KI-Stimmen lizenzieren: Was Plattformen wirklich zahlen

Zwei öffentlich zugängliche Zahlen beschreiben den Markt für synthetische Stimmen — und sie liegen weit auseinander. ElevenLabs meldet für seinen Voice-Marketplace kumulierte Auszahlungen von über 22 Millionen US-Dollar an mehr als 10.400 Sprecherinnen und Sprecher. Der KI-Gagenkompass der deutschsprachigen Verbände nennt allein für die Basis-Synthese einer Stimme eine Mindestgage von 5.000 Euro, bevor diese Stimme überhaupt genutzt wird.

Beide Zahlen stehen frei im Netz. Nebeneinander gelesen hat sie kaum jemand. Genau deshalb unterschreiben Sprecher:innen Plattformbedingungen, ohne einen Vergleichsmaßstab zu haben. Diese Übersicht sammelt, was Plattformen und Verbände tatsächlich veröffentlichen — mit Quelle hinter jeder Angabe.

Drei Vergütungsmodelle, die ständig verwechselt werden

Fast jedes KI-Angebot fällt in eines von drei Modellen. Die Begriffe werden synonym benutzt, die Wirtschaftlichkeit ist es nicht.

• Nutzungsabhängige Ausschüttung. Die Plattform hostet einen Klon und zahlt einen Kleinstbetrag pro generiertem Zeichen oder pro Gesprächsminute. Offene Laufzeit, unkalkulierbare Höhe.
• Einmaliger Datenverkauf. Aufnahmen werden einmal geliefert und einmal bezahlt; der Käufer trainiert damit Basismodelle, ohne einen Klon unter deinem Namen anzubieten.
• Verwertungsgage. Das klassische Modell: eine Gage für die Sprechertätigkeit, getrennte Lizenzen für jede definierte Nutzung. Der KI-Gagenkompass hält ausdrücklich fest, dass sich daran durch KI nichts ändert — Nutzung ist Nutzung.

Teuer wird die Verwechslung, wenn ein Zeichenpreis als Verwertungsgage missverstanden wird. Ein Cent-Betrag pro 1.000 Zeichen unterscheidet nicht zwischen Erklärvideo und bundesweitem TV-Spot und skaliert nicht mit der erreichten Zielgruppe.

Was der KI-Gagenkompass konkret ansetzt

Der KI-Gagenkompass ist gemeinsam vom VDS, dem österreichischen Verband VOICE, dem Schweizer VPS|ASP und United Voice Artists herausgegeben worden; die veröffentlichte Fassung trägt den Stand 04/2025. Er ist eine Orientierung, keine Tarifbindung — aber der detaillierteste öffentliche Maßstab, den es im deutschsprachigen Raum gibt.

• Stimmsynthetisierung (Aufnahme): Tagessatz 1.000 € / 1.250 € / 1.500 € (unterer, mittlerer, oberer Durchschnitt), ein Aufnahmetag mit maximal fünf Stunden inklusive Pausen.
• Mindestgage Basis-Synthese: 5.000 € / 6.250 € / 7.500 €, anwendbar bei weniger als fünf Aufnahmetagen, etwa wenn bereits Material vorliegt.
• Listing Fee: ab symbolischen 150 € pro Jahr bis zu mehreren tausend Euro pro Jahr, allein dafür, dass die synthetische Stimme angeboten werden darf.
• Neural Learning: keine Gage. Die Verbände raten ausdrücklich ab und halten fest, dass der Wert andernfalls mindestens im sechsstelligen Bereich liegen müsste.
• Exklusivität: ebenfalls potenziell sechsstellig.

Wichtiger als die Beträge ist die Systematik: Synthetisierung, Listing und Nutzung sind drei getrennte Zahlungen. Der Kompass stellt ausdrücklich klar, dass die Synthese-Gagen keinerlei Nutzungsrechte einräumen. Auch bei Speech-to-Speech ist nach dieser Logik doppelt zu vergüten: für die stimmführende Performance und für die am Ende hörbare Stimme.

Dazu kommen Mindestvertonungen live — etwa 5 bis 15 Motive pro Kampagne im Paid-Media-Bereich, 60 Minuten Final Audio Hour pro Hörbuch, eine Aufnahmestunde pro Rolle und Titel in Games und Synchron. Für reguläre Rollenaufnahmen in Synchron und Games sieht der Kompass gar keinen KI-Einsatz vor.

Was die Plattform dagegenhält

ElevenLabs ist die einzige große Plattform mit belastbaren öffentlichen Aggregatzahlen. Im Unternehmensbeitrag vom 22. Mai 2026 nennt sie über 22 Millionen US-Dollar kumulierte Auszahlungen, nach 11 Millionen im November 2025, verteilt auf mehr als 10.400 Beteiligte und Stimmen in 32 Sprachen.

Rechnerisch ergibt das rund 2.100 US-Dollar pro Person über die gesamte Laufzeit. Der Mittelwert taugt wenig: derselbe Beitrag porträtiert Personen, die von einer einzigen Stimme leben. Die Verteilung ist stark schief, der Median liegt erkennbar darunter. Marketplace-Erlöse sind ein Long-Tail-Geschäft, kein Einkommensersatz.

Die Mechanik steht in der Produktdokumentation: teilnehmen kann nur ein Professional Voice Clone; Vergütung fällt ausschließlich bei zahlenden Nutzern an; die Höhe hängt von der gewählten Kündigungsfrist ab (mindestens drei Monate, maximal zwei Jahre); für das Agenten-Produkt ist die Vergütung auf 0,01 US-Dollar pro Gesprächsminute gedeckelt. Ausgezahlt wird über Stripe Connect etwa wöchentlich ab 10 US-Dollar, und nur bei laufendem kostenpflichtigem Abo.

Praktisch relevant für Sprecher:innen in Deutschland: Da es sich um ein US-Unternehmen handelt, ist eine W-8-Zertifizierung erforderlich. Ohne Geltendmachung des Doppelbesteuerungsabkommens greift auf die Erlöse aus US-Kundennutzung ein Quellensteuerabzug von 30 Prozent. Als Einkunftsart ist im Formular Royalties – Copyrights vorgesehen.

Die Klauseln hinter der Ausschüttung

Die kommerziellen Bedingungen stehen im Voice Library Addendum, zuletzt aktualisiert am 6. März 2026. Vier Punkte sind vor jeder Rate zu lesen.

Der Output überlebt den Rückzug. Audio, das vor Ablauf der Kündigungsfrist erzeugt wurde, bleibt bestehen und weiter nutzbar. Ein Rückzug stoppt künftige Generierungen, holt vorhandene aber nicht zurück.

Die Kündigungsfrist ist eine Einbahnstraße. Sie lässt sich nachträglich verlängern, aber nicht verkürzen. Zwei Jahre Frist bedeuten mehr Vergütung heute und zwei Jahre Weiterverwendung nach der Entscheidung zu gehen.

Die Teilnahme steht im Ermessen der Plattform. Das Addendum behält sich vor, die Teilnahme an den Financial Rewards nach alleinigem Ermessen auszusetzen oder zu beenden und Stimmen ohne Vorankündigung zu prüfen, umzubenennen oder zu entfernen.

Der Verzicht auf weitere Vergütung. Mit dem Teilen einer Stimme gelten laut Addendum ElevenLabs und alle anderen Nutzer — soweit gesetzlich zulässig — von jeder gegenwärtigen oder künftigen Pflicht zur Zahlung von Lizenzgebühren oder angemessener Vergütung als befreit. Ob eine solche Klausel gegenüber einer in Deutschland ansässigen ausübenden Künstlerin trägt, ist offen: § 32a Abs. 3 UrhG bestimmt, dass auf die Ansprüche auf weitere Beteiligung im Voraus nicht verzichtet werden kann, und § 79 Abs. 2a UrhG erklärt die §§ 32 bis 32b und 32d bis 40 auf ausübende Künstler für entsprechend anwendbar. Die Klausel ist so formuliert, dass sie zurücktritt, wo zwingendes Recht entgegensteht — entschieden hat das für diese Konstellation bislang kein Gericht.

Eine Teilnahmevoraussetzung spricht für sich: Wer in Illinois wohnt, darf keine Stimme teilen und muss sie bei einem Umzug dorthin entfernen. Eine Begründung nennt ElevenLabs nicht. Illinois hat das strengste Biometriedatengesetz der USA.

Vertragsrecht: die Punkte, die der Kompass zusätzlich fordert

Der KI-Gagenkompass formuliert Vertragsgrundsätze, die kein Self-Service-Portal derzeit abbildet: keine zeitlich und sachlich unbeschränkten Rechte, ein Opt-out zum Ende jeder Vertragslaufzeit samt vollständiger Löschung der stimmgebenden Daten, Ablehnung von Blended Voices und Morphing, ein Abnahmerecht für die Qualität der digitalen Nachbildung, Haftungsfreistellung der Sprecherin für Inhalte Dritter — und als Gerichtsstand das Wohnsitzland der Sprecherin.

Zur DSGVO empfiehlt der Kompass, Verarbeitung und Hosting innerhalb der EU zu halten, und ordnet die menschliche Stimme den biometrischen Daten zu. Rechtlich ist hier zu differenzieren: Nach Art. 4 Nr. 14 DSGVO sind biometrische Daten solche, die aus spezifischen technischen Verfahren zu physiologischen Merkmalen gewonnen werden; die besondere Kategorie des Art. 9 greift erst, wenn die Verarbeitung der eindeutigen Identifizierung dient. Eine Stimmaufnahme bleibt in jedem Fall ein personenbezogenes Datum. Wie weit der Schutz der Stimme selbst reicht, haben wir im Ländervergleich zum Recht an der eigenen Stimme aufgearbeitet.

Einmalige Datenverkäufe sind ein anderes Geschäft

Nicht jedes KI-Angebot erzeugt einen Klon. Murf betreibt ein Programm zum Ankauf von Sprachdaten, ausdrücklich als Einmaltransaktion ohne Klonerstellung: Die Aufnahmen dienen dem Training der Basismodelle. Veröffentlichte Anforderungen sind mindestens 20 Minuten durchgehendes Audio mit mindestens 44,1 kHz, wenig Störgeräusche, keine überlappenden Stimmen sowie ein Verifizierungsskript zur biometrischen Prüfung. Die Vergütung soll von Sprache, Qualität und Länge abhängen; Beträge nennt Murf nicht.

Respeecher wiederum gibt an, dass Sprecher:innen ihre Preise selbst festlegen und die Kontrolle über die Verwendung behalten, veröffentlicht aber ebenfalls keine Sätze. Wo keine Zahlen öffentlich sind, bleibt der KI-Gagenkompass der einzige belastbare Verhandlungsanker.

Sieben Fragen vor der Unterschrift

1. Was genau deckt die Vergütung ab — Aufnahme, Listing, Nutzung oder alles in einem Betrag?
2. Wie ist der Ausstieg geregelt, wie lang ist die Frist, und was passiert mit bereits erzeugtem Audio?
3. Wird Nutzung durch Gratis- oder Testkonten vergütet?
4. Darf die Stimme gemorpht, nachtrainiert oder für andere Sprachen eingesetzt werden?
5. Welche Inhaltskategorien kann ich ausschließen, und wird das technisch durchgesetzt oder nur zugesagt?
6. Welches Recht gilt, und wo müsste ich klagen?
7. Was wird vor der Auszahlung abgezogen — Quellensteuer, Zahlungsdienstleister, Abo-Pflicht?

Frage sechs überspringen die meisten. Ein Listing zu 150 Euro mit deutschem Gerichtsstand ist ein anderer Vertrag als dasselbe Listing mit US-Gerichtsstand. Wie schnell aus einer Vertragsklausel ein Branchenkonflikt wird, zeigt der Streit um die KI-Klausel im Synchronbereich.

Was das für Auftraggeber bedeutet

Aus Kundensicht dreht sich die Rechnung um. Generierung ist pro Einheit billig und bringt eine kommerzielle Lizenz mit — deshalb hat sie Rohfassungen, interne Videos und Massen-E-Learning übernommen. Was sie nicht liefert: eine namentlich benannte Person, die nachbriefbar ist, eine geführte Performance und eine Rechteposition, die eine Änderung der Plattform-AGB übersteht.

Wo die Stimme die Marke trägt — Kampagne, Synchron, alles mit Sendefreigabe —, hält weiterhin die Lizenzsystematik der Verbände. Auf ihr baut auch Voicfy auf: Angebote von muttersprachlichen Sprecher:innen, bei denen die Nutzung vor der Aufnahme definiert wird und nicht hinterher aus einem Zeichenzähler abgeleitet.

Beide Modelle werden bleiben. Der Fehler liegt nicht in der Wahl, sondern darin, das eine zu unterschreiben und die Vergütung des anderen zu erwarten.