Deutsche Stimmen im Vergleich

Stand: 1. November 2026

Für deutsche Texte stehen auf Textinsprache.de fünf Arten von Stimmen zur Wahl: Neural- und Standard-Stimmen von Amazon Polly, Neural-Stimmen von Microsoft Azure, HD-Stimmen von Google und Microsoft sowie KI-Stimmen von OpenAI. Sie unterscheiden sich im Sprechtempo, im Tageslimit, in der Zahl erlaubter Pausen und darin, ob sich ein Sprechstil wählen lässt.

Für Ansagen und lange Vorlesetexte sind die Stimmen von Amazon Polly und Microsoft Azure (Neural) wegen des Limits von 20.000 Zeichen am Tag die praktische Wahl. Für kurze Erklärvideos kommen zusätzlich die 32 HD-Stimmen in Frage. Für Werbung sind die 13 KI-Stimmen mit Sprechstil gedacht. Lerntexte mit vielen Pausen gelingen ebenfalls mit Polly und Azure; die Azure-Stimmen sprechen in unserer Messung mit rund 91 Wörtern pro Minute am ruhigsten. HD- und KI-Stimmen teilen sich ein Tageslimit von 1.500 Zeichen und erlauben höchstens 10 Pausen je Umwandlung.

Die fünf Arten in Stichworten

Die einzelnen Stimmen mit Hörproben stellt die Seite Deutsche Stimmen vor. Für den Vergleich reichen die Eigenschaften, in denen sich die Arten unterscheiden:

Tempo in fünf Stufen und Pausen-Marken wie [Pause 1s] funktionieren bei allen fünf Arten. Je Umwandlung sind bis zu 3.000 Zeichen möglich. Die Tempowerte stammen aus unseren Hörproben bei Tempo 100 %; Einzelwerte je Stimme und die Messmethode stehen unter Sprechtempo und Dateigrößen: unsere Messwerte.

Telefonansage und Warteschleife

Ansagen sind kurz, werden aber oft mehrmals überarbeitet, bis Öffnungszeiten und Formulierungen sitzen. Dafür eignen sich die Stimmen von Amazon Polly und Microsoft Azure (Neural): Das Tageslimit von 20.000 Zeichen lässt viele Umwandlungen zu, und mit Hannah, Ingrid oder Jonas beziehungsweise Sabrina, Leni oder Jan klingt die Ansage für Anrufer in Österreich oder der Schweiz vertraut, auf Wunsch auch mit männlicher Stimme. Das ruhige Tempo der Azure-Stimmen kommt Ansagen mit Uhrzeiten und Telefonnummern entgegen. Die Standard-Stimmen Marlene und Hans sind eine Option, wenn ein sachlicher, gleichbleibender Klang gewünscht ist.

Eine HD- oder KI-Stimme kann eine Begrüßung freundlicher wirken lassen. Weil die Telefonleitung den Klang stark beschneidet, fällt der Unterschied am Hörer aber kleiner aus als am Lautsprecher. Tipps zu Text und Format stehen im Ratgeber Telefonansage und Warteschleife.

Erklärvideo und Präsentation

Ein Erklärvideo besteht meist aus vielen kurzen Abschnitten, einem je Szene oder Folie. Für Deutsch gibt es 32 HD-Stimmen; die Google-Stimmen sprechen im Median 120 Wörter pro Minute, die beiden Microsoft-Stimmen 130. Die Auswahl hilft, wenn die Stimme nicht nach der üblichen Vorlesestimme klingen soll. Die KI-Stimmen mit dem Sprechstil „Nachrichten“ wirken sachlich. HD- und KI-Stimmen liefern verlustfreie Quellen; im Videoschnitt laden Sie sie als WAV herunter.

Die Grenze ist das gemeinsame Tageslimit von 1.500 Zeichen. Ein fünfminütiger Sprechertext umfasst bei den gemessenen Tempi der HD- und KI-Stimmen rund 3.800 bis 5.100 Zeichen und passt damit nicht in einen Tag. Zwei Wege bieten sich an: den Hauptteil mit einer Stimme von Amazon Polly oder Microsoft Azure (Neural) erzeugen (die Azure-Stimmen sind ebenfalls verlustfrei) und nur Einleitung und Schluss mit einer HD- oder KI-Stimme, oder die Arbeit auf mehrere Tage verteilen. Mehr dazu im Ratgeber Sprechertext für Videos und Präsentationen.

Vorlesen und längere Texte

Bei Artikeln, Kapiteln oder Unterlagen zum Anhören entscheidet vor allem die Menge. Mit 20.000 Zeichen am Tag reichen die Stimmen von Amazon Polly und Microsoft Azure (Neural) für sechs volle Umwandlungen von je 3.000 Zeichen; mit HD- und KI-Stimmen ist nach etwa einer halben Seite Schluss. Für längeres Zuhören sind Vicki und Daniel oder eine der Azure-Stimmen wie Katja oder Conrad deshalb die naheliegende Wahl. Eine leere Zeile zwischen Absätzen erzeugt bei Polly-Stimmen eine deutliche Absatzpause.

Für eine kurze Geschichte eignet sich der KI-Sprechstil „Ruhig (Vorlesen)“. Er setzt von sich aus mehr Atempausen. Bleiben Sie innerhalb eines Textes bei einer Stimme, damit die Übergänge zwischen den Dateien nicht auffallen.

Lernen und Unterricht

Lerntexte brauchen langsames Tempo, klare Aussprache und Pausen zum Mitlesen oder Nachsprechen. Silbenübungen und Vokabellisten benötigen oft mehr als zehn Pausen. Das geht nur mit den Stimmen von Amazon Polly und Microsoft Azure (Neural), die bis zu 30 Pausen je Umwandlung erlauben, zusammen mit den Tempostufen 90 % und 75 %.

Für kurze Hörtexte gibt es den KI-Sprechstil „Langsam & deutlich“, der sorgfältiger artikuliert als ein bloß verlangsamtes Tempo. Wer Deutsch als Fremdsprache unterrichtet, kann mit Hannah, Ingrid und Jonas sowie Sabrina, Leni und Jan zeigen, wie Standarddeutsch in Österreich und der Schweiz klingt. Mehr in den Ratgebern Lesen lernen in der Schule und Aussprache üben beim Sprachenlernen.

Werbung, Vorspann und soziale Medien

Ein Werbefilm oder der Vorspann eines Kanals hat selten mehr als ein paar hundert Zeichen, das kleinere Limit stört also kaum. Die KI-Stimmen mit dem Sprechstil „Lebhaft (Werbung)“ oder „Freundlich“ sind für solche Texte gedacht. Probieren Sie denselben Satz mit zwei oder drei Stimmen aus. Dieselbe Eingabe kann bei zwei Umwandlungen etwas unterschiedlich klingen.

Wenn Sie eine Aufnahme mit KI-Stimme veröffentlichen, weisen Sie Ihr Publikum darauf hin, dass die Stimme künstlich ist. Für Markenauftritte mit hohem Anspruch bleibt ein professioneller Sprecher die Alternative, wie der Vergleich der Möglichkeiten zeigt.

Entscheidungstabelle

Wandeln Sie einen typischen Absatz Ihres Textes mit zwei oder drei Stimmen um und vergleichen Sie das Ergebnis.

Stimmen im Werkzeug vergleichen