ElevenLabs und Cartesia: Schnittstellen, Unterbrechungen und Zeichenbudget für Echtzeit-TTS vergleichen

Teams mit vorhandenen ElevenLabs-Stimmen sollten die TTD-Anbindung von v4 Turbo prüfen; beim Neubau einer Echtzeit-Sprachanwendung lohnt zunächst ein Blick auf Cartesias Context-Verwaltung. Unterbrechungen und Wiedergabe mit denselben Texten abnehmen, dann Zeichen und Spitzenparallelität budgetieren.

Quelle: elevenlabs.io
November 4, 2026
5 min

Wenn ein Serviceassistent Antworten gleichzeitig erzeugt und vorliest, ist oft der schwierigste Moment das plötzliche Dazwischenreden des Nutzers: Die alte Antwort muss stoppen, die neue natürlich anschließen. ElevenLabs und Cartesia können beide diese Text-to-Speech-Schicht (TTS) übernehmen. Teams mit vorhandenen ElevenLabs-Stimmen, die v4 Turbo nutzen wollen, sollten zuerst den Integrationsaufwand für das Text-to-Dialogue-Protokoll klären. Wer eine Echtzeitanwendung mit einer einzigen Stimme neu aufbaut und Erzeugung und Abbruch über Contexts steuern will, kann zuerst Cartesia prüfen. Entscheidend sollten die tatsächliche Stimme, die Schnittstellen und die Rechnung sein, nicht die kleinste Latenzzahl auf der Website.

Zuerst klären, ob der Text bereits vollständig vorliegt

Nehmen wir einen Sprachassistenten für Bestellfragen: Das Sprachmodell liefert Text abschnittsweise, TTS erzeugt Audio, der Player spielt es ab. Verglichen werden hier die Syntheseschnittstellen derselben Echtzeit-Sprachkette, nicht Telefonie, Spracherkennung, Sprachmodelle oder vollständige Agents-Plattformen. Liegt die Antwort schon vollständig vor, sollte zuerst HTTP-Audiostreaming geprüft werden. Erst wenn laufend Text ergänzt werden muss, rücken Eingabepuffer und Abschlusssignale von WebSockets in den Mittelpunkt. Gestreamte Audioausgabe bedeutet nicht automatisch, dass fortlaufend Text hinzugefügt werden kann.

Unterscheidet ElevenLabs im Protokollvergleich ausdrücklich zwei Wege: /v1/text-to-speech/{voice_id}/stream-input gilt für unterstützte TTS-Modelle wie Flash; v4 und v4 Turbo nutzen /v1/text-to-dialogue/stream-input. Dort werden zunächst Stimmen registriert, danach inputs mit text und voice_id gesendet. In einer alten Flash-Integration lediglich den Modellnamen auf eleven_v4_turbo zu ändern, reicht deshalb nicht. V4 Turbo erlaubt nur eine registrierte Stimme; auch der Schnittstellenname Dialogue rechtfertigt keine Planung als Mehrpersonendialog.

Cartesias aktuelle Modellbeschreibung nennt Sonic 3.6. Der WebSocket verwendet Felder wie transcript, context_id und das Ausgabeformat und liefert Audioblöcke mit Context-Zuordnung zurück. Teams, die vor einem Upgrade eine Abnahme benötigen, können einen datierten Snapshot wie sonic-3.6-2026-08-27 verwenden; sonic-3.6 wird auf den jeweils neuesten stabilen Snapshot aktualisiert. Nur mit einer festgelegten Modellversion lässt sich feststellen, ob eine veränderte Stimme am neuen Skript oder an einem Modellupgrade liegt.

Wann sprechen, wenn der Satz noch nicht fertig ist?

Der TTS-Weg von ElevenLabs bietet eine Steuerung der Blocklängen; der TTD-Weg hat einen serverseitigen Puffer, dessen Ausgabe sich mit flush auslösen lässt. Cartesias manuelles Flush setzt innerhalb desselben Contexts Zuordnungsgrenzen zwischen Text und Audio; die betreffenden Audiodaten tragen eine flush_id. Die dokumentierte Anfragekombination enthält ein leeres Transcript, denselben Context, continue=True und flush=True. Diese Markierungen haben unterschiedliche Bedeutungen. Eine Migration sollte sich nicht auf den Austausch des SDK-Namens beschränken.

Wird etwa eine Bestellnummer ausgegeben, bevor sie vollständig generiert ist, kann sie in schwer verständliche Teile zerfallen. Auf die gesamte Antwort zu warten, kann dagegen wie zu langes Schweigen wirken. Beide Anbieter sollten dieselben drei Textgruppen verarbeiten: vollständige kurze Sätze, lange Nummern und Korrekturen während des Sprechens. Zu erfassen sind der Zeitpunkt des ersten verfügbaren Textes, die Ankunft des ersten Audioblocks und der tatsächliche Wiedergabebeginn; verglichen werden Median und langsamere Anfragen. Für diesen Artikel wurden keine Tests unter identischen Netzwerk- und Stimmbedingungen durchgeführt. Er entscheidet deshalb nicht, welcher Anbieter tatsächlich schneller reagiert. Die vom Anbieter genannte Modelllatenz ist auch nicht unmittelbar die gesamte Wartezeit bis zum hörbaren Ton.

Bei einer Unterbrechung bietet Cartesia eine cancel-Anfrage mit context_id. Der Leitfaden für mehrere TTS-Contexts von ElevenLabs beschreibt stattdessen das Schließen des alten und Erzeugen eines neuen Contexts. Für v4 Turbo ist die passende TTD-Variante zu prüfen; Flash-Beispiele dürfen nicht unverändert übernommen werden. In beiden Fällen muss die Anwendung außerdem das Senden alten Textes stoppen, lokal wartendes Audio löschen und verspätete Daten des alten Contexts verwerfen. Der Abbruch der serverseitigen Erzeugung entfernt nicht automatisch Audio, das bereits in der Player-Warteschlange liegt.

Mit Zeichen kalkulieren, dann Spitzenparallelität prüfen

Angenommen, monatlich werden 1.000 Antworten mit jeweils 500 abrechenbaren Zeichen eingereicht, insgesamt 500.000 Zeichen, zunächst ohne Wiederholungen und Neugenerierung nach Unterbrechungen. Die ElevenLabs-API-Preisliste nennt für v4 Turbo 0,04 US-Dollar je tausend Zeichen, für v4 0,08 US-Dollar. Daraus ergeben sich geschätzte Nutzungskosten von 20 beziehungsweise 40 US-Dollar. Das sind Berechnungen anhand veröffentlichter Stückpreise, keine endgültigen Rechnungen unter Berücksichtigung sämtlicher Kontobedingungen.

Laut Cartesia-Preisseite kostet Sonic 1 Credit je Zeichen. Pro kostet monatlich 5 US-Dollar und enthält 100.000 Credits; bei aktivierter Mehrnutzung kosten eine Million zusätzliche Credits 65 US-Dollar. Unter derselben Annahme ergibt sich 5 + 0,4 × 65 = 31 US-Dollar. Startup kostet 49 US-Dollar monatlich und enthält 1,25 Millionen Credits. Mehr Kontingent allein ist aber kein Grund für ein Upgrade: Pro erlaubt 3 parallele TTS-Anfragen, Startup 5. Der Spitzenbedarf kann den Tarif schon vorher bestimmen. Dieses Rechenbeispiel bewertet nicht das gesamte Preis-Leistungs-Verhältnis und rechnet Agents-Guthaben nicht als TTS-Kontingent an.

Ins tatsächliche Budget gehören Wiederholungen, Textänderungen und nach Unterbrechungen erneut eingereichte Texte. Die Abrechnung abgebrochener Anfragen sollte anhand der Rechnung überprüft werden. Werden zusätzlich Erkennung oder Telefonie genutzt, sind diese separat einzurechnen. Die Textdichte pro Minute variiert mit Sprache, Sprechtempo und Pausen. Die ungefähren Minutenangaben beider Anbieter sind deshalb kein identisches Arbeitsvolumen. Auch ausreichendes Kontingent verhindert nicht zwingend Warteschlangen oder fehlgeschlagene Generierungsanfragen zu Spitzenzeiten.

Prüfen, ob die gewählte Stimme für diesen Geschäftszweck genutzt werden darf

ElevenLabs verknüpft in den Hinweisen zur kommerziellen Nutzung kommerzielle Nutzungsrechte mit einem kostenpflichtigen Tarif und den Rechten an den Eingaben. Die Hinweise zur Stimmenverwaltung verlangen eine Erlaubnis für das Klonen; Professional Voice Cloning ist für die eigene Stimme des Nutzers vorgesehen. Cartesias Pro-Tarif nennt eine kommerzielle Nutzungslizenz; die Acceptable Use Policy erlaubt nur eigene Aufnahmen oder Aufnahmen anderer Personen mit deren ausdrücklicher Zustimmung. Ein gekauftes Abonnement ersetzt nicht die Erlaubnis der sprechenden Person. Auch der Besitz einer Mitarbeiteraufnahme berechtigt ein Unternehmen nicht automatisch dazu, diese Stimme dauerhaft im Kundenservice einzusetzen.

Zum Schluss sollten beide Anbieter dieselben autorisierten Geschäftstexte sprechen. Verglichen werden Nummernaussprache in der Zielsprache, Satzübergänge und das Stoppen der Wiedergabe nach einer Unterbrechung. Wer bereits geeignete ElevenLabs-Stimmen besitzt und das TTD-Protokoll integrieren möchte, testet zuerst v4 Turbo. Wer klare Context-Abbrüche, Modell-Snapshots und ein Zeichenbudget für kleine Volumina höher gewichtet, testet zuerst Cartesia. Fehlt im Team noch jemand für Wiedergabewarteschlange, Unterbrechungsbehandlung und Kostenüberwachung, erledigt auch ein anderer TTS-Anbieter diese Arbeit nicht.

Hinweis zum Inhalt:Dieser Artikel basiert auf öffentlich verfügbaren Informationen und dient als Orientierung bei der Auswahl von Tools. Funktionen, Preise und zugehörige Richtlinien können sich jederzeit ändern; maßgeblich sind die aktuellen offiziellen Angaben.

Originalquelle:elevenlabs.io