Cartesia vs ElevenLabs: Stimmen-Test für Telefon-Agents

Cartesia vs ElevenLabs für Telefon-Agents: So findest du die Stimme, die am echten Anruf besteht

Jede Stimmen-Demo klingt gut. Ein sauberer Studio-Satz, kein Hintergrundlärm, kein Anrufer, der nach zwei Wörtern dazwischenredet. Echte Telefonate sind anders: schmalbandiges Audio, ungeduldige Menschen, Namen, die buchstabiert werden müssen, und eine Rechnung, die mit jeder Minute wächst, in der der Agent spricht. Deshalb ist "Cartesia vs ElevenLabs" die falsche Frage, wenn du sie nach einer Landingpage beantwortest. Die richtige Frage lautet: Welche Stimme hält auf deinen Anrufen durch, bei deinem Volumen, zu einem Preis, den du planen kannst?

Dieser Guide gibt dir einen wiederholbaren Stimmen-Test für KI-Telefonassistenten. Du bekommst die veröffentlichten Listenpreise beider Anbieter, eine Kosten-pro-Minute-Rechnung zum Nachprüfen, einen Testplan mit 20 Anrufen, einen Bewertungsbogen und eine Entscheidungsregel. Wenn du zuerst den größeren Anbieterüberblick willst, lies unseren früheren Vergleich von Cartesia, ElevenLabs und Minimax.io. Dieser Artikel geht einen Schritt weiter: Er zeigt dir, wie du für deinen eigenen Fall entscheidest.

Was die Stimme im Telefonat tatsächlich tut

Das Text-to-Speech-Modell (TTS) ist der letzte Schritt der Kette. Der Anrufer spricht, Speech-to-Text macht daraus Text, das Sprachmodell entscheidet über die Antwort, und TTS macht daraus Audio. Die ganze Kette erklärt unser Guide zu TTS und STT bei Voice Agents Schritt für Schritt.

Bei einem Telefon-Agent beeinflusst die Stimme vier Dinge, die der Anrufer innerhalb von Sekunden bemerkt:

• Zeit bis zum ersten Audio. Wie lange der Anrufer nach seinem Satz in der Stille wartet. Mehr dazu in unserem Guide zur Latenz von Voice Agents.
• Klarheit auf der Telefonleitung. Telefon-Audio ist komprimiert. Eine Stimme, die im Kopfhörer satt klingt, kann am Handy dumpf wirken.
• Schwierige Inhalte. Telefonnummern, Straßennamen, E-Mail-Adressen, Produktcodes und Markennamen.
• Tonalität. Ruhig und freundlich für eine Zahnarztpraxis, flott für einen Lieferdienst, förmlich für eine Kanzlei.

Was die beiden Anbieter veröffentlichen

Beide Anbieter veröffentlichen Listenpreise. Wir haben beide Preisseiten am 1. November 2026 geprüft. Nimm sie als Startpunkt und prüfe die Seiten vor einem Vertrag noch einmal, denn Tarife ändern sich.

Zwei Dinge fallen auf. Erstens sind die Einheiten verschieden: Cartesia verkauft Credit-Pakete, ElevenLabs verkauft Zeichen. Die Schlagzeilenzahlen lassen sich nicht direkt vergleichen. Zweitens ist die einzige Geschwindigkeitsangabe eine Herstellerbehauptung für ein Modell. Eine Behauptung ist keine Messung auf deiner Telefonleitung. Darum ist der Test unten wichtig.

Kosten pro Minute Agent-Sprache, durchgerechnet

Um beide auf einer Skala zu vergleichen, rechnen wir auf Kosten pro Audiominute um. Cartesia gibt an, dass eine Audiominute etwa 750 bis 800 Credits braucht. Wir nehmen die Mitte von 775 Zeichen pro Minute für beide Anbieter. Das ist eine Annahme für den Vergleich, die Sprechgeschwindigkeit variiert je nach Stimme und Sprache.

Die Rechnung: Preis pro 1.000 Zeichen mal 0,775. Cartesia Scale kostet 299 USD für 8 Millionen Credits, das sind 0,0374 USD pro 1.000. Startup sind 49 USD für 1,25 Millionen, also 0,0392 USD pro 1.000. Pro sind 5 USD für 100.000, also 0,05 USD pro 1.000.

Das Diagramm zeigt, was die Zahlen sagen: Die schnellen Modelle liegen weniger als einen halben Cent auseinander. Die Premium-Modelle von ElevenLabs kosten etwa das Doppelte pro Minute. Bei kleinem Volumen ist das Rauschen. Im großen Maßstab ist es ein Posten, also rechnen wir ein Beispiel.

Nimm einen Service-Desk mit 1.000 Anrufen pro Monat und vier Minuten pro Anruf. Angenommen, der Agent spricht etwa die Hälfte der Zeit, dann sind das 2.000 Minuten Agent-Audio pro Monat. Mit den Sätzen oben sind das grob 58 USD bei Cartesia Scale, 62 USD bei ElevenLabs Flash und 124 USD bei den Premium-Modellen von ElevenLabs. Das sind nur die Stimmkosten. Sprachmodell, Spracherkennung und Telefonie sind eigene Kostenposten. Unsere Aufstellung zu den fünf Kostenposten hinter der Minute zeigt, wie sie sich summieren.

Der Stimmen-Test mit 20 Anrufen

Ein guter Test ist klein, fest und fair. Dieses Setup dauert etwa zwei Stunden.

Schritt 1: 20 kurze Skripte aus echten Anrufen schreiben

Nimm echte Transkripte aus deinem Posteingang oder Anrufprotokoll und wähle die Sätze, die dein Agent am häufigsten sagt. Decke fünf Gruppen mit je vier Skripten ab:

1. Begrüßung und Firmenname. Nimm deinen Markennamen genau so, wie er geschrieben wird.
2. Zahlen und Codes. Telefonnummern, Bestellnummern, Öffnungszeiten, Preise.
3. Namen und Orte. Straßennamen, Orte in deiner Region, in deiner Gegend häufige Nachnamen.
4. Empathie. Eine Verspätung, eine Beschwerde, eine Kündigung.
5. Abschluss und Übergabe. Einen Termin bestätigen, an einen Menschen weiterleiten.

Schritt 2: Gleicher Agent, nur die Stimme wechselt

Lass Prompt, Sprachmodell und Telefonnummer identisch. Nur die Stimme ändert sich. Sonst testest du den Prompt, nicht die Stimme. In Famulor wählst du die Stimme in der Stimmenbibliothek, die Stimmen mehrerer Anbieter listet, darunter Cartesia und ElevenLabs. Hör zuerst in die Vorschau, dann starte die Testanrufe auf einer echten Telefonleitung.

Schritt 3: Ruf an wie ein Kunde

Ruf mit dem Handy an, nicht mit einem Headset neben dem Laptop. Ruf einmal aus einem ruhigen Raum an und einmal von der Straße oder aus dem Auto. Unterbrich den Agenten mindestens fünfmal mitten im Satz. Bitte ihn, eine Nummer zu wiederholen. Buchstabiere einen Namen und lass ihn bestätigen.

Schritt 4: Jeden Anruf bewerten

Nimm für jede Stimme denselben Bogen und bewerte jeden Punkt von 1 (schlecht) bis 5 (sehr gut). Zwei Personen bewerten unabhängig, dann vergleicht ihr.

Die Gewichte sind ein Vorschlag. Wer viele Zahlen vorliest, gewichtet "Schwierige Inhalte" höher. Eine Premium-Marke gewichtet vielleicht "Passender Ton" höher.

Sprache und Akzente: Teste, was deine Anrufer sprechen

Sprechen deine Anrufer Deutsch, Niederländisch, Spanisch oder Französisch, führe den ganzen Test in dieser Sprache durch. Stimmen, die auf Englisch glänzen, können in anderen Sprachen steif klingen, und regionale Namen sind eine klassische Schwachstelle. Teste bei Deutsch besonders Komposita, Umlaute und die Anrede. Unser Benchmark zu Voice AI auf Deutsch und Englisch erklärt, warum derselbe Stack je nach Sprache anders reagiert.

Wenn dein Geschäft in mehreren Ländern läuft, teste ein Skript pro Sprache und führe die Bewertung getrennt pro Sprache. Die beste Stimme für Englisch ist nicht automatisch die beste für deine zweite Sprache.

Welcher Anbieter für welche Lage passt

Einen universellen Sieger gibt es nicht. Diese Faustregeln engen das Feld vor dem Test ein:

• Hohes Anrufvolumen, preisbewusst: Starte mit den schnellen Modellen. Der Kostenabstand zwischen Cartesia und ElevenLabs Flash ist klein, also entscheidet der Hörtest.
• Markenstimme oder geklonte Stimme: Nimm die Anbieter in die engere Wahl, die einen professionellen Klon anbieten, und vergleiche, wie gut der Klon auf der Telefonleitung hält. Die Stimmenbibliothek in Famulor unterstützt auch professionell geklonte Stimmen.
• Viele Sprachen: Mach zuerst den mehrsprachigen Test, denn er scheidet Kandidaten am schnellsten aus.
• Emotionale Gespräche: Inkasso, Beschwerden, Gesundheitsthemen. Hör auf Tempo und Pausen und erwäge ein Premium-Modell nur für diese Agents.

Du musst nicht überall dieselbe Stimme nutzen. Ein gängiges Muster ist eine schnelle, günstige Stimme für Routine-Anrufe und eine Premium-Stimme für die wenigen Abläufe, in denen der Ton das Produkt ist.

Nach dem Test: entscheiden und weiter messen

Addiere die gewichteten Punkte und wende eine einfache Regel an: Nimm die Stimme mit der höchsten Punktzahl, außer eine günstigere liegt höchstens 0,2 Punkte zurück. Dann nimm die günstigere. Geh danach mit einem kleinen Teil des Verkehrs live und miss, was im Betrieb zählt: Gesprächsabschluss, Übergabequote, Rückfragen der Anrufer ("Können Sie das bitte wiederholen?") und Kundenfeedback.

Die Stimmenwahl ist keine einmalige Entscheidung. Anbieter bringen neue Modelle, und dein Anrufmix ändert sich. Wiederhole den Test mit 20 Anrufen jedes Quartal oder wenn du eine neue Sprache ergänzt. Wenn du schon Prompt-Experimente fährst, zeigt unser Guide zu A/B-Tests für Voice AI Agents, wie du zwei Versionen im Live-Betrieb vergleichst.

Typische Fehler

• Nach der Demo entscheiden. Eine Demo ist der Bestfall. Deine Anrufe sind der Durchschnittsfall.
• Am Headset testen. Telefon-Audio ist komprimiert. Teste am Telefon.
• Zwei Dinge gleichzeitig ändern. Wenn du Stimme und Prompt zusammen wechselst, lernst du nichts.
• Den Markennamen ignorieren. Spricht der Agent deinen Firmennamen in der Begrüßung falsch aus, ist alles andere egal.
• Tarifpreise statt Kosten pro Minute vergleichen. Nimm für jede Option dieselbe Einheit.

Fazit

Cartesia und ElevenLabs sind beide starke Optionen für Telefon-Agents, und zu Listenpreisen kosten die schnellen Modelle pro Minute etwa gleich viel. Die Entscheidung hängt also davon ab, was deine Anrufer hören. Führe den Test mit 20 Anrufen durch, bewerte mit einem festen Bogen und lass deine eigenen Anrufe den Sieger wählen. Mit Famulor tauschst du die Stimme pro Agent und wiederholst den Test, sobald ein neues Modell erscheint. Wenn du KI-Telefonie weiterverkaufst, gilt dieselbe Flexibilität für deine Kunden über das White-Label-Setup.

Bereit zum Ausprobieren? Öffne die Stimmenbibliothek, wähle zwei Stimmen und starte heute deinen ersten Testanruf. Famulor startet ab 0,05 € pro Minute, alle Tarife findest du auf der Preisseite. Teams mit höherem Volumen schauen sich das KI-Callcenter an.

FAQ

Ist Cartesia oder ElevenLabs besser für KI-Telefon-Agents?

Keiner gewinnt in jedem Fall. Zu Listenpreisen kosten die schnellen Modelle bei beiden etwa 3 Cent pro Minute Agent-Sprache. Besser ist die Stimme, die auf deinen eigenen Anrufen bei Klarheit, Aussprache und Ton mehr Punkte holt.

Was kostet eine Minute KI-Stimme?

Für die Stimme allein etwa 0,03 USD bei Cartesia und ElevenLabs Flash und etwa 0,06 USD bei den Premium-Modellen von ElevenLabs, basierend auf Listenpreisen und 775 Zeichen pro Audiominute. Sprachmodell, Spracherkennung und Telefonie kommen dazu.

Wie groß ist der Latenzunterschied bei Cartesia und ElevenLabs?

ElevenLabs nennt etwa 75 ms für Flash. Cartesia zeigt auf der Preisseite keine Latenzzahl. Behandle beides als Herstellerangaben und miss die Zeit bis zum ersten Audio auf deiner eigenen Telefonleitung.

Wie viele Zeichen sind eine Minute Sprache?

Cartesia gibt an, dass eine Minute Audio etwa 750 bis 800 Zeichen verbraucht. Die genaue Zahl hängt von Stimme, Sprache und Sprechtempo ab.

Kann ich mehr als einen Stimmenanbieter nutzen?

Ja. In Famulor hat jeder Agent seine eigene Stimme. So nutzt du eine günstige Stimme für Routine-Anrufe und eine Premium-Stimme für sensible Abläufe.

Wie viele Testanrufe brauche ich?

Zwanzig kurze Skripte pro Stimme reichen, um klare Unterschiede zu sehen. Decke Begrüßung, Zahlen, Namen, Empathie und Übergabe ab und baue mindestens fünf Unterbrechungen ein.

Beeinflusst die Stimme die Gesprächsqualität oder nur die Kosten?

Beides. Die Stimme bestimmt, wie schnell der Anrufer eine Antwort hört, wie gut Zahlen und Namen verstanden werden und wie vertrauenswürdig der Agent klingt. Das wirkt auf Abschluss- und Übergabequoten.

Kann ich meine eigene Stimme klonen?

Ja. Die Famulor-Stimmenbibliothek unterstützt professionell geklonte Stimmen aus deinen Aufnahmen. Mach mit dem Klon denselben Test mit 20 Anrufen, bevor du live gehst.

Wie oft sollte ich meine Stimme neu testen?

Jedes Quartal, wenn ein Anbieter ein neues Modell bringt oder wenn du eine Sprache ergänzt. Ein schneller Durchlauf der 20 Skripte dauert etwa zwei Stunden.