundtrip plus der Latenz des ersten Chunks im Dienst.
Schlagzeilenwerte lassen meist den Verbindungsaufbau aus (TCP-Handshake, TLS-Handshake und HTTP-Upgrade, jeweils mindestens ein Roundtrip), ebenso die Roundtrip-Zeit selbst (von einem Server in Frankfurt zu einem Endpunkt in derselben Region deutlich kürzer als über den Atlantik), Textnormalisierung und Resampling sowie das Dekodieren: Ein komprimiertes Format braucht eventuell mehrere Frames, bevor es Ton erzeugt, und Ihr Player puffert vielleicht vor dem Start. Die meisten Angaben zur „Modelllatenz“ beschreiben nur die Inferenz bis zum ersten Audio-Frame. In einem Voice Agent kommt all das erst nach Ende des Turns, Spracherkennung und Sprachmodell; das Instrumentieren dieser Kette beschreibt unser Leitfaden zu Performance und Kapazitätsplanung.
Was die veröffentlichten Werte tatsächlich messen
Jeder veröffentlichte Wert hat seine eigene Messgrenze:
- Mistral dokumentiert für Voxtral TTS etwa 90 ms Verarbeitungszeit im Modell, aber etwa 0,8 s bis zum ersten Audio an seiner API für
pcmund etwa 3 s fürmp3: dasselbe Modell, zwei Messgrenzen und ein Unterschied allein durch das Ausgabeformat. - ElevenLabs nennt für Flash v2.5 „~100ms“, einen Median „excluding application & network latency“.
- Cartesia schreibt für Sonic „first audio in under 90ms“, ohne Standort des Clients, Netzwerkpfad oder Methode zu beschreiben.
- Deepgram veröffentlicht für sein neueres Modell Flux TTS eine „time to first audio, as low as“ 80 ms bei 24 kHz und für Aura-2 keinen Wert.
- KugelAudio veröffentlicht für Kugel 3 eine mediane Zeit bis zum ersten Audio von 91 ms per WebSocket aus einem EU-Rechenzentrum, inklusive Netzwerk-Roundtrip, ohne Verbindungsaufbau (Selbstauskunft, nicht unabhängig). Kugel 3.5, das aktuelle Standardmodell, baut auf Kugel 3 auf; seine eigene Latenz ist nicht veröffentlicht.
- Azure Speech, Google Cloud Text-to-Speech und Amazon Polly nennen in der hier zitierten Dokumentation keinen Zahlenwert.
Ein Wert ohne Netzwerk lässt sich nicht mit einem Wert mit Netzwerk vergleichen, und ein Median aus einem Rechenzentrum sagt nichts über Ihr p99 aus einem anderen.
Warum ist WebSocket-Streaming für Voice Agents wichtig?
Ein dauerhafter WebSocket zahlt den Verbindungsaufbau einmal, sodass spätere Antworten nicht auf TCP, TLS und ein HTTP-Upgrade warten, und er nimmt Text an, während das Sprachmodell ihn schreibt. Cartesias Vergleich seiner Endpunkte sieht es genauso: Mit einem WebSocket „you pay connect cost once“, während der Verbindungs-Overhead bei HTTP „is often on the same order as TTFB for the audio itself“.
„Streaming“ umfasst vier Formen. Ausgabe-Streaming über HTTP nimmt vollständigen Text an und liefert Audio in Teilen oder als Server-Sent Events. Ein WebSocket mit einer Anfrage pro Nachricht sendet ganze Texte über einen wiederverwendeten Socket. Eingabe-Streaming über WebSocket nimmt Textfragmente an und lässt den Server entscheiden, wann er synthetisiert; genau das braucht ein LLM-gesteuerter Agent. Google Cloud und Amazon Polly streamen bidirektional ohne WebSocket. Die Tabelle unten ordnet die Anbieter den Formen zu.
Testen Sie unabhängig vom Protokoll, ob Teiltext angenommen wird, ob die Verbindung über Turns hinweg bestehen bleibt und ob sich ein Turn abbrechen lässt, ohne sie zu schließen.
Wie verändern Chunking und Flush die Zeit bis zum ersten Audio?
Wie Sie dem Server Text übergeben, verändert die Zeit bis zum ersten Audio oft stärker als die Modellwahl; das zeigt die dokumentierte Semantik von KugelAudio. Der Server synthetisiert jeden Satz, sobald sein abschließendes ., ? oder ! eintrifft, und Text ohne Satzende nach 2 Sekunden ohne neue Eingabe. Ein flush beendet den Turn. Wer nach jedem Satz flusht, macht aus einer Antwort mehrere Turns, und jeder davon bezahlt ein neues Model-Prefill. Die Dokumentation empfiehlt, Tokens zu senden, sobald sie entstehen, und einmal pro Antwort zu flushen. Bei anderen Anbietern funktioniert der Flush anders.
Der Codec entscheidet, wann der erste Frame abspielbar ist. Rohes PCM läuft meist sofort, ein komprimiertes Format braucht eventuell mehrere Frames, und Mistrals Werte für pcm und mp3 zeigen die Größenordnung. Eine andere als die native Abtastrate erfordert Resampling; KugelAudios native Rate liegt bei 24 kHz. Prüfen Sie für Telefonie, ob der Anbieter den G.711-Codec ausgibt, den Ihr Carrier erwartet.
Was passiert, wenn Anrufende unterbrechen?
Der Stream muss schnell stoppen, und dafür braucht es zwei Schritte: Generierung auf dem Server abbrechen und Wiedergabe lokal stoppen. Bei KugelAudio bricht {"cancel": true} auf dem Socket (oder cancel_current() im Python-SDK) den aktuellen Turn ab, verwirft gepufferten Text und wird mit interrupted statt final bestätigt; der WebSocket bleibt für den nächsten Turn offen. Einige Frames, die schon unterwegs sind, können vor der Bestätigung eintreffen. Stoppen Sie die Wiedergabe deshalb sofort.
Brechen Sie bei jedem Anbieter am Anfang, in der Mitte und am Ende einer langen Antwort ab und erfassen Sie die Zeit bis zur Stille, verspätetes Audio aus dem abgebrochenen Turn und ob die Verbindung bestehen bleibt. Klären Sie, ob abgebrochenes Audio berechnet wird.
Welche TTS-Anbieter bieten Streaming-Endpunkte mit Hosting in der EU?
Alle acht Anbieter hier dokumentieren einen Weg, den Verkehr in Europa zu halten, aber das Zugangsmodell entscheidet, wie schnell Sie starten können. KugelAudio enthält seine EU Sovereign Cloud für Kunden in EU und EWR in jedem Tarif, ohne Enterprise-Vertrag. Deepgram, Azure, Amazon Polly und Google Cloud bieten EU-Endpunkte oder Regionen, die Sie selbst auswählen. ElevenLabs und Cartesia bieten EU-Deployments nur für Enterprise-Kunden an, mit eigenem Konto und eigenem Schlüssel. Mistral hostet API-Daten standardmäßig in der EU, mit dokumentierten Ausnahmen.
Ein EU-Endpunkt ist eine Steuerung von Routing und Hosting, kein Compliance-Ergebnis: Aufbewahrung, Unterauftragsverarbeiter, Supportzugriff und der Vertrag bleiben trotzdem zu prüfen. Auch Stimmen unterscheiden sich je Region: Google beschränkt einige regionale Endpunkte auf Neural2-Stimmen, und Pollys Regionen London und Zürich unterstützen nur einen Teil der generativen Stimmen. Datenresidenz nur für Enterprise-Kunden bedeutet meist eigenes Konto, eigenen Schlüssel und eigenen Vertrag, bevor Sie testen können.
Was kostet eine Minute Streaming-TTS?
Zum Listenpreis kostet eine erzeugte Minute grob einen bis sieben Cent, aber Listenpreise lassen sich nur fair vergleichen, wenn dasselbe Hosting enthalten ist. Bei ElevenLabs und Cartesia enthält der Self-Service-Preis keine Datenresidenz in der EU; sie ist Teil eines Enterprise-Vertrags. Die Tabelle zeigt deshalb neben jedem Listenpreis, ob die Datenresidenz in der EU in diesem Preis enthalten ist.
Die meisten Anbieter rechnen nach eingegebenen Zeichen ab, KugelAudio nach Dauer des erzeugten Audios. Die letzte Spalte nimmt deshalb 825 Zeichen pro Minute an, die Konvention von Artificial Analysis, die auch die Preiskonfiguration von KugelAudio verwendet; die Preisseite von ElevenLabs setzt 1.000 Zeichen mit ungefähr einer Minute gleich, und Cartesia nennt etwa 750 bis 800 Credits pro Minute. Diese Spalte ist Rechnung, kein zitierter Preis.
KugelAudio-Preise sind Euro ohne Umsatzsteuer, die übrigen US-Dollar, jeweils ohne Freikontingente, Plangebühren oder Rabatte. Der Enterprise-Tarif von KugelAudio ergänzt niedrigere Preise bei zugesagter Nutzung, SLAs und On-Premise-Hosting; die Bedingungen der anderen Anbieter für zugesagte Nutzung werden einzeln verhandelt und hier nicht verglichen. Abrechnung nach Dauer und nach Zeichen reagieren zudem unterschiedlich auf Sprechtempo, Pausen und Markup. Für einen fairen Wert spielen Sie einen repräsentativen Monat Ihres eigenen Textes durch jeden Kandidaten und berechnen die Gesamtkosten pro erfolgreich erzeugter Stunde, einschließlich fehlgeschlagener, abgebrochener und neu erzeugter Anfragen; die Formel steht in unserem API-Vergleich für Entwickler. Prüfen Sie außerdem, ob der Tarif die kommerzielle Nutzung des erzeugten Audios erlaubt, ob Voice Cloning enthalten ist und welche Grenzen für gleichzeitige Verbindungen gelten, bevor Sie 429-Antworten erhalten.
Wie messen Sie die Latenz einer Streaming-TTS-API selbst?
Sortieren Sie zuerst nach Hosting und Art des Streamings aus und messen Sie dann aus der Region, in der Ihre Anwendung laufen wird, nicht vom Laptop, mit festen Werten für Modell, Stimme, Text, Codec und Abtastrate. Messen Sie den Handshake getrennt, denn Nutzer zahlen ihn nur, wenn Ihre Anwendung pro Anfrage neu verbindet. Erfassen Sie pro Turn:
t0 Verbindung geöffnet (getrennt gemessen, einmal pro Sitzung)
t1 erster Text gesendet
t2 erstes Audio-Byte empfangen
t3 erster dekodierbarer Audio-Frame verfügbar
t4 Wiedergabe gestartet
t5 letztes Audio empfangen oder Abbruch bestätigt
Die Dokumentation des Python-SDK von KugelAudio zeigt das Muster: KugelAudio.create(..., region="eu") für sich messen und die Uhr für das erste Audio beim ersten Audio-Chunk aus client.tts.stream_async stoppen.
Wiederholen Sie jedes Szenario so oft, dass es das berichtete Perzentil trägt, und nennen Sie die Anzahl. Halten Sie kalte und warme Verbindungen, kurze und lange Texte und Barge-in getrennt, und testen Sie jeden Anbieter auf Ihrer Shortlist am selben Tag von derselben Maschine. Für Lasttests mit gleichzeitigen Streams folgen Sie der Methode in unserem Leitfaden zur Kapazitätsplanung.
FAQ
Welche TTS-API hat in Europa die niedrigste Latenz?
Öffentliche Zahlen beantworten das nicht, weil jeder Anbieter eine andere Messgrenze verwendet. Messen Sie das erste abspielbare Audio aus Ihrer eigenen EU-Region mit wiederverwendeten Verbindungen und vergleichen Sie p50, p90 und p99.
Brauche ich für TTS mit niedriger Latenz einen WebSocket?
Nicht zwingend. Ein WebSocket vermeidet wiederholten Verbindungsaufbau und nimmt Teiltext an, was für LLM-gesteuerte Agenten wichtig ist, aber Google Cloud und Amazon Polly streamen bidirektional ohne ihn, und für vollständigen Text kann eine wiederverwendete HTTP-Verbindung genügen.
Macht ein EU-Endpunkt eine TTS-API DSGVO-konform?
Nein. Er steuert, wohin Anfragen geleitet und wo sie verarbeitet werden, nicht Aufbewahrung, Unterauftragsverarbeiter, Supportzugriff oder Ihre eigenen Pflichten. Prüfen Sie die Auftragsverarbeitungsbedingungen des Anbieters und bestätigen Sie im Test, dass der Verkehr den EU-Host nutzt.
Welche WebSocket-TTS-API ist für die kommerzielle Nutzung am günstigsten?
Das hängt davon ab, ob die Datenresidenz in der EU im Preis enthalten sein muss. Unter den Self-Service-Listenpreisen mit EU-Hosting liegen die neuronalen Stimmen von Azure in einer EU-Region am unteren Ende. ElevenLabs und Cartesia brauchen für Datenresidenz in der EU einen Enterprise-Vertrag, während KugelAudio sie in jedem Tarif enthält und den Preis bei zugesagter Nutzung senkt. Spielen Sie vor der Entscheidung einen repräsentativen Monat Ihres eigenen Verkehrs durch.
Wie viel Latenz fügt ein in den USA gehosteter Endpunkt für Nutzer in Europa hinzu?
Das hängt davon ab, wo Ihre Server laufen und wie der Verkehr geleitet wird, deshalb nennt dieser Artikel keinen Wert. Messen Sie aus Ihrer Produktionsregion gegen den Standardendpunkt jedes Anbieters und seinen EU-Host.
Nimmt KugelAudio Text an, den ein LLM Token für Token streamt?
Ja. Der WebSocket /ws/tts/stream puffert Text, sobald er eintrifft, und synthetisiert an Satzgrenzen. Flushen Sie einmal pro Antwort und brechen Sie bei einer Unterbrechung den Turn ab, während die Verbindung offen bleibt.
Quellen
Alle Quellen abgerufen am 10. November 2026.
- KugelAudio, Produktseite Text to Speech (Sprachen, Latenz von Kugel 3 und Messgrenze): https://www.kugelaudio.com/de/text-to-speech
- KugelAudio, Preise: https://www.kugelaudio.com/de/pricing
- KugelAudio-Dokumentation, Latency: https://docs.kugelaudio.com/latency
- KugelAudio-Dokumentation, Regions: https://docs.kugelaudio.com/guides/regions
- KugelAudio-Dokumentation, Chunking and per-segment latency: https://docs.kugelaudio.com/streaming/chunking-and-latency
- KugelAudio-Dokumentation, Barge-in: https://docs.kugelaudio.com/streaming/barge-in
- KugelAudio-Dokumentationsindex: https://docs.kugelaudio.com/llms.txt
- ElevenLabs, Models: https://elevenlabs.io/docs/overview/models
- ElevenLabs, WebSocket-Referenz stream-input: https://elevenlabs.io/docs/api-reference/text-to-speech/v-1-text-to-speech-voice-id-stream-input
- ElevenLabs, Data residency: https://elevenlabs.io/docs/overview/administration/data-residency
- ElevenLabs, API-Preise: https://elevenlabs.io/pricing/api
- Cartesia, Sonic: https://cartesia.ai/sonic
- Cartesia, Compare TTS endpoints: https://docs.cartesia.ai/use-the-api/compare-tts-endpoints
- Cartesia, Regional endpoints: https://docs.cartesia.ai/enterprise/regional-endpoints
- Cartesia, Preise: https://www.cartesia.ai/pricing
- Deepgram, Regional endpoints: https://developers.deepgram.com/reference/regional-endpoints
- Deepgram, Preise: https://deepgram.com/pricing
- Deepgram, Produktseite Text to Speech: https://deepgram.com/product/text-to-speech
- Microsoft, How to lower speech synthesis latency: https://learn.microsoft.com/en-us/azure/ai-services/speech-service/how-to-lower-speech-synthesis-latency
- Microsoft, Supported regions for Azure Speech: https://learn.microsoft.com/en-us/azure/ai-services/speech-service/regions
- Microsoft, Azure Retail Prices API (Azure Speech, West Europe): https://prices.azure.com/api/retail/prices
- Google Cloud, bidirektionale Streaming-Synthese: https://docs.cloud.google.com/text-to-speech/docs/create-audio-text-streaming
- Google Cloud, regionale Endpunkte: https://docs.cloud.google.com/text-to-speech/docs/endpoints
- Google Cloud, Text-to-Speech-Preise: https://cloud.google.com/text-to-speech/pricing
- AWS, Polly bidirectional streaming: https://docs.aws.amazon.com/polly/latest/dg/bidirectional-streaming.html
- AWS, Polly generative Stimmen und Regionen: https://docs.aws.amazon.com/polly/latest/dg/generative-voices.html
- AWS, Polly-Preise: https://aws.amazon.com/polly/pricing/
- Mistral, Text-to-Speech-Dokumentation: https://docs.mistral.ai/studio-api/audio/text_to_speech
- Mistral, Referenz des Speech-Endpunkts: https://docs.mistral.ai/api/endpoint/audio/speech
- Mistral, Ankündigung und Preis von Voxtral TTS: https://mistral.ai/news/voxtral-tts
- Mistral, Speicherort der Daten: https://help.mistral.ai/en/articles/347629-where-do-you-store-my-data-or-my-organization-s-data
Mit KugelAudio entwickeln
Europäische Voice-Infrastruktur produktiv einsetzen.
Nutzen Sie den EU-Endpunkt oder besprechen Sie ein selbst betriebenes Kubernetes-Deployment.