Vapi, Retell, ElevenLabs oder Bland? Voice-AI-Plattformen 2026

Die Wahl einer Voice-AI-Plattform wirkt wie ein Stimmwettbewerb: Man hört sich vier Demos an und nimmt die, die am menschlichsten klingt. In der Praxis ist der Preis auf der Website selten der, den Sie zahlen, und die Plattform zählt weniger als Integrationen, Tests und Betrieb. Wer nur nach Demo entscheidet, landet oft bei einem teuren Neubau.

Dieser Vergleich behandelt die vier Plattformen, nach denen wir am häufigsten gefragt werden, Vapi, Retell AI, ElevenLabs Agents und Bland, sowie die Alternativen, die Sie kennen sollten. Alle Preise sind veröffentlichte Angaben oder Messungen Dritter, Stand Oktober 2026, mit Quellen. Anbieter ändern ihre Preise häufig; prüfen Sie vor der Entscheidung die aktuellen Seiten.

Wie ein Voice-AI-Stack aufgebaut ist

Jeder Telefonagent kombiniert dieselben Schichten. Die Plattformen unterscheiden sich darin, welche Schichten sie bündeln und wie sie abrechnen.

Zu dieser Kaskade gibt es zwei Alternativen. Speech-to-Speech-Modelle wie OpenAI Realtime verarbeiten Audio direkt, überlassen Telefonie und Orchestrierung aber Ihnen. Open-Source-Frameworks wie LiveKit Agents und Pipecat bieten volle Kontrolle um den Preis von mehr Entwicklungsaufwand.

Die vier Plattformen im Überblick

Quellen: Vapi, Retell AI, Cekura, ElevenLabs, Macha zu Bland, DevToolLab.

Vapi: maximale Flexibilität für Entwicklerteams

Vapi berechnet 0,05 $ pro Minute für das Hosting und reicht Spracherkennung, Sprachmodell und Sprachsynthese zu Anbieterpreisen durch. Der offizielle Rechner landet bei 1.000 Minuten bei etwa 0,08–0,13 $ pro Minute. Bei der Telefonie sind Sie frei: Twilio mit 0,008 $ pro eingehender und 0,014 $ pro ausgehender Minute, Telnyx mit 0,0055 $ oder ein eigener SIP-Trunk ohne Plattformgebühr. HIPAA kostet 2.000 $ im Monat, jede zusätzliche parallele Leitung 10 $ im Monat (Vapi).

Die Flexibilität hat zwei Seiten. Unabhängige Analysen beziffern die realen Kosten je nach Komponenten auf 0,13 bis 0,31 $ pro Minute (Techsy). Sie können für jede Schicht das günstigste oder das beste Modell wählen, aber jemand muss diese Entscheidungen treffen und pflegen.

Geeignet für: Teams mit Entwicklern, die jede Komponente kontrollieren wollen, eigene SIP-Setups und eigenes LLM-Routing.

Retell AI: ausgewogene Produktionsplattform

Retell rechnet nach Komponenten ab: Sprachinfrastruktur 0,055 $ pro Minute, Sprachsynthese 0,015 $ (ElevenLabs-Stimmen 0,04–0,10 $), Sprachmodell je nach Modell 0,0016 bis 0,32 $ und Telefonie 0,015 $, ein eigener SIP-Trunk ist kostenlos. Zwanzig parallele Anrufe sind enthalten, jeder weitere kostet 8 $. Die eingebaute KI-Qualitätskontrolle kostet nach 100 Freiminuten 0,10 $ pro Minute, eine gebrandete Rufnummernanzeige 0,10 $ pro Anruf (Retell AI). Typische Gesamtkosten liegen bei 0,11–0,15 $ pro Minute (Cekura).

Retell gehört zu den größeren Anbietern: über 40 Mio. $ wiederkehrender Jahresumsatz und mehr als 40 Mio. Anrufe pro Monat, Stand Januar 2026 (AssemblyAI). Die gebrandete Rufnummernanzeige ist für ausgehende Anrufe in den USA relevant, weil Geschäftsanrufe ohne sie dort zunehmend als „Spam Likely“ markiert werden.

Geeignet für: eingehende Telefonassistenten und Buchungsagenten mit CRM- und Kalenderanbindung, wenn Sie Produktionswerkzeuge wollen, ohne alles selbst zusammenzusetzen.

ElevenLabs Agents: die besten Stimmen und die meisten Sprachen

ElevenLabs bietet Tarife von kostenlos bis 990 $ im Monat; der Business-Tarif enthält 12.375 Minuten. Mehrminuten kosten 0,08 $, Lastspitzen 0,16 $. Die Telefonie ist enthalten, das Sprachmodell wird separat abgerechnet (ElevenLabs), was typische Kosten von etwa 0,09–0,15 $ pro Minute ergibt. Die Stimmqualität gilt als die beste am Markt, die Plattform deckt über 70 Sprachen ab (DevToolLab).

Geeignet für: mehrsprachigen Kundenservice in Europa, etwa auf Deutsch, Niederländisch, Französisch oder Türkisch, und für Marken, bei denen die Stimme Teil des Erlebnisses ist. ElevenLabs-Stimmen lassen sich auch in Retell oder Vapi nutzen, wenn Sie deren Orchestrierung bevorzugen.

Bland: Pauschalpreise und Compliance-Paket

Seit dem 5. Dezember 2025 verkauft Bland Tarife: Start mit 0,14 $ pro Minute, Build mit 299 $ im Monat plus 0,12 $ pro Minute und Scale mit 499 $ im Monat plus 0,11 $ pro Minute, jeweils inklusive Modell, Spracherkennung und Sprachsynthese. Weiterleitungen an Menschen kosten 0,03–0,05 $ pro Minute, und jeder ausgehende Versuch wird mit mindestens 0,015 $ berechnet (Macha). Die Plattform bündelt SOC 2, HIPAA und PCI (DevToolLab).

Ein Hinweis zur Vorsicht: Der Wettbewerber Retell berichtet von durchschnittlich etwa 800 ms Latenz mit Spitzen bis 2,5 Sekunden (Retell). Angaben von Wettbewerbern sollten Sie skeptisch lesen und im eigenen Test nachmessen.

Geeignet für: regulierte Einsätze in den USA, bei denen planbare Pauschalpreise und Compliance-Dokumentation wichtiger sind als die Kontrolle über einzelne Komponenten.

Alternativen, die Sie kennen sollten

• Synthflow: No-Code- und White-Label-Lösung für Agenturen. Neukunden erhalten Enterprise-Verträge ab 30.000 $ pro Jahr; der Agenturtarif kostet 1.250–1.400 $ im Monat für 6.000 Minuten, Mehrminuten 0,12 $; reale Kosten werden mit 0,15–0,37 $ pro Minute angegeben (DevToolLab, Leadlock).
• OpenAI Realtime (Speech-to-Speech): gpt-realtime-2.1 kostet für Audio 32 $ pro Million Eingabe- und 64 $ pro Million Ausgabe-Token, die Mini-Version 10 $ und 20 $ (OpenAI). Messungen über 4.000 Sitzungen ergeben 0,02–0,15 $ pro Minute, typisch 0,05–0,08 $, mit einem zentralen Risiko: Der Kontext wächst mit jedem Redebeitrag, lange Sitzungen erreichten 0,146 $ pro Minute (HackerNoon). Telefonie und Orchestrierung liegen bei Ihnen.
• Open Source: LiveKit Agents kommt in einem Beispiel-Stack auf etwa 0,067 $ pro Minute, Pipecat auf etwa 0,01 $ Rechenkosten plus 0,018 $ für das Telefonnetz pro Minute (DevToolLab).
• PolyAI: nur Enterprise, keine öffentlichen Preise. Im Dezember 2025 wurden 86 Mio. $ in einer Series D bei einer Bewertung von 750 Mio. $ eingesammelt; PolyAI meldet über 2.000 Implementierungen in 45 Sprachen für Kunden wie Marriott, Caesars und UniCredit (PolyAI).

Was ein Monat wirklich kostet

Minutenpreise lassen sich als Monatssummen besser beurteilen. Die Tabelle rechnet drei Punkte der realistischen Spanne hoch:

Dazu kommen Rufnummern, zusätzliche Parallelität, Compliance-Pakete, QA-Module und die einmalige Integrations- und Testarbeit. Drei versteckte Kostentreiber gehören in jedes Budget: abgerechnete ausgehende Versuche und Mailboxen, lange Gespräche, deren wachsender Kontext jeden Redebeitrag verteuert, und Modellwechsel, die die Minutenkosten über Nacht verändern. Ein Gateway, das Anfragen an das passende Modell leitet und Ausgaben verfolgt, hilft hier; siehe LLM-Gateway: Modell-Routing und Kostenkontrolle.

Latenz und Fehlerbilder: was Plattformen wirklich unterscheidet

Im menschlichen Gespräch beträgt die Pause zwischen zwei Redebeiträgen etwa 200 Millisekunden (Stivers et al., PNAS). Kaskadierte Voice-Agenten aus Spracherkennung, Sprachmodell und Sprachsynthese antworten typischerweise in rund einer Sekunde (DevToolLab), was die meisten Anrufenden akzeptieren. Was sie nicht akzeptieren, ist Unbeständigkeit: Auf eine schnelle Antwort folgen drei Sekunden Stille, und das Gespräch wirkt kaputt. Geteilte Infrastruktur kann solche Ausreißer erzeugen (Cekura); messen Sie deshalb immer die langsamsten Redebeiträge, nicht nur den Durchschnitt.

Neben der Latenz begegnen Ihnen auf jeder Plattform dieselben Fehlerbilder, und Ihr Testkatalog sollte jedes davon abdecken:

1. Fehler beim Sprecherwechsel: Der Agent fällt ins Wort oder schweigt zu lange. Pausen von 20–30 Sekunden können das Gespräch ganz beenden (Retell).
2. Fehler bei der Datenerfassung: Namen, Adressen, Telefonnummern und Daten falsch verstanden oder falsch geschrieben.
3. Erfundene Zusagen: Rabatte, Konditionen oder Termine, die es nicht gibt.
4. Falsche Mailbox-Erkennung bei ausgehenden Anrufen, die Minuten verschwendet und Empfänger verärgert.
5. Parallelitätsgrenzen, etwa die 20 enthaltenen parallelen Anrufe bei Retell (Cekura).
6. Kostenanstieg durch wachsenden Kontext in langen Sitzungen (HackerNoon).
7. Spam-Markierung ausgehender Anrufe in den USA ohne gebrandete Rufnummernanzeige.

Keines dieser Probleme löst ein Plattformwechsel allein. Sie werden gelöst durch sorgfältiges Prompt- und Tool-Design, einen festen Testkatalog, das Vorlesen kritischer Daten zur Bestätigung und Monitoring nach dem Start.

Welche Plattform für welchen Einsatz

So entscheiden Sie: ein zweiwöchiger Vergleichstest

1. Schreiben Sie 30–50 Testszenarien aus echten Anrufen, auch schwierige: buchstabierte Namen, Adressen und Daten, Unterbrechungen, Meinungswechsel, der Wunsch nach einem Menschen.
2. Halten Sie die Variablen gleich. Nutzen Sie nach Möglichkeit dasselbe Sprachmodell und denselben Prompt, damit Sie die Orchestrierung vergleichen und nicht die Modelle.
3. Messen Sie, was Anrufende spüren: Antwortlatenz im Median und bei den langsamsten 5 % der Redebeiträge, Umgang mit Unterbrechungen, Genauigkeit der erfassten Daten, Erfolgsquote von Tool-Aufrufen und Weiterleitungen.
4. Testen Sie die Parallelität bei Ihrer realistischen Spitzenlast, nicht beim Durchschnitt.
5. Prüfen Sie die Datenseite: Speicherort von Aufzeichnungen und Transkripten, Auftragsverarbeitungsvertrag, Datenhaltung in der EU, Löschfristen und ob Prompts, Konfiguration und Gesprächsdaten exportierbar sind.
6. Rechnen Sie mit Ihrem Volumen, inklusive Versuchen, Weiterleitungen, Zusatzmodulen und der nächsten Tarifstufe.

Typische Fehler

1. Nach der Demo-Stimme entscheiden. Stimmen sind zwischen Plattformen austauschbar, Integrationen und Zuverlässigkeit nicht.
2. Listenpreise vergleichen. Vergleichen Sie Monatssummen bei Ihrem Volumen und Ihrer Gesprächsdauer.
3. Parallelität ignorieren. Ein voller Montagmorgen kann einen Einstiegstarif sprengen.
4. Alles im visuellen Baukasten eines Anbieters bauen. Logik, die Sie nicht exportieren können, bindet Sie. Lesen Sie dazu Eigentum an Ihrer KI: Vendor-Lock-in vermeiden.
5. Modelle ohne Testkatalog wechseln. Ein günstigeres Modell, das Telefonnummern falsch versteht, kostet mehr, als es spart.
6. An „autonome Vertriebsteams“ glauben. Die US-Handelsbehörde FTC verklagte Air AI im August 2025 wegen irreführender Versprechen; der Vergleich vom März 2026 umfasste ein Urteil über 18 Mio. $, größtenteils ausgesetzt, und ein Verbot, „Geschäftsgelegenheiten“ zu vermarkten (FTC).

Fazit

Die eine beste Voice-AI-Plattform gibt es nicht, nur die beste Passung für Ihre Anrufe, Ihr Volumen, Ihre Sprachen und Ihr regulatorisches Umfeld. Vapi belohnt Entwicklungstiefe, Retell bietet ausgewogene Produktionswerkzeuge, ElevenLabs gewinnt bei Stimme und Sprachen, und Bland verkauft Planbarkeit und Compliance. Wofür Sie sich auch entscheiden: Halten Sie Prompts, Abläufe, Testkataloge und Daten portabel, messen Sie mit Ihren eigenen Szenarien und planen Sie Budget für den Betrieb ein, nicht nur für Minuten.

Sie wünschen eine unabhängige Empfehlung auf Basis Ihrer Aufzeichnungen und Systeme? Buchen Sie ein kostenloses 15-minütiges KI-Audit. Wir bauen plattformunabhängige Voice-Agenten und die Schicht für Kostenkontrolle und Observability drumherum.