Im Januar 2024 erhielten Tausende Wähler in New Hampshire einen Anruf von Joe Biden. Biden bat sie, bei der Vorwahl zu Hause zu bleiben. Es war nicht Biden. Die Stimme war mit ElevenLabs erzeugt worden, in weniger als 30 Minuten, von einem Zauberkünstler, der dafür bezahlt worden war. Der Auftraggeber wollte nach eigener Aussage die Gefahren von KI demonstrieren.
Mission accomplished.
ElevenLabs ist das überzeugendste KI-Stimmtool auf dem Markt. Das ist eben nicht nur eine gute Nachricht. Die Plattform kann genau das, was sie verspricht: Stimmen generieren, die nach Menschen klingen. Die Plattform trifft Pausen und Betonungen so, wie ein Mensch sie setzen würde. Kein Navigationssystem, keine Roboterstimme.
Für Unternehmen, die regelmäßig Audio produzieren, ist das ein echter Zeitgewinn. Für alle anderen ist es ein guter Moment, die eigene Einschätzung zu überprüfen.
Was das Tool wirklich kann
Der Kern ist Text-to-Speech: Text rein, Audiodatei raus. Die Stimmenbibliothek umfasst mehrere Hundert Optionen in dutzenden Sprachen, darunter Deutsch. Für Erklärvideos, Schulungsinhalte und Onboarding-Material funktioniert das zuverlässig.
Voice Cloning geht einen Schritt weiter. Mit wenigen Minuten Sprachmaterial kannst du eine digitale Version einer Stimme erstellen: deine eigene oder, mit ausdrücklicher Zustimmung, die einer anderen Person. Das Ergebnis klingt dem Original sehr nah.
Dritte Funktion: Dubbing. Video hochladen, Zielsprache wählen, neue Audiospur bekommen. Die generierte Stimme ähnelt dem Original. Für Podcasts und reine Audioinhalte funktioniert das gut. Lippensynchronität ist begrenzt.
Und es gibt eine API, mit der du Sprachausgabe direkt in Anwendungen einbauen kannst, etwa für einen Chatbot auf deiner Website, der nicht nur textbasiert antwortet.
Wo Unternehmen konkret Zeit sparen
Erklärvideos und Schulungsinhalte. Kein Tonstudio, keine Terminkoordination, keine MP3-Datei, die zwei Wochen auf Freigabe wartet. Du gibst das Skript ein, wählst eine Stimme, bekommst die Audiodatei. Für interne Schulungsvideos und Produktdemonstrationen reicht die Qualität in den meisten Fällen aus.
E-Learning-Vertonung im großen Maßstab. Ein professioneller Sprecher rechnet pro aufgenommener Minute. Bei hundert Modulen à fünf Minuten ist das eine substanzielle Summe. ElevenLabs rechnet nach Zeichenzahl. Das Creator-Paket kostet rund 22 Euro im Monat. Bei hohem Volumen ist der Kostenunterschied erheblich.
Mehrsprachige Lokalisierung. Einen Verkaufsfilm in fünf Sprachen zu übersetzen, war bisher teuer und langsam. ElevenLabs automatisiert einen großen Teil davon. Für die Textübersetzung im Vorfeld empfiehlt sich DeepL, das für europäische Sprachpaare sehr gute Qualität liefert.
Was dabei oft übersehen wird: Deutsch und die ToS
Zwei Dinge, die in den meisten Artikeln über ElevenLabs fehlen.
Erstens: Deutsch ist nicht Englisch. ElevenLabs klingt auf Deutsch gut. Aber nicht immer natürlich. Zahlen und Datumsangaben werden gelegentlich englisch ausgesprochen, obwohl der Text deutsch ist. Bestimmte Komposita werden falsch betont. Eigennamen und Fachbegriffe erfordern manuelle Korrekturen über das Aussprache-Wörterbuch. Für interne Schulungen ist das verschmerzbar. Für externe Markenkommunikation (Imagefilm, offizieller Podcast) solltest du die Ausgabe sorgfältig prüfen, bevor du sie veröffentlichst.
Zweitens: Die Nutzungsbedingungen. Im Februar 2025 hat ElevenLabs seine Nutzungsbedingungen aktualisiert. Seitdem gilt: Wer Stimmen auf der Plattform erstellt oder eigenes Sprachmaterial hochlädt, erteilt ElevenLabs eine dauerhafte, unwiderrufliche, weltweite, kostenlose Lizenz, diese Daten für das Training von Modellen zu verwenden. Auch wenn du deinen Account löschst. Wer auf einen günstigeren Plan wechselt, verliert zusätzlich die kommerziellen Nutzungsrechte an Stimmen, die auf dem alten Plan erstellt wurden.
Das ist kein Grund, das Tool nicht zu nutzen. Aber es ist ein Grund, es zu wissen, bevor du die Stimme einer Mitarbeiterin hochlädst.
Kurz gesagt: Du lädst Stimmen hoch, ElevenLabs behält sie. Für immer.
Voice Cloning: die Funktion mit dem größten Missbrauchspotenzial
Voice Cloning ist die Funktion mit dem höchsten Nutzenpotenzial. Und mit der höchsten Sorgfaltspflicht.
Was legitim ist: Deine eigene Stimme klonen, um dich selbst zu vertonen. Die Stimme einer Mitarbeiterin mit deren schriftlichem Einverständnis klonen, damit sie nicht jede Woche ins Studio muss. Einen konsistenten Markensprecher etablieren, auf den mehrere Teams zugreifen können.
Was nicht legitim ist: Die Stimme einer Person ohne ausdrückliche Einwilligung verwenden. Auch nicht für scheinbar harmlose Zwecke. Auch nicht öffentliche Personen.
ElevenLabs verlangt bei der Erstellung geklonter Stimmen eine Bestätigung, dass du das Recht dazu hast, und hat seine Moderation nach den Missbrauchsfällen von 2023 und 2024 verschärft. Das ändert nichts an der rechtlichen und ethischen Verantwortung auf deiner Seite.
Wann lohnt es sich, wann nicht
ElevenLabs ist sinnvoll, wenn du regelmäßig Audio oder Video produzierst und Volumen das entscheidende Kriterium ist: interne Schulungsvideos, E-Learning-Kurse, Podcast-Intros, mehrsprachige Produktinhalte. Das sind die Bereiche, in denen der Zeitgewinn konkret messbar ist.
Für eine einmalige Vertonung ist ein professioneller Sprecher oft günstiger und flexibler. Für externe Markenkommunikation auf höchstem Qualitätsniveau solltest du die Ausgabe immer gegenhören. Auf Deutsch besonders.
Der kostenlose Einstiegsplan reicht, um das Tool zu testen. Erst danach lohnt sich die Entscheidung für ein bezahltes Paket.
Wer auch das Transkribieren von Audioinhalten automatisieren möchte, findet mit Whisper von OpenAI ein leistungsstarkes Tool für die umgekehrte Richtung: Sprache in Text, ohne dauerhafte Lizenzabtretung.
Du willst wissen, welche KI-Tools sich für deinen Unternehmenskontext wirklich lohnen, ohne Hype, mit klarer Einordnung? Im KI-Syndikat Newsletter bekommst du alle zwei Wochen die wichtigsten Updates.