Zwischen Effizienz und Emotion: Die richtige Stimme im Service

Ich bin gelernter Tonmeister und ursprünglich mit dem Ziel in die Branche gestartet, in der Musikindustrie zu arbeiten. Über Umwege bin ich dann in die Produktion von Telefonansagen eingestiegen und habe viele Jahre in diesem Bereich gearbeitet, unter anderem in der Schweiz in einem Unternehmen, das europaweit Callcenter-Prozesse vertont hat. Schon früh habe ich mich mit Text-to-Speech-Technologien beschäftigt und meine Bachelorarbeit darüber geschrieben, wie unterschiedliche Stimmen – natürliche, synthetische oder etwa klassische Sekretariatsansagen – beim Kunden ankommen. Spätestens ab 2021/22 wurde mir klar, dass sich hier etwas grundlegend verändert: Die Qualität von KI-Stimmen hat einen Punkt erreicht, an dem sie realistisch und massentauglich geworden sind.

Sehr viel. Wir haben gesehen, dass Umsätze in klassischen Audioproduktionsbereichen massiv einbrechen – teilweise um 50 oder 60 Prozent. Das ist auch logisch: KI-Stimmen sind extrem günstig und schnell verfügbar. Wenn ein Unternehmen früher für eine mehrsprachige Call-stamcenter-Vertonung fünfstellige Beträge bezahlt hat, kann es heute mit einem Abo-Modell Inhalte selbst generieren. Gleichzeitig verlieren viele professionelle Sprecher:innen Aufträge und Einnahmen. Das ist eine strukturelle Veränderung, die viele in der Branche noch nicht vollständig realisiert haben.

Die Idee ist, KI nicht als Bedrohung zu sehen, sondern als Werkzeug, das man aktiv nutzen muss, um wettbewerbsfähig zu bleiben. Sprecher:innen sollten ihre Stimme klonen und als hybrides Produkt anbieten. Das heißt: Es gibt eine günstige KI-Variante und eine Premium-Variante mit der natürlichen Stimme. Wenn ein Kunde sagt, das Original sei zu teuer, kann er zunächst mit der KI-Stimme arbeiten. Der Sprecher bleibt aber im Spiel und kann später wieder in den Prozess einsteigen – etwa durch einen A/B-Vergleich, bei dem geprüft wird, ob die natürliche Stimme bessere Ergebnisse erzielt.

Weil es sowohl wirtschaftlich als auch psychologisch sinnvoll ist. Studien zeigen, dass natürliche Stimmen emotional stärker wirken und andere Reize im Gehirn auslösen als KI-Stimmen. Gerade in verkaufsrelevanten Kontexten ist das entscheidend. Gleichzeitig brauchen Unternehmen schnelle und günstige Lösungen – und genau hier setzt die KI an. Das hybride Modell verbindet beides: Effizienz und Wirkung.

Wir haben eine SaaS-Plattform entwickelt, die es Sprechern ermöglicht, ihre Stimme mit wenigen Klicks online zu bringen und zu vermarkten. Sie können eine eigene Landingpage erstellen, Kunden generieren und ihre KI-Stimme als Einstieg in den Verkaufsprozess nutzen. Der Kunde kann Audioinhalte zunächst kostenlos testen, später kaufen und direkt einsetzen. Der entscheidende Unterschied: Der Sprecher sieht genau, wer seine Stimme nutzt und wofür. Das schafft Transparenz und eröffnet neue Möglichkeiten in der Ansprache von Kundinnen und Kunden.

Weil wir uns in einem Umfeld bewegen, in dem rechtliche Fragen gerade erst entstehen. Mit Blick auf den AI Act wird es für Unternehmen zunehmend wichtig, nachweisen zu können, woher ihre Inhalte stammen. Wir arbeiten deshalb mit klaren Lizenzmodellen: Jede erzeugte Audiodatei ist eindeutig dokumentiert und mit einem Nutzungsrecht versehen – inklusive Medium und Zeitraum. Das bekommen Kund:innen zusammen mit der Rechnung und den Audiodaten in einem Freigabedokument zur Verfügung gestellt; der Sprecher oder die Sprecherin geben diese Nutzung frei. Damit sind Unternehmen auf der sicheren Seite, wenn es um Urheberrecht, Persönlichkeitsrechte oder mögliche Streitfälle geht.

Sie können mit einem hybriden Ansatz ihre gesamte Kommunikation konsistent gestalten; was in Puncto Positionierung und Differenzierung zu direkten Konkurrenten in Zeiten von KI immer wichtiger wird. KI-Stimmen eignen sich hervorragend für skalierbare Anwendungen wie E-Learnings, Voice Bots oder interne Kommunikation. Für emotionale Inhalte – etwa Werbung oder Imagefilme – kommt weiterhin die natürliche Stimme zum Einsatz. So entsteht eine durchgängige Markenidentität, auch im Audio-Bereich.

Weil Marken heute konsistent erlebbar sein müssen – über alle Kanäle hinweg. Wir kennen das aus der visuellen Identität: Farben, Schriften, Designs. Mit KI entsteht jetzt die Möglichkeit, auch die Stimme als festen Bestandteil der Markenidentität zu definieren. Eine Marke kann weltweit mit einer konsistenten Stimme auftreten – unabhängig vom Kanal, mittels KI in über 30 Sprachen. Das stärkt Wiedererkennung und Vertrauen. Man denke nur an das Navi oder den Sprachassistenten im Auto – alles könnte jetzt von ein und derselben Stimme gesprochen werden.

Gemeinsam mit einer Universität analysieren wir Stimmen hinsichtlich ihrer Wirkung auf unterschiedliche Zielgruppen. Ziel ist es, Unternehmen künftig automatisiert Vorschläge zu machen, welche Stimme am besten zu ihrer Marke passt. Dazu wird das Brandbook ausgewertet und mit passenden Stimmen gematcht. Das ist ein neuer Ansatz im Bereich Voice Casting, der datenbasiert funktioniert.

Weil viele KI-Systeme heute auf Daten basieren, die nicht sauber erhoben wurden. Es geht um Urheberrechte und Persönlichkeitsrechte, um den Schutz kreativer Arbeit und letztlich um ganze Berufsgruppen. Wenn wir KI unreflektiert einsetzen, riskieren wir, dass diese Strukturen verloren gehen. Deshalb ist es wichtig, bewusst zu entscheiden, wie wir KI nutzen – und Modelle zu entwickeln, die sowohl wirtschaftlich sinnvoll als auch fair gegenüber den Beteiligten sind.

Ich glaube, dass KI ein fester Bestandteil unserer Arbeitswelt ist und bleiben wird. Die entscheidende Frage ist, wie wir sie einsetzen. Mein Ziel ist es, Systeme zu schaffen, die Menschen nicht ersetzen, sondern unterstützen – und ihnen ermöglichen, ihre Stärken in einem veränderten Marktumfeld weiterhin einzubringen. Genau dafür steht unser Ansatz „Mit KI gegen KI“.