Pro Zeichen, pro Monat oder pro Stunde: wie KI-Vertonung bepreist wird
Wer sich nach KI-Vertonung umsieht, trifft auf drei Preisschilder, die nicht zusammenpassen. Cloud-Plattformen rechnen pro Million Zeichen ab. Stimm-Apps verkaufen ein Monatsabo mit einem Nutzungsguthaben. Ein paar Dienste, unserer eingeschlossen, rechnen pro fertiger Audiostunde ab. Alle drei tun dasselbe: Eine Maschine liest Text vor. Aber rechnet man einen gewöhnlichen Roman für jedes Modell durch, liegen die Summen um das Fünfzigfache auseinander. Woran das liegt:
Die Branche rechnet pro Zeichen ab
Der größte Teil des Marktes berechnet den Input: Du zahlst für den Text, den du hineingibst, Zeichen für Zeichen. Stand Mitte 2026 verlangen die großen Cloud-Anbieter etwa 15 bis 30 Dollar pro Million Zeichen für ihre aktuellen Stimmen. Ältere Billigstimmen liegen um die 4 Dollar, Premium-Studio-Stufen erreichen 160 Dollar. Die spezialisierten Stimm-Plattformen kosten mehr: Nutzungsbasiert sind es nahe 100 Dollar pro Million Zeichen, und ihre Abos laufen auf 150 Dollar oder mehr pro Million hinaus, sobald man die Monatsgebühr durch das enthaltene Guthaben teilt.
Das Zahlen pro Zeichen ist kein Trick. Für einen Entwickler, der rohe Synthese per API-Aufruf kauft, ist es die natürliche Einheit. Das Problem entsteht erst, wenn der Kunde kein Entwickler ist, sondern ein Leser, und er ein ganzes Buch mitbringt.
Wie groß ein Buch in Zeichen ist
Ein typischer Roman umfasst 90.000 bis 120.000 Wörter, also grob 500.000 bis 750.000 Zeichen. Rechnet man das zum Zeichenpreis ab, springen die Summen ins Auge. Zu Großcloud-Tarifen kostet eine einzige Vertonung eines Romans 9 bis 18 Dollar. Auf spezialisierten Plattformen sind es 60 bis 100 Dollar. Dienste, die ein Manuskript für einen Autor in ein Hörbuch verwandeln, verlangen zwischen etwa 40 und ein paar hundert Dollar pro Buch.
Bei Abo-Guthaben ist es dieselbe Rechnung, nur weniger offensichtlich. Ein mittlerer Creator-Tarif zu rund 22 Dollar im Monat enthält meist etwa 120.000 Zeichen. Das klingt großzügig, bis man merkt: Es ist etwa ein Fünftel eines Romans. Wer einfach ein Buch hören will, das ihm gehört, würde fünf Monatsguthaben dafür aufbrauchen. (Die Welt der Hörbuch-Abos hat dieselbe Falle: monatlich für Stunden zahlen, die man nie nutzt. Wir schlüsseln das hier auf.)
Nichts davon ist versteckt. Es ist einfach ein Preismodell, gebaut für Dreißig-Sekunden-Clips, Werbespots und App-Stimmen, das jetzt ein Buch mit achtzigtausend Wörtern schlucken soll.
Alles in Hörzeit umgerechnet
Was einen Leser wirklich interessiert, ist die Stunde Hören. Bei gewöhnlichem Vorlesetempo entspricht eine fertige Audiostunde grob 55.000 Zeichen englischen Textes. Rechnet man die Zeichenpreise um, bekommt man etwa 0,85 bis 1,70 Dollar pro Audiostunde bei den großen Cloud-Anbietern und 5 bis 9 Dollar pro Audiostunde auf den spezialisierten Plattformen. Ein zehnstündiger Roman, eine Stimme, ohne separate Figurenbesetzung, landet zwischen 9 und 90 Dollar, je nachdem, wessen Preise du zugrunde legst.
BookNPC berechnet für dasselbe 25 Cent pro fertiger Audiostunde, sekundengenau abgerechnet. Der zehnstündige Roman kostet 2,50 Dollar, einmalig, und das Audio gehört dir, zum Behalten und offline Wiederhören. Jeder Figur eine eigene Stimme zu geben ist eine getrennte einmalige Analyse, etwa 3 Cent pro Seite, ebenfalls einmalig bezahlt. In der App kommt dieser Roman auf rund 130 Seiten, die Besetzung kostet also etwa vier Dollar, und mit Studio-Audio bleibt der voll besetzte Roman insgesamt unter sieben Dollar.
Warum der Abstand echt ist, keine Aktion
Zwei technische Entscheidungen erzeugen ihn.
Die erste ist, was wir zählen. Das Zahlen pro Zeichen berechnet den eingegebenen Text, egal was die Synthese kostet. Wir berechnen den Output: die Sekunden fertigen Audios, die du tatsächlich bekommst. Das können wir, weil wir Sprachmodelle mit offenen Gewichten auf unseren eigenen GPUs betreiben. Auf moderner Hardware ist der Rechenaufwand für eine Stunde Audio gering und sinkt weiter. Offene Modelle haben die proprietären bei der Qualität eingeholt. Danach war der teure Teil des alten Aufbaus nicht mehr die Synthese, sondern das Preismodell drum herum. Nach fertigem Audio abzurechnen gibt diese Effizienz an dich weiter, statt sie einzubehalten.
Die zweite Entscheidung betrifft den schwierigen Teil. Hinter einem Hörbuch mit voller Besetzung stecken eigentlich zwei Aufgaben. Die erste ist herauszufinden, wer jede Zeile des Romans spricht. Das ist ein Leseverständnisproblem, also führen wir es einmal als Sprachmodell-Analyse aus, bepreist pro Seite, einmal pro Buch bezahlt. Die zweite Aufgabe ist, Text in eine Stimme zu verwandeln. Das ist ein Rendering-Problem, und es wird nur dann pro Stunde bepreist, wenn du das Studio-Rendering wählst. Sobald ein Buch besetzt ist, läuft es für immer mit den kostenlosen Stimmen auf deinem Gerät. Das Cloud-Rendering ist ein optionales Extra, keine laufende Gebühr.
Und der einfache Erzähler ist kostenlos, ohne Stundenlimits, weil Sprache auf dem Gerät nichts kostet. Dein Telefon kommt bereits mit fähigen neuronalen Stimmen, und kein Server ist beteiligt. Dafür ein Abo zu verlangen hieße nur, fürs bloße Kassieren zu kassieren.
Der ehrliche Vorbehalt
Wenn du kurze Clips brauchst statt Bücher, ist BookNPC das falsche Werkzeug. Aber auch dann musst du nicht pro Zeichen zahlen. Unsere Schwester-App VoiceNPC betreibt dasselbe Sprachmodell vollständig auf dem Gerät (iPhone und Apple-Silicon-Macs), kann Stimmen klonen, und ihr kostenloser Tarif deckt solche kurzen Clips ab. Die Diskrepanz in diesem Artikel zeigt sich nur bei buchgroßem Text, und das ist die einzige Größe, die BookNPC interessiert. Die Zahlen oben wurden im Juli 2026 von öffentlichen Preisseiten abgelesen und gerundet. Preise ändern sich, also prüf die aktuellen, bevor du dich auf einzelne Zahlen verlässt. Unsere stehen auf der Preisseite, und die kostenlose Erzählerstimme auf dem Gerät ist zum selben Preis wie immer: nichts.