Voice-Agent-Plattformen im Vergleich: ElevenLabs vs. Retell vs. Voiceflow
ElevenLabs, Retell und Voiceflow lösen unterschiedliche Voice-Agent-Aufgaben. Wie man für deutschen Support, CX oder Dev-Teams wählt.
ElevenLabs, Retell und Voiceflow werden als Rivalen verglichen, aber sie gewinnen bei unterschiedlichen Aufgaben. Retell ist telefonie-erste Infrastruktur für echte Telefonate. ElevenLabs führt bei Sprachqualität und Entwicklerkontrolle. Voiceflow ist eine visuelle Design-Plattform für Teams, die Gesprächsabläufe formen. Die richtige Frage ist also nicht, welches am besten ist. Sie ist, welche Aufgabe Sie tatsächlich erledigen.
Zwei Vorbehalte vorweg für einen deutschen Käufer. Die Preise aller drei ändern sich oft, behandeln Sie also jede Zahl hier als veraltet und prüfenswert. Und Datenresidenz ist eine echte Randbedingung: Keines hostet standardmäßig in der EU, was zählt, bevor Personendaten ein Gespräch berühren.
01. Was jedes eigentlich ist
🔸 ElevenLabs Agents. Aufgebaut auf der Sprachqualität, für die ElevenLabs bekannt ist, nun umhüllt von einer gehosteten Agentenschicht mit Telefonie über SIP. Die Wahl, wenn die natürlichst klingende Stimme und Entwicklerkontrolle die entscheidenden Faktoren sind.
🔸 Retell AI. Telefonie-erste Voice-Agent-Infrastruktur. Es positioniert sich über niedrige Latenz und verlässliche Gesprächsabwicklung, eingehend und ausgehend, und lässt Sie Ihren eigenen Carrier mitbringen. Die Wahl für den produktiven Anrufbetrieb.
🔸 Voiceflow. Eine visuelle, kollaborative Plattform zum Entwerfen von Chat- und Voice-Agenten, mit eingebauter Wissensbasis. Design-geführt und No-Code-erst. Die Wahl für ein CX- oder Design-Team, das an Abläufen iteriert. Beachten Sie, dass die Live-Telefonstimme hier die schwächste der drei ist, da sie sich auf einen separaten Telefonie-Anbieter stützt.
Wenn Ihre Aufgabe näher an einem Text- oder werkzeugnutzenden Agenten liegt als an einer Telefonleitung, gilt dieselbe Bauen-gegen-Kaufen-Logik aus No-Code-Agent-Buildern.
02. Der Vergleich, der zählt
Die Dimensionen, die ein Voice-Agent-Projekt wirklich entscheiden, nebeneinander:
| Dimension | ElevenLabs | Retell | Voiceflow |
|---|---|---|---|
| Am besten bei | Sprachqualität, Dev-Kontrolle | Telefonie, Anrufbetrieb | Visuelles Ablaufdesign |
| Latenz | TTS-Inferenz um 75ms | Insgesamt niedrig, variiert im Feld | Kein latenzgeführtes Produkt |
| Telefonie und SIP | SIP, Nummern in vielen Ländern | Kernstärke, eigener Carrier | Leitet über einen Dritten |
| Baumodell | API und SDK, entwicklergeführt | API und SDK, entwicklergeführt | Drag-and-drop, No-Code-erst |
| LLM-Flexibilität | Konfigurierbar, Token-Kosten durchgereicht | Eigenes Modell mitbringen | Eingebaut plus custom in höheren Stufen |
| Deutsch-Unterstützung | Starkes TTS, viele Sprachen | Deutsch unterstützt, Sprachqualität in Reviews angemerkt | Über das zugrunde liegende Modell |
| EU-Datenresidenz | Nur Enterprise-Stufe | Selbst hosten, um sie zu erreichen | Reine Cloud, keine |
| Preismodell | Pro Minute plus LLM obendrauf | Pro Minute, gestapelte Engine plus LLM plus Telefonie | Abo plus pro Platz plus Nutzung |
Lesen Sie die Tabelle als Karte von Kompromissen, nicht als Punktetafel. Keine Spalte ist bei allem am besten, was der ganze Punkt ist.
03. Wo jedes passt
🔸 Eine deutsche Support-Leitung, die Telefonie und eine natürliche deutsche Stimme braucht. Beginnen Sie mit Retell für verlässliche Gesprächsabwicklung und Carrier-Kontrolle, oder ElevenLabs, wenn die Natürlichkeit der deutschen Stimme der entscheidende Faktor ist. Für strikte Datensouveränität hostet keines standardmäßig in der EU, planen Sie also selbst gehostetes Retell oder eine EU-native Alternative.
🔸 Ein designgeführtes Team, das einen CX-Ablauf baut. Voiceflow. Der visuelle Builder, die Mehr-Editoren-Zusammenarbeit und die Wissensbasis lassen ein Team ohne Entwickler iterieren. Fügen Sie Telefonie separat hinzu, wenn Sie Sprache brauchen.
🔸 Ein Entwickler, der maximale Sprachqualität und eigene Kontrolle will. ElevenLabs. Bestes TTS, SDK-Kontrolle, modellagnostisch, SIP für Telefonie.
Das Muster ist dasselbe, das wir auf die meisten Werkzeugentscheidungen anwenden: zuerst die Aufgabe benennen, dann das Werkzeug wählen, das diese Aufgabe besitzt.
04. Die deutsche Frage der Datenresidenz
Das ist der Teil, der entscheidet, ob ein Voice-Agent überhaupt erlaubt ist, bevor Sprachqualität überhaupt zählt.
DSGVO-Konformität ist nicht dasselbe wie EU-Hosting. Ein Anbieter kann DSGVO-konform sein und Anrufe trotzdem auf US-Infrastruktur verarbeiten und speichern, was die Schrems-II-Fragen wieder öffnet. Über diese drei hinweg: ElevenLabs bietet EU-Datenresidenz nur in der Enterprise-Stufe, Retell erreicht sie über Selbst-Hosting, und Voiceflow ist reine Cloud ohne souveräne Residenz-Option.
Für eine deutsche Support-Leitung, die Kundendaten verarbeitet, macht das aus der Shortlist ebenso eine Hosting-Entscheidung wie eine Feature-Entscheidung. Es ist dieselbe Logik, die wir in was die DSGVO tatsächlich erlaubt und in On-Premise gegen Cloud-LLM darlegen: entscheiden Sie, wo die Daten liegen dürfen, dann wählen Sie das Werkzeug, das das respektiert.
05. Wie wir wählen würden
Wir würden nicht von der Marke ausgehen. Wir würden von drei Fragen ausgehen: Läuft das über das Telefon, wer wartet es, und wo dürfen die Daten liegen.
Ist es eine Telefonleitung, verdient Retell den ersten Blick. Trägt die Sprachqualität das Erlebnis und ein Entwickler besitzt es, ElevenLabs. Muss ein nicht technisches Team den Ablauf entwerfen und besitzen, Voiceflow. Und wenn die Daten die EU nicht verlassen dürfen, verlagert sich das Gespräch zum Hosting, bevor es zu den Features geht, was die Shortlist oft neu formt.
Die Preise werden sich weiter bewegen, prüfen Sie sie also zum Evaluationszeitpunkt erneut, statt einer einzelnen Zahl zu vertrauen. Der beständige Teil ist die Passung, und die Passung folgt der Aufgabe.
