Die besten Low-Latency-Text-to-Speech-APIs für KI-Voice-Agents 2026

Deepgram Flux TTS ist 2026 die beste Low-Latency-API für KI-Voice-Agents im Gesamtfeld. Der Grund: Die ausgewiesene Latenz von bis zu 80 ms für das erste Audio-Paket bringt nativen Barge-in-Status mit – nicht bloß eine isoliert schnelle Synthese. Pika kann zwar eine Minute 48-kHz-Sprache in rund 1.2 Sekunden generieren, die Live-API arbeitet jedoch asynchron und ist ausdrücklich nicht für Echtzeit-Streaming ausgelegt. Diese Schlagzeile nützt einem flüssigen Telefonat daher nichts.

Die Kurzfassung

Wählen Sie Deepgram Flux TTS für englischsprachige Voice-Agents, bei denen Anrufer ins Wort fallen, ihre Meinung ändern und erwarten, dass der Agent exakt weiß, was er bereits ausgesprochen hat. Der Latenzwert ist nicht der kleinste auf dieser Seite. Der entscheidende Vorteil liegt darin, dass das Streaming-Protokoll sowohl den bereits gehörten Text als auch den abgebrochenen Text meldet – was den Gesprächsstatus nach einer Unterbrechung schützt.

Wählen Sie Rime Mist v3, wenn transparente Perzentil-Benchmarks und extrem schnelles erstes Audio im Fokus stehen. Wählen Sie Inworld Realtime TTS-2 Flash, wenn mehrsprachige Reichweite und niedrige Zeichenkosten dominieren. Wählen Sie ElevenLabs Flash v2.5, wenn ein ausgereiftes mehrsprachiges Stimmen-Ökosystem wichtig genug ist, um höhere Zeichenpreise und manuelle Textnormalisierung in Kauf zu nehmen.

Die folgenden Preise wurden am 26. August 2026 auf den Anbieterseiten verifiziert. „Einstiegspreis“ meint die kleinste öffentliche Stufe, nicht die finale Produktionsrechnung.

Die Entscheidungsregel lautet: Fehlerfreies Unterbrechen wiegt schwerer als ein isoliert niedriger Latenzwert. Sobald zwei Kandidaten den Barge-in-Pfad sauber beherrschen, vergleichen Sie das P95-Erst-Audio über die echte Telefonieroute, gefolgt von Effektivkosten und Stimmwirkung. Ein Anbieter kann das serverseitige Rennen gewinnen und den Anruf dennoch verlieren – durch Netzwerklaufzeiten, Pufferung, Audiokonvertierung oder fehlerhafte Unterbrechungslogik.

Wenn Sie statt einer Komponenten-API eine Komplettplattform suchen, empfiehlt sich die Übersicht der Voice-Agent-Plattformen. Geht es primär um Audiobooks, Barrierefreiheit oder allgemeine Vertonung, greift die Kriterienfolge im Text-to-Speech-Leitfaden.

Wie diese Low Latency Text to Speech APIs ausgewählt wurden

Dies ist ein geprüfter Vergleich und keine Behauptung, alle acht APIs seien im selben Labor gemessen worden. Jeder Modellname, öffentliche Preis, jede Tarifstufe, jedes Limit, Transportprotokoll und jeder Latenzwert stammt von einer aktiven Herstellerseite, geprüft am 26. August 2026. Das Ranking wendet die Anforderungen einer realen Voice-Agent-Produktion auf diese Fakten an.

Diese Differenzierung ist notwendig, da die publizierten Latenzzahlen selten dasselbe messen. Inworld nennt serverseitige P90 Time to First Audio Byte ohne Netzwerk. ElevenLabs beziffert eine ungefähre Modelllatenz ohne Anwendungs- und Netzwerklaufzeit. Rime dokumentiert P50 und P90 Time to First Audio unter definierter Parallelität und schätzt regionale Netzwerk-Roundtrips separat. Deepgram wirbt mit Werten „bis zu 80 ms“. Hume trennt rund 100 ms reine Modelllatenz von etwa 200 ms bis zum ersten Audio im Instant-Modus.

Solche Kennzahlen sind innerhalb des jeweiligen Systems nützlich, taugen jedoch nicht als direkter Quervergleich.

Fünf Kriterien bestimmten die Reihenfolge:

1. Erstes abspielbares Audio: Das Latenzbudget startet, sobald der Agent fertigen Text hat, und endet, wenn der Anrufer Sprache hört. Die Generierungszeit einer Gesamtaudiodatei ist eine andere Metrik.
2. Unterbrechungsstatus (Barge-in): Ein echter Anruf muss wissen, was gesprochen wurde, was nicht und was das Sprachmodell behalten soll, wenn der Anrufer dazwischenspricht.
3. Streaming-Transport: Persistente WebSockets, progressiver Input, Cancellation-Signale und passende Audioformate sparen oft mehr Latenz als kleine Vorteile auf Modellebene.
4. Wirtschaftlichkeit in Produktion: Relevant sind Zeichen- oder Tokenkosten beim anvisierten Volumen inklusive Mindestabnahmen und Staffeln – nicht der günstigste Werbepreis.
5. Praktische Hürden: Sprachabdeckung, Zahlen-Normalisierung, Concurrency-Limits, Preview-Status, Ausgabeformate, kommerzielle Nutzungsrechte und unklare Messmethoden verändern den Gesamtsieger.

Stimmqualität bleibt relevant, rangiert aber hinter den K.-o.-Kriterien. Eine herausragende Stimme, die zu spät startet, eine Kontonummer fehlerhaft wiedergibt oder den Anrufer übertönt, taugt nicht für den Praxiseinsatz.

1. Deepgram Flux TTS: Der Testsieger für Voice-Agents

Deepgram Flux TTS ist das stärkste Gesamtpaket, weil das Protokoll für Sprachassistenten eine Unterbrechung als Statuswechsel behandelt und nicht bloß als einfachen Stop-Befehl.

Der GA-Eintrag von Deepgram nennt eine Audioausgabe ab 80 ms. Das praxisrelevante Detail folgte mit der allgemeinen Verfügbarkeit am 12. August 2026: Über den Live-WebSocket bricht eine Interrupt-Nachricht den aktuellen Turn ab. Das resultierende SpeechInterrupted-Event liefert text_spoken und text_remaining zurück. So aktualisiert der Agent sein Gedächtnis exakt mit dem, was tatsächlich zu hören war, statt auf Basis ungenauer Player-Zeiten zu raten.

Beispiel: Ein Agent sagt: „Ihr Kontostand beträgt zweitausendachthundert...“, bevor der Anrufer mit einer Frage zur Abbuchung unterbricht. Ein simples Stop-Signal stoppt zwar das Audiosignal, doch das Sprachmodell geht möglicherweise weiterhin davon aus, dass der gesamte Kontostand übermittelt wurde. Flux liefert der Anwendung die saubere Grenze, um diesen Zustand im Kontext zu korrigieren. Die Folge: weniger redundante Aussagen, keine widersprüchlichen Anschlüsse und minimaler Aufwand für eigenes State-Tracking.

Flux transportiert zudem den Gesprächskontext turn-übergreifend über den v2 Speak WebSocket. Das hilft, um nach einer Beschwerde sachlich zu bleiben oder nach wiederholten Unterbrechungen prägnanter zu formulieren. Für mehrstufige Telefonate passt dies deutlich besser als Modelle, die jeden Satz als isolierten Audio-Schnipsel betrachten.

Die Haupteinschränkung ist die Reichweite. Der GA-Katalog umfasst 36 englische Stimmen in sieben Akzenten. Ist ein breiter mehrsprachiger Start erforderlich, liegen Inworld oder ElevenLabs vorne. Standardmäßig streamt Flux im Voice-Agent-Modus unkomprimiertes linear16, mulaw oder alaw ohne Container oder Bitraten-Metadaten. Für Telefonie ist das ideal; wer MP3, Opus, FLAC, AAC oder WAV erwartet, muss die Audiopipeline anpassen oder auf Aura-Modelle ausweichen.

Ideal für: Englische Support-, Terminierungs- und Qualifizierungsanrufe mit vielen Barge-in-Situationen.
Besonderheit: Native Rückmeldung von gesprochenem vs. verbleibendem Text nach einer Unterbrechung.
Preise: Flux ist kostenlos bis zum 12. September 2026; Pay As You Go kostet ab 13. September $0.0450 pro 1,000 Zeichen, Growth $0.0405 pro 1,000 Zeichen.
Kostenlose Testphase: Ja. Pay As You Go enthält $200 Startguthaben ohne Mindestumsatz und ohne Verfallsdatum.

Die aktuellen Deepgram-Tarife

Die aktuelle Deepgram-Preisseite bietet drei kommerzielle Pfade. Pay As You Go startet mit den $200 Startguthaben und erlaubt bis zu 45 gleichzeitige TTS-Verbindungen via REST oder WebSocket. Growth erfordert mindestens $4,000 jährliches Guthaben im Voraus und hebt das Limit auf 60 Verbindungen an. Enterprise bietet individuelle Konditionen für hohes Volumen, On-Premises-Betrieb, Datensouveränität oder dedizierten Support.

Auch das Modellpreisgefüge ist relevant. Nach der Flux-Einführungsphase kostet Pay As You Go $0.0450 pro 1,000 Zeichen, Growth $0.0405. Aura-2 liegt bei $0.030 bzw. $0.027. Aura-1 kostet $0.0150 bzw. $0.0135. Die günstigeren Aura-Modelle eignen sich für weniger interaktive Ansagen, bieten jedoch nicht das kontextbasierte Unterbrechungsverhalten von Flux.

Praxis-Setup für Flux

1. 1

   Live-Verbindung öffnen

   Verbinden Sie den Agenten mit dem v2 Speak WebSocket und halten Sie die Verbindung während des gesamten Anrufs aktiv. Vermeiden Sie es, jeden Teilsatz als separaten HTTP-Batch zu senden.

2. 2

   Telefonie-kompatibles Format wählen

   Wählen Sie linear16, mulaw oder alaw passend zur nachgelagerten Telefonie-Pipeline. So entfällt eine rechenintensive Transkodierung im latenzkritischen Pfad.

3. 3

   Text in sprechbaren Sinnabschnitten streamen

   Übergeben Sie vollständige Teilsätze direkt bei der Generierung durch das Sprachmodell. Das liefert ausreichend Kontext für natürliche Betonung, ohne auf den ganzen Absatz warten zu müssen.

4. 4

   Unterbrechungen im Kontext abbilden

   Fällt der Anrufer ins Wort, senden Sie den Interrupt-Befehl. Ersetzen Sie die geplante Agenten-Antwort im Kontextspeicher durch text_spoken und verwerfen Sie text_remaining vor dem nächsten LLM-Aufruf.

5. 5

   Messung am Hörer vornehmen

   Erfassen Sie Text-Ready-Zeit, erstes empfangenes Byte, ersten gepufferten Frame und die tatsächliche Wiedergabe. Optimieren Sie das P95-Perzentil statt isolierter Hersteller-Idealwerte.

Fazit: Deepgram führt diesen Vergleich an, da die API den realen Gesprächsverlauf bei Unterbrechungen intakt hält. Weichen Sie nur aus, wenn Multilingualität zwingend ist oder die reinen Zeichenkosten das Projektbudget limitieren.

2. Rime Mist v3: Der Maßstab für transparente Latenzmessung

Rime Mist v3 sichert sich den zweiten Platz durch die detaillierteste und praxisnächste Latenzdokumentation im gesamten Testfeld.

Laut der Latenzdokumentation von Rime erreicht Mist v3 bei einem einzelnen Request einen Time-to-First-Audio-Wert von 37 ms im P50 und 56 ms im P90. Bei 12 parallelen Anfragen bleiben diese Werte mit 37 ms und 56 ms stabil. Auf derselben Seite schneidet das Schwestermodell Coda mit 96 ms P50 und 98 ms P90 (ein Request) bzw. 150 ms und 181 ms (12 Requests) ab.

Diese Aufschlüsselung ist weitaus wertvoller als ein einzelner Bestwert, da sie das Verhalten unter Last und an den Verteilungsrändern offenlegt. Die End-to-End-Latenz des Anrufs ist das freilich noch nicht: Rime veranschlagt für typische Netzwerk-Roundtrips in den USA 25 bis 50 ms in der Zielregion und 60 bis 85 ms bei entfernteren Regionen. Medienserver, Puffer und das Telefonnetzwerk kommen obendrauf.

Mist ist auf Tempo getrimmt; Coda bietet mehr Sprachen und Metadaten. Mist unterstützt Englisch, Französisch, Deutsch und Spanisch mit 94 Stimmen. Coda deckt acht Produktionssprachen und 184 Stimmen ab. Beide streamen via HTTP und WebSocket, doch nur Coda liefert Wort-Zeitstempel. Wenn Ihre Anwendung präzise Wortgrenzen für das Audioschnitt-Tracking benötigt, wiegt das Fehlen dieser Daten bei Mist schwerer als der Latenzvorteil.

Ideal für: Entwickler, die verlässliche Perzentildaten verlangen und mit den vier Sprachen von Mist auskommen.
Besonderheit: Dokumentierte P50- und P90-TTFA-Werte bei 1 und 12 parallelen Requests.
Preise: Mist v3 kostet $0.03 pro 1,000 Zeichen; Coda liegt bei $0.05 pro 1,000 Zeichen.
Kostenlose Testphase: Ja, die Angaben zu den Freiminuten sind auf der Website jedoch widersprüchlich.

Die Rime-Tarife im Überblick

Der Tarif Starter berechnet $0.03 pro 1,000 Zeichen für Mist und $0.05 für Coda, erfordert keine Kreditkarte und erlaubt 20 parallele Streams. Enterprise bietet unbegrenzte Concurrency, unbegrenzte Voice-Clones, SLAs, dedizierten Support sowie Bereitstellung in Cloud, VPC oder On-Premises.

Die Website nennt im Starter-Bereich „etwa 800 Minuten kostenlos“, in den FAQ dagegen „3,000 Freiminuten“. Das Vorhandensein eines Testguthabens ist gesichert, der exakte Umfang sollte jedoch nach der Registrierung im Dashboard geprüft werden. Ein kleiner Widerspruch, der aber zeigt, wie wichtig ein genauer Faktencheck ist.

Fazit: Rime Mist ist der Tempospezialist. Er überholt Deepgram dann, wenn Ihre Anwendungslogik mit einfacheren Unterbrechungsdaten auskommt und lokale Netzwerktests den Perzentilvorteil bestätigen.

3. Inworld Realtime TTS-2 Flash: Beste globale Skalierung und Sprachabdeckung

Inworld Realtime TTS-2 Flash ist der wirtschaftliche Spitzenreiter für mehrsprachige Sprachassistenten bei regulären On-Demand-Preisen.

Die offizielle TTS-Seite von Inworld weist für Flash eine serverseitige P90-Latenz bis zum ersten Audiobyte von 20 ms aus (150 ms für das ausdrucksstärkere TTS-2). Diese Werte messen die reine Serververarbeitung ohne Netzwerk. Man kann sie daher nicht direkt mit Rimes Cloud-Gesamtwerten oder Humes typischer Ausgabezeit gleichsetzen. Fest steht jedoch: Inworld hat Flash konsequent für sofortiges WebSocket-Streaming optimiert; das Modell selbst bremst den Anruf nicht aus.

Der eigentliche Hebel ist die Sprachvielfalt: Inworld listet über 200 Sprachen und kann Stimmen anhand von 5 bis 15 Sekunden Audiomaterial sprachübergreifend klonen. Ideal für globale Support-Agents, die über alle Märkte hinweg eine einheitliche Markenstimme behalten sollen.

Gleichzeitig überzeugt das Preismodell: On-Demand Flash kostet $15 pro 1 Million Zeichen. Zum Vergleich: Rime Mist verlangt $30, Deepgram Flux regulär $45 und ElevenLabs Flash $50 pro Million Zeichen. Bei einem Monatsvolumen von 50 Millionen Zeichen bedeutet das $750 bei Inworld gegenüber bis zu $2,500 bei Mitbewerbern.

Die Kehrseite ist die Tarifstruktur: Inworld arbeitet mit Monatsguthaben, modellspezifischen Sätzen, sechs Stufen und variierenden Limits. Ein günstigerer Zeichensatz spart kein Geld, wenn das monatliche Mindestguthaben den tatsächlichen Bedarf übersteigt.

Ideal für: Skalierende, mehrsprachige Voice-Agents mit Fokus auf niedrige Zeichenkosten.
Besonderheit: Über 200 Sprachen, WebSocket-Streaming und $15 pro Million Zeichen im On-Demand-Tarif.
Preise: Kostenloser Start; Flash sinkt von $15/M Zeichen (On-Demand) auf unter $5/M (Enterprise).
Kostenlose Testphase: Ja. On-Demand enthält bis zu 70 Minuten TTS.

Die Inworld-Tarife im Überblick

Die aktuelle Inworld-Preisseite bündelt TTS, STT und Sprachmodelle in einem gemeinsamen Credit-System:

• On-Demand: Kostenloser Einstieg, bis zu 70 TTS-Minuten inklusive, Flash für $15 pro 1M Zeichen, TTS-2 für $25, 5 parallele Anfragen.
• Creator: $25 monatliches Guthaben, Flash für $10/M, TTS-2 für $20, 10 parallele Anfragen.
• Builder: $100 monatliches Guthaben, Flash für $9/M, TTS-2 für $17.50, 50 parallele Anfragen.
• Developer: $300 monatliches Guthaben, Flash für $8/M, TTS-2 für $15, 150 parallele Anfragen.
• Growth: $1,500 monatliches Guthaben, Flash für $7/M, TTS-2 für $12.50, 500 parallele Anfragen.
• Enterprise: Individuell, TTS-2 ab $5/M, Flash unter $5/M, maßgeschneiderte Concurrency.

Inworld kalkuliert mit ca. 1,000 Zeichen pro generierter Audiominute. Nutzen Sie diesen Richtwert für die Budgetplanung, passen Sie ihn im Betrieb aber an echte Transkripte an. Ein prägnanter Inkasso-Agent verbraucht pro Minute deutlich weniger Zeichen als ein ausführlicher Lernassistent.

Fazit: Inworld ist erste Wahl bei internationalen Projekten oder striktem Budgetfokus. Deepgram behält im Englischen die Nase vorn, wenn sauberes Barge-in den Aufpreis durch geringeren Entwicklungsaufwand rechtfertigt.

4. ElevenLabs Flash v2.5: Das reifste mehrsprachige Stimmen-Ökosystem

ElevenLabs Flash v2.5 ist die pragmatische Standardwahl, wenn Vielfalt bei Stimmen, Mehrsprachigkeit und eine erprobte API-Umgebung im Vordergrund stehen.

Die Modelldokumentation von ElevenLabs gibt für Flash v2.5 eine Latenz von rund 75 ms an (ohne Netzwerk- und Anwendungslaufzeit). Das Modell unterstützt 32 Sprachen und ein Limit von 40,000 Zeichen pro Anfrage. In der Praxis überzeugt ElevenLabs weniger durch isolierte Rekordwerte als durch das Zusammenspiel aus niedriger Latenz, breiter Sprachbasis, Voice-Management und unkompliziertem Pay-As-You-Go.

Der Fallstrick liegt in der Textnormalisierung: Um die Latenz niedrig zu halten, schaltet Flash die automatische Normalisierung von Zahlen standardmäßig ab. Telefonnummern, Datumsangaben oder Währungen werden dadurch mitunter unerwartet ausgesprochen. Enterprise-Kunden können das Feature für v2.5 aktivieren; alle anderen müssen Zahlenwerte im Prompt oder vor der TTS-Übergabe ausformulieren.

Das ist keine Randnotiz: Support-Agents sprechen laufend Bestellnummern, Termine, Beträge und Bestätigungscodes. Die beste Stimme nützt nichts, wenn ein Datum als Millionenwert vorgelesen wird. Diese Normalisierung gehört fest in Prompt-Design und Test-Pipelines.

ElevenLabs belegt Rang vier: Die Bewertung folgt den technischen Kriterien für Voice-Agents, nicht der Marktbekanntheit. Für etablierte mehrsprachige Voice-Workflows bleibt das Tool exzellent – muss sich aber geschlagen geben, wenn nativer Unterbrechungsstatus, offengelegte Perzentilmessungen oder minimale Zeichenpreise entscheiden.

Ideal für: Mehrsprachige Anwendungen, die ein umfassendes Stimmenangebot und einfache Beschaffung schätzen.
Besonderheit: Rund 75 ms Modelllatenz über 32 Sprachen hinweg.
Preise: Flash und Turbo kosten $0.05 pro 1,000 Zeichen.
Kostenlose Testphase: Ja. Der Free / Pay As You Go-Tarif enthält 20,000 Flash- oder Turbo-Zeichen.

Die aktuellen ElevenLabs-Tarife

Die API-Preisseite von ElevenLabs staffelt sich wie folgt:

• Free / Pay As You Go: $0 mit 20,000 Flash- oder Turbo-Zeichen.
• Starter: $6 pro Monat mit 120,000 Zeichen.
• Creator: $22 pro Monat (erster Monat $11) mit 440,000 Zeichen.
• Pro: $99 pro Monat mit 1,980,000 Zeichen.
• Scale: $299 pro Monat mit 5,980,000 Zeichen.
• Business: $990 pro Monat mit 19,800,000 Zeichen.
• Enterprise: Individuelle Angebote.

Der Flash-Preis bleibt über die Standardstufen bei $0.05 pro 1,000 Zeichen. Die Tarifauswahl richtet sich primär nach enthaltenen Zeichenkontingenten, Zusatzfeatures und Kontolimits.

Fazit: ElevenLabs ist ein solider Standard, aber kein automatischer Sieger. Wählen Sie das Tool, wenn Sprachauswahl und bewährte Workflows den Aufpreis aufwiegen – und planen Sie Textnormalisierung als festen Entwicklungsschritt ein.

5. Cartesia Sonic-3.6: Präzise Kontrolle über persistente WebSocket-Kontexte

Cartesia Sonic-3.6 empfiehlt sich für Teams, die granulare WebSocket-Kontextsteuerung, gezielten Abbruch und Wort- sowie Phonem-Events benötigen.

Cartesias offizielle Preistabelle führt inzwischen Sonic-3.6. Die zugehörige WebSocket-API arbeitet mit Kontext-IDs, unterstützt den gezielten Abbruch einzelner Kontexte und liefert detaillierte Wort- und Phonem-Zeitstempel. Das erleichtert das Puffer-Management, wenn Sätze gestreamt, alte Äußerungen verworfen oder Lippenbewegungen synchronisiert werden müssen.

Wichtig bezüglich der Latenz: Die geprüften Seiten zu Sonic-3.6 nannten keinen expliziten Time-to-First-Audio-Wert. Frühere Werte älterer Sonic-Versionen lassen sich nicht ungeprüft auf 3.6 übertragen. Cartesia platziert sich daher hinter Anbietern mit transparenten, aktuellen Latenzzusagen, obgleich das Protokolldesign technisch überzeugt.

Das Abrechnungsmodell basiert auf Credits bei jährlicher Zahlweise. Die ausgewiesenen Minuten sind Näherungswerte und sollten vor Vertragsschluss durch Tests mit echten Daten verifiziert werden.

Ideal für: Entwickler, die Kontext-IDs, gezielten Abbruch und detaillierte Zeitstempel über WebSockets verlangen.
Besonderheit: Zeitstempel auf Wort- und Phonemebene sowie nativer Kontext-Abbruch.
Preise: Kostenloser Einstieg mit ca. 27 Minuten; Bezahlmodelle ab $4 monatlich (bei jährlicher Abrechnung).
Kostenlose Testphase: Ja. Der Free-Tarif enthält 20,000 monatliche Credits (entspricht etwa 27 TTS-Minuten).

Die Cartesia-Tarife im Überblick

• Free: $0 pro Monat, ca. 27 TTS-Minuten, 2 parallele Anfragen.
• Pro: $4 pro Monat (jährliche Abrechnung), ca. 133 Minuten, 3 parallele Anfragen.
• Startup: $39 pro Monat (jährliche Abrechnung), ca. 1,667 Minuten, 5 parallele Anfragen.
• Scale: $239 pro Monat (jährliche Abrechnung), ca. 10,667 Minuten, 15 parallele Anfragen.
• Enterprise: Individuelle Credits, Agent-Nutzung, Mengenrabatte und Concurrency.

Preise und Modellbezeichnungen sind verlässlich dokumentiert. Bei den Latenzwerten sollten Sie Sonic-3.6 jedoch in einer eigenen Testumgebung gegen die Benchmark-Führer messen.

Fazit: Cartesia punktet durch ein starkes Streaming-Protokoll. Das Tool rückt dann weiter nach oben, wenn eigene P95-Messungen auf Ihrer Route die Performance bestätigen.

6. Hume Octave 2: Maximale Ausdrucksstärke und emotionale Nuancen

Hume Octave 2 ist der Spezialist für Voice-Agents, die feinfühlig, empathisch und emotional reagieren müssen, statt rein sachlich Fakten zu liefern.

Die Octave-Dokumentation von Hume führt Octave 2 derzeit als Preview. Die reine Modelllatenz liegt bei ca. 100 ms (ohne Netzwerk), während der Instant-Modus abhängig von Serverlast und Prompt-Komplexität rund 200 ms bis zum ersten Audio benötigt. Dieser zweite Wert spiegelt die Praxis vor dem anwendungsseitigen Audio-Overhead wider.

In der Preview werden Englisch, Japanisch, Koreanisch, Spanisch, Französisch, Portugiesisch, Italienisch, Deutsch, Russisch, Hindi und Arabisch unterstützt. Voice-Cloning gelingt bereits mit 15 Sekunden Referenzmaterial. Die API bietet HTTP-Streaming, bidirektionales WebSocket-Streaming und Non-Streaming.

Humes Daseinsberechtigung liegt in der emotionalen Intonation: Coaching-, Therapie- oder sensitive Kundendienst-Szenarien profitieren enorm, wenn Tempo, Betonung und Tonfall die Stimmung des Nutzers spiegeln. Für einfache Statusabfragen ist dieser emotionale Mehrwert selten nötig.

Ideal für: Coaching-, Begleit-, Gesundheits- und Charakter-Agents, bei denen Empathie das Nutzererlebnis prägt.
Besonderheit: Ausdrucksstarke Sprachsynthese mit rund 100 ms Modelllatenz in der Octave 2 Preview.
Preise: Kostenloser Einstieg für ca. 10 Minuten; reguläre Tarife von $3 bis $500 monatlich vor Enterprise.
Kostenlose Testphase: Ja. Der Free-Tarif enthält 10,000 Zeichen und 1 parallele Verbindung.

Die aktuellen Hume-Tarife

• Free: $0 pro Monat, 10,000 Zeichen (ca. 10 Minuten), 15 Anfragen/Minute, 1 parallele Verbindung.
• Starter: $3 pro Monat, 30,000 Zeichen (ca. 30 Minuten), 15 Anfragen/Minute, 5 Verbindungen.
• Creator: $14 pro Monat (erster Monat $7), 140,000 Zeichen (ca. 140 Minuten), $0.15 je weitere 1,000 Zeichen, 75 Anfragen/Minute, 5 Verbindungen.
• Pro: $70 pro Monat, 1 Million Zeichen (ca. 1,000 Minuten), $0.12 je weitere 1,000 Zeichen, 75 Anfragen/Minute, 10 Verbindungen.
• Scale: $200 pro Monat, 3.3 Millionen Zeichen (ca. 3,300 Minuten), $0.10 je weitere 1,000 Zeichen, 150 Anfragen/Minute, 20 Verbindungen.
• Business: $500 pro Monat, 10 Millionen Zeichen (ca. 10,000 Minuten), $0.05 je weitere 1,000 Zeichen, 225 Anfragen/Minute, 30 Verbindungen.
• Enterprise: Individuelle Nutzung, Rate-Limits und Concurrency.

Günstig beim Ausprobieren, können Überschreitungen im Creator-Tarif schnell ins Geld gehen. Erst im Business-Tarif ($500/Monat) sinkt der Preis für Zusatzkontingente auf $0.05 pro 1,000 Zeichen – das Niveau von ElevenLabs Flash, allerdings mit völlig anderem Stimmfokus.

Fazit: Hume gewinnt kein reines Temporennen. Setzen Sie es ein, wenn emotionale Tiefe messbar Kundenbindung und Vertrauen stärkt – und reine Low-Latency-Stimmen zu steril klingen.

7. Gradium: Einheitlicher Sprach-Stack für EU und USA

Gradium überzeugt, wenn TTS und STT aus einer Hand, automatisches regionales Routing und gebündelte Tarife wichtiger sind als isolierte TTFA-Rekorde.

Die API-Referenz von Gradium stellt REST- und WebSocket-Endpunkte bereit. Anfragen laufen über einen zentralen Hostnamen und werden automatisch dem nächstgelegenen EU- oder US-Cluster zugewiesen. Gradium verarbeitet EU-Daten direkt in Europa und US-Daten in den USA – ein klarer Vorteil für Architekturen mit strikten Datenschutz- und DSGVO-Vorgaben.

Das Abrechnungsmodell nutzt monatliche Credits statt reiner Zeichenpreise: Ein TTS-Zeichen entspricht einem Credit; rund 45,000 Zeichen entsprechen etwa einer Stunde Audiosynthese. Wer STT oder Übersetzung beim selben Anbieter nutzt, profitiert von Synergien. Für isolierte TTS-Workloads ist die Preistransparenz jedoch geringer.

Wichtig für Unternehmen: Der Free-Tarif (inklusive API-Zugang und ca. 1 Stunde TTS) schließt kommerzielle Nutzung explizit aus. Der Einstieg in die geschäftliche Nutzung beginnt beim Tarif XS für $13 pro Monat.

Ideal für: Produkte, die Synthese und Transkription regional gebündelt über einen Anbieter betreiben möchten.
Besonderheit: Zentraler Hostname mit automatischem Routing auf EU- und US-Cluster.
Preise: Kostenlos für nicht-kommerzielle Zwecke; kommerzielle Tarife starten bei $13 monatlich.
Kostenlose Testphase: Ja. Free bietet 45,000 Credits (ca. 1 Stunde TTS) und 2 gleichzeitige Verbindungen.

Die Gradium-Tarife im Überblick

• Free: $0 pro Monat, 45,000 Credits, ca. 1 Stunde TTS, 2 Verbindungen, API-Zugang, keine kommerzielle Nutzung.
• XS: $13 pro Monat, 225,000 Credits, ca. 5 Stunden TTS, 5 Verbindungen, kommerzielle Nutzung erlaubt.
• S: $43 pro Monat, 900,000 Credits, ca. 20 Stunden TTS, 5 Verbindungen, kommerzielle Nutzung erlaubt.
• M: $340 pro Monat, 9 Millionen Credits, ca. 200 Stunden TTS, 10 Verbindungen, kommerzielle Nutzung erlaubt.
• L: $1,615 pro Monat, 45 Millionen Credits, ca. 1,000 Stunden TTS, 15 Verbindungen, kommerzielle Nutzung erlaubt.
• Enterprise: Individuelle Kontingente, unbegrenzte Credits/TTS und maßgeschneiderte Concurrency.

Zusatzpakete à 100,000 Credits kosten $6.90 (XS), $5.00 (S), $4.00 (M) bzw. $3.80 (L). Die degressive Staffelung belohnt höhere Pakete, koppelt die Wirtschaftlichkeit aber an eine gleichmäßige Auslastung.

Fazit: Gradium vereinfacht den Stack. Das System lohnt sich, wenn lokale Datenverarbeitung und die Konsolidierung von Sprach-APIs mehr operativen Nutzen bringen als einzelne Millisekunden Latenzgewinn.

8. OpenAI GPT-4o Mini TTS: Die Lösung für bestehende OpenAI-Stacks

OpenAI GPT-4o Mini TTS bietet maximale Integrationsbequemlichkeit für Projekte, die bereits vollständig auf der OpenAI-Plattform aufsetzen.

Das Modell nimmt Text entgegen und liefert Audio über den offiziellen Speech-Endpunkt. Die API unterstützt Audio-Streaming oder Server-Sent Events, bringt 13 Standardstimmen plus Custom Voice-IDs mit und exportiert in MP3, Opus, AAC, FLAC, WAV und PCM. Die Wiedergabegeschwindigkeit lässt sich von 0.25 bis 4.0 skalieren.

Offizielle TTFA-Kennzahlen fehlen auf den Produktseiten. GPT-4o Mini TTS lässt sich daher nicht allein auf Basis der Dokumentation als Latenzsieger einstufen. Es verdient seinen Platz in dieser Liste, weil der Endpunkt streamingfähig ist und das Weiternutzen vorhandener Provider-, Schlüssel- und Observability-Pipelines handfeste Vorteile bietet.

Das Preismodell weicht vom Marktstandard ab: OpenAI berechnet $0.60 pro 1 Million Eingabe-Text-Token plus $12 pro 1 Million Ausgabe-Audio-Token. Um Kosten vorherzusagen, müssen Sie Tokens aus Testläufen hochrechnen statt Zeichenpreise zu multiplizieren. Die Dokumentation nennt ein Limit von 2,000 Input-Tokens pro Request.

Ideal für: Teams mit bestehender OpenAI-Infrastruktur, die Anbieterkonsolidierung über dokumentierte Latenzrekorde stellen.
Besonderheit: Flexible Ausgabeformate, SSE-Streaming, Stimm-Anweisungen und vertraute Abrechnung.
Preise: $0.60 pro Million Text-Input-Token plus $12 pro Million Audio-Output-Token.
Kostenlose Testphase: Nein. Die Free-Stufe wird für dieses Modell nicht unterstützt.

Die OpenAI-Nutzungsstufen (Usage Tiers)

Die offizielle Dokumentation zu GPT-4o Mini TTS kennt keinen Free-Zugriff. Die Limits staffeln sich nach Account-Tier:

• Tier 1: 500 Requests/Minute und 50,000 Token/Minute.
• Tier 2: 2,000 Requests/Minute und 150,000 Token/Minute.
• Tier 3: 5,000 Requests/Minute und 600,000 Token/Minute.
• Tier 4: 10,000 Requests/Minute und 2 Millionen Token/Minute.
• Tier 5: 10,000 Requests/Minute und 8 Millionen Token/Minute.

Dies sind Durchsatzgrenzen, keine Abos. Prüfen Sie in der Praxis, ob Token-Preise und Stack-Einfachheit den Verzicht auf spezialisierte Voice-Agent-Protokolle mit nativer Unterbrechungslogik rechtfertigen.

Fazit: OpenAI bleibt die logische Wahl zur Reduktion von Schnittstellen. Beanspruchen Sie den Latenzsieg aber erst, wenn Messungen auf Ihrer Live-Telefonie-Route dies belegen.

Was 50,000 generierte Audiominuten kosten

Für einen nachvollziehbaren Kostenvergleich nutzen wir ein Standard-Szenario zu regulären On-Demand-Preisen: Bei der üblichen Annahme von 1,000 Zeichen pro Minute (angelehnt an Inworlds Rechner) entsprechen 50,000 Minuten einem Volumen von 50 Millionen Zeichen. Dies ist ein Rechenszenario, kein garantierter Rechnungsbetrag.

Bei 50 Millionen Zeichen ergibt sich folgendes Bild:

• Inworld Flash On-Demand: $750 pro Monat ($15 pro Million Zeichen).
• Rime Mist v3: $1,500 pro Monat ($0.03 pro 1,000 Zeichen).
• Deepgram Flux Pay As You Go: $2,250 pro Monat (nach der Aktion bei $0.045 pro 1,000 Zeichen).
• ElevenLabs Flash: $2,500 pro Monat ($0.05 pro 1,000 Zeichen).

Diese Differenz ist jedoch kein automatischer Freibrief: Eine günstigere TTS-Lösung, die Rückfragen provoziert, Zahlen undeutlich vorliest oder hunderte Entwicklerstunden für eigene Barge-in-Logik verschlingt, wird schnell zum Verlustgeschäft. Umgekehrt ist das Bezahlen von Markenaufschlägen ohne messbaren Mehrwert reine Bequemlichkeit.

Das Szenario abstrahiert drei Faktoren: Erstens schwankt die Zeichenzahl pro Minute je nach Sprache, Sprechtempo und Pausen. Zweitens verändern Credit-Abos die effektiven Kosten. Drittens sind Enterprise-Konditionen Verhandlungssache. Analysieren Sie eine Woche echter Anruftranskripte in einem Zählskript, bevor Sie Jahresverträge zeichnen.

Welcher Anbieter für welches Szenario?

Wählen Sie Deepgram Flux TTS, wenn Englisch genügt und Anrufer den Agenten häufig unterbrechen. Die native Rückmeldung des gesprochenen Zustands schützt die Gesprächslogik wie kein anderes Tool.

Wählen Sie Rime Mist v3, wenn nachweisbare Perzentil-Bestwerte zählen, die vier Sprachen ausreichen und Sie ohne Wort-Zeitstempel auskommen. Platzieren Sie Ihre Medienserver nah an den Nutzern, da Netzwerklaufzeiten den Vorsprung sonst aufzehren.

Wählen Sie Inworld TTS-2 Flash, wenn der Agent global in vielen Sprachen agieren soll oder reine Zeichenkosten das Budget diktieren. Bei 50,000 Minuten bietet Inworld den größten finanziellen Spielraum.

Wählen Sie ElevenLabs Flash v2.5, wenn Sie ein bewährtes, breites Stimmenportfolio mit direktem Upgrade-Pfad suchen. Normalisieren Sie Zahlen, Codes, Datums- und Währungsangaben zwingend vor der Übergabe an die TTS-API.

Wählen Sie Cartesia Sonic-3.6, wenn gezielter Kontext-Abbruch und präzise Wort- bzw. Phonem-Zeitstempel das Fundament Ihrer Audio-Wiedergabe bilden. Messen Sie TTFA in Ihrer Zielumgebung selbst nach.

Wählen Sie Hume Octave 2, wenn Empathie und emotionale Betonung das Produktversprechen definieren. Akzeptieren Sie Preview-Status und höhere Latenzen nur dort, wo der Tonfall geschäftskritisch ist.

Wählen Sie Gradium, wenn eine konsolidierte Abrechnung für TTS und STT sowie automatische Datenverarbeitung in EU und USA operative Entlastung bringen. Nutzen Sie für Prototypen mindestens den XS-Tarif, da der Free-Plan keine geschäftliche Nutzung erlaubt.

Wählen Sie OpenAI GPT-4o Mini TTS, wenn die Reduktion auf einen zentralen KI-Provider Vorrang vor spezialisierten Latenz-Features hat. Messen Sie die Ende-zu-Ende-Latenz kritisch nach.

Eine Frage entscheidet fast jedes Kopf-an-Kopf-Rennen: Was passiert, wenn der Anrufer mitten in einer wichtigen Information dazwischenspricht? Wenn Ihr Client dann raten muss, was ankam, lösen Sie dieses Problem, bevor Sie über Stimmfarben diskutieren.

Ungeeignet für latenzkritische Voice-Agents

Pika Speech: Starker Gesamtdurchsatz, unpassender Transport für Live-Anrufe

Pika Speech ist eine beachtliche Lösung für Voiceover und Content-Erstellung – als Schnittstelle für latenzkritische Live-Voice-Agents kommt die API derzeit jedoch nicht infrage.

Das Release von Pika vom 18. August 2026 meldet einen Real-Time Factor von 0.02 in lokalen Tests mit 3-Minuten-Dateien. Eine Minute Sprache wird in rund 1.2 Sekunden berechnet. Das Modell liefert 48-kHz-Audio, benötigt nur 5 Sekunden Referenzton für Voice-Cloning und akzeptiert bis zu 5 Minuten Text pro Aufruf.

Das ist herausragender Batch-Durchsatz für fertige Dateien – sagt aber nichts darüber aus, wie schnell ein Anrufer die erste Silbe hört.

Die Pika Speech API-Dokumentation listet Echtzeit-Streaming-Synthese explizit unter „Not for“. Ein POST-Befehl reiht einen Job ein, den der Client via Polling abfragen muss, bis die Datei bereitsteht. Der Richtpreis von $0.01 pro generierter Minute (Stand 14. August 2026 in Pikas Benchmark-Tabelle) ist attraktiv für Massenvertonung, doch das asynchrone Protokoll schließt den Einsatz in interaktiven Live-Gesprächen aus.

Ideal für: Voiceover, Medienproduktion und schnelle Datei-Generierung.
Besonderheit: Rund 1.2 Sekunden Generierungszeit für eine Audiominute im internen Benchmark.
Preise: $0.01 pro generierter Minute laut Benchmark-Tabelle vom August.
Kostenlose Testphase: Auf den geprüften Seiten nicht ausgewiesen.

Fazit: Nutzen Sie Pika heute für asynchrone Audioproduktionen. Eine Neubewertung für Voice-Agents lohnt sich erst, wenn eine offizielle Streaming-Schnittstelle mit nachgewiesenen TTFA-Grenzwerten vorliegt.

Fallen Sie nicht auf „kostenlos und unbegrenzt“ herein

Zahlreiche Anbieter locken mit fairen Startguthaben. Kein einziger geprüfter Anbieter offeriert jedoch unbegrenzte, produktionsreife Low-Latency-TTS zum Nulltarif. Kostenlose Kontingente unterliegen Einschränkungen wie dem Verbot kommerzieller Nutzung, niedrigen Concurrency-Grenzen oder winzigen Zeichenvolumina.

Planen Sie die Budgetierung eines Bezahlmodells ein, bevor der erste Prototyp steht. Andernfalls wird der erste Produkterfolg unmittelbar zum Störfall.

Wählen Sie keine Qualitätsmodelle, wenn Latenz die harte Grenze ist

Fast alle Anbieter trennen heute zwischen schnellen Konversationsmodellen und ausdrucksstarken Langform-Modellen. Nehmen Sie Flash statt langsamerer ElevenLabs-Modelle, Mist statt Coda für reine TTFA-Geschwindigkeit und Inworld Flash statt TTS-2 für maximales Tempo bei niedrigen Kosten. Zahlen Sie keinen Latenzaufschlag für Klangnuancen, die über ein komprimiertes Telefonnetz ohnehin verloren gehen.

Der Praxis-Test am Montag

Führen Sie am kommenden Montag einen Praxistest mit fünf Szenarien durch: Testen Sie Deepgram Flux, Rime Mist, Inworld Flash und ElevenLabs Flash. Nutzen Sie für alle Kandidaten exakt dieselbe Sprachmodell-Ausgabe, dieselbe Region, denselben Telefonie-Anbieter, dieselbe Audiocodierung und identische Puffer.

Diese fünf Szenarien decken typische Schwachstellen auf:

1. Eine kurze Begrüßung zur Messung der reinen Startlatenz (TTFA).
2. Eine längere Auskunft, die mitten im Satz durch einen Einwand abgebrochen wird.
3. Ein Satz mit Namen, Datumsangabe im August, Geldbetrag, Telefonnummer und Transaktionscode.
4. Eine gestreamte LLM-Antwort mit stark schwankenden Token-Chunk-Größen.
5. Ein Lasttest mit parallelen Anfragen entsprechend Ihrer geplanten Spitzenlast.

Messen Sie: Zeit bis zur Textbereitstellung, erstes empfangenes Byte, erster gepufferter Frame, erster wiedergegebener Frame, P50- und P95-TTFA, die Korrektheit des Unterbrechungsverhaltens und den tatsächlich beim Nutzer angekommenen Text. Bewerten Sie Stimmklang und Ästhetik erst, wenn ein Modell die Latenz- und Barge-in-Kriterien fehlerfrei erfüllt.

Multiplizieren Sie anschließend Ihr reales Zeichenvolumen mit den Tarifkonditionen der jeweiligen Produktionsstufe. Die Entscheidung lautet nicht: „Welche Demo klingt am besten?“, sondern: „Welcher Anbieter liefert stabile, unterbrechbare Gespräche zu den verlässlichsten monatlichen Gesamtkosten?“

Sofern Deepgram Ihre Sprachanforderungen abdeckt, ist es dank des nativen Barge-in-Status die Standardwahl. Bei mehrsprachigen Anforderungen starten Sie mit Inworld und ElevenLabs. Ist reines erstes Audio der Flaschenhals, gehört Rime ins Finale. Ein Tag disziplinierte Messung bringt mehr Klarheit als wochenlanges Vergleichen von Werbeversprechen.

Häufig gestellte Fragen

Welche ist die beste Text-to-Speech-API?

Deepgram Flux TTS ist für englischsprachige Voice-Agents die stärkste Gesamtlösung, da es geringe Ausgabelatenzen mit nativem Barge-in-Status vereint. Inworld Flash punktet bei mehr als 200 Sprachen und minimalen Zeichenkosten, während Rime Mist der Benchmark-Sieger bei reiner Latenz ist.

Gibt es eine kostenlose Low-Latency-Text-to-Speech-API?

Ja. Deepgram bietet $200 Startguthaben und eine befristete Flux-Aktion bis zum 12. September 2026. Inworld On-Demand enthält bis zu 70 TTS-Minuten, ElevenLabs 20,000 Flash-Zeichen, Cartesia ca. 27 Minuten, Hume ca. 10 Minuten und Gradium etwa eine Stunde für nicht-kommerzielle Zwecke. Dies sind Testkontingente, keine unbegrenzten Produktivtarife.

Welche TTS-API ist am günstigsten?

Im 50-Millionen-Zeichen-Szenario ist Inworld Flash On-Demand mit $750 pro Monat die günstigste der vier zeichenbasierten Optionen. Enterprise-Rabatte, Mindestguthaben und das reale Zeichen-pro-Minute-Verhältnis können das Ranking verschieben – berechnen Sie den Bedarf stets anhand echter Transkripte.

Was ist das beste lokale TTS-Modell?

Ein selbst gehostetes Modell folgt einer völlig anderen Architekturlogik als eine Managed API. Deepgram Flux und Rime bieten private Bereitstellungsoptionen an, das Ergebnis hängt jedoch von Ihrer Hardware, Concurrency, Modell-Lizenzen und Server-Wartung ab. Messen Sie TTFA und Real-Time Factor auf der Ziel-Hardware.

Funktionieren Low-Latency-TTS-APIs auf Android?

Ja. Halten Sie den API-Schlüssel sicher auf Ihrem Backend, streamen Sie das generierte Audio an den Android-Client und messen Sie die finale Latenz direkt am Gerät. API-Keys in Apps bergen Sicherheitsrisiken, und mobile Pufferung oder Funknetze überlagern die Latenzen der Anbieter oft deutlich.

Holen Sie sich die KI-Tools-Übersicht für Unternehmer, um Ihren gesamten Agent-Stack fundiert zu planen – ohne Wochen in eigene Vorab-Recherchen zu investieren.