Die Bewertung ist innerhalb eines halben Jahres um 11 Milliarden US-Dollar gestiegen: Warum macht KI-Audio früher Gewinne als KI-Video?

Manche sagen, dass man mit KI-Programmierung viel Geld verdienen kann, andere behaupten, KI-Agenten seien profitabel, und wieder andere meinen, dass sich die Generierung von KI-Videos lohnt. Aber wussten Sie es? Tatsächlich ist auch die KI-Audio-Generierung ein sehr lukratives Geschäft.

Laut ausländischen Medienberichten führt ElevenLabs derzeit interne Gespräche über eine Transaktion zum Verkauf von Aktien auf dem Sekundärmarkt, die es Mitarbeitern ermöglicht, ihre gehaltenen Aktien zu verkaufen. Diese Transaktion soll vor September abgeschlossen werden, mit einer Bewertung von etwa 22 Milliarden US-Dollar.

Doch erst vor fünf Monaten hatte das Unternehmen gerade eine Serie-D-Finanzierung in Höhe von 500 Millionen US-Dollar abgeschlossen, bei der ElevenLabs mit 11 Milliarden US-Dollar bewertet wurde.

Das bedeutet also, dass sich die Bewertung in weniger als einem halben Jahr verdoppelt hat.

Die entscheidende Frage lautet: Wie kann es sich ein Unternehmen, das sich auf KI-Stimmen spezialisiert, leisten, seinen Wert innerhalb von sechs Monaten um 10 Milliarden US-Dollar zu steigern?

01

Vom KI-Synchronwerkzeug zur Infrastruktur für Stimmen

Im Jahr 2022 verfolgten die beiden Gründer von ElevenLabs, Mati Staniszewski und Piotr Dabkowski, den Ansatz von TTS (Text to Speech).

Herkömmliches TTS basiert im Wesentlichen auf „Synthese durch Zusammensetzen“: Aufnahmen echter Personen werden in kleine Segmente zerschnitten und dann entsprechend dem Text wieder zusammengesetzt. Das Ergebnis ist zwar technisch korrekt, aber Tonfall, Rhythmus und Emotionen gehen vollständig verloren – es klingt, als würde eine Maschine nur einen Text vorlesen.

Mithilfe von Deep Learning brachten Mati und Peter das Modell dazu, die Bedeutung des Textes zu verstehen und direkt Sprache zu generieren, die voller Emotionen ist, einen natürlichen Rhythmus hat und angemessene Pausen einlegt. Die beiden investierten 100.000 US-Dollar aus eigener Tasche für die erste Trainingsrunde, und das Ergebnis war überaus überzeugend.

Obwohl es sich in Bezug auf die Produktform immer noch um TTS handelt, hatte ElevenLabs zu diesem Zeitpunkt bereits das Fundament für echte KI gelegt.

Ab 2024 brachte ElevenLabs die Conversational AI-Plattform auf den Markt (später in ElevenLabs Agents umbenannt).

Die Produktlogik sieht folgendermaßen aus: Der Nutzer spricht einen Satz per Spracheingabe aus, das System extrahiert den Inhalt zunächst per Speech-to-Text, lässt das große Sprachmodell ihn verstehen und eine Antwort generieren, wandelt diese Antwort dann wieder in Sprache um und liest sie schließlich ausdrucksstark vor.

Der gesamte Vorgang dauert nur wenige Hundert Millisekunden.

Der Vorteil von ElevenLabs liegt darin, dass für das „Hören“ und „Sprechen“ während des gesamten Prozesses die eigenen Modelle des Unternehmens verwendet werden.

Für das „Hören“ wird das Speech-to-Text-Modell von ElevenLabs eingesetzt, das die Äußerungen des Nutzers in Text umwandelt. Auf der Seite des „Sprechens“ gibt es zwei Sprachsynthesemodelle mit unterschiedlichen Aufgabenbereichen.

eleven_flash_v2_5 steht für Geschwindigkeit und drückt die Latenz auf etwa 75 Millisekunden, speziell für Echtzeit-Konversationen ausgelegt; eleven_v3 hingegen steht für höchste Qualität, unterstützt über 70 Sprachen, hat eine stärkere Ausdruckskraft und eignet sich für Szenarien wie die Inhaltserstellung, bei denen hohe Qualität gefordert ist und Latenz eine untergeordnete Rolle spielt.

Nachdem ElevenLabs Agents zum zentralen Antrieb geworden war, erweiterte ElevenLabs sein Angebot darauf aufbauend um Dubbing (mehrsprachige Synchronisation) und Music (Musikgenerierung).

Und damit nicht genug: Im Juli 2026 brachte die Netflix-Plattform eine Reality-Show mit „Wonka“-Thema namens „Wonka‘s The Golden Ticket“ heraus. Der Erzähler der Show verwendete die Stimme von Gene Wilder – obwohl dieser bereits 2016 verstorben ist.

Diese Stimme wurde von ElevenLabs mithilfe von KI wiederhergestellt, mit Gene Wilders Nachlassverwaltung genehmigt. Wilders Ehefrau gab eine Erklärung ab, in der sie mitteilte, dass die Familie es unterstützt, seine Stimme auf diese Weise einer neuen Generation von Zuschauern zugänglich zu machen.

Etwa zur gleichen Zeit veröffentlichte ElevenLabs eine KI-gelesene Version der „Odyssee“, bei der die Stimme von Michael Caine geklont wurde – ebenfalls mit entsprechender Genehmigung.

Die Stimme von Prominenten ist ein geistiges Eigentum, das wie das Recht am eigenen Bild lizenziert, kostenpflichtig genutzt und in großem Maßstab eingesetzt werden kann.

Daraufhin entwickelte ElevenLabs den Iconic Voice Marketplace, der Prominentenstimmen zu lizenzierbarem geistigem Eigentum macht, sowie die KI-Rezeptionsassistentin namens Reception AI.

Ende 2025 belief sich der jährliche wiederkehrende Umsatz (ARR) von ElevenLabs auf fast 350 Millionen US-Dollar. Bis April 2026 überschritt diese Zahl bereits 500 Millionen US-Dollar.

Bis heute wurden auf der Eleven-Agents-Plattform mehr als 2 Millionen Agents erstellt. Allein im ersten Halbjahr 2026 wurden über 33 Millionen Konversationen verarbeitet. Und man muss wissen: Diese Konversationen enthalten keine Demo-Daten, sondern sind alle Ergebnisse echter Aufrufe im produktiven Einsatz.

Wenn Sie das lesen, fragen Sie sich vielleicht: Entwickelt sich ElevenLabs nicht immer besser? Warum wollen die Mitarbeiter dann ihre Aktien verkaufen? Wäre es nicht sinnvoller, sie zu behalten, um von der Wertsteigerung zu profitieren?

Die Situation ist folgende: Laut ausländischen Medienberichten konkurriert ElevenLabs täglich mit OpenAI und Anthropic um dieselben Ingenieure und Forscher. Diese Mitarbeiter arbeiten seit zwei oder drei Jahren im Unternehmen, der Papierwert ihrer Aktien hat sich mehrfach vervielfacht – aber solange das Unternehmen nicht an die Börse geht, können sie diesen Wert nicht realisieren. Wenn die Möglichkeit, das Kapital zu liquidieren, immer länger ausbleibt, wird die Versuchung groß, zu einem anderen Unternehmen zu wechseln.

Daher dient diese Transaktion im Wesentlichen dazu, dem Kernteam einen Weg zur Liquidität zu eröffnen. Tatsächlich führte ElevenLabs bereits im Rahmen der Serie-D-Finanzierung ein Tender-Offer (Übernahmeangebot) in Höhe von 100 Millionen US-Dollar durch – dies ist die zweite Maßnahme dieser Art in weniger als einem Jahr.

Dass Investoren bereit sind, die Aktien der Mitarbeiter zu einem Preis von 22 Milliarden US-Dollar zurückzukaufen, zeigt, dass sie davon überzeugt sind, dass die Bewertung des Unternehmens noch über 22 Milliarden US-Dollar steigen wird.

02

Der KI-Sprachmarkt:

Warum Stimmen früher Gewinne erzielen als Videos

Sora wurde wegen zu hoher Verluste eingestellt. Tan Dai, der Präsident von Volcano Engine, erklärte zudem, dass alle im Umlauf befindlichen Umsatzdaten zu Seedance falsch und generell zu hoch angesetzt sind.

Das bedeutet: Sowohl im In- als auch im Ausland ist die Generierung von KI-Videos bisher kaum profitabel.

Warum ist die Generierung von KI-Audios hingegen so lukrativ?

Erstens: Die Kostenstruktur ist schlanker.

Bei der Sprachgenerierung wird eine Zeitreihe verarbeitet, deren Kernaufgabe darin besteht, Text, Semantik und Emotionen in fortlaufende Audiodaten umzuwandeln. Bei der Videogenerierung hingegen müssen fortlaufende Bilder verarbeitet werden, wobei gleichzeitig die Konsistenz von Personen, Hintergrund, Bewegungen, Kameraeinstellungen, Licht und zwischen aufeinanderfolgenden Frames aufrechterhalten werden muss.

Letzteres erzeugt eine größere Ausgabemenge an Informationen und die Inferenzkette ist komplexer.

Das führt dazu, dass Produkte wie Sora extrem hohe Kosten pro Ausgabe verursachen. Außerdem ist das generierte Ergebnis nicht immer „einsatzbereit“. Ein Video muss unter Umständen wiederholt neu generiert werden, weil Personen verzerrt dargestellt sind, die Kamera wackelt, Bewegungen unnatürlich wirken oder der Stil inkonsistent ist.

Jeder einzelne Versuch verbraucht zusätzliche Rechenleistung.

Bei Audios ist das anders: Die Produktform ist ausgereift, es sind keine wiederholten Versuche nötig, und die Kosten pro Ausgabe sind weitaus geringer als bei Videos.

Noch entscheidender: Die Qualitätsstandards für die Einsatzbereitschaft von Sprache lassen sich leichter in Produkte umsetzen. Solange eine Kundenservice-Stimme natürlich klingt und geringe Latenz aufweist, kann sie in Unternehmensprozesse integriert werden. Ein Video hingegen muss oft noch nachbearbeitet werden, bevor es veröffentlicht werden kann.

Aus diesem Grund ist KI-Audio wie eine Infrastruktur, während KI-Video eher als ein interessantes „Spielzeug“ gilt.

Das ist die grundlegende Logik hinter dem schnellen Wachstum von ElevenLabs. Das Unternehmen verkauft keine einmaligen „beeindruckenden Effekte“, sondern dauerhaft nutzbare Sprachfähigkeiten für Unternehmen. Niedrige Kosten, geringe Latenz, wenige Wiederholungen und einfache Integration machen KI-Sprache zu einem rentableren Geschäft als KI-Video – und das schon viel früher.

Zweitens: Die Anwendungsfälle sind klarer definiert.

Synchronisation, Hörbücher, Erzählungen für Kurzvideos, Lokalisierung von Übersetzungen, Kundenservice-Telefone, Verkaufsanrufe, Mitarbeiterschulungen, Online-Bildung, Spiel-NPCs … wenn ich nur kurz nachdenke, fallen mir unzählige Szenarien ein, in denen KI-Audio eingesetzt werden kann.

KI-Audio schafft keine völlig neue Nachfrage – es ersetzt im Wesentlichen die herkömmlichen Synchronisationsmethoden und steigert die Produktivität.

Bei der Videogenerierung sind die Anwendungsfälle nicht so klar. Wofür kann man sie nutzen? Werbematerialien? Kurze Filme? Inhalte für soziale Medien?

All diese klar definierten Szenarien sorgen für das Wachstum von ElevenLabs.

Drittens: Die Hürden sind weitaus niedriger als bei Videos.

Bei Videos müssen zu viele Probleme gelöst werden: Weltmodelle, die Darstellung der objektiven Realität, Rechte am eigenen Bild und viele weitere Herausforderungen auf unterschiedlichen Ebenen.

Bei Sprache hingegen reichen vier erfüllte Kriterien aus: Klangqualität, natürliche Emotionen, geringe Latenz und gute Stabilität.

Sobald diese Kriterien erfüllt sind, kann die Stimme direkt in den Produktionsprozess integriert werden – ohne nachträgliche manuelle Bearbeitung.

Niedrige Hürden bedeuten, dass der Weg von der „Demo“ zum „produktiven Einsatz“ kurz ist. Und ein kurzer Weg bedeutet eine schnelle Monetarisierung.

Viertens – und das ist der wichtigste Punkt: Sprache ist der natürliche Einstieg für Agenten.

Wenn KI-Agenten in die reale Welt eintreten wollen, reicht es nicht, nur Text zu verarbeiten. Sie müssen hören und sprechen können.

Textuelle Interaktionen waren die Schnittstelle des Internet-Zeitalters – Sprache ist die Schnittstelle des Agenten-Zeitalters. Viele Dinge, die im Alltag passieren, finden ohnehin nicht über Tastaturen statt.

In vielen Alltagsszenarien ist Sprache die Standardmethode für Interaktionen.

ElevenLabs Agents ermöglichen es der Maschine nicht nur, an einer vollständigen Konversation teilzunehmen, sondern auch, die Fragen des Nutzers zu verstehen. Deshalb betont ElevenLabs, dass seine Agents die Eigenschaften von Mitarbeitern haben.

Schließlich hat der Spracheinstieg noch einen weiteren Vorteil: Er kann auch außerhalb von Bildschirmen funktionieren.

Text-Agenten sind hauptsächlich auf Webseiten, Apps und Bürosoftware angewiesen. Sprach-Agenten hingegen können in Telefonleitungen, Kopfhörern, Fahrzeugsystemen und Geschäften ohne Bildschirm eingesetzt werden.

Egal wie gut die Videos sind, die mit KI-Videogenerierung erstellt werden – ohne Bildschirm kann man sie nicht sehen.

03

Sprache ist der Einstieg in das KI-Zeitalter

Für uns ist die Geschichte von ElevenLabs gar nicht so geheimnisvoll.

Öffnen Sie eine beliebte KI-Assistenten-App, chatten Sie per Sprache mit ihr, lassen Sie sie einen Text vorlesen und die Stimme wechseln – sie kann ihn ausdrucksstark wiedergeben.

Dass „KI sprechen kann“, ist in China nichts Besonderes. Warum gibt es also kein Unternehmen wie ElevenLabs in China?

Nehmen wir Doubao als Beispiel: Das Ziel von Doubao ist es, Nutzer dazu zu bringen, die Plattform zu betreten, dort zu bleiben und das Ökosystem von ByteDance zu nutzen. Die Sprachfunktion von Doubao ist nur eine Interaktionsmethode innerhalb eines Super-App-Assistenten.

Die Stimme von Doubao ist im Wesentlichen Teil des KI-Einstiegs von ByteDance. Je besser sie funktioniert, desto eher bleiben die Nutzer bei Doubao und desto häufiger nutzen sie es als Assistenten.

Dass ElevenLabs im Ausland so erfolgreich sein konnte, liegt unter anderem daran, dass der ausländische Markt stark fragmentiert ist. Content-Unternehmen, Spieleschmieden, Bildungsanbieter, Kundenservice-Firmen, Tools für Kreative und Entwicklerplattformen haben alle ihre eigenen Systeme und individuellen Anforderungen.

ElevenLabs positioniert sich genau zwischen diesen unterschiedlichen Bedürfnissen, etabliert sich als „Sprachinfrastruktur“ und verkauft seine Dienstleistungen gebündelt an all diese Akteure.

Bei ByteDance hingegen? Für die Synchronisation von Kurzvideos gibt es Jianying; für das Vorlesen von Romanen gibt es Fanqie Novel; für die Sprachfunktion des KI-Assistenten gibt es Doubao; für die Sprachaufrufe von Unternehmen gibt es Volcano Engine; für die Erklärungen im Live-E-Commerce gibt es Douyin.

Anders aus