9 beste Text-to-Speech-APIs für Entwickler (2026): Echte Latenz & Kosten pro Minute im Vergleich

9 beste Text-to-Speech-APIs für Entwickler (2026): Echte Latenz & Kosten pro Minute im Vergleich

Die beste Text-to-Speech-API für Entwickler ist nicht die mit dem schicksten Demo-Reel. Es ist die, die Ihr Latenzbudget einhält, ohne Ihre Rechnung zu sprengen. Wir wissen das, weil wir Voice-Agenten auf Basis dieser APIs bauen. Im letzten Quartal bewarb Cartesias Sonic-3 eine Time-to-First-Audio von 40 bis 90ms, doch der unabhängige Coval-Benchmark maß den realen P50-Wert bei rund 188ms. Die Preise reichen von $4 bis $100 pro 1M Zeichen. Latenzangaben der Anbieter überstehen selten einen echten Telefonanruf. Hier also ein ehrlicher Vergleich von 9 Text-to-Speech-APIs, mit den Zahlen, die Anbieter in ihren eigenen Listen weglassen.

Wir verkaufen keine TTS-API. Wir bauen Voice-Agenten auf diesen APIs auf, es gibt in diesem Ranking also kein eigenes Produkt zu bewerben. Und zur Klarstellung des Umfangs: Es geht hier um die Text-to-Speech-Synthese-API, die Schicht, die Text in Audio verwandelt, nicht um vollständige Voice-Agent-Plattformen oder Creator-Videotools. Neu in diesem Bereich? Starten Sie mit was ein KI-Sprachagent eigentlich ist.

Kurzantwort: Die besten TTS-APIs auf einen Blick

• Beste Sprachqualität insgesamt: ElevenLabs (Flash angeblich ~75ms), mit $50 bis $100 pro 1M Zeichen die teuerste Option hier.
• Bestes Preis-Leistungs-Verhältnis und einfachste Integration: OpenAI gpt-4o-mini-tts, rund $0.015 pro Minute Audio.
• Niedrigste Latenz für Echtzeit-Agenten: Cartesia Sonic, native Streaming-Websockets, angeblich 40 bis 90ms Time-to-First-Audio.
• Günstigste Option und Self-Hosting: Google Cloud und Amazon Polly bei $4 pro 1M Zeichen; OmniVoice ist $0 im Self-Hosting.

Die 9 besten TTS-APIs auf einen Blick

Hier stehen alle APIs nebeneinander, gerankt für Entwickler, die Text-to-Speech in eine App oder einen Voice-Agenten integrieren. Die Preise pro Minute sind unsere Schätzung, keine Angabe der Anbieter (die Rechnung folgt unter der Tabelle).

*Der Preis pro Minute ist unsere Schätzung: Preis pro 1M Zeichen mal ~900 Zeichen/Min. (etwa 150 Wörter pro Minute). Keine Angabe der Anbieter.

Wie haben wir gerankt (und warum wir keine TTS-API verkaufen)?

Wir haben fünf Faktoren gewichtet: Sprachqualität, Latenz und Streaming-Unterstützung, Kosten (pro Zeichen und pro Minute), SDK-Umfang und Self-Hosting-Optionen. Wir bauen auf mehreren dieser APIs produktive Voice-Agenten, die Reihenfolge spiegelt also Eignung wider, nicht Bevorzugung. Niemand hat für einen Platz bezahlt.

Genau diese Neutralität ist der Punkt. Fast jede "beste TTS-API"-Liste, die Sie finden, stammt von einem TTS-Anbieter, der das eigene Produkt an erster Stelle platziert. Wir verkaufen Agenten, keine Synthese, also gibt es hier nichts zu bewerben. Wo ein Tool bei Preis, Latenz oder Cloning verliert, sagen wir das in der "Passt nicht, wenn"-Zeile. Keine Strohmänner, keine Favoriten.

1. ElevenLabs: Beste Sprachqualität insgesamt

ElevenLabs liefert aktuell die natürlichsten synthetischen Stimmen, die man über eine API kaufen kann, mit einer großen Stimmenbibliothek und sofortigem Cloning per Voice-ID. Das Flash-v2.5-Modell ist die Echtzeit-Option.

Laut ElevenLabs' API-Preisseite (Stand Juli 2026) kosten Flash und Turbo $50 pro 1M Zeichen, Multilingual v2/v3 liegt bei $100 pro 1M, nach unserer Rechnung also etwa $0.045 bis $0.09 pro Minute. ElevenLabs gibt für Flash rund 75ms Latenz an. Streaming funktioniert über REST und Websocket. Cloning erfolgt sofort aus jeder beliebigen Voice-ID.

Sie bauen einen vollständigen Telefon-Agenten? Hier sehen Sie den Vergleich mit Voice-Agent-Plattformen wie Vapi und Synthflow.

curl -X POST "https://api.elevenlabs.io/v1/text-to-speech/JBFqnCBsd6RMkjVDRZzb?output_format=mp3_44100_128" \
  -H "xi-api-key: $ELEVENLABS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"text": "Your table for two is confirmed for 8pm.", "model_id": "eleven_flash_v2_5"}' \
  --output speech.mp3

Passt, wenn Sprachqualität nicht verhandelbar ist und Budget nicht Ihre erste Einschränkung ist. Passt nicht, wenn die Kosten pro Zeichen das Hindernis sind, denn das ist hier die teuerste Option.

2. OpenAI TTS: Bestes Preis-Leistungs-Verhältnis und einfachste Integration

OpenAI TTS ist der Weg des geringsten Widerstands, wenn Sie die OpenAI-API bereits nutzen. Das Modell gpt-4o-mini-tts bringt Steuerbarkeit mit, das heißt, Sie prompten wie eine Zeile klingen soll ("sag es wie eine warmherzige, geduldige Lehrerin"), nicht nur, was sie sagt.

Laut OpenAIs Preisdokumentation (Stand Juli 2026) kostet tts-1 $15 pro 1M Zeichen, tts-1-hd liegt bei $30 pro 1M, und gpt-4o-mini-tts berechnet $0.60 pro 1M Text-Token plus $12 pro 1M Audio-Token, was etwa $0.015 pro Minute Audio ergibt. Streaming wird unterstützt. Cloning ist eingeschränkt.

Sie bauen einen Echtzeit-Telefon-Agenten? Kombinieren Sie es mit OpenAIs Realtime API für Voice-Agenten.

from openai import OpenAI
client = OpenAI()  # reads OPENAI_API_KEY from env

with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="alloy",
    input="Say it like a warm, patient teacher.",
) as response:
    response.stream_to_file("speech.mp3")

Passt, wenn Sie günstiges, gut genug klingendes Audio innerhalb eines Stacks wollen, den Sie bereits betreiben. Passt nicht, wenn Sie viele unterschiedliche Stimmen oder echtes Voice Cloning brauchen.

3. Cartesia (Sonic): Am besten für Echtzeit-Agenten mit ultraniedriger Latenz

Cartesias Sonic ist für Konversation gebaut. Es bringt native Streaming-Websockets mit und die niedrigste Time-to-First-Audio, die wir bei einer gehosteten API gemessen haben.

Laut Cartesias Preisseite (Stand Juli 2026) kostet der Startup-Plan etwa $39 pro 1M Zeichen (~$0.035/Min.), mit rund 20,000 kostenlosen Credits im Monat (etwa 27 Minuten Audio). Cartesia gibt für Sonic-3 40 bis 90ms Time-to-First-Audio an. Die Streaming-API ist websocket-nativ, und Cloning ist auf den Pro-Tarifen sofort verfügbar. Hier das Muster, das Agenten in der Praxis tatsächlich nutzen, PCM-Chunks direkt an den Anrufer streamen:

from cartesia import Cartesia
import os

client = Cartesia(api_key=os.environ["CARTESIA_API_KEY"])
ws = client.tts.websocket()

for chunk in ws.send(
    model_id="sonic-3",
    transcript="Booking confirmed. See you at eight.",
    voice={"id": "a0e99841-438c-4a64-b679-ae501e7d6091"},
    output_format={"container": "raw", "encoding": "pcm_f32le", "sample_rate": 44100},
    stream=True,
):
    play(chunk.audio)  # push audio to the caller as it arrives

Passt, wenn Sie konversationelle Voice-Agenten unter einer Sekunde bauen. Passt nicht, wenn Sie keine Echtzeit brauchen und einen größeren Stimmenkatalog wollen.

4. Deepgram (Aura-2): Bester Einzelanbieter für STT + TTS

Deepgram ist der eine Anbieter, der beide Hälften eines Voice-Bots gut beherrscht: das Zuhören (Speech-to-Text) und das Sprechen (TTS). Aura-2 wird pro Zeichen abgerechnet und auf konversationelle Latenz getrimmt.

Laut Deepgrams Preisseite (Stand Juli 2026) kostet Aura-1 $15 pro 1M Zeichen und Aura-2 $30 pro 1M (~$0.014 bis $0.027/Min.), mit einem $200-Anmeldeguthaben und Self-Hosting auf Enterprise-Tarifen. Deepgram nennt unter 250ms für konversationelle KI. Streaming wird unterstützt, Cloning nicht, Sie sind also auf vorgegebene Stimmen beschränkt.

Passt, wenn Sie einen einzigen Anbieter für den kompletten Zuhör-und-Sprech-Kreislauf wollen. Passt nicht, wenn Sie Voice Cloning brauchen.

5. Google Cloud Text-to-Speech: Beste mehrsprachige Abdeckung und großzügigster kostenloser Tarif

Google Cloud Text-to-Speech deckt über 380 Stimmen in mehr als 50 Sprachen ab, und der kostenlose Tarif ist der großzügigste zum Prototyping.

Laut Google Clouds Preisseite (Stand Juli 2026) kosten Standard und WaveNet $4 pro 1M Zeichen, Neural2 $16 pro 1M, Chirp 3 HD $30 pro 1M und Studio $160 pro 1M. Der kostenlose Tarif gibt Ihnen 4M Standard-Zeichen im Monat, aber nur 1M pro Monat jeweils bei WaveNet, Neural2 und Chirp 3 HD, prüfen Sie also, welchen Stimmtyp Sie tatsächlich nutzen. Streaming wird unterstützt, Cloning gibt es nicht (Custom Voice ist ein separates Produkt).

Passt, wenn Sie viele Sprachen günstig brauchen und ohnehin auf GCP zuhause sind. Passt nicht, wenn Sie erstklassige, ausdrucksstarke Qualität wollen, ohne die $160 pro 1M von Studio zu zahlen.

6. Amazon Polly: Am besten für unspektakuläre, zuverlässige Skalierung zum kleinen Preis

Amazon Polly ist das verlässliche Arbeitstier: berechenbar, günstig und tief in AWS integriert. Es ist ideal für IVR und transaktionale Ansagen, bei denen Sie keine Dramatik brauchen, sondern Uptime.

Laut AWS' Polly-Preisseite (Stand Juli 2026) kostet Standard $4 pro 1M Zeichen, Neural $16 pro 1M, Generative $30 pro 1M und Long-Form $100 pro 1M (~$0.004 bis $0.09/Min.). Der kostenlose Tarif deckt in den ersten 12 Monaten 5M Standard- und 1M Neural-Zeichen im Monat ab. Streaming wird unterstützt, Cloning gibt es nicht.

Passt, wenn Sie auf AWS sind und berechenbare TTS in großem Volumen wollen. Passt nicht, wenn Sie ausdrucksstarke, klonbare Stimmen wollen.

7. Azure AI Speech: Am besten für Compliance und On-Premise

Das Unterscheidungsmerkmal von Azure AI Speech sind nicht die Stimmen, sondern wo Sie sie betreiben können: Standard Neural, Custom Neural Voice und getrennte (Air-Gapped-)Container für Daten, die Ihr Netzwerk aus rechtlichen Gründen nicht verlassen dürfen.

Laut Azures Speech-Preisseite (Stand Juli 2026) kostet Standard Neural $16 pro 1M Zeichen und Neural HD $22 pro 1M (im März 2026 von $30 gesenkt). Der kostenlose F0-Tarif deckt 500K Zeichen im Monat ab und läuft nie ab. Air-Gapped-Container kosten rund $47,424 pro Jahr für 4.8B Zeichen (Anmeldung erforderlich), das ist die Zahl, die Ihr Compliance-Team interessiert. Streaming wird unterstützt, Cloning läuft über Custom Neural Voice.

Passt, wenn Sie On-Premise- oder Air-Gapped-Synthese brauchen oder ein Microsoft-Haus sind. Passt nicht, wenn Sie nicht auf Azure sind und keine Compliance-Anforderungen haben.

8. PlayHT: Beste große mehrsprachige Stimmenbibliothek

Der Reiz von PlayHT liegt in der Breite: über 900 Stimmen, 142 Sprachen, Turbo-Latenz unter 300ms und sofortiges Cloning aus einer 3- bis 10-Sekunden-Probe.

Hier der ehrliche Vorbehalt zu den Preisen. Laut PlayHTs Preisseite (Stand Juli 2026) kosten die Tarife etwa $39/Monat (Professional) bis $99/Monat (Premium/unbegrenzt), und API-Zugang liegt auf den höheren und Enterprise-Tarifen. Eine klare API-Rate pro Zeichen ist nicht veröffentlicht, behandeln Sie jede Angabe pro Minute (wir schätzen etwa $0.07) also genau als das, eine Schätzung. Streaming wird unterstützt, Cloning erfolgt sofort aus einem kurzen Clip.

Passt, wenn Sie Stimmenvielfalt für ein konversationelles Produkt wollen und ElevenLabs zu teuer ist. Passt nicht, wenn Sie transparente Pay-as-you-go-Abrechnung pro Zeichen wollen.

9. OmniVoice: Am besten, wenn Daten Ihre Server nicht verlassen dürfen

OmniVoice (vom k2-fsa-Team) ist Apache-2.0-lizenziert, $0 pro Zeichen, 646 Sprachen, und bietet Zero-Shot-Cloning aus einem ~3-Sekunden-Clip, vollständig lokal betrieben. Wir haben es auf unserer eigenen Hardware im Hands-on-Test geprüft.

Es gibt überhaupt keine Abrechnung pro Zeichen. Sie zahlen für GPU und Strom, sonst nichts. Der Kompromiss: OmniVoice ist Batch-Synthese (Real-Time-Faktor rund 0.03), kein Streaming unter 300ms, es passt also nicht zu Live-Konversation. Cloning läuft Zero-Shot aus wenigen Sekunden Referenzaudio. Details zum Setup und zur Qualität finden Sie in unserem ausführlichen OmniVoice-Test.

Passt, wenn Sie On-Premise, HIPAA, seltene Sprachen brauchen oder Abrechnung pro Zeichen bei sehr hohem Volumen hassen. Passt nicht, wenn Sie Echtzeit-Latenz für Konversation brauchen.

Was kostet eine TTS-API wirklich pro Minute?

Eine Text-to-Speech-API kostet 2026 etwa $0.004 bis $0.09 pro Minute synthetisiertes Audio. Am günstigsten sind Google Cloud und Amazon Polly Standard bei rund $0.004/Min.; OpenAIs gpt-4o-mini-tts liegt bei etwa $0.015/Min.; ElevenLabs' Top-Stimmen erreichen $0.09/Min. Selbst gehostetes OmniVoice kostet $0 pro Zeichen.

Jede Angabe pro Minute hier ist unsere eigene Rechnung, keine Anbieterzahl. Wir rechnen den Preis pro 1M Zeichen in Kosten pro Minute um, indem wir ~900 Zeichen pro Minute annehmen (etwa 150 Wörter pro Minute natürlicher Sprache). Diese eine Umrechnung ändert, wie Sie budgetieren: Wer Voice-Agenten baut, budgetiert nicht in Dollar pro Million Zeichen, sondern in Dollar pro Minute Sprechzeit. Hier die Umrechnung, die niemand veröffentlicht.

Der Preis pro Minute ist unsere Schätzung (Preis pro 1M Zeichen mal ~900 Zeichen/Min.). PlayHT ist abo-basiert, die Zahl ist also eine Schätzung; OmniVoice kostet $0 pro Zeichen (Sie zahlen nur GPU und Strom). TTS ist aber nur ein Posten unter vielen. Für das große Bild lesen Sie unsere vollständige Kostenaufschlüsselung für Voice-Agenten.

Was wir beim Einbau von TTS in produktive Voice-Agenten gelernt haben

Angegebene Latenz ist nicht gemessene Latenz. Bei einem Restaurant-Buchungsagenten, den wir 2026 ausgeliefert haben, stimmten die beworbenen 75ms von ElevenLabs Flash isoliert betrachtet, aber in unserer Pipeline, sobald LLM-Token-Generierung, Netzwerk-Hops und Audio-Buffering hinzukamen, landete das erste Audio, das der Anrufer hörte, eher bei 300 bis 400ms. Diese Differenz ist der Unterschied zwischen einer natürlichen Antwort und einer unangenehmen Pause.

Der unabhängige Coval-Benchmark bestätigt das. Er maß Cartesia Sonic-3 bei rund 188ms P50-Time-to-First-Audio (100ms IQR), ElevenLabs Turbo v2.5 bei rund 264ms und Flash v2.5 bei rund 288ms, alle höher als die vom Anbieter genannten Zahlen. Deshalb greifen wir standardmäßig zu streamenden Websocket-APIs (Cartesia, Deepgram) statt zu Batch-REST für alles Konversationelle. Achten Sie auch auf die richtige Metrik: Die ersten Bytes, die eine Streaming-API zurückgibt, sind Container- und Header-Metadaten, kein abspielbares Audio. Time-to-first-Byte schmeichelt dem Anbieter, Time-to-first-Audio ist das, was der Anrufer tatsächlich hört.

Die Kostenüberraschung, die wir nicht einkalkuliert hatten: Auf einer Hochvolumen-Leitung mit ElevenLabs Multilingual v3 (~$0.09/Min.) synthetisiert ein Agent, der 40% eines sechsminütigen Anrufs spricht, rund 2.4 Minuten Audio, also etwa $0.22 pro Anruf. Bei 1,500 Anrufen am Tag sind das allein für TTS fast $9,700 im Monat. Der Wechsel dieser Leitung zu gpt-4o-mini-tts ($0.015/Min.) senkte das auf unter $1,700. Und eine Falle, die uns erwischt hat: Das Modell sprach den Restaurantnamen eines Kunden falsch aus, bis wir einen Phonem-Alias hinzufügten, planen Sie also Zeit für ein Aussprachewörterbuch vor dem Launch ein.

Können Sie TTS selbst hosten oder Open-Source-TTS betreiben?

Ja, und 2026 ist das eine ernsthafte Option, kein Bastelprojekt. Self-Hosting bedeutet, das Modell auf eigenen GPUs zu betreiben, sodass Audio nie eine externe API berührt. Die wichtigsten Open-Source-Optionen sind OmniVoice (646 Sprachen, Zero-Shot-Cloning), Piper (schnell, leichtgewichtig, läuft gut auf einem Raspberry Pi), Kokoro (klein und hochwertig) und das ältere Coqui TTS.

Es gibt auch verwaltete Self-Hosting-Wege. Azures getrennte (Air-Gapped-)Container und Deepgrams Enterprise-On-Premise-Lösung lassen Sie Stimmen in Anbieterqualität innerhalb Ihres eigenen Netzwerks betreiben, ohne ein reines Open-Source-Deployment.

Self-Hosting gewinnt, wenn Daten Ihre Server aus rechtlichen Gründen nicht verlassen dürfen (HIPAA, Air-Gapped), wenn Sie seltene oder ressourcenarme Sprachen brauchen, oder wenn die Abrechnung pro Zeichen bei sehr hohem Volumen brutal wird. Es verliert, wenn Sie Echtzeit-Latenz für Konversation brauchen oder ein kleines Team ohne GPU-Ops-Kapazität sind. Für diese Fälle ist eine Streaming-API die günstigere Antwort, sobald Sie die Entwicklerzeit einpreisen.

Wie wählen Sie die richtige TTS-API?

Entscheiden Sie nach Ihrer größten Einschränkung, nicht nach einer Feature-Checkliste. Hier der schnelle Entscheidungsbaum, den wir mit Kunden nutzen:

• Sie bauen einen Echtzeit-Voice-Agenten? Cartesia oder Deepgram (Streaming-Websockets, niedrigste gemessene Latenz).
• Sprachqualität ist nicht verhandelbar? ElevenLabs.
• Günstig und mehrsprachig? Google Cloud oder Amazon Polly.
• On-Premise oder Air-Gapped? Azures getrennte Container oder OmniVoice.
• Schon tief in einem Ökosystem? OpenAI, AWS Polly oder Google Cloud, je nachdem, was zu Ihrem bestehenden Stack passt.
• Brauchen Sie die breiteste Stimmenbibliothek? PlayHT.

Beginnen Sie mit der Einschränkung, die das Projekt scheitern lassen würde, wenn Sie sie falsch einschätzen. Den Rest optimieren Sie danach.

Wie Techsy das angeht

Wir bauen Voice-Agenten, wir verkaufen keine TTS-API, genau deshalb können wir hier neutral bleiben. In der Praxis wählen wir für jeden Kunden eine andere TTS, je nach Latenzbudget, Kostenobergrenze und Compliance-Vorgaben, und binden sie dann in den vollständigen Agenten ein: Speech-to-Text, das LLM, Telefonie und der Streaming-Kleber dazwischen. Eine Restaurant-Buchungsleitung und eine HIPAA-gebundene Klinikleitung nutzen selten dieselbe Synthese-Engine.

Wenn Sie zwischen Eigenbau und Kauf abwägen: Wir bauen produktive Voice-Agenten end-to-end und können Ihnen sagen, welche TTS wirklich zu Ihrem Anrufvolumen passt.

Häufig gestellte Fragen

Was ist die beste Text-to-Speech-API für Entwickler?

Das hängt von Ihrer größten Einschränkung ab. Für Top-Sprachqualität wählen Sie ElevenLabs. Für niedrigste Echtzeit-Latenz Cartesia. Für günstiges mehrsprachiges Audio Google Cloud oder Amazon Polly. Für On-Premise- oder Air-Gapped-Daten Azures getrennte Container oder selbst gehostetes OmniVoice. Es gibt keinen universellen Gewinner.

Welche TTS-API hat die niedrigste Latenz für Echtzeit-Voice-Agenten?

Cartesia gibt 40 bis 90ms Time-to-First-Audio an, ElevenLabs Flash ~75ms, und Deepgram nennt unter 250ms. Aber angegeben ist nicht gemessen: Der unabhängige Coval-Benchmark setzte Cartesia Sonic-3 unter realen Bedingungen bei rund 188ms P50 an und ElevenLabs Flash bei rund 288ms. Für Agenten bevorzugen Sie streamende Websocket-APIs.

Wie viel kostet eine Text-to-Speech-API pro Minute Audio?

2026 etwa $0.004 bis $0.09 pro Minute. Google und Polly Standard liegen bei rund $0.004/Min., OpenAI gpt-4o-mini-tts bei rund $0.015/Min., und ElevenLabs' Premium-Stimmen erreichen $0.09/Min. Das sind unsere Schätzungen bei ~900 Zeichen pro Minute; selbst gehostetes OmniVoice kostet $0 pro Zeichen.

Gibt es eine kostenlose Text-to-Speech-API? Welcher kostenlose Tarif ist der beste?

Ja. Google Cloud gibt 4M Standard-Zeichen im Monat (jeweils 1M bei höheren Stimmtypen), Amazon Polly bietet 5M Standard- und 1M Neural-Zeichen für 12 Monate, Azure F0 deckt 500K im Monat dauerhaft ab, und Cartesia enthält ~27 Minuten monatlich. OpenAI und Deepgram geben stattdessen Anmeldeguthaben.

Was ist die günstigste Text-to-Speech-API?

Bei einer gehosteten API ist OpenAIs gpt-4o-mini-tts mit $0.015 pro Minute die günstigste Option mit ordentlicher Qualität, während Google Cloud und Amazon Polly Standard bei $4 pro 1M Zeichen liegen ($0.004/Min.). Wenn Sie eine GPU betreiben können, kostet selbst gehostetes OmniVoice $0 pro Zeichen, nur Ihre Rechenleistung und Strom.

Kann ich ein Text-to-Speech-Modell selbst hosten, statt eine API zu nutzen?

Ja. OmniVoice, Piper, Kokoro und Coqui sind Open-Source und laufen vollständig lokal. Für verwaltetes On-Premise bietet Azure getrennte (Air-Gapped-)Container, und Deepgram bietet Enterprise-Self-Hosting. Self-Hosting lohnt sich bei HIPAA, Air-Gapped-Daten, seltenen Sprachen oder sehr hohem Volumen, bei dem die Abrechnung pro Zeichen wehtut.

Welche TTS-APIs unterstützen Streaming oder Websockets?

Cartesia, Deepgram, OpenAI, ElevenLabs und PlayHT unterstützen alle Streaming, wobei Cartesia und Deepgram websocket-nativ sind und sich am besten für Live-Konversation eignen. OmniVoice ist reines Batch, es synthetisiert also erst den kompletten Clip, bevor es Audio zurückgibt, und passt nicht zu Echtzeit-Voice-Agenten.

Hat OpenAI oder ElevenLabs die bessere TTS-API?

Unterschiedliche Aufgaben. OpenAI gewinnt bei Preis und Steuerbarkeit (Sie prompten, wie eine Zeile klingen soll) und ist ohnehin schon in Ihrem Stack. ElevenLabs gewinnt bei roher Sprachqualität, einer größeren Bibliothek und sofortigem Cloning. Für vollständige Agenten vergleichen Sie beide mit Orchestrierungs-Optionen in unserer Übersicht der Voice-Agent-Plattformen.

Wie klone ich eine Stimme über eine TTS-API, und wie lang muss der Clip sein?

Die Cliplänge variiert. ElevenLabs klont sofort aus jeder Voice-ID, Cartesia und OmniVoice brauchen etwa eine 3-Sekunden-Probe, und PlayHT will 3 bis 10 Sekunden. Amazon Polly, Deepgram und Google Cloud nutzen nur vorgegebene Stimmen (Azures Custom Neural Voice erfordert einen formellen Anmeldeprozess).

Was ist der Unterschied zwischen Abrechnung pro Zeichen und pro Token/Minute?

Die meisten TTS-APIs rechnen pro Zeichen des Eingabetexts ab, was leicht vorherzusagen ist. OpenAIs gpt-4o-mini-tts rechnet stattdessen pro Audio-Output-Token ab, die Kosten richten sich also nach der Länge der generierten Sprache, nicht nach dem Ausgangstext. Für Voice-Agenten rechnen Sie beides in Dollar pro Minute Sprechzeit um, um fair zu vergleichen.

Quellen

• ElevenLabs API-Preise: https://elevenlabs.io/pricing/api (abgerufen 2026-07-14)
• Cartesia-Preise: https://cartesia.ai/pricing (abgerufen 2026-07-14)
• Deepgram-Preise: https://deepgram.com/pricing (abgerufen 2026-07-14)
• Amazon-Polly-Preise: https://aws.amazon.com/polly/pricing/ (abgerufen 2026-07-14)
• OpenAI-API-Preise: https://developers.openai.com/api/docs/pricing (abgerufen 2026-07-14)
• Google-Cloud-Text-to-Speech-Preise: https://cloud.google.com/text-to-speech/pricing (abgerufen 2026-07-14)
• Azure-AI-Speech-Preise: https://azure.microsoft.com/en-us/pricing/details/speech/ (abgerufen 2026-07-14)
• OmniVoice (k2-fsa): https://github.com/k2-fsa/OmniVoice (abgerufen 2026-07-14)
• Coval unabhängiger TTS-Benchmark: https://www.coval.ai/blog/best-text-to-speech-providers-in-2026-how-to-choose-(and-why-vendor-benchmarks-lie)/ (abgerufen 2026-07-14)
• MarkTechPost, benchmarkbasierter TTS-Vergleich: https://www.marktechpost.com/2026/05/30/best-text-to-speech-tts-models-in-2026-a-benchmark-based-comparison/ (abgerufen 2026-07-14)