Monatliches Ranking · Stand: September 2026

Top 5: KI-Sprachsynthese (Text-to-Speech)

Unsere Marktbeobachtungen im September 2026

ElevenLabs hat am 28. September 2026 Eleven v4 und die latenzarme Variante Eleven v4 Turbo als Nachfolger von Eleven v3 allgemein verfügbar gemacht. Die neue Generation nutzt eine veränderte Architektur, klont Stimmen aus rund 10 Sekunden Audio, deckt über 90 Sprachen einschließlich Deutsch ab und steuert Emotion über Inline-Tags; Request Stitching stützt Langtexte bis zu 10.000 Zeichen je Generierung. Eleven v4 Turbo erreicht nach Anbieterangabe rund 150 Millisekunden bis zur ersten Ausgabe. Die Spitzenposition des Rankings bleibt damit bei ElevenLabs.

Google hat am 22. September 2026 Gemini 3.8 Flash TTS und Gemini 3.8 Flash-Lite TTS über die Gemini API und Google AI Studio allgemein verfügbar gemacht; über die Cloud-Text-to-Speech-API sind die neuen Modelle nicht erhältlich. Sie decken über 100 Sprachen ab und erzeugen eigene Stimmen per Textbeschreibung oder aus 30 Sekunden Audio mit Einwilligungsprüfung; über Google AI Studio ist die Stimm-Replikation laut Google im EWR, in der Schweiz und im Vereinigten Königreich nicht verfügbar. Für Unternehmen gibt es sie seit dem 28. September 2026 als Vorschau.

Rangverlauf

April–September 2026

Rangverlauf der aktuellen Top-Tools über die letzten Monate ElevenLabs Text to Speech v4 aktuell Rang 1; Azure AI Speech aktuell Rang 2; Sonic 3.6 aktuell Rang 3; Gemini TTS aktuell Rang 4; TTS aktuell Rang 5. ElevenLabs Text to Speech v4 · April 2026 · Rang 1 – Rang 1 unverändert zur Vorausgabe; die Recherche im Berichtsmonat ergab keine Verschiebung an der Spitze. Die neue lokale Bereitstellung stärkt die Position, verändert die relative Ordnung aber nicht. ElevenLabs Text to Speech v4 · Mai 2026 · Rang 1 – Rang 1 unverändert zur Vorausgabe; im Berichtsmonat lag keine eigene datierte TTS-Modellmeldung vor, und die Recherche ergab keine Verschiebung an der Spitze der Kategorie. ElevenLabs Text to Speech v4 · Juni 2026 · Rang 1 – Rang 1 unverändert zur Vorausgabe; im Berichtsmonat lag keine eigene datierte TTS-Modellmeldung vor, und die Recherche ergab keine Verschiebung an der Spitze der Kategorie. ElevenLabs Text to Speech v4 · Juli 2026 · Rang 1 – Rang 1 unverändert zur Vorausgabe; im Berichtsmonat lag keine eigene datierte TTS-Modellmeldung vor (das im Mai 2026 vorgestellte Music v2 betrifft Musikgenerierung und fällt aus dem Kategorie-Scope), und trotz neuer Arena-Spitzenwerte Dritter ergab die Recherche keine Verschiebung an der Spitze der gewerteten Kriterien. ElevenLabs Text to Speech v4 · August 2026 · Rang 1 – Rang 1 unverändert zur Vorausgabe; die Gesamtabdeckung der gewerteten Kriterien Expressivität, Voice Cloning, Sprachbreite und Integration trägt die Spitzenposition weiterhin, auch gegenüber den neuen Arena-Spitzenwerten Dritter. ElevenLabs hat im Berichtsmonat Eleven v3 Conversational allgemein verfügbar gemacht; das erweitert die Echtzeit-Ausgabe, verschiebt die Ordnung der Kategorie aber nicht. ElevenLabs Text to Speech v4 · September 2026 · Rang 1 – Rang 1 unverändert zur Vorausgabe; mit Eleven v4 und Eleven v4 Turbo, am 28. September 2026 allgemein verfügbar, verstärkt ElevenLabs die Position an der Spitze des Rankings, ohne die Ordnung der Kategorie zu verschieben. E 1ElevenLabs Text to…v4 Azure AI Speech · April 2026 · Rang 2 – Rang 2 unverändert zur Vorausgabe; zu Azure AI Speech selbst lag im Berichtsmonat keine eigene datierte Meldung vor, daher neutrale Fortschreibung der Position. Das neue MAI-Voice-1 ist ein separates Produkt und wird nicht hier verrechnet. Azure AI Speech · Mai 2026 · Rang 2 – Rang 2 unverändert zur Vorausgabe; zu Azure AI Speech selbst lag im Berichtsmonat keine eigene datierte Meldung vor, daher neutrale Fortschreibung der Position. Azure AI Speech · Juni 2026 · Rang 2 – Rang 2 unverändert zur Vorausgabe; zu Azure AI Speech selbst lag im Berichtsmonat keine eigene datierte Meldung vor, daher neutrale Fortschreibung der Position. Azure AI Speech · Juli 2026 · Rang 2 – Rang 2 unverändert zur Vorausgabe; zu Azure AI Speech selbst lag im Berichtsmonat keine eigene datierte Meldung vor, daher neutrale Fortschreibung der Position. Azure AI Speech · August 2026 · Rang 2 – Rang 2 unverändert zur Vorausgabe; zu Azure AI Speech selbst lag im Berichtsmonat keine eigene datierte Produktmeldung vor, daher neutrale Fortschreibung der Position. Azure AI Speech · September 2026 · Rang 2 – Rang 2 unverändert zur Vorausgabe; Sprach- und Stimmenumfang, SSML-Steuerung und die Datenverarbeitung in EU-Regionen tragen die Position weiterhin. A 2Azure AI SpeechNeural HD 2.5 / Custom… Sonic 3.6 · Mai 2026 · Rang 5 – Neueinstieg auf Rang 5; das im Mai veröffentlichte Sonic-3.5 belegt laut Artificial-Analysis-Bestenliste eine Spitzenplatzierung bei Sprachqualität und Latenz und verdrängt Hume Octave aus dem Ranking. Sonic 3.6 · Juni 2026 · Rang 5 – Rang 5 unverändert zur Vorausgabe; im Berichtsmonat erreichte Sonic-3.5 die generelle Verfügbarkeit, ohne dass sich die relative Ordnung der Kategorie verschob. Sonic 3.6 · Juli 2026 · Rang 5 – Rang 5 unverändert zur Vorausgabe; im Berichtsmonat lag keine eigene datierte Modellmeldung vor, und die relative Ordnung der Kategorie verschob sich nicht. Sonic 3.6 · August 2026 · Rang 3 – Aufstieg von Rang 5 auf Rang 3: Mit dem am 27. August 2026 allgemein verfügbaren Sonic-3.6 belegt Cartesia laut Artificial Analysis in beiden Speech-Arenas den ersten Platz bei der Sprachqualität und zieht an Google Cloud Text-to-Speech und Inworld vorbei. Sonic 3.6 · September 2026 · Rang 3 – Rang 3 unverändert zur Vorausgabe; Sonic-3.6 ist seit dem 27. August 2026 allgemein verfügbar und hält die Position über die sehr niedrige Latenz. S 3Sonic3.6 Gemini TTS · September 2026 · Rang 4 – Neueinstieg auf Rang 4: Gemini 3.8 Flash TTS ist seit dem 22. September 2026 über die Gemini API und Google AI Studio allgemein verfügbar und übernimmt den Platz von Google Cloud Text-to-Speech, dessen allgemein verfügbare Modelle es bei Sprachqualität, Sprachumfang und Voice Design übertrifft; das höher gereihte Cartesia Sonic-3.6 überholt es an den gewerteten Kriterien nicht. G 4Gemini TTS3.8 Flash TTS TTS · April 2026 · Rang 5 – Rang 5 unverändert zur Vorausgabe; im Berichtsmonat lag keine eigene datierte Meldung vor, die nachfolgende Modellgeneration erschien erst nach dem Berichtsmonat, daher neutrale Fortschreibung der Position. TTS · Mai 2026 · Rang 4 – Aufstieg von Rang 5 auf Rang 4; das im Mai veröffentlichte Realtime TTS-2 erweitert Sprachumfang, Voice Cloning und Steuerbarkeit deutlich und schiebt das Produkt vor den bisherigen Rang-4-Platz. TTS · Juni 2026 · Rang 4 – Rang 4 unverändert zur Vorausgabe; nach dem Mai-Release von Realtime TTS-2 lag im Berichtsmonat keine weitere datierte Produktmeldung vor, daher neutrale Fortschreibung der Position. TTS · Juli 2026 · Rang 4 – Rang 4 unverändert zur Vorausgabe; nach dem Mai-Release von Realtime TTS-2 lag im Berichtsmonat keine weitere datierte Produktmeldung vor, daher neutrale Fortschreibung der Position. TTS · August 2026 · Rang 5 – Verschiebung von Rang 4 auf Rang 5: Der Rückgang folgt allein aus dem Aufstieg von Cartesia Sonic-3.6, nicht aus einer Verschlechterung. Inworld hat Realtime TTS-2 am 31. August 2026 allgemein verfügbar gemacht; die bisherige Einstufung als Research Preview gilt damit nicht mehr. TTS · September 2026 · Rang 5 – Rang 5 unverändert zur Vorausgabe; Realtime TTS-2 ist seit dem 31. August 2026 allgemein verfügbar, und seit dem 11. September 2026 bedient Inworld zusätzlich einen OpenAI-kompatiblen Sprach-Endpunkt, über den Anwendungen auf Basis der OpenAI-Sprachausgabe mit den offiziellen OpenAI-SDKs zu Inworld wechseln können. T 5TTSRealtime TTS-2
Watchlist
  • MicrosoftMAI-Voice-2
  • AlibabaQwen-Audio-3.0-TTS
  • AlibabaQwen3-TTS
Rangverlauf je Tool über die letzten Monate
ToolApril 2026Mai 2026Juni 2026Juli 2026August 2026September 2026
ElevenLabs Text to Speech v4111111
Azure AI Speech222222
Sonic 3.6–55533
Gemini TTS–––––4
TTS544455

Aktuelles Ranking

  1. ElevenLabs Text to Speech v4 Neu

    ElevenLabs Tendenz: unverändert

    • Eleven v4 interpretiert Ton, Tempo, Emotion und Kontext und steuert die Ausgabe über Inline-Tags wie [laughs] sowie erweiterte IPA-Phonem-Unterstützung; das deckt die Expressivität umfassend ab.
    • Über 90 Sprachen einschließlich Deutsch, Instant Voice Cloning aus rund 10 Sekunden Audio sowie Professional Voice Cloning erfüllen Sprachbreite und Anpassbarkeit.
    • Request Stitching für Langtexte bis zu 10.000 Zeichen je Generierung und die latenzarme Variante Eleven v4 Turbo (nach Anbieterangabe im Median rund 100 Millisekunden Inferenzlatenz und rund 150 Millisekunden bis zur ersten Sprachausgabe) stützen Batch- und Echtzeit-Einsatz.
    Zum Anbieter

  2. Azure AI Speech

    Microsoft Tendenz: unverändert

    • Sehr großer Sprach- und Stimmenumfang mit über 100 Sprachen und Varianten sowie mehreren deutschen Neural-Stimmen.
    • Neural-HD-Stimmen steuern paralinguistische Elemente und Sprechstile; die SSML-Steuerung steht für die Standard-Neural-Stimmen vollständig zur Verfügung, HD-Stimmen unterstützen nicht alle SSML-Elemente. Custom Neural Voice erlaubt nach Antrag unternehmenseigene Marken-Stimmen.
    • Regionale Azure-Datenverarbeitung, auch in EU-Regionen, stützt Datenschutz-Anforderungen; dieser Umfang und die Datenresidenz tragen den Rang vor Cartesia.
    Zum Anbieter

  3. Sonic 3.6

    Cartesia Tendenz: unverändert

    • Sonic-3.6 antwortet nach Anbieterangabe mit einer Zeit bis zum ersten Audioabschnitt unter 90 Millisekunden und eignet sich damit für Echtzeit- und Dialoganwendungen.
    • Native Unterstützung von 44 Sprachen über 61 Locales einschließlich Deutsch mit Anpassung von Tempo, Lautstärke und Aussprache über die Cartesia-API.
    • Instant Voice Cloning aus rund zehn Sekunden Referenzaudio; die niedrige Latenz trägt den Rang vor Googles Gemini TTS.
    Zum Anbieter

  4. Gemini TTS Neu

    Google Tendenz: Neueinstieg

    • Gemini 3.8 Flash TTS ist seit dem 22. September 2026 über die Gemini API und Google AI Studio allgemein verfügbar und steuert Stil, Tempo und Emotion Zeile für Zeile über Regieanweisungen und Inline-Tags für Lachen, Seufzen oder kurze Zwischenrufe.
    • Unterstützt Deutsch innerhalb von über 100 Sprachen, Dialogszenen mit zwei Sprechern und Langform-Ausgabe mit geringem Sprecher-Drift; Voice Design erzeugt eigene Stimmen per Textbeschreibung.
    • Stimm-Replikation aus 30 Sekunden Audio mit Einwilligungsprüfung und SynthID-Wasserzeichen; über Google AI Studio ist sie laut Google im EWR, in der Schweiz und im Vereinigten Königreich nicht verfügbar.
    • Für Unternehmen steht das Modell seit dem 28. September 2026 auf der Gemini Enterprise Agent Platform nur als Vorschau am globalen Endpunkt bereit, eine EU-Region fehlt; über die Cloud-Text-to-Speech-API ist es nicht erhältlich.
    Zum Anbieter

  5. TTS

    Inworld AI Tendenz: unverändert

    • Realtime TTS-2 steuert die Ausgabe über acht Dimensionen wie Emotion, Betonung, Lautstärke, Tonhöhe und Sprechtempo.
    • Breiter Sprachumfang einschließlich Deutsch sowie Cross-Lingual Voice Cloning über eine erhaltene Stimmidentität hinweg.
    • Sehr niedrige Latenz nach Anbieterangabe: unter 100 Millisekunden bis zum ersten Byte bei Realtime TTS-2 und rund 25 Millisekunden in der Flash-Variante, jeweils im 99. Perzentil serverseitig gemessen; geeignet für Echtzeit-Anwendungen.
    Zum Anbieter

Methodik & Transparenz

Diese Rankings dienen der Marktorientierung. Sie sind ein redaktioneller, kostenloser Überblick auf Basis öffentlich verfügbarer Quellen, keine abschließende oder absolute Bewertung. Jede Ausgabe ist eine Momentaufnahme; der Markt verändert sich schnell, und die Auswahl erhebt keinen Anspruch auf Vollständigkeit. Bewertet wird ausschließlich anhand der je Kategorie veröffentlichten Kriterien; ein eigener Labortest findet nicht statt. Die vergleichende Einordnung ist unsere redaktionelle Meinung, keine Tatsachenbehauptung über die Eignung einzelner Produkte, und sie wertet keinen Anbieter pauschal ab. Sie ersetzt keine eigene Prüfung. Stand: 01.10.2026.

Bei Recherche und Zusammenfassung kommen KI-Technologien zum Einsatz. Auswahl, Einordnung und Veröffentlichung werden von einer Person geprüft, freigegeben und redaktionell verantwortet. Genannte Produkt-, Marken- und Unternehmensnamen sind Eigentum der jeweiligen Inhaber; ihre Nennung dient allein der Information und Identifikation und bedeutet weder eine Empfehlung noch eine geschäftliche Verbindung zu diesen Anbietern. FORGEINITY hostet oder vervielfältigt keine fremden Inhalte, sondern verweist auf die Originalquellen.

Soweit wir auf externe Seiten verlinken, sind für deren Inhalte ausschließlich die jeweiligen Betreiber verantwortlich. Wir machen uns verlinkte Inhalte nicht zu eigen und übernehmen für sie keine Haftung; zum Zeitpunkt der Verlinkung waren keine Rechtsverstöße erkennbar, und bei Kenntnis einer Rechtsverletzung entfernen wir den betreffenden Link unverzüglich. Unabhängigkeit: Kein Anbieter hat für Platzierung oder Bewertung bezahlt; es bestehen keine Provisions-, Affiliate- oder Werbevereinbarungen. FORGEINITY arbeitet technologie-offen und bewertet ausschließlich anhand der veröffentlichten Kriterien. Alle Angaben erfolgen ohne Gewähr; eine Haftung für Richtigkeit, Vollständigkeit oder für Entscheidungen, die auf Grundlage dieser Rankings getroffen werden, ist ausgeschlossen.

Rechteinhaber, Betroffene und Dritte können eine Korrektur oder Entfernung einzelner Angaben unter legal@forgeinity.com anfragen oder einen rechtswidrigen verlinkten Inhalt melden. Wir prüfen berechtigte Hinweise und reagieren zeitnah.

Bewertet wird anhand dieser Kriterien:

  1. Sprachqualität und Natürlichkeit (wie natürlich, verständlich und frei von Artefakten die erzeugte Stimme klingt, einschließlich Prosodie, also Betonung und Sprechrhythmus)
  2. Emotionen und Expressivität (wie gut sich Stimmungen, Sprechstile und Stil-Profile wie konversational oder präsentierend steuern lassen)
  3. Sprach- und Stimmenumfang (Anzahl und Qualität der unterstützten Sprachen, insbesondere Deutsch, sowie Vielfalt der verfügbaren Stimmen)
  4. Voice Cloning und Anpassbarkeit (Erstellung eigener Stimmen sowie Feinsteuerung über SSML oder Inline-Anweisungen für Pausen, Betonung und Sprechtempo)
  5. Latenz und Streaming (Reaktionszeit bei Echtzeit-Anwendungen und Verfügbarkeit von Streaming-Schnittstellen)
  6. Robustheit bei Fachinhalten (zuverlässige Aussprache von Fachbegriffen, Eigennamen, Zahlen und Abkürzungen, gestützt auf Kontextverständnis)
  7. Integration und Betrieb (Qualität von API und Dokumentation, Skalierbarkeit sowie Compliance-Eigenschaften für den Unternehmenseinsatz, etwa Datenschutz und Ort der Datenverarbeitung)