ElevenLabs im Test

Ein Sprecher für ein Erklärvideo kostet Zeit für Buchung und Aufnahme, und bei jeder Textänderung geht das Ganze von vorne los. ElevenLabs verlegt diesen Schritt in die Software. Du änderst den Satz im Skript, lässt ihn in derselben Stimme neu erzeugen und tauschst die Stelle im Schnitt aus. Für Marketingvideos und Schulungsmaterial reicht die Qualität dafür längst aus, in langen Erzählpassagen hört ein geübtes Ohr den künstlichen Ursprung aber weiterhin.

Wichtigste Funktionen

• Text-to-Speech mit Eleven v3: Du gibst Text ein, wählst eine Stimme aus der Bibliothek und bekommst eine Audiodatei zurück. Das aktuelle Modell Eleven v3 arbeitet in über 70 Sprachen und nimmt Regieanweisungen direkt im Text entgegen, etwa [laughs] oder [whispers], mit denen du Emotion und Betonung schon im Skript festlegst. Für Echtzeit-Ausgaben ist Eleven Flash v2.5 gedacht, das 32 Sprachen abdeckt und die erste Audioantwort nach rund 75 Millisekunden liefert.
• Stimmklone: Aus wenigen Minuten eigener Aufnahmen erstellt ElevenLabs eine synthetische Kopie der Stimme. Damit korrigierst du eine Podcast-Episode nachträglich, ohne das Mikrofon noch einmal aufzubauen. Das einfache Instant Voice Cloning ist ab dem Starter-Tarif nutzbar, das klangtreuere Professional Voice Cloning ab Creator.
• Videosynchronisation: Du lädst ein Video hoch, ElevenLabs erkennt die gesprochene Sprache, übersetzt sie und legt eine neue Tonspur in einer von über 90 Zielsprachen an. ElevenLabs trennt bis zu 9 Sprecher auch bei überlappender Rede, Musik und Geräusche im Hintergrund bleiben erhalten. Die automatische Variante nimmt Dateien bis 2 GB und 180 Minuten Länge an, das feinere Dubbing Studio steht derzeit im Wartungsmodus.
• Spracherkennung mit Scribe v2: Das Transkriptionsmodell deckt über 90 Sprachen ab, die Echtzeit-Variante liefert Text mit rund 150 Millisekunden Verzögerung. Für Podcast-Produktionen heißt das, dass Mitschrift und Vertonung im selben Konto und über dieselbe API laufen.
• Sprachagenten: Unter ElevenAgents baut ElevenLabs Telefon- und Chat-Agenten, die im Gespräch antworten und dabei Aktionen auslösen. Der kostenlose Zugang enthält 15 Gesprächsminuten, Business 12.375 Minuten. Das Sprachmodell hinter dem Agenten rechnest du beim jeweiligen Anbieter separat ab.
• REST-API und Streaming: Über eine dokumentierte Schnittstelle bindest du Sprachsynthese in eigene Anwendungen ein. Streaming mit kurzer Verzögerung macht Sprachausgabe in Chat- und Telefonanwendungen möglich, ohne dass die Nutzer auf die fertige Datei warten.

Preise und Tarife

ElevenLabs rechnet in Credits, und alle Produkte ziehen aus demselben Guthaben. Beim Modell Multilingual v2 kostet 1 Zeichen genau 1 Credit, bei Flash und Turbo liegt der Verbrauch über die API zwischen 0,5 und 1 Credit pro Zeichen. Der kostenlose Zugang umfasst 10.000 Credits im Monat, also rund 10 Minuten Sprachausgabe, allerdings ohne kommerzielle Nutzungsrechte.

Der Starter-Tarif kostet ca. 5,16 Euro pro Monat (6 USD) und enthält 30.000 Credits, die kommerziellen Rechte und Instant Voice Cloning. Creator liegt bei ca. 18,92 Euro (22 USD, erster Monat 11 USD) mit 121.000 Credits und Professional Voice Cloning. Pro kostet ca. 85,14 Euro (99 USD) und umfasst 600.000 Credits sowie Audio mit 192 kBit/s. Darüber folgen Scale mit ca. 257,14 Euro (299 USD) und 1,8 Mio. Credits sowie Business mit ca. 851,40 Euro (990 USD) und 6 Mio. Credits.

Ungenutzte Credits laufen bis zu 2 Monate weiter, das Guthaben erreicht damit höchstens das Dreifache der Monatsmenge. Bei Kündigung oder Herabstufung verfällt es zum Ende des Abrechnungszeitraums. Sprachagenten haben eine eigene Minutenabrechnung, jede Minute über dem Tarifkontingent kostet ca. 0,07 Euro (0,08 USD). Alle genannten Beträge stammen aus der US-Preisliste und verstehen sich netto, für deutsche Kunden kommt die Umsatzsteuer noch hinzu.

Für wen ist ElevenLabs geeignet?

• Content-Teams und Podcaster: Wer Sprechertexte vertont oder eine Folge in einer zweiten Sprache veröffentlichen will, spart sich Studiotermine. Bei Korrekturen ersetzt du einzelne Sätze nachträglich in der bereits verwendeten Stimme.
• Marketing- und Schulungsabteilungen: Erklärvideos, Produktdemos und E-Learning-Module vertont ihr in einem Durchgang und bringt sie in weitere Sprachen. Bei einem Produktupdate passt ihr das Skript an und erzeugt die Tonspur neu, statt eine Aufnahme zu wiederholen.
• Entwicklungsteams mit Sprachschnittstellen: Telefonansagen und barrierefreie Vorlesefunktionen entstehen über die API, ohne dass ein zweiter Anbieter dazukommt. Für einen Telefonagenten liefert ElevenLabs Erkennung, Antwortlogik und Sprachausgabe.

DSGVO und Datenschutz

ElevenLabs ist ein US-Unternehmen. Die Datenschutzerklärung nennt Verarbeitungsorte in den USA, den Niederlanden und Singapur und hält ausdrücklich fest, dass sämtliche personenbezogenen Daten zur Speicherung in die USA übertragen werden. Das Unternehmen ist nach dem EU-US Data Privacy Framework zertifiziert und hat eine Prüfung nach dem Standard SOC 2 durchlaufen, außerdem schließt es einen Auftragsverarbeitungsvertrag ab. Das stützt die Übermittlung rechtlich ab, ändert am Speicherort aber nichts.

Eingaben fließen im Standard in die Verbesserung der Modelle ein. Abschalten kannst du das im Konto unter Terms and Privacy im Menü Data use, wirksam allerdings nur für alles, was du danach hochlädst.

Regionale Datenhaltung in der EU gibt es inzwischen, sie ist jedoch dem Unternehmenstarif vorbehalten. Selbst dort bleibt die Verarbeitung nur dann auf die EU beschränkt, wenn du zusätzlich den Zero Retention Mode und die API nutzt, und die Videosynchronisation steht in diesen abgeschotteten Umgebungen nicht zur Verfügung.

Seit Juni 2026 versieht ElevenLabs seine Audioausgaben mit dem unhörbaren Wasserzeichen SynthID von Google DeepMind, zunächst bei den kostenlosen Text-to-Speech-Ausgaben. Über eine frei zugängliche Prüfseite belegst du damit, ob eine Aufnahme aus ElevenLabs stammt. Das hilft bei der Kennzeichnungspflicht für KI-Inhalte. Beim Klonen einer Stimme brauchst du die ausdrückliche Einwilligung der betroffenen Person, denn eine Stimme ist ein personenbezogenes Datum.

Für Werbetexte und Produktbeschreibungen ohne Personenbezug sind die Standardtarife vertretbar. Sobald du Mandanten-, Patienten- oder Personaldaten vertonst, reichen die Standardtarife nicht mehr, dann brauchst du den Unternehmenstarif mit EU-Datenhaltung oder ein Modell, das du im eigenen Unternehmen betreibst.

Alternativen zu ElevenLabs

• Chatterbox TTS: Unter MIT-Lizenz veröffentlicht, klont Chatterbox Stimmen aus wenigen Sekunden Referenzaudio und läuft auf eigener Hardware. Mit 23 Sprachen statt über 70 ist die Auswahl kleiner, und die Klangqualität bleibt hinter ElevenLabs zurück. Dafür entfallen die laufenden Kosten und die Übermittlung in die USA.
• Qwen3-TTS: Qwen3-TTS ist ebenfalls quelloffen und mit 97 Millisekunden Verzögerung auf Echtzeit-Anwendungen zugeschnitten. Es deckt 10 Sprachen ab, darunter Deutsch, und ist damit die schmalere Wahl für Sprachbedienung im eigenen Unternehmen.
• Descript: Descript verbindet Transkription, textbasierten Schnitt und Sprachsynthese in einem Editor. Das passt besser, wenn du ganze Audio- und Videoproduktionen schneidest und die Sprachsynthese darin nur ein Arbeitsschritt ist.