Wenn du in den letzten Jahren mit Text-to-Speech gearbeitet hast, kennst du das Problem: Die Stimme klingt klar, die Wörter stimmen, aber es fehlt etwas. Kein Mitgefühl bei einer Beschwerde. Keine Freude bei einer guten Nachricht. Die Stimme klingt wie ein Nachrichtensprecher, der seinen Job hasst.
Cartesia hat mit Sonic 3 genau dieses Problem angegangen. Das Update, verfügbar als Snapshot sonic-3-2025-10-27 seit Ende 2025, erweitert das bisherige Modell um zwei entscheidende Fähigkeiten: emotionalen Ausdruck und Sprachunterstützung für über 40 Sprachen. Die Latenz bleibt dabei unter 100 Millisekunden.
Von 15 auf über 40 Sprachen
Sonic 2 konnte 15 Sprachen. Für den europäischen Markt reichte das gerade so, für den globalen Einsatz war es zu wenig. Sonic 3 macht einen großen Sprung.
Über 40 Sprachen sind jetzt verfügbar. Das deckt etwa 95% der Weltbevölkerung ab. Für den DACH-Raum war Deutsch natürlich schon vorher dabei. Aber wenn du Kunden in der Türkei, im arabischen Raum oder in Indien bedienst, wird es jetzt interessant.
Besonders auffällig: neun indische Sprachen (Hindi, Bengali, Tamil, Telugu, Gujarati, Kannada, Malayalam, Marathi und Punjabi). Für deutsche Unternehmen mit internationalen Kunden oder Standorten ist das relevant. Denk an IT-Dienstleister mit Entwicklungsteams in Indien, an Exporteure mit Partnern in Südostasien, oder an Reiseveranstalter mit Gästen aus der ganzen Welt.
Ein einzelner TTS-Anbieter kann jetzt Anrufe auf Deutsch, Englisch, Türkisch, Arabisch und Hindi abwickeln, ohne dass du verschiedene Engines zusammenschalten musst. Das vereinfacht die Architektur und reduziert Fehlerquellen. Wenn dich das Thema Mehrsprachigkeit bei KI-Telefonassistenten interessiert, haben wir dazu einen ausführlichen Artikel geschrieben.
Emotion am Telefon: Mehr als ein nettes Feature
Telefonanrufe sind emotional. Das klingt offensichtlich, aber die meisten TTS-Systeme ignorieren das komplett. Ein Patient ruft mit Sorgen in der Arztpraxis an. Ein Kunde beschwert sich über eine fehlerhafte Lieferung. Ein Interessent ist begeistert und will sofort loslegen.
In all diesen Situationen erwartet der Anrufer eine angemessene Reaktion, nicht nur inhaltlich, sondern auch im Tonfall. Ein monotones “Ich verstehe Ihr Anliegen” bei einem aufgelösten Kunden wirkt kalt und abweisend.
Sonic 3 kann jetzt:
- Wärme und Empathie ausdrücken, wenn ein Anrufer besorgt ist
- Begeisterung bei positiven Nachrichten zeigen
- Beruhigende Töne für nervöse Anrufer anschlagen
- Natürlich lachen, wenn der Gesprächsmoment es hergibt
Die Steuerung funktioniert über SSML-Tags und API-Parameter. Du kannst Lautstärke, Geschwindigkeit und emotionalen Ton auf Satzebene anpassen. Das bedeutet: Eine Antwort kann sachlich beginnen und mitfühlend enden, je nach Inhalt.
Für KI-Telefonassistenten ist das ein merklicher Schritt nach vorne. Die Psychologie hinter einer guten KI-Stimme zeigt, dass Tonfall oft wichtiger ist als die eigentlichen Worte. Sonic 3 gibt Entwicklern die Werkzeuge, um diesem Anspruch gerecht zu werden.
Compliance für den Enterprise-Einsatz
In Deutschland kennen wir strenge Regulierung. DSGVO, branchenspezifische Anforderungen, und eine generelle Vorsicht bei der Verarbeitung von Daten durch KI-Systeme. Da hilft es, wenn der TTS-Anbieter seine Hausaufgaben gemacht hat.
Sonic 3 kommt mit SOC 2 Type II, HIPAA und PCI Level 1 Zertifizierungen. Was bedeutet das konkret?
SOC 2 Type II belegt, dass Cartesia Daten nicht nur einmalig sicher verarbeitet, sondern über einen längeren Zeitraum nachweislich sichere Prozesse einhält. HIPAA ermöglicht den Einsatz im Gesundheitswesen, wo Patientendaten durch die TTS-Pipeline fließen. PCI Level 1 deckt zahlungsbezogene Gespräche ab, etwa wenn Bestellbeträge genannt oder Zahlungsinformationen bestätigt werden.
Für Arztpraxen, Anwaltskanzleien und Finanzberater bedeutet das: Sonic 3 kann in die engere Auswahl kommen, ohne dass die Rechtsabteilung sofort abblockt. Das klingt nach einer Kleinigkeit, ist aber in der Praxis oft der Unterschied zwischen “wir testen das mal” und “das kommt nicht infrage.”
Voice Cloning in 10 Sekunden
Stimmklonierung war bisher aufwendig. Längere Sprachproben, professionelle Aufnahmen, und dann trotzdem kein perfektes Ergebnis. Sonic 3 reduziert den Aufwand: 10 Sekunden Referenzaudio genügen für einen Sofortklon.
Für Unternehmen, die möchten, dass ihr KI-Assistent wie eine bestimmte Person klingt (der Inhaber, die bekannte Empfangsstimme, ein Markenbotschafter), wird das Experimentieren einfacher. Zehn Sekunden kannst du mit einem Smartphone aufnehmen. Für höhere Ansprüche gibt es weiterhin professionelles Voice Cloning mit umfangreicheren Eingaben.
Was das für KI-Telefonassistenten bedeutet
Jede Verbesserung in der Sprachsynthese wirkt sich direkt auf die Qualität von KI-Telefongesprächen aus. Sonic 3 trifft genau die Stellen, die bei Telefonanwendungen am meisten zählen.
Emotionaler Ausdruck verändert das Verhalten der Anrufer. Wenn eine Stimme angemessene Anteilnahme oder Freude ausdrücken kann, bleiben Anrufer länger dran. Sie teilen mehr Informationen, fühlen sich besser aufgehoben und bewerten das Gespräch positiver. Für Produkte wie Safina, die echte Geschäftsanrufe entgegennehmen, heißt das: mehr erfasste Leads, zufriedenere Anrufer, weniger Beschwerden über den “Roboter am Telefon.”
Mehr Sprachen öffnen neue Märkte. Ein KI-Telefonassistent mit 15 Sprachen lässt Geschäftsmöglichkeiten liegen. Mit über 40 verschiebt sich die Frage von “können wir diese Sprache?” zu “wollen wir diesen Markt?” Das ist ein besseres Problem.
Compliance beseitigt Hürden. Arztpraxen, Kanzleien und Finanzdienstleister können KI-Telefonlösungen prüfen, ohne monatelang die Compliance-Frage zu klären. Die Zertifizierungen sind bereits vorhanden.
Wir haben in unserer technischen Serie beschrieben, wie Safina Text-to-Speech einsetzt. Fortschritte wie Sonic 3 sind genau die Art von Verbesserung, die den gesamten Voice-AI-Stack nach vorne bringt. Wenn du einen breiteren Vergleich der TTS-Anbieter suchst, findest du unseren TTS-Vergleichsleitfaden hier.