Cartesia vs. ElevenLabs für Voice-Agents
Beide sind sehr gut, und sie sind in unterschiedlichen Dingen gut. Cartesia ist unsere voreingestellte Text-to-Speech-Engine; ElevenLabs-Stimmen sind in der Voice Library enthalten. So sieht die Wahl tatsächlich aus, wenn die Anrufe echt sind – geschrieben von Leuten, die beide betreiben, nicht von Leuten, die beide Changelogs lesen.
Der Kompromiss
Der Kompromiss, klar benannt
ElevenLabs hat seinen Ruf mit Stimmrealismus und einer sehr großen mehrsprachigen Stimmbibliothek aufgebaut, und dieser Ruf ist verdient – für Narration, Content und überall dort, wo ein Mensch einer langen, ununterbrochenen Passage zuhört, ist es herausragend.
Cartesia ist um Streaming für Echtzeit-Konversation herum gebaut, was ein anderes Optimierungsziel ist. Ein Telefonat will nicht die bestmögliche Wiedergabe eines Absatzes; es will, dass die erste Silbe ankommt, bevor die Stille unangenehm wird, und dass die Synthese sofort stoppt, wenn der Anrufer unterbricht.
Darum ist Cartesia unsere Voreinstellung und darum ist die Antwort nicht allgemeingültig. Die richtige Frage ist nicht, welche Engine besser ist, sondern welchen Fehler Sie lieber hätten: eine etwas weniger bemerkenswerte Stimme oder eine etwas längere Pause.
Latenz
Worauf es bei einem Telefonat ankommt
Drei Dinge, ungefähr in dieser Reihenfolge, und nur eines davon ist das, wonach Demos beurteilt werden.
Zeit bis zum ersten Audio-Byte. Nicht die gesamte Synthesezeit. Der Anrufer hört den Anfang des Satzes, während das Ende noch erzeugt wird – die relevante Zahl ist also, wann die Audioausgabe beginnt. Fragen Sie sie unter Streaming-Bedingungen und mit Ihrem eigenen Text ab.
Verhalten bei Unterbrechungen. Wenn jemand dem Agenten ins Wort fällt, muss die Synthese stoppen – richtig, nicht erst nach dem aktuellen Chunk. Ein Agent, der noch anderthalb Sekunden weiterredet, wirkt schlechter als einer mit etwas stumpferer Stimme. Barge-in ist eine Anforderung, kein Feature.
Wie es mit Ihrem Vokabular umgeht. Jedes Unternehmen hat Wörter, an denen TTS scheitert – Nachnamen, Medikamentennamen, SKUs, Straßennamen, Ihr eigenes Produkt. Beide Engines lassen sich korrigieren; testen Sie sie an Ihren tatsächlichen Begriffen statt an einem Absatz generischer Prosa, denn der Fehler wird spezifisch für Sie sein.
Sprachqualität
Wo der Telefonanruf beides einschränkt
Wissenswert, bevor Sie sich lange mit der Wahl quälen: Das Telefonnetz rechnet Audio auf 8 kHz herunter. Vieles von dem, was zwei Premium-Engines beim direkten Vergleich über gute Kopfhörer unterscheidet, ist schlicht nicht mehr vorhanden, wenn es beim Telefon des Anrufers ankommt.
So verschwenden Teams am häufigsten zwei Wochen. Die Unterschiede sind im Studio real und auf der Telefonleitung komprimiert, während Latenz und Interruption Handling gar nicht komprimiert werden – sie sind bei 8 kHz genauso hörbar. Investieren Sie die zwei Wochen stattdessen in den Latenzbudget ; dort sind die Gewinne größer und sie überleben den Codec.
Die Auswahl
Häufige Fragen
- Welches ist schneller?
- Wir haben keinen kontrollierten Benchmark zwischen beiden veröffentlicht und zitieren keinen, den wir nicht selbst durchgeführt haben. Was wir sagen können, ist architektonisch: Die Zeit bis zum ersten Audio-Byte zählt bei einem Telefonat weit mehr als die gesamte Synthesedauer, weil der Anrufer den Satzanfang bereits hört, während der Rest noch erzeugt wird. Fragen Sie jeden Anbieter nach der Time-to-First-Byte im Streaming, nicht nach Zeichen pro Sekunde, und testen Sie es mit Ihrem eigenen Text — Zahlen auf Marketingseiten sind selten so gemessen, wie ein Telefonat tatsächlich funktioniert.
- Können wir beide nutzen?
- Ja, und es gibt einen sinnvollen Grund dafür. Die TTS-Wahl erfolgt pro Agent, nicht pro Konto — eine Outbound-Kampagne mit hohem Volumen und eine Aushängeschild-Inbound-Leitung müssen also nicht denselben Kompromiss eingehen. Cartesia ist der Standard; ElevenLabs-Stimmen sind in der Stimmen-Bibliothek verfügbar.
- Verändert die Stimme wirklich die Conversion?
- Sie verändert, wie lange Menschen im Gespräch bleiben, und das liegt allem anderen vor. Aber der Effekt ist kleiner, als Teams erwarten, und er sättigt schnell — ab einer bestimmten Qualitätsschwelle reagieren Anrufer darauf, ob der Agent sie verstanden und die Sache erledigt hat, nicht auf die Klangfarbe. Latenz und Umgang mit Unterbrechungen sind meist mehr Aufmerksamkeit wert als die Stimmauswahl, und sie sind billiger zu beheben.
Auf dieser Seite stehen keine Benchmark-Werte. Wir haben keinen kontrollierten Latenz- oder Qualitätsvergleich zwischen diesen beiden Engines durchgeführt, und Zahlen zu zitieren, die wir nicht selbst erhoben haben, würde das Einzige untergraben, was diese Seite lesenswert macht.