Welches Sprachmodell für Stimmen, und wonach rechnet jedes ab?

Der LUVI-Katalog führt acht Text-zu-Sprache-Modelle, und das Erste, was man daran verstehen sollte, sind nicht die Stimmen, sondern der Zähler. Die meisten rechnen je tausend Zeichen ab, linear, ohne Mindestbetrag und ohne Aufrundung auf einen Block. Am 22. September 2026 reichten die veröffentlichten Sätze von 30 Credits je tausend Zeichen bis 300 – derselbe Text kann also zehnmal so viel kosten, nur weil ein anderes Modell ihn liest.

Was kosten sie tatsächlich?

Je tausend Zeichen, Stand 22. September 2026:

• Grok Speech (tts-v1): 30 Credits
• Gemini 2.5 Flash TTS: 80 Credits
• MiniMax Speech 2.6 Turbo: 96 Credits
• Gemini 2.5 Pro TTS: 160 Credits
• MiniMax Speech 2.6 HD: 160 Credits
• ElevenLabs v3: 200 Credits
• Gemini 3.1 Flash TTS: 300 Credits

Zur Veranschaulichung haben wir einen Absatz mit 311 Zeichen auf zweien davon anbieten lassen. Grok Speech kam auf 10 Credits, ElevenLabs v3 auf 63. Die Rechnung ist exakt linear – Satz mal Zeichen, geteilt durch tausend, aufgerundet auf ganze Credits –, eine kurze Zeile ist also auf jedem Modell der Liste wirklich billig, und der Satz beginnt erst bei langen Texten zu zählen.

Beachte außerdem: Die neueste Gemini-Stufe ist zugleich die teuerste der sieben oben genannten. Neuer heißt hier nicht günstiger.

Welches rechnet anders ab?

Seed Audio 1.0, und diesen Unterschied sollte man kennen, bevor man auf seine Schätzung sieht. Es rechnet nach Minuten statt nach Zeichen, und die Zahl vor dem Lauf ist eine Reservierung über zwei Minuten: Unser Angebot kam mit 572 Credits zurück, egal wie kurz der Text war.

So viel kostet eine kurze Zeile nicht. Die Buchung richtet sich danach nach der tatsächlichen Dauer, so wie sich jede Generierung auf LUVI nach der tatsächlichen Rechnung des Anbieters richtet – eine Lesung von zwölf Sekunden nimmt dir also keine 572 Credits ab. Allgemein erklärt das Hilfecenter, warum dir ein anderer Betrag als die Schätzung abgebucht wurde.

Was bringt der höhere Satz?

Vor allem Kontrolle, und ein Blick in die Parameterliste lohnt sich, bevor man etwas annimmt.

• ElevenLabs v3 bietet einundzwanzig Stimmen, einen Regler stability von 0 bis 1, einen ISO-Sprachcode, um eine Sprache zu erzwingen, und einen Schalter für Textnormalisierung, der entscheidet, ob Zahlen ausgeschrieben werden. Vier seiner Stimmen gelten als mehrsprachig; die übrigen sind auf ihre eigene Sprache abgestimmt und aktualisieren beim Auswählen das Sprachfeld.
• Die Gemini-Stufen sind dieselbe Familie zu drei Preisen: Die Entscheidung betrifft die Stufe, nicht den Dialekt.
• Grok Speech ist mit Abstand das günstigste und damit die naheliegende Wahl für Entwürfe, Platzhalterspuren und alles, was du später ersetzt.

Eine einzige Antwort auf „die beste Stimme“ gibt es hier nicht, denn beurteilt wird eine Darbietung. Der praktische Weg: dieselben zwei Sätze für wenige Credits durch zwei oder drei Modelle schicken und hinhören.

Und in die andere Richtung?

Sprache zu Text steht auf derselben Seite und rechnet wieder anders ab: Groks stt-v1 geht nach Minuten Audio, zu 4 Credits je Minute. Transkripte landen als Textergebnisse in deiner Bibliothek statt als Audiodateien und sind bewusst von den Referenzauswahlen ausgenommen – ein Transkript ist nie eine Modelleingabe.

Wie wir geprüft haben

• Modelle: Grok Speech tts-v1, ElevenLabs v3 und Seed Audio 1.0; die Sätze von Gemini TTS, MiniMax Speech und Grok stt-v1 wurden aus dem Katalog gelesen.
• Einstellungen: ein Absatz mit 311 Zeichen, mit der Standardstimme und den Standardeinstellungen jedes Modells.
• Datum und Gelesenes: 22. September 2026, am 20. Oktober 2026 mit denselben Ergebnissen erneut geprüft. Live-Angebote in Credits und die Parameterverträge der Modelle in LUVI.
• Ergebnisse: 10 Credits auf Grok Speech und 63 auf ElevenLabs v3 für denselben Absatz; 572 Credits auf Seed Audio 1.0 unabhängig von der Textlänge, was eine Zwei-Minuten-Reservierung ist und kein Preis. Die veröffentlichten Sätze je tausend Zeichen lagen bei 30, 80, 96, 160, 160, 200 und 300.
• Offen geblieben: Verglichen wurden Zähler und Parameter, keine Stimmen. Nichts davon sagt, welches Modell besser klingt, und für diesen Beitrag wurde kein Ton generiert.

In LUVI

Öffne die Modellseite, filtere auf Audio und schreib deine zwei Testsätze einmal, um sie auf den beiden günstigsten Modellen laufen zu lassen, bevor du einen ganzen Text auf eine Stimme festlegst. Bei dieser Familie aktualisiert sich die Credit-Schätzung über dem Generieren-Knopf, während du tippst: Es ist eine der wenigen Stellen im Katalog, an denen der Text selbst den Preis bewegt – genau das, was man will, wenn der Text das Produkt ist.

Neue Konten starten mit 200 Credits, und bestätigst du Telefon und Karte, kommen bis zu 1500 dazu. Du kannst ein LUVI-Konto anlegen und mehrere Stimmen an deinem eigenen Text vorsprechen lassen.