Vergleich
CastDub als kostenlose ElevenLabs-Alternative für Skripte mit mehreren Figuren
ElevenLabs ist sehr gut in dem, wofür es gebaut ist. Wenn in deinem Skript aber sechs Leute reden und du das Werkzeug sechsmal hintereinander bedienst, geht es auf dieser Seite darum, ob ein Werkzeug, das besetzt statt vorzulesen, diese Arbeit wegnimmt – und um die vier Fälle, in denen es das nicht tut. Falls du wegen der kostenlosen Version von ElevenLabs hier bist: Der erste Abschnitt nach der Tabelle beginnt genau damit – was deren Free-Stufe hergibt und was unsere.
Geprüft:
Wir sind ein Mitbewerber von ElevenLabs, also lies das Folgende als interessengeleitete Aussage und klick die Links an. Jeder ElevenLabs-Fakt auf dieser Seite wurde am 2026-09-21 auf deren eigener Preisseite oder in deren eigener Dokumentation gelesen, und die Adresse steht direkt daneben.
Die kurze Fassung: ElevenLabs ist eine Stimmplattform mit einer hervorragenden Klon-Geschichte und, in ihren eigenen Worten in der Text-to-Dialogue-Dokumentation, „no limit to the number of speakers in a dialogue“ – also keine Obergrenze für die Zahl der Sprecher in einem Dialog. CastDub ist etwas Kleineres: ein Produktionswerkzeug für Skripte, in denen die Sprecher schon drinstehen. Was davon du willst, hängt an Fragen, die nichts damit zu tun haben, wessen Demo schöner klingt.
Was wir überprüfen konnten
| CastDub | ElevenLabs | Typecast | |
|---|---|---|---|
| Mehrere Figuren aus einem eingefügten Skript? | Ja, und genau das ist das ganze Produkt: Du fügst ein Skript ein, CastDub trennt die Zeilen, erkennt, wer spricht, und gibt jeder sprechenden Figur einen von 40 Bibliotheks-Charakteren. Bis zu 10 voneinander unterscheidbare Grundstimmen in einem Projekt. | „There is no limit to the number of speakers in a dialogue“ (Text-to-Dialogue-Schnittstelle, Eleven v3, 2.000 Zeichen pro Anfrage); im Studio lassen sich „assign multiple voices to a single paragraph“. (Quelle) | Auf den geprüften Seiten nicht angegeben. (Quelle) |
| Emotion Zeile für Zeile führen? | Zeile für Zeile in Pro; in jedem Tarif trägt jede Figur eine Grundemotion. 7 Emotionen, die für die einzelne Zeile wirklich gespielt werden – kein Effekt, der über eine neutrale Aufnahme gelegt wird. | Anweisungen in eckigen Klammern im Text, etwa [sad], die „influence the delivery of the dialogue“ in Eleven v3. (Quelle) | Pro: „Fine-tune voices with emotion controls“ und „Advanced voice controls including intonation“; Plus: „Control voice speed“. (Quelle) |
| Eine Audiodatei pro Figur (Stems)? | Nur in Pro: ein ZIP mit dem Mix und dazu pro Figur ein MP3 in voller Länge. | In ihrer Studio-Dokumentation nicht angegeben; Downloads werden als „MP3 or WAV“ beschrieben. (Quelle) | Auf ihrer Seite nicht angegeben. (Quelle) |
| Untertitel? | Plus und Pro: eine SRT-Datei, und ihr Export kostet kein Guthaben. | Untertitel im Studio entstehen „generated automatically and can be customized with templates“; eine SRT-Datei ist nicht angegeben. (Quelle) | Auf ihrer Seite nicht angegeben; die Preisseite führt „HD (720p) video exports“. (Quelle) |
| Eigene Stimme klonen? | Nur die eigene Stimme: Du liest eine kurze Einwilligungserklärung vor, und diese Aufnahme wird zur Stimme, bis zu 3 pro Konto. Sie liest Zeilen in allen 9 Sprachen und folgt dem Tempo der Zeile; Emotionen und Regieanweisungen wirken bei ihr nicht. | „Instant Voice Cloning“ ab Starter; „Professional Voice Cloning“ ab Creator (ElevenLabs). (Quelle) | Basic: „Instant Cloning (1 slot)“; Plus: „Professional Cloning (1 slot in total)“; Pro: 2 slots; Business: 10 slots. (Quelle) |
| Kostenloser Tarif | Ja: 4,500 Guthaben einmalig für Downloads (etwa 5 Minuten fertiges englisches Audio), 30 synthetisierte Zeilen pro 24 Stunden, 2 Figuren pro Projekt. Erzeugen und Vorhören kostet in keinem Tarif Guthaben. | Kostenlos für $0 mit „10k credits per month“ und „3 Projects in Studio“. (Quelle) | „Voice generation & playback Unlimited“, „Lifetime download credits 3,000 credits (~5 mins)“ und „Attribution is required for all content downloaded on the Free plan“ – auf der kostenlosen Stufe ist ein Quellenhinweis Pflicht. (Quelle) |
| Kommerzielle Nutzung im kostenlosen Tarif | Nein. Free ist private, nicht-kommerzielle Nutzung. Die kommerzielle Lizenz beginnt bei Basic, und daran ändert die offene Beta nichts. | Die „Commercial License“ beginnt bei ElevenLabs erst bei Starter, gilt also nicht kostenlos. (Quelle) | Die kommerzielle Lizenz beginnt bei Basic; kostenlose Downloads verlangen einen Quellenhinweis. (Quelle) |
| Einstiegspreis | $5 im Monat für Basic, sobald die Bezahlung freigeschaltet ist. Während der offenen Beta wird nichts berechnet, und jeder Account läuft mit Pro-Funktionen. | Starter $6/Monat für „30k credits per month“; Creator $11/Monat für „121k credits per month“ (ElevenLabs). (Quelle) | Basic $5/Monat, Plus $19/Monat, Pro $29/Monat, Business $69/Monat. (Quelle) |
| Sprachen | 9: Englisch, Chinesisch, Japanisch, Koreanisch, Spanisch, Portugiesisch, Französisch, Deutsch, Russisch. Jede Grundstimme spricht alle davon. Regionale Akzente lassen sich außerhalb des Englischen nicht wählen, und wir versprechen sie auch nicht. | „74“ Sprachen, in den Bezahlstufen aufgeführt. (Quelle) | „35+ languages“ auf ihrer Startseite. (Quelle) |
Stand 2026-09-21. Die Preise sind die Monatsbeträge, die auf der jeweils eigenen Seite in US-Dollar stehen; Jahres- und Aktionspreise weichen ab und ändern sich oft.
„Auf ihrer Seite nicht angegeben“ heißt genau das – wir haben die unten aufgeführten Seiten geöffnet, und der Fakt stand nicht darauf. Es ist keine Behauptung, dass die Funktion fehlt.
Die CastDub-Spalte wird aus demselben Code erzeugt, der das Produkt steuert (lib/plans.ts und die Besetzungslogik), sie kann also nicht davondriften, was du tatsächlich bekommst.
Gibt es einen kostenlosen Tarif – und was darfst du daraus mitnehmen?
Die Preisseite von ElevenLabs führt eine kostenlose Stufe für $0 mit „10k credits per month“ und „3 Projects in Studio“, danach Starter für $6 mit 30k Credits, Creator für $11 (erster Monat $6) mit 121k Credits, Pro für $99, Scale für $299 und Business für $990. Dieselbe Seite setzt die „Commercial License“ bei Starter an – die kostenlose Stufe ist also nichts für kommerzielle Arbeit.
Unsere kostenlose Stufe ist absichtlich anders geschnitten: 4,500 Guthaben einmalig – etwa 5 Minuten fertiges englisches Audio – und abgezogen wird erst beim Herunterladen. Erzeugen und Vorhören kostet in keinem Tarif etwas; stattdessen gibt es eine Obergrenze von 30 synthetisierten Zeilen pro 24 Stunden. Du kannst eine Szene also zwanzigmal durchhören, während du an ihr schneidest, ohne auf einen Zähler zu starren.
Eines solltest du vor der Anmeldung wissen: Die Bezahlung ist bei uns noch nicht freigeschaltet. Während der offenen Beta läuft jeder Account mit Pro-Funktionen, und es wird nichts berechnet. Die kommerzielle Lizenz ist aber eine Vertragsbedingung und kein Schalter, sie geht damit also nicht auf – kostenlose Nutzung bleibt privat.
Kann das Werkzeug mehrere Figuren aus einem Skript besetzen?
Beide können es, in unterschiedlicher Form. Die Text-to-Dialogue-Schnittstelle von ElevenLabs „creates natural sounding expressive dialogue from text using the Eleven v3 model“, und ihre Dokumentation sagt ausdrücklich: „There is no limit to the number of speakers in a dialogue“ – mit dem Hinweis, eine Anfrage bei höchstens 2.000 Zeichen zu halten. Für ihr Studio-Produkt steht in der Dokumentation, man könne „assign multiple voices to a single paragraph“, indem man Text markiert und die Stimme im Auswahlmenü wechselt.
CastDub fängt am anderen Ende an. Du fügst das ganze Skript ein – Drehbuchformat, ein Protokoll mit „NAME: Zeile“, Prosa mit Redebegleitsätzen oder die Gedankenstrich-Dialoge, wie sie im Spanischen, Französischen, Portugiesischen und Russischen üblich sind – und das Werkzeug arbeitet heraus, wer spricht, legt für jede Person eine Figur an und besetzt sie aus einer Bibliothek von 40 Charakteren. Innerhalb eines Projekts teilen sich zwei Figuren keine Grundstimme, solange der Pool dieses Geschlechts noch etwas hergibt – ein Vierpersonenstück bleibt also hörbar sortiert, ohne dass du etwas verwaltest.
Die ehrliche Grenze auf unserer Seite: Es gibt 10 Grundstimmen (4 weiblich, 5 männlich, 1 neutral). Eine Szene mit mehr als 10 Sprechenden bedeutet also, dass sich Leute eine Stimme teilen und nur noch über die Spielanweisung auseinanderzuhalten sind. Wenn deine Besetzungsliste länger ist, solltest du das vorher wissen und nicht hinterher.
Lässt sich die Emotion Zeile für Zeile führen?
ElevenLabs macht das über den Text selbst. Ihre Text-to-Dialogue-Dokumentation beschreibt „non-speech audio events“ in eckigen Klammern mitten im Eingabetext – Emotionen wie [sad], Geräusche wie [applause] –, die „influence the delivery of the dialogue“ im Modell Eleven v3. Das ist ausdrucksstark und passt gut zu einem Skript, weil die Regieanweisung im Skript wohnt.
CastDub macht es mit einem Bedienelement an der Zeile. Jede Figur trägt in jedem Tarif eine Grundemotion; in Pro überschreibst du jede einzelne Zeile mit einer von 7 Emotionen, und in den Tarifen Plus und Pro kommt ein fünfstufiges Tempo von 0,75× bis 1,25× dazu. Die Emotion wird für diese Zeile wirklich gespielt und nicht nachträglich hineingefiltert – was auch heißt: Erzeugst du eine Zeile neu, bekommst du eine leicht andere Aufnahme. Dieselbe Stimme, neue Darbietung. Wenn eine Lesart nicht sitzt, ist der Handgriff also: noch einmal drücken.
Keiner der beiden Wege gewinnt im Grundsatz: Klammer-Anweisungen wandern mit dem Text in andere Werkzeuge, ein Bedienelement ist besser, wenn du vier Lesarten derselben Zeile hintereinander hören willst.
Kommen Stems und Untertitel heraus?
Hier unterscheiden wir uns am deutlichsten, und hier solltest du uns nachprüfen statt uns zu glauben. In Pro exportiert CastDub ein ZIP mit dem Mix und dazu pro Figur ein MP3 in voller Länge, zeitlich deckungsgleich – du kannst eine Szene also in einer DAW richtig vertonen, statt Musik unter einer einzigen Dialogspur wegzudrücken. Plus und Pro exportieren außerdem eine SRT, und dieser Export kostet kein Guthaben.
Auf der ElevenLabs-Seite steht in der Studio-Dokumentation, man könne „download as MP3 or WAV“, mit tarifabhängiger Qualität – 128 kbps MP3 in den kleineren Tarifen, weiter oben 16-bit WAV oder 192 kbps MP3 – eine WAV-Ausgabe, die wir überhaupt nicht haben. Dieselbe Seite beschreibt automatische Untertitel, die „can be customized with templates for colors, fonts, and placement“. Ein Export je Sprecher ist auf den Seiten, die wir gelesen haben, nicht angegeben – was nicht heißt, dass es ihn nicht gibt: Wir konnten es nicht belegen und haben deshalb weder Haken noch Kreuz in dieses Feld gesetzt.
Der klarste Vorteil in diesem Abschnitt gehört ihnen: die Ausgabe als WAV, die wir gar nicht anbieten – bei uns ist alles MP3, und das allein kann die Entscheidung tragen, wenn du gegen ein Abgabeformat lieferst.
Welche Sprachen, und wie viele Stimmen?
Die Preistabelle von ElevenLabs führt „74“ Sprachen in den Bezahlstufen. Das ist eine Größenordnung mehr als bei uns, und es ist die Zahl von deren Seite, nicht unsere.
CastDub hat 9: Englisch, Chinesisch, Japanisch, Koreanisch, Spanisch, Portugiesisch, Französisch, Deutsch und Russisch. Jede der 10 Grundstimmen spricht alle 9 – keine Sprache ist hier zweite Klasse mit einer dünneren Stimmenliste. Was wir nicht versprechen, ist ein regionaler Akzent: Außerhalb des Englischen bekommst du die überregionale Aussprache der Sprache – Hochdeutsch, Mandarin, lateinamerikanisches Spanisch, brasilianisches Portugiesisch – und eine Stadt kannst du nicht wählen. Außerdem hat nicht für jede Sprache eine muttersprachliche Abnahme stattgefunden, deshalb lautet die ehrliche Anleitung: eigene Zeilen einfügen und hören, bevor du dich festlegst.
Ist deine Arbeit in einer Sprache, die wir nicht haben, schlägt Abdeckung jeden Arbeitsablauf, und die Entscheidung ist längst gefallen.
Kann ich meine eigene Stimme klonen?
Bei ElevenLabs ja, und das ist einer der klarsten Gründe, sie zu nehmen. Ihre Preisseite setzt „Instant Voice Cloning“ ab der Stufe Starter an und „Professional Voice Cloning“ ab Creator aufwärts.
Bei CastDub ja, in engeren Grenzen. Du liest eine kurze Einwilligungserklärung vor, und diese Aufnahme wird zur Stimme – es kann also immer nur deine eigene sein, nie eine Person des öffentlichen Lebens und nie ein Kind. Sie liest deine Zeilen in allen 9 Sprachen und folgt dem Tempo der Zeile, aber Emotionen und Regieanweisungen wirken bei ihr nicht, und es gibt einen Weg, sie anzulegen, statt zwei Stufen.
Wenn eine geklonte Stimme die Mitte deiner Arbeit ist – eine, die die Darbietung trägt, oder eine aus mehr als ein paar Sekunden Audio –, gehen ihre Stufen weiter als unsere, und das entscheidet diesen Vergleich zu ihren Gunsten. Wenn deine eigene Stimme einen Erzähler oder eine Figur neben einer Besetzung lesen soll, reicht unsere.
Wann du besser ElevenLabs nimmst
Vier Fälle, und wir halten sie für häufig. Erstens Arbeit mit einer einzigen Erzählstimme – ein Hörbuch, ein Dokumentarfilm-Off, ein Solo-Podcast: Die Besetzungsmaschinerie bringt dir dann nichts, und du würdest Aufmerksamkeit für etwas aufbringen, das du nie anfasst. Zweitens das Klonen, siehe oben. Drittens die Sprachabdeckung: 74 gegen 9 ist kein knapper Fall, wenn deine Sprache in der Lücke liegt. Viertens eine bestehende Pipeline – wenn du Schnittstellenaufrufe, einen Render-Schritt und eine Mischvorlage hast, die laufen, sind die Umstiegskosten höher, als sie von einer Vergleichsseite aus aussehen.
Es gibt einen fünften, leiseren Fall: ihre Größe. Größere Tarife, WAV-Ausgabe, eine Schnittstelle mit veröffentlichten Grenzwerten und viel Dokumentation – wenn du dich vor einem Einkauf rechtfertigen musst, ist diese Reife etwas wert, das wir dieses Jahr nicht aufwiegen.
Unser Fall ist schmal, und wir sagen ihn lieber schmal: ein Skript mit mehreren Sprechenden, das bisher Person für Person erzeugt und von Hand zusammengesetzt wird, und am Ende braucht es Stems und Untertitel. Genau diese Stunde Arbeit wollen wir streichen. Ist das nicht deine Stunde, bleib, wo du bist.
Wie diese Seite entstanden ist
Wir bauen ein konkurrierendes Produkt, eine solche Seite ist also Werbung, egal was wir damit anstellen. Was wir tun können, ist sie nachprüfbar zu machen. Jede Aussage über ElevenLabs oben wurde am 2026-09-21 auf deren eigener Preisseite oder in deren eigener Dokumentation gelesen, die Adresse steht daneben, und wo eine Seite etwas nicht sagte, steht „auf ihrer Seite nicht angegeben“ statt einer Vermutung aus dem Gedächtnis oder einer abgeschriebenen Fremdbewertung.
Weggelassen haben wir alles, was sich in Vergleichstabellen sonst einschleicht: keine Haken und Kreuze, keine Punktzahlen, kein Urteil darüber, wessen Stimmen besser klingen – das darfst du mit deinem eigenen Skript in beiden Werkzeugen selbst entscheiden. Es gibt hier keine Zeile, die wir mit einer Meinung gefüllt hätten.
Unsere eigene Spalte ist ebenfalls nicht von Hand getippt. Die Zahlen stammen aus denselben Tarifdefinitionen, die das Produkt durchsetzt, und werden beim Bauen dieser Seite eingesetzt: Ändern wir einen Preis oder ein Guthaben und vergessen diese Seite, ändert sie sich trotzdem.
Findest du eine Zeile, die falsch oder veraltet ist – Anbieter ändern Preise, ohne ihre Mitbewerber zu informieren –, sag uns Bescheid. Wir ziehen sie gerade und setzen das Prüfdatum neu. Lieber korrigiert als falsch zitiert.
Woher jede Angabe stammt
Alle Zeilen oben, die ein anderes Produkt beschreiben, stammen von diesen Seiten. Sieh selbst nach — Anbieter ändern ihre Tarife, ohne jemandem Bescheid zu sagen, uns eingeschlossen.
- ElevenLabs — Pricing — Free $0 / 10k credits per month mit 3 Projects in Studio; Starter $6 / 30k; Creator $11 / 121k; Pro $99 / 600k; Scale $299 / 1.8M; Business $990 / 6M; Commercial License ab Starter; Instant Voice Cloning ab Starter und Professional Voice Cloning ab Creator; 74 Sprachen in den Bezahlstufen aufgeführt.
- ElevenLabs — Text to Dialogue documentation — „There is no limit to the number of speakers in a dialogue“; Klammer-Anweisungen steuern die Darbietung; nur Eleven v3; eine Anfrage bei höchstens 2.000 Zeichen halten.
- ElevenLabs — Studio product guide — Mehrere Stimmen innerhalb eines Absatzes zuweisbar; Download als MP3 or WAV mit tarifabhängiger Qualität; automatische, über Vorlagen anpassbare Untertitel; Stems je Sprecher nicht angegeben.
- Typecast — Pricing — Free $0 mit 3,000 lifetime download credits und Pflicht zum Quellenhinweis; Basic $5, Plus $19, Pro $29, Business $69; Emotionsregler in Pro; Klon-Kapazität je Tarif angegeben.
- Typecast — Home — „700+ AI voices“ und „35+ languages“.
Häufige Fragen
Ist CastDub günstiger als ElevenLabs?
Nicht direkt vergleichbar, weil die Einheiten verschieden sind. Deren Preisseite verkauft Credits pro Monat ab $6; bei uns wird Guthaben nur beim Herunterladen abgezogen, zu $5 im Monat für Basic und $29 im Monat für Pro, und Erzeugen oder Vorhören ist in jedem Tarif kostenlos. Ehrlich vergleichen lässt sich das nur so: ein echtes Skript, in beiden produziert, und dann nachsehen, was jeweils abgezogen wurde.
Kann ich ein Projekt von ElevenLabs zu CastDub mitnehmen?
Nur, indem du das Skript einfügst. Einen Import gibt es nicht: keine .txt-, .docx- oder .srt-Datei und keinen Weg, deine ElevenLabs-Stimmen oder -Einstellungen mitzubringen. In der Praxis ist das ein Kopieren des Skripts und eine neue Besetzung, für eine Szene also ein paar Minuten.
Hat CastDub Stimmklonen wie ElevenLabs?
In einer schmaleren Fassung. Deren Preisseite bietet sofortiges Klonen ab Starter und professionelles Klonen ab Creator (ElevenLabs). Wir klonen nur deine eigene Stimme, aus einer kurzen Einwilligungserklärung, die du vorliest; sie liest Zeilen und folgt dem Tempo, spielt aber keine Emotionen. Wenn Klonen das ist, was du vor allem brauchst, nimm sie.
Wie viele Sprechende kann ein CastDub-Projekt haben?
So viele, wie dein Skript hat – aber es gibt nur 10 verschiedene Grundstimmen. Darüber hinaus teilen sich Figuren eine Stimme und sind allein über ihre Spielanweisung auseinanderzuhalten. Für eine dichte Ensembleszene: nach Sprechergruppen in mehrere Projekte teilen, oder die Doppelbesetzung bewusst in Kauf nehmen und die Teilenden nach Alter und Art so weit wie möglich auseinanderlegen.
Bekomme ich getrennte Spuren pro Figur?
In Pro ja: ein ZIP mit dem Mix, dazu pro Figur ein MP3 in voller Länge und eine SRT. In Plus und Pro bekommst du Untertitel, aber ein einzelnes gemischtes MP3. Einen Export je Sprecher konnten wir auf den gelesenen ElevenLabs-Seiten nicht belegen – prüf ihre Dokumentation selbst, wenn das für dich entscheidend ist.
Was ist besser fürs Hörspiel?
Wenn dein Hörspiel mehrstimmig ist, entscheidet die Frage nach dem Ablauf: ob du eine Zeile neu rendern kannst, ohne die Szene neu zu bauen, und ob du Stems für die Mischung bekommst. Ist dein Hörspiel eine Erzählstimme mit gelegentlichen Zitaten, stellt sich diese Frage nie, und deren größere Sprachabdeckung und das Klonen sind mehr wert als unsere Besetzung.
Wenn du gerade daran arbeitest
Stimmen zum Besetzen
Weitere Vergleiche
Besetze heute Abend deine erste Szene
Füge ein Skript ein, lass CastDub jeder Figur eine Stimme geben und exportier ein fertiges Hörspiel.
Kostenlos startenKeine Kreditkarte. Free gibt dir ein einmaliges Guthaben.