Voice.ai ist eine Sprachplattform des US-Unternehmens Voice AI, Inc., die einen GPU-gestützten Echtzeit-Stimmenverzerrer, Sprachsynthese in über fünfzehn Sprachen, sofortiges Stimmklonen und telefonische Sprachagenten in einem gemeinsamen Guthabensystem bündelt und über eine dokumentierte API zugänglich macht.
Hast du dieses Tool genutzt? Bewerte es
Hast du dieses Tool genutzt? Bewerte es
Voice.ai ist eine Sprachtechnologie-Plattform, betrieben von Voice AI, Inc., einem US-amerikanischen Unternehmen, dessen eingetragene Marken Voice.ai® und Voice Universe® in der Fußzeile jeder Seite des Auftritts erscheinen. Das Produkt begann in einer weitaus engeren Form als heute: als Desktop-Anwendung, mit der Spielerinnen und Streamer den Klang der eigenen Stimme live ersetzen konnten, während sie in Discord oder in einer Spiele-Sprachlobby redeten. Dieser ursprüngliche Echtzeit-Stimmenverzerrer existiert weiterhin und ist nach wie vor der Grund, weshalb die meisten Menschen auf dieser Domain landen. Die Plattform verkauft inzwischen jedoch vier verschiedene Dinge aus demselben Konto heraus, und herauszufinden, welches dieser vier man tatsächlich braucht, ist die nützlichste Frage, die man vor der Anmeldung klären sollte.
Die vier Produktlinien sind ein Echtzeit-Stimmenverzerrer, eine Sprachsynthese, sofortiges Stimmklonen und telefonische Sprachagenten. Die Überschrift der Startseite stellt zwei davon nebeneinander, indem sie sich zugleich als kostenloser Stimmenverzerrer und als Plattform für Sprachagenten präsentiert. Das ist eine ungewöhnliche Paarung, denn diese beiden Zielgruppen haben fast nichts gemeinsam. Auf der einen Seite steht ein Jugendlicher, der auf einem Minecraft-Server wie eine Zeichentrickfigur klingen möchte. Auf der anderen eine Betriebsleiterin, die will, dass eingehende Verkaufsanrufe auch um drei Uhr morgens beantwortet werden. Voice.ai bedient beide aus einer Codebasis und einem Guthabenkonto heraus, und diese doppelte Identität erklärt vieles daran, wie sich das Produkt im Gebrauch anfühlt.
Die technische Position, die das Unternehmen absteckt, ist enger und interessanter als die Behauptung, jede beliebige Stimme kopieren zu können. Gründer und Geschäftsführer Heath Ahrens formulierte es gegenüber TechCrunch so: Der Kern des Wertversprechens der Sprache-zu-Sprache-KI liege nicht darin, eine bestimmte Person perfekt zu reproduzieren, sondern darin, die zentralen Elemente der Sprechweise eines Nutzers zu bewahren, also Emotion, Tempo und Betonung, während der Klang der Stimme ersetzt werde, um in Echtzeit ein völlig neues Ergebnis zu erzeugen. Das ist eine bewusste Abgrenzung von jenen Anbietern der Sprachkonvertierung, deren gesamtes Argument auf der Treue zu einem bestimmten Zielsprecher beruht. Voice.ai optimiert darauf, dass die Umwandlung natürlich klingt und live funktioniert, nicht darauf, dass der Klon forensisch ununterscheidbar wird.
Der Hintergrund des Gründers hilft beim Einordnen der Aussagen. Ahrens gründete 2007 iSpeech, das die Unternehmensseite als erste cloudbasierte Sprachsynthese-Plattform beschreibt, und brachte 2009 DriveSafe.ly auf den Markt, die erste Anwendung, die Textnachrichten laut vorlas. Zuvor hatte er außerdem Haystack aufgebaut, ein Unternehmen für Gesichtserkennung. Hier arbeitet also jemand seit knapp zwei Jahrzehnten an Sprachschnittstellen, was die jüngste Hinwendung zu Entwicklerschnittstellen und Sprachagenten für Unternehmen weniger als Kurswechsel und mehr als Rückkehr auf vertrautes Terrain erscheinen lässt.
Zwei Zahlen vermitteln einen Eindruck der Größenordnung, beide jedoch mit klarem Stichtag. Als TechCrunch im Juni 2023 über die erste externe Finanzierung berichtete, hatte Voice.ai mehr als 480.000 Nutzer und eine Bibliothek von über 50.000 Stimmfiltern und war allein durch Mundpropaganda auf Basis von drei Millionen Dollar Eigenfinanzierung gewachsen, mit einer Discord-Gemeinschaft von mehr als 120.000 Personen. Mucker Capital und M13 führten damals eine Runde über sechs Millionen Dollar an; M13 führt das Unternehmen bis heute als Investment der Seed-Phase. Der aktuelle Eintrag im App Store beschreibt hingegen eine Gemeinschaftsbibliothek mit mehr als 20.000 von Nutzern erstellten Stimmen. Diese Zahlen zählen unterschiedliche Dinge zu unterschiedlichen Zeitpunkten und sollten nicht zu einer einzigen Verlaufslinie zusammengefügt werden.
Was Voice.ai wirklich von einem herkömmlichen Anbieter der Sprachsynthese unterscheidet, ist der Umstand, dass die Stimmbibliothek größtenteils gar nicht dem Unternehmen gehört. Voice Universe ist eine Gemeinschaftsbibliothek, in die Nutzer selbst erstellte Stimmen hochladen und aus der andere sich bedienen. Dass dieser Name als Marke eingetragen wurde, zeigt, wie zentral der Baustein für das Selbstverständnis des Unternehmens ist. Das ähnelt eher einem Marktplatz oder einer Modding-Gemeinschaft als einem kuratierten Katalog offizieller Klangfarben, und genau daraus entstehen zugleich der größte Vorteil der Plattform und ihr heikelstes Problem.
Der Vorteil liegt in Breite und Tempo. Ein Katalog, den Zehntausende Beitragende aufbauen, wächst schneller und deckt mehr Nischen ab, als es ein hauseigenes Tonstudio je könnte. Die Schwierigkeiten betreffen Qualitätsschwankungen und Herkunft. Weil jeder beitragen kann, ist die Qualität uneinheitlich: Ein unabhängiger Rezensent beobachtete, dass die Tonqualität durchgehend stockte und dass viele der als Anime-Mädchenstimmen ausgewiesenen Modelle offenbar nur eine Tonhöhenanpassung darstellten. Und weil die Uploads von Nutzern stammen, liegt die Frage, wer der jeweiligen Stimme zugestimmt hat, beim Hochladenden und nicht bei der Plattform. Genau deshalb widmen die Nutzungsbedingungen diesem Punkt so viel Raum.
Die Echtzeit-Stimmenverzerrung ist das ursprüngliche Produkt und bleibt jenes mit den höchsten Anforderungen. In der Desktop-Anwendung läuft sie als Live Mode: Die Sprachverarbeitung geschieht lokal auf der Grafikkarte des Rechners, anschließend wird das umgewandelte Audiosignal über das, was Ahrens als virtuelles Audiokabel beschrieb, in andere Anwendungen geleitet. Diese lokale Verarbeitung erklärt, warum die Verzögerung gering genug für ein Gespräch bleibt, und sie erklärt zugleich, warum die Hardwareanforderung real und nicht bloß nominell ist.
Die offiziellen häufigen Fragen sind an dieser Stelle ungewöhnlich offen. Es gibt einen eigenen Eintrag mit der Frage, welche Grafikkarte mindestens nötig ist, um Live Mode zu nutzen, sowie einen separaten Eintrag zur Warnmeldung, dass die Grafikkarte Live Mode nicht unterstützt. Ein Anbieter verfasst keine dokumentierte Fehlermeldung für einen Hardwarefall, wenn nicht eine nennenswerte Zahl von Nutzern darauf stößt. Eine unabhängige Besprechung berichtet, dass Rechner mit Grafikkarten unterhalb der Klasse einer Nvidia GTX 980 oder einer AMD RX 580 stockende und abgehackte Ergebnisse liefern, und zitiert einen Nutzer, der eine Auslastung seiner Grafikkarte von siebenundachtzig Prozent durch die Anwendung feststellte. Live Mode ist damit eine Funktion mit hardwareseitiger Untergrenze und keine universell verfügbare Fähigkeit.
Die Sprachsynthese ist der Baustein, in den zuletzt am meisten Entwicklungsarbeit geflossen ist, und sie bildet die zentrale Recheneinheit des Preismodells. Die Seite nennt Unterstützung für mehr als 15 Sprachen und führt sie namentlich auf: amerikanisches Englisch, Französisch, Hindi, Ukrainisch, Japanisch, Koreanisch, Schwedisch, lateinamerikanisches Spanisch, brasilianisches Portugiesisch, Chinesisch, Niederländisch, Türkisch, Deutsch und Italienisch. Das erklärte Ziel besteht darin, eine gegebene Stimme auf jeden beliebigen Akzent oder jede Sprache zu lokalisieren, das heißt Stimmidentität und Sprache werden als trennbare Achsen behandelt.
Die kostenpflichtigen Stufen liefern praktische Notwendigkeiten nach, die die kostenlose Stufe zurückhält. Kostenlos begrenzt jede Umwandlung auf 500 Zeichen, was etwa einem kurzen Absatz entspricht; Starter hebt das auf 5.000 Zeichen an und schaltet vor allem überhaupt erst die Möglichkeit frei, die erzeugten Dateien herunterzuladen. Daneben gibt es einen leichtgewichtigen Einstieg namens TTS Lite, in der Navigation als neu gekennzeichnet, sowie ein Sprachsynthese-Studio ab der Stufe Starter.
Das Stimmklonen ist als Kontingent je Stufe ausgestaltet und nicht als unbegrenzte Fähigkeit, wodurch sich sehr direkt ablesen lässt, welchen Nutzungsumfang das Unternehmen bei welcher Kundengruppe erwartet. Die kostenlose Stufe weist ausdrücklich keine sofortigen Stimmklone aus. Starter enthält fünf, Launch zehn, Core fünfzig, Scale zweihundert und Business zweitausendzweihundert. Diese Kontingentleiter gehört zu den deutlichsten Signalen dafür, für wen die jeweilige Stufe entworfen wurde.
Ein Detail verdient besondere Erwähnung, weil sich die unternehmenseigenen Seiten widersprechen. Die Startseite gibt an, dass mit lediglich 10 Sekunden Audiomaterial Stimmen mit verblüffendem Realismus nachgebildet werden können, während die eigens dem Klonen gewidmete Seite von lediglich 15 Sekunden spricht. Beides sind zeitgleich veröffentlichte offizielle Aussagen, keine verweist auf die andere, und für die Abweichung wird keine Erklärung geliefert. Planen Sie mit dem längeren Wert und behandeln Sie den kürzeren als werbliche Untergrenze statt als technische Angabe.
Die Linie der Sprachagenten ist die jüngste und trägt derzeit das größte kommerzielle Gewicht; sie steht an erster Stelle der Navigation und ist als neu markiert. Das Versprechen lautet, dass Agenten ein- und ausgehende Anrufe übernehmen, damit ein Unternehmen keine Anrufe mehr verpasst. Beschrieben werden Agenten, die Anrufe automatisieren, Fragen beantworten, Termine vereinbaren und Gespräche durchgehend führen. Als Anbindungsziele genannt werden Salesforce, HubSpot, Zendesk und Slack.
Was diese Linie als Produkt und nicht bloß als Werbeseite glaubwürdig macht, ist ihre Abrechnung in telefonietypischen Einheiten. Die Tarife unterscheiden sich durch gleichzeitige Anrufe und durch die Anzahl der Rufnummern: Starter bietet zwei gleichzeitige Anrufe und eine Nummer, Launch vier und drei, Core acht und zehn, Scale sechzehn und zwanzig, Business dreißig gleichzeitige Anrufe und fünfzig Nummern. Das sind die Beschränkungen einer echten Anrufplattform und nicht die einer Vorführung.
Über die vier Hauptlinien hinaus beherbergt die Seite neun kostenlose Audiowerkzeuge für den Browser: Sprachsynthese, einen Stimmenverzerrer im Browser, Klangverbesserung, Gesangsentfernung, Echoentfernung, KI-gestützte Spurtrennung, Erkennung von Tonart und Tempo, Nachhallentfernung sowie einen Formatkonverter. Sie wirken eher als Zugangskanal denn als eigenständiges Geschäftsfeld und werden über dieselben Guthaben abgerechnet: Die kostenlose Stufe begrenzt sie auf fünf Minuten je Umwandlung, über die Stufen hinweg steigt das bis auf einhundertachtzig Minuten.
Die Entwicklerschnittstelle ist eine echte Produktlinie und kein Versprechen, und der Beleg dafür liegt in den Details statt in den Behauptungen. Die Entwicklerseite legt drei Schnittstellen offen, für Sprachsynthese, Sprachagenten und Stimmklonen, hinterlegt mit einem realen Endpunkt unter dev.voice.ai/api/v1/tts/speech und einer benannten Modellkennung namens voiceai-tts-v1-latest in einem lauffähigen Python-Beispiel. Entwicklungspakete für Python und TypeScript ergänzen REST-Beispiele, abgedeckt sind das Web sowie iOS und Android, und angegeben wird Kompatibilität mit LiveKit sowie mit Pipecat, zwei quelloffenen Rahmenwerken, die Fachleute für Echtzeitsprache tatsächlich einsetzen.
Die Plattform bewirbt eine Antwortzeit von unter 150 Millisekunden für dialogische Interaktionen. Das ist eine herstellereigene Angabe, veröffentlicht ohne Testbedingungen und ohne unabhängige Vergleichsmessung, sie sollte daher als Entwurfsziel und nicht als geprüfter Messwert gelten. Als Betriebsformen werden vier angeboten: gehostete Schnittstelle in der Cloud, Installation im eigenen Rechenzentrum, private Cloud im virtuellen Netzwerk des Kunden sowie eine lokale Variante mit geringer Verzögerung. Die Schnittstelle unterstützt außerdem MCP-kompatible Agentenabläufe, die Einbindung abrufgestützter Wissenszugriffe, Werkzeugaufrufe sowie Rückrufe über HTTP, die beim Abschluss der Audioerzeugung, bei Agentenantworten, bei Aktualisierungen des Gesprächszustands sowie bei Fehler- und Wiederholungsmeldungen ausgelöst werden.
Eine Voraussetzung wird leicht übersehen und ist teuer, wenn man sie spät entdeckt. Die Nutzungsbedingungen halten fest, dass geschäftliche, unternehmensbezogene, schnittstellenbasierte oder sonstige kommerzielle Nutzung eine gesonderte Vereinbarung mit Voice.ai erfordert. Einen Zugangsschlüssel im Selbstbedienungsverfahren zu erhalten bedeutet nicht, vertraglich berechtigt zu sein, darauf aufbauend ein Produkt zu veröffentlichen.
Gaming, Streaming und VTubing. Das ist der historische Kern der Plattform und weiterhin ihre größte reale Zielgruppe. TechCrunch beschrieb die Verbreitung unter Spielern, Inhaltsschaffenden und VTubern auf TikTok, Zoom, Discord, Minecraft, GTA5, Fortnite, Valorant, League of Legends, Among Us, Skype und WhatsApp. Die offiziellen häufigen Fragen untermauern das mit anwendungsspezifischen Hilfestellungen für Discord, Skype, WhatsApp, Zoom, PUBG, Fortnite, Google Meet, League of Legends, World of Warcraft, Among Us, Minecraft, TeamSpeak, Telegram und Viber. Steht Ihr Anwendungsfall auf dieser Liste, hat jemand die Fehlerbilder bereits für Sie dokumentiert.
Bearbeitung ein- und ausgehender Anrufe. Die Linie der Sprachagenten zielt auf Unternehmen, die Interessenten verlieren, weil Anrufe unbeantwortet bleiben. Die Staffelung nach gleichzeitigen Anrufen und Rufnummern erlaubt eine ehrliche Dimensionierung: Ein Einzelstandort in der Erprobung passt bequem in die zwei gleichzeitigen Anrufe von Starter, während ein Betrieb mit Bedarf an fünfzig Nummern im Bereich von Business liegt.
Sprecheraufnahmen und Erzählstimmen. Die Seite zum Stimmklonen nennt Podcasts, Videospiele und professionelle Sprecheraufnahmen und beschreibt, dass sich tausende Stunden Sprachinhalte erzeugen lassen, ohne selbst zu sprechen. Praktisch möglich wird das ab der Stufe Starter, denn dort erscheinen erstmals der Dateidownload und eine kommerzielle Lizenz. Ohne Download kann die kostenlose Stufe keine reale Produktionskette speisen.
Mehrsprachige Lokalisierung. Da Stimmidentität und Sprache als trennbar behandelt werden, lässt sich dieselbe Stimme über die vierzehn namentlich genannten Sprachen hinweg auf einen anderen Akzent oder eine andere Sprache lokalisieren. Für Kreative, die eine einheitliche Kanalpersönlichkeit über mehrere Märkte hinweg pflegen, ist das deutlich nützlicher, als je Sprache eine andere Katalogstimme zu wählen.
Barrierefreiheit und Selbstdarstellung. Die Ethikseite benennt zwei Gruppen ausdrücklich. Sie beschreibt das Werkzeug als Möglichkeit für transgeschlechtliche Menschen, ohne Stimmtraining oder medizinischen Eingriff die gewünschte Stimme zu erhalten, und hält fest, dass das Produkt für Menschen mit einer Behinderung oder Erkrankung wie Kehlkopfkrebs, amyotropher Lateralsklerose oder Parkinson eine mögliche Verbesserung gegenüber herkömmlicher Sprachsynthese darstellt. TechCrunch bestätigte die erste dieser Gruppen unabhängig, neben datenschutzbewussten Nutzern und solchen, die neue Online-Persönlichkeiten erproben.
Stimmliche Verschleierung aus Datenschutzgründen. Ein vom Unterhaltungszweck klar verschiedener Anwendungsfall: an Sprachchats teilnehmen, ohne die eigene echte Stimme preiszugeben. Der Ansatz des Unternehmens, Emotion und Tempo zu erhalten und nur die Klangfarbe zu ersetzen, passt dazu besser als ein mechanischer Filter.
Nehmen Sie sauberes Ausgangsmaterial für Klone auf. Die Klonqualität ist durch das Ausgangsmaterial begrenzt. Ein ruhiger Raum, ein gleichbleibender Abstand zum Mikrofon und natürliche Sätze statt Wortlisten ergeben spürbar bessere Modelle als ein kurzer Ausschnitt mit Hintergrundgeräuschen.
Geben Sie dem Klon mehr Material als das genannte Minimum. Da die beiden Angaben der Seite selbst mit zehn und fünfzehn Sekunden auseinandergehen, sollten Sie beide als Untergrenzen behandeln. Eine längere, sprachlich vielfältigere Probe verschafft dem Modell eine breitere lautliche Abdeckung.
Entscheiden Sie bewusst, ob Sie einen Klon Ihrer eigenen Stimme veröffentlichen. Ein Upload macht eine Stimme in einer Bibliothek verfügbar, aus der sich andere bedienen. Die zentrale Sicherheitsempfehlung von Comparitech lautet, kein auf der eigenen Stimme trainiertes Modell hochzuladen, da es von anderen für stimmbasierte Betrugsmaschen missbraucht werden könnte. Zugleich hält derselbe Beitrag fest, dass dies eine allgemeine Eigenschaft von Klonplattformen ist und keine Besonderheit dieses Produkts. Prüfen Sie die Sichtbarkeitseinstellungen Ihres Kontos, bevor Sie annehmen, ein Klon bleibe privat.
Prüfen Sie die Einstellung zum Metamodell-Training. Die Bedingungen halten fest, dass Sie mit der Nutzung der Dienste zustimmen, dass das Unternehmen Ihre Hardware für Metamodell-Training und Rechenzwecke einsetzt, und dass alle Nutzer diese Funktion jederzeit abschalten können. Ob sie standardmäßig ein- oder ausgeschaltet ist, steht dort nicht, prüfen Sie es also selbst, statt es anzunehmen.
Planen Sie Grafikreserven ein, wenn Sie gleichzeitig spielen und umwandeln. Live Mode konkurriert mit dem Spiel um dieselbe Grafikkarte. Auf einer knapp bemessenen Karte führt das zu Bildratenverlust im Spiel und zugleich zu Artefakten in der Umwandlung.
Prüfen Sie vor dem Abschluss, nicht danach. Mehrere unabhängige Besprechungen kritisieren dasselbe: Preise, die erst nach der Installation sichtbar werden. Da die Preisseite öffentlich und ausführlich ist, lesen Sie sie im Browser, bevor Sie irgendetwas installieren.
Bewahren Sie Einwilligungsnachweise für fremde Stimmen auf. Wenn Sie die Stimme einer anderen Person klonen, verlangen die Bedingungen deren ausdrückliche rechtliche Erlaubnis, und die Freistellungsklausel legt die Folgen eines Fehlers Ihnen auf. Eine schriftlich abgelegte Erlaubnis ist die praktische Form dieser Anforderung.
Bauen Sie aus den Ergebnissen kein konkurrierendes Sprachprodukt. Die Bedingungen untersagen ausdrücklich, Ausgaben zum Trainieren, Entwickeln oder Verbessern von Sprachmodellen zu nutzen, daraus neue synthetische Stimmen oder abgeleitete Produkte zu erstellen oder damit ein Konkurrenzprodukt zu unterstützen.
Spielerinnen, Streamer und VTuber mit passender Hardware bilden die am besten geeignete Zielgruppe für den Echtzeitteil. Wer eine Gaming-Grafikkarte der Mittelklasse oder darüber besitzt und Zeit in Discord oder im Mehrspieler-Sprachchat verbringt, befindet sich auf dem Heimterrain des Produkts, und die Gemeinschaftsbibliothek ist hier am umfangreichsten.
Kreative mit moderatem Sprecheraufkommen sind ab der Stufe Starter gut bedient, wo Download und kommerzielle Lizenz erscheinen. Die vierzehn namentlich genannten Sprachen machen das Werkzeug für Kreative tragfähig, die über mehrere Märkte hinweg veröffentlichen.
Kleine Unternehmen, die eingehende Anrufe verlieren, sind die Zielgruppe der Sprachagenten. Die unteren Stufen bringen einen echten Pilotversuch in Reichweite: eine Rufnummer und zwei gleichzeitige Anrufe für fünf Dollar im Monat sind eine realistische Möglichkeit, vor einer größeren Festlegung zu prüfen, ob automatisierte Anrufannahme zum eigenen Geschäft passt.
Entwicklerinnen, die Echtzeit-Sprachfunktionen bauen, erhalten eine dokumentierte Schnittstelle mit benannten Entwicklungspaketen und Rahmenwerk-Kompatibilität, vorbehaltlich der von den Bedingungen geforderten gesonderten kommerziellen Vereinbarung.
Menschen, die aus Gründen der Identität oder Barrierefreiheit eine andere Stimme benötigen, werden auf der Ethikseite ausdrücklich angesprochen, und TechCrunch hat diese Gruppe unabhängig als wachsend identifiziert.
Wer sich anderswo umsehen sollte: alle mit integrierter Grafikeinheit oder älterem Notebook, die Echtzeitumwandlung wollen, denn kein Tarif gleicht die hardwareseitige Untergrenze aus; alle, die vertragliche Sicherheit über Rechteinhaberschaft und Schutzrechtsfreiheit der Ergebnisse brauchen, denn genau das schließen die Bedingungen aus; und alle, die eine strikte Nichterstattungsregel nicht hinnehmen können.
Die Desktop-Anwendung ist der funktional vollständigste Zugang und der einzige Ort, an dem die Echtzeitumwandlung von Live Mode läuft; sie wird über das eigene Installationsprogramm der Seite verteilt. Ihre Möglichkeiten werden von der Grafikkarte des Rechners begrenzt und nicht allein von der Abonnementstufe.
Die Webplattform deckt Sprachsynthese, die Konsole für Sprachagenten und die neun Audiowerkzeuge ab und läuft ohne lokale Hardwareanforderungen, da die Verarbeitung serverseitig geschieht. Das ist der richtige Einstieg für eine Bewertung.
Mobil wird die iOS-Anwendung von Voice AI Inc. veröffentlicht. Nach den Daten der offiziellen Schnittstelle von Apple hält sie eine Bewertung von 4,0 bei 189 Bewertungen, trägt eine Altersfreigabe ab 12 Jahren, ist kostenlos, verlangt iOS 18.0 oder neuer, erschien erstmals im Mai 2023 und erreichte im Juli 2026 die Version 2.0.5. Eine wichtige Funktionslücke dokumentieren die häufigen Fragen des Unternehmens selbst: Dort finden sich Einträge zu der Frage, ob die mobile Anwendung Echtzeit-Stimmenverzerrung erlaubt und warum sie diese noch nicht bietet. Mobil und Desktop sind also nicht gleichwertig. Die Berichterstattung von TechCrunch aus dem Jahr 2023 beschrieb Anwendungen für Mac, PC, Android und iOS; die aktuellen Downloadwege der Seite zeigen ein Windows-Installationsprogramm und den Link zum App Store, und der Stand bei Android ließ sich zum Zeitpunkt der Erstellung nicht aus offiziellen Quellen bestätigen, prüfen Sie das daher direkt auf der Seite.
Für den programmgesteuerten Zugriff deckt die Schnittstelle Web, iOS und Android ab, mit Betrieb in gehosteter Cloud, im eigenen Rechenzentrum, als private Cloud im eigenen virtuellen Netzwerk oder lokal mit geringer Verzögerung.
Die Preise sind auf der Preisseite öffentlich einsehbar und in sieben Stufen gegliedert, die über ein monatliches Guthabenkontingent abgerechnet werden; die jährliche Zahlweise wird mit zwei Freimonaten beworben.
| Stufe | Monatspreis | Guthaben/Monat | Sofortige Klone | Gleichzeitige Anrufe | Rufnummern |
|---|---|---|---|---|---|
| Free | 0 $ | 5k | keine | — | — |
| Starter | 5 $ | 15k | 5 | 2 | 1 |
| Launch | 24 $ (erster Monat 12 $) | 200k | 10 | 4 | 3 |
| Core | 99 $ | 1M | 50 | 8 | 10 |
| Scale | 330 $ | 4M | 200 | 16 | 20 |
| Business | 880 $ | 22M | 2.200 | 30 | 50 |
| Enterprise | auf Anfrage | individuell | — | — | — |
Das Guthabensystem ist der Teil, den man wirklich verstehen sollte, denn Guthaben sind eine gemeinsame Einheit, die je nach Funktion zu unterschiedlichen Sätzen verbraucht wird. In der Stufe Core kaufen dieselben eine Million Guthabenpunkte entweder 1.000 Minuten Sprachsynthese oder 1.000 Minuten Agentengespräche oder 15.000 Minuten Audioverarbeitung. Sprachsynthese und Agentenminuten sind zueinander gleich bepreist, während die Audioverarbeitung je Minute rund fünfzehnmal günstiger ausfällt. In der kostenlosen Stufe ist das Kontingent praktisch knapp bemessen: 5.000 Guthabenpunkte reichen für fünf Minuten Sprachsynthese oder drei Nutzungen der Audiowerkzeuge.
Weitere an die Stufe gebundene Grenzen prägen die Erfahrung ebenso stark wie die Guthabenmenge. Die Zeichenzahl je Umwandlung steigt von 500 im kostenlosen Tarif auf 5.000 ab Starter. Die Dauer je Umwandlung bei den Audiowerkzeugen wächst von fünf Minuten über zehn, zwanzig und sechzig bis auf einhundertachtzig Minuten. Die gleichzeitigen Erzeugungen bei der Sprachsynthese steigen von drei bei Starter auf fünfzehn bei Scale und Business. Enterprise ergänzt maßgeschneiderte Bedingungen zu Auftragsverarbeitung und Dienstgütevereinbarungen, gesonderte Vereinbarungen für Kunden mit HIPAA-Bezug, individuelle Einmalanmeldung, angehobene Gleichzeitigkeitsgrenzen und bevorzugten Support.
Zwei Punkte zur Zahlung verdienen vor dem Abschluss Nachdruck. Die Bedingungen halten fest, dass alle Zahlungen nicht erstattungsfähig sind, sofern beim Kauf nichts anderes angegeben ist oder das geltende Recht es nicht verlangt, und zwar Abonnementgebühren, nutzungsabhängige Entgelte und Einmalkäufe gleichermaßen, mit Ausnahmen im Ermessen des Unternehmens, zu denen es nicht verpflichtet ist. Zudem berichten mehrere unabhängige Besprechungen, dass Preise erst nach der Installation sichtbar werden, was die öffentliche Preisseite entbehrlich macht: Lesen Sie sie vorher.
ElevenLabs gilt als Bezugspunkt für Klontreue und ausdrucksstarke Sprachsynthese, und die Berichterstattung von TechCrunch ordnete Voice.ai derselben groben Kategorie zu, wies zugleich aber auf den Ruf von ElevenLabs für erschreckend gutes Klonen hin. Wenn Sie synthetische Erzählstimmen höchster Qualität benötigen und keine Live-Umwandlung, ist das die direktere Wahl.
Respeecher besetzt das professionelle Ende der Sprache-zu-Sprache-Umwandlung und hat Referenzen in Film- und Fernsehproduktion. Das ist der passendere Vergleich, wenn es darum geht, einen bestimmten Zielsprecher in Sendequalität nachzubilden statt eine Stimme live umzuwandeln.
Voicemod ist der unmittelbarste Wettbewerber auf der Echtzeitseite im Spielebereich, und der Kasten mit ähnlich betrachteten Anbietern bei Trustpilot stellt beide nebeneinander: Voicemod mit 1,7 von 5 bei 456 Bewertungen gegenüber 2,0 bei 233 Bewertungen für Voice.ai. Beide Werte sind niedrig, und beide Einträge tragen die weiter unten beschriebenen Vorbehalte zur Stichprobe.
Murf und Acapela wurden von TechCrunch unter den etablierten Anbietern der Stimmsimulation genannt und stehen der klassischen Sprecherproduktion näher als der Live-Umwandlung.
Spezialisierte Plattformen für Sprachagenten sind der einschlägige Vergleich allein für den Telefoniezweig. Wenn ausschließlich Anrufautomatisierung gefragt ist und Stimmenverzerrung keine Rolle spielt, vergleichen Sie die Agentenstufe von Voice.ai mit dedizierten Dialogplattformen anhand von Gleichzeitigkeit, Telefoniefunktionen und Nachweisdokumenten zur Regelkonformität statt anhand der Größe der Stimmbibliothek.
Echtzeitumwandlung hat eine hardwareseitige Untergrenze. Live Mode hängt von lokaler Grafikkartenverarbeitung ab. Das Unternehmen dokumentiert sowohl eine Mindestanforderung als auch eine eigene Warnung für nicht unterstützte Karten, und unabhängige Tests berichten von stockender Wiedergabe unterhalb der ungefähren Klasse GTX 980 oder RX 580, wobei ein Nutzer eine Auslastung der Grafikkarte von 87 % meldete. Keine Abonnementstufe hebt diese Beschränkung auf.
Mobil entspricht nicht dem Desktop. Die offiziellen häufigen Fragen stellen und beantworten selbst, warum die mobile Anwendung noch keine Echtzeit-Stimmenverzerrung bietet. Wer diesen Einsatz auf dem Telefon anstrebt, sollte den aktuellen Stand vor einer Zahlung prüfen.
Zwei offizielle Angaben zur Klondauer widersprechen sich. Zehn Sekunden auf der Startseite, fünfzehn auf der Klonseite, zeitgleich veröffentlicht und nicht abgeglichen.
Die Bewertungen der Gemeinschaft sind niedrig, und die Stichprobe ist nicht neutral. Trustpilot zeigt 2,0 von 5 bei 233 Bewertungen mit auffällig zweigipfliger Verteilung: 82 % ein Stern, 14 % fünf Sterne und dazwischen fast nichts. Der Eintrag ist seit August 2023 beansprucht, das Unternehmen fordert Kunden aktiv zu Bewertungen auf und hat auf 100 % der negativen Bewertungen geantwortet. Eine durch Aufforderung entstandene Stichprobe unterscheidet sich systematisch von einer spontanen, dieser Wert sollte also neben den anderen Kanälen gelesen werden und nicht an deren Stelle. Die Bewertung im App Store mit 4,0 bei 189 Bewertungen fällt bei vergleichbarer Stichprobengröße deutlich positiver aus, und die Zusammenfassung von 59 aktuellen Bewertungen bei Trustpilot dreht sich um automatische Abonnements, unerwartete Verlängerungsabbuchungen und ausbleibende Unterstützung statt um die Tonqualität selbst.
Beschwerden zur Abrechnung stimmen über unabhängige Quellen hinweg überein. Comparitech nennt bis nach der Installation verborgene Preise und ein striktes, umständliches Erstattungsverfahren mit gesonderter Anmeldung. Onerep berichtet von unklaren Preisen und Testgrenzen sowie von Nutzern, die nach der Kündigung belastet wurden. Die Bedingungen bestätigen den Grundsatz der Nichterstattung.
Das Produkt wird weiterhin als Betaversion beschrieben. Die Einschätzung von Onerep vom Januar 2026 hält fest, dass Voice.ai im Jahr 2026 weiterhin in der Beta ist, was dort als Erklärung für die auftretenden Fehler angeführt wird.
Kommerzielle Rechte werden widersprüchlich dargestellt. Die Preisseite führt ab Starter eine kommerzielle Lizenz auf, während die Bedingungen zweimal festhalten, die Dienste würden nur für persönliche, nicht kommerzielle Nutzung bereitgestellt und geschäftliche, unternehmensbezogene oder schnittstellenbasierte Nutzung erfordere eine gesonderte Vereinbarung. Die Seite erklärt nicht, wie beides zusammenpasst. Wer eine kommerzielle Nutzung plant, sollte sich die Position schriftlich geben lassen.
Keine Gewährleistung für Ergebnisse oder Stimmbestände. Die Bedingungen halten fest, dass das Unternehmen weder Schutzrechtsfreiheit noch Erlaubnis für den beabsichtigten Zweck noch Eignung für einen bestimmten Zweck zusichert und dass sämtliche Stimmen von Nutzern erzeugt werden, wofür es keine Haftung übernimmt. Die Freistellungsklausel legt Ansprüche Dritter dem Nutzer auf.
Ihre Eingaben trainieren die Modelle. Hochgeladene Inhalte gewähren eine dauerhafte, unwiderrufliche, weltweite, lizenzgebührenfreie und unterlizenzierbare Lizenz, die ausdrücklich das Trainieren und Verfeinern der Modelle des Unternehmens sowie die Entwicklung neuer Produkte umfasst. Das Unternehmen sagt zu, Ihre Stimme nicht eigenständig ohne ausdrückliche Erlaubnis zu vermarkten, doch das ist enger als ein Versprechen, sie nicht zum Training zu verwenden.
Der Beitrag von Rechenleistung gehört zu den Nutzungsbedingungen. Die Nutzung der Dienste umfasst die Zustimmung, dass Ihre Hardware für Metamodell-Training eingesetzt wird, jederzeit abschaltbar, aber ohne angegebene Voreinstellung.
Die Datenschutzunterlagen bleiben unbestimmt. Onerep berichtet, es werde keine Verschlüsselungsmethode genannt, keine Aufbewahrungsfrist angegeben und außerhalb Kaliforniens keine Löschmöglichkeit geboten. Comparitech merkt an, dass der Dienst das Signal Do Not Track nicht beachtet. Das Gesamturteil von Comparitech lautet dennoch, dass das Produkt mit Vorsichtsmaßnahmen sicher ist, da weder Datenlecks noch rechtliche Verfahren gefunden wurden.
Aussagen zur Regelkonformität sind unbelegt. Die Seite nennt vollständige Konformität mit der Datenschutz-Grundverordnung sowie mit SOC 2 und HIPAA und allen wesentlichen Unternehmensvorschriften, ohne Prüfberichte oder Zertifikatsnummern zu veröffentlichen. Einkäufer in Unternehmen sollten die zugrunde liegenden Unterlagen anfordern.
Alter und Gerichtsstand. Die Nutzung setzt ein Mindestalter von 18 Jahren voraus. Anwendbar ist das Recht von Delaware mit ausschließlicher Zuständigkeit der dortigen Gerichte, was für Nutzer außerhalb der Vereinigten Staaten erheblich ist.
Es gibt eine wirklich kostenlose Stufe, sie ist jedoch eng. Sie bietet 5.000 Guthabenpunkte monatlich, was etwa fünf Minuten Sprachsynthese oder drei Nutzungen der Audiowerkzeuge entspricht; sie begrenzt Umwandlungen auf 500 Zeichen; sie enthält keine sofortigen Stimmklone; und sie erlaubt kein Herunterladen der erzeugten Dateien. Kostenpflichtige Stufen beginnen bei fünf Dollar im Monat. Mehrere unabhängige Besprechungen haben die Lücke zwischen der Vermarktung als kostenloser Stimmenverzerrer und dem Umfang hinter der Bezahlschranke kritisiert, behandeln Sie die kostenlose Stufe also als Mittel zur Bewertung und nicht als tragfähigen Arbeitstarif.
Dieser Punkt ist tatsächlich mehrdeutig und sollte schriftlich geklärt werden, bevor man sich darauf verlässt. Die Preisseite führt eine kommerzielle Lizenz als ab Starter enthaltene Leistung auf. Die Nutzungsbedingungen halten an zwei getrennten Stellen fest, die Dienste würden nur für persönliche, nicht kommerzielle Nutzung bereitgestellt und geschäftliche, unternehmensbezogene oder schnittstellenbasierte Nutzung erfordere eine gesonderte Vereinbarung mit dem Unternehmen. Die Seite bringt diese Aussagen nicht in Einklang. Zusätzlich schließen die Bedingungen jede Zusicherung aus, dass Ergebnisse schutzrechtsfrei oder für den beabsichtigten Zweck erlaubt sind.
Ja. Die Bedingungen gestatten das Hochladen oder Erzeugen von Audioinhalten nur unter drei Voraussetzungen: Sie verwenden Ihre eigene Stimme, Sie verfügen über eine ausdrückliche rechtliche Erlaubnis der Person, deren Stimme verwendet wird, oder Ihre Nutzung ist nach geltendem Recht eindeutig zulässig, etwa als Parodie oder Satire. Die Software zu nutzen, um reale Personen, lebende wie verstorbene, in Täuschungs-, Betrugs- oder Irreführungsabsicht nachzuahmen, ist untersagt und kann zu sofortiger Sperrung, rechtlichen Schritten und Zusammenarbeit mit Strafverfolgungsbehörden führen. Beachten Sie die Spannung zur Beschreibung im App Store, die damit wirbt, wie jede beliebige Person klingen zu können, von Berühmtheiten bis zu erfundenen Figuren: Maßgeblich sind die Bedingungen und nicht der Text des Stores.
Nein, und darauf fallen viele herein. Die Bedingungen enthalten eine Klausel mit der Überschrift „No License to Voices“, die festhält, dass keinerlei Rechte an Stimmen, Stimmmodellen, Stimmklonen oder Stimmidentitäten eingeräumt werden, die über die Dienste verfügbar sind, einschließlich der von anderen Nutzern hochgeladenen Stimmen, und dass die öffentliche Verfügbarkeit eines Stimmbestands keine Erlaubnis zur Nutzung, Vervielfältigung, Verbreitung oder Vermarktung begründet. In Voice Universe sichtbar zu sein ist keine Lizenz.
Eine dedizierte Grafikkarte, und zwar eine einigermaßen leistungsfähige. Live Mode verarbeitet Audio lokal auf der Grafikkarte, und die offiziellen häufigen Fragen dokumentieren sowohl eine Mindestanforderung als auch eine ausdrückliche Warnung für nicht unterstützte Karten. Unabhängige Tests berichten, dass Hardware unterhalb der ungefähren Klasse einer Nvidia GTX 980 oder AMD RX 580 stockende und abgehackte Ausgabe erzeugt, wobei ein Nutzer eine Auslastung der Grafikkarte von 87 % meldete. Die serverseitigen Funktionen, also Sprachsynthese, Audiowerkzeuge und Sprachagenten, stellen keine solchen Anforderungen.
Die Seite nennt mehr als 15 Sprachen und führt amerikanisches Englisch, Französisch, Hindi, Ukrainisch, Japanisch, Koreanisch, Schwedisch, lateinamerikanisches Spanisch, brasilianisches Portugiesisch, Chinesisch, Niederländisch, Türkisch, Deutsch und Italienisch namentlich auf, mit der angegebenen Möglichkeit, eine gegebene Stimme auf einen anderen Akzent oder eine andere Sprache zu lokalisieren.
Das Unternehmen geht auf seiner Sicherheitsseite direkt auf beide Vorwürfe ein: Die Anwendung werde regelmäßig an Antivirenhersteller übermittelt, darunter McAfee, Google und Avast, mit veröffentlichten Ergebnissen von VirusTotal, und die Funktion des verteilten Rechnens habe nichts mit Kryptowährungen oder Mining zu tun, da beigesteuerte Rechenleistung ausschließlich dazu diene, Stimmen aufzubauen, Modelle zu trainieren und die Sprachverarbeitung für Nutzer mit schwächeren Geräten zu übernehmen. Zwei unabhängige Einschätzungen stimmen weitgehend zu: Comparitech kam zu dem Schluss, das Produkt sei mit Vorsichtsmaßnahmen sicher, und fand weder Datenlecks noch rechtliche Verfahren, und Onerep befand, es sei weder ein Virus noch ein Miner und die Nutzung sei nicht rechtswidrig. Beide äußern jedoch gesonderte Bedenken zur Preistransparenz und zu den Datenschutzunterlagen, und die wichtigste Sicherheitsempfehlung von Comparitech lautet, kein auf der eigenen Stimme trainiertes Modell hochzuladen.
Hochgeladene Inhalte gewähren dem Unternehmen eine dauerhafte, unwiderrufliche, weltweite, lizenzgebührenfreie, unterlizenzierbare und nicht ausschließliche Lizenz, die den Betrieb des Dienstes, das Trainieren und Verfeinern seiner Modelle sowie die Entwicklung neuer Funktionen und Produkte abdeckt. Das Unternehmen erklärt, es werde Ihre Stimme ohne ausdrückliche Erlaubnis nicht eigenständig vermarkten. Zudem umfasst die Nutzung des Dienstes die Zustimmung, dass Ihre Hardware für Metamodell-Training eingesetzt wird, was sich jederzeit abschalten lässt. Unabhängige Besprechungen merken an, dass die Datenschutzerklärung weder Verschlüsselungsmethoden noch Aufbewahrungsfristen benennt und dass Löschrechte nur Einwohnern Kaliforniens angeboten werden.
Grundsätzlich nein. Die Bedingungen halten fest, dass alle Zahlungen nicht erstattungsfähig sind, sofern beim Kauf nichts anderes angegeben ist oder das geltende Recht es nicht verlangt, einschließlich Abonnementgebühren, nutzungsabhängiger Entgelte und Einmalkäufe, wobei Ausnahmen im alleinigen Ermessen des Unternehmens liegen und keine Verpflichtung dazu besteht. Unabhängige Besprechungen beschreiben das Erstattungsverfahren als strikt und mit gesonderter Anmeldung verbunden, und Beschwerden zu Abonnement und Verlängerung bilden das häufigste Thema in der Zusammenfassung aktueller Bewertungen bei Trustpilot.
Vor allem darin, worauf optimiert wird. Ahrens hat den Unterschied ausdrücklich benannt: Der Kern des Wertversprechens sei nicht die perfekte Reproduktion einer bestimmten Person, sondern das Bewahren von Emotion, Tempo und Betonung der sprechenden Person bei gleichzeitigem Ersetzen der Klangfarbe, und das in Echtzeit. ElevenLabs und Respeecher sind auf Treue zu einer Zielstimme für fertige Inhalte hin gebaut. Voice.ai ist auf Live-Umwandlung, eine von der Gemeinschaft getragene Stimmbibliothek und inzwischen auf Telefonagenten hin gebaut. Wer eine bestimmte sprechende Person in Sendequalität nachbilden muss, ist bei den Spezialisten besser aufgehoben; wer im Spiel oder im Gespräch live anders klingen muss, befindet sich hier auf dem Heimterrain dieses Produkts.
