Vergleich
CastDub als PlayHT-Alternative für Dialoge aus dem Skript
Die eigene Dokumentation von PlayHT beschreibt ein Modell für Gespräche, erreichbar über eine Schnittstelle. CastDub ist ein Ort, an dem du dich hinsetzt und eine Szene schneidest. Auf dieser Seite geht es darum, was davon du brauchst – und das ist vor allem die Frage, ob du programmierst.
Geprüft:
Wir stehen mit PlayHT im Wettbewerb, also folge den Links. Eine ungewöhnliche Offenlegung zuerst: Am 2026-09-21 hat play.ht unseren Abruf rundheraus abgewiesen – die Verbindung brach auf ihrer Preisseite und auf ihrer Startseite ab, bei drei Versuchen. Deshalb stehen auf dieser Seite überhaupt keine PlayHT-Preise, keine Bedingungen der kostenlosen Stufe und nichts zur kommerziellen Nutzung. Alles Folgende stammt von docs.play.ht, das geantwortet hat.
Diese Grenze sagen wir laut, denn die häufigste Frage zu jedem Werkzeug ist, was es kostet – und auf dieser Seite können wir sie für sie nicht beantworten.
Was wir überprüfen konnten
| CastDub | PlayHT | ElevenLabs | |
|---|---|---|---|
| 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. | PlayDialog ist „a more advanced model that can generate turn-based dialogues with multiple voices“, über die Schnittstelle. (Quelle) | „There is no limit to the number of speakers in a dialogue“ (Text to Dialogue, Eleven v3). (Quelle) |
| Editor oder Schnittstelle? | Ein Web-Editor. Einfügen, besetzen, führen, exportieren. Eine öffentliche Schnittstelle für Skripte gibt es nicht. | Dokumentiert als Schnittstelle mit Voice-Engines, Ratenbegrenzungen und Hinweisen zur Reaktionszeit. (Quelle) | Beides: eine Schnittstelle und der Studio-Editor. (Quelle) |
| Emotionsführung | 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. | PlayDialog nutzt einen „Adaptive Speech Contextualizer“, um „control prosody, intonation, emotion and pacing“; Emotionsangaben je Zeile sind nicht angegeben. (Quelle) | Anweisungen in eckigen Klammern wie [sad] mitten im Text. (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. | Play 3.0 Mini „Supports 36 languages“; PlayHT 2.0 Turbo ist „English only“; die Mehrsprachigkeit von PlayDialog ist als „Beta“ markiert; PlayDialog Turbo bei Groq: „Only two language options are supported: english and arabic“. (Quelle) | „74“ Sprachen, in den Bezahlstufen aufgeführt. (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. | „You can clone any voice instantly across languages with only 30 seconds of speech“. (Quelle) | Sofortiges Klonen ab Starter; professionelles Klonen ab Creator (ElevenLabs). (Quelle) |
| Preis und kostenlose Stufe | $5 im Monat für Basic, sobald die Bezahlung freigeschaltet ist. Während der offenen Beta wird nichts berechnet, und jeder Account läuft mit Pro-Funktionen. Kostenlose Stufe: 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. | Nicht belegt. play.ht hat die Verbindung zu unserem Abruf am 2026-09-21 geschlossen, wir haben also keine Preise und keine Bedingungen der kostenlosen Stufe von deren eigener Seite. | Free $0 mit 10k credits im Monat; Starter $6; Creator $11; Pro $99; Scale $299; Business $990 (ElevenLabs). (Quelle) |
| Eine Audiodatei pro Figur (Stems)? | Nur in Pro: ein ZIP mit dem Mix und dazu pro Figur ein MP3 in voller Länge. | In diesem Sinn nicht anwendbar: Eine Schnittstelle liefert je Aufruf das angeforderte Audio, das Zusammensetzen bleibt bei dir. (Quelle) | Nicht angegeben; Downloads im Studio sind „MP3 or WAV“. (Quelle) |
| Untertitel? | Plus und Pro: eine SRT-Datei, und ihr Export kostet kein Guthaben. | Auf den gelesenen Dokumentationsseiten nicht angegeben. (Quelle) | Automatische Untertitel im Studio; eine SRT-Datei ist nicht angegeben. (Quelle) |
Stand 2026-09-21. play.ht selbst wollte unseren Abruf nicht bedienen, deshalb stammt jede PlayHT-Zeile von docs.play.ht, das es tat.
Deshalb stehen auf dieser Seite keine PlayHT-Preise, keine Grenzen der kostenlosen Stufe und keine kommerziellen Bedingungen. Lies sie auf deren eigener Seite, bevor du etwas entscheidest.
Die CastDub-Spalte wird beim Bauen der Seite aus den Tarifdefinitionen des Produkts eingesetzt.
Kann das Werkzeug mehrere Figuren aus einem Skript besetzen?
Beide, aber auf verschiedener Höhe. Die Modell-Dokumentation von PlayHT beschreibt PlayDialog als „PlayHT's latest voice model built for fluid, emotive conversation“ und als „a more advanced model that can generate turn-based dialogues with multiple voices“. Das ist echte Mehrstimmigkeit und das Nächstliegende auf dieser Seite zu dem, was wir tun – nur ausgedrückt als Modell, das du aufrufst, statt als Raum, in dem du arbeitest.
CastDub ist der Raum. Du fügst ein Skript ein, es trennt die Zeilen, legt je sprechender Person eine Figur an und besetzt sie aus 40 Bibliotheks-Rollenprofilen; danach sitzt du mit der Szene: eine Zeile neu erzeugen, die Grundemotion einer Figur ändern, umstellen, exportieren. Nichts in dieser Schleife verlangt einen Zugangsschlüssel oder eigenen Code.
Die eigentliche Frage ist also nicht, wer Dialog erzeugt – das tun beide –, sondern ob du einen Baustein willst oder eine Werkbank. Wenn du Sprachausgabe in dein eigenes Produkt einbaust, ist ein Modell mit Schnittstelle die richtige Wahl, und ein Editor steht dir im Weg.
Wie wird die Emotion gesteuert?
Bei ihnen weitgehend automatisch und mit einiger Raffinesse. Dieselbe Dokumentation schreibt PlayDialog eine „state-of-the-art“ emotionale Fähigkeit zu und einen „Adaptive Speech Contextualizer“, der „control prosody, intonation, emotion and pacing“ soll – das Modell liest also den Zusammenhang des Gesprächs und entscheidet die Darbietung. Emotionsangaben Zeile für Zeile sind auf den Seiten, die wir gelesen haben, nicht angegeben.
Bei uns ausdrücklich: 7 Emotionen, eine Grundeinstellung je Figur in jedem Tarif und das Überschreiben Zeile für Zeile in Pro, dazu ein fünfstufiges Tempo in den Tarifen Plus und Pro. Jede Zeile wird zu ihrer Anweisung gespielt, statt in Form gefiltert zu werden.
Darin steckt ein Tausch, den man leicht übersieht. Eine Darbietung aus dem Zusammenhang ist über ein ganzes Gespräch meist besser, weil das Modell die vorige Wortmeldung gehört hat. Eine ausdrückliche Anweisung je Zeile ist besser bei der einen Zeile, die mit dem Muster brechen muss – der Witz, der absichtlich verpufft, das Geständnis, das leise wird. Ist deine Arbeit meist von der ersten Art, liefert ihr Weg womöglich einfach bessere Szenen mit weniger Aufwand.
Welche Sprachen?
Ihre Dokumentation ist je Modell genau, und die Zahlen gehen weit auseinander: Play 3.0 Mini „Supports 36 languages“; PlayHT 2.0 Turbo ist als „English only“ geführt; die Mehrsprachigkeit von PlayDialog ist in ihrer Vergleichstabelle als „Beta“ markiert; und für das bei Groq gehostete PlayDialog Turbo gilt: „Only two language options are supported: english and arabic“.
Das solltest du zweimal lesen, wenn du in etwas anderem als Englisch produzierst, denn das mehrstimmige Modell und die große Sprachliste sind nicht dasselbe Modell. Bei uns gibt es diese Falle nicht: Alle 10 Grundstimmen sprechen alle 9 – Englisch, Chinesisch, Japanisch, Koreanisch, Spanisch, Portugiesisch, Französisch, Deutsch, Russisch –, und jede Funktion arbeitet in jeder davon gleich.
Was wir nicht anbieten, ist die Wahl eines regionalen Akzents außerhalb des Englischen oder irgendein Versprechen muttersprachlich geprüfter Qualität. Eigene Zeilen einfügen und hören; das ist die einzige Probe, die das entscheidet.
Kann ich meine eigene Stimme klonen?
Bei ihnen ja: Ihre Dokumentation sagt, man „can clone any voice instantly across languages with only 30 seconds of speech“. Dreißig Sekunden sind eine niedrige Schwelle, und Klonen über Sprachgrenzen hinweg ist eine echte Fähigkeit.
Bei uns ja, aber nur die eigene. Die einzige Aufnahme, die wir annehmen, ist die, in der du eine kurze Einwilligungserklärung vorliest, und diese Aufnahme ist die Stimme: keine Personen des öffentlichen Lebens, nie ein Kind, nie jemand anderes. Sie liest Zeilen in allen 9 Sprachen und folgt dem Tempo der Zeile; Emotionen und Regieanweisungen wirken nicht.
Wie auf jeder Seite dieser Familie ist das ein sauberer Stichentscheid: Hängt deine Produktion an einer bestimmten echten Stimme, die nicht deine ist, oder an einem Klon, der spielt, nimm ein Werkzeug, das ums Klonen herum gebaut ist.
Was kommt am Ende heraus?
Von uns: ein gemischtes MP3 in jedem Tarif, eine SRT in Plus und Pro ohne Guthabenkosten und in Pro ein ZIP mit dem Mix und je einem MP3 pro Figur in voller Länge für die Mischung. Kein WAV – eine echte Einschränkung, wenn du gegen ein Abgabeformat lieferst.
Von einer Schnittstelle kommt das heraus, wonach du gefragt hast: Audiodaten je Anfrage, und das Zusammensetzen – die Pausen zwischen den Zeilen, das Timing, die Untertiteldatei – baust du selbst. Ihre Dokumentation nennt eine Grenze, mit der man bei der Turbo-Engine planen sollte, und Ratenbegrenzungen, die „depend on the API you are using and the plan“. Nichts davon ist ein Vorwurf; so ist eine Schnittstelle. Es heißt nur, dass der Vergleich eigentlich zwischen unserem Nachmittag Klicken und deinem Nachmittag Verkabeln läuft.
Auch unser Guthaben-Modell kann hier zählen: Abgezogen wird nur beim Herunterladen, nicht beim Erzeugen oder Vorhören, dafür gibt es eine Tagesgrenze für die Synthese (30 Zeilen in Free, 2,000 in Pro). Ausprobieren wird nicht mitgezählt.
Wann du besser PlayHT nimmst
Wenn du Software baust. Gehört die Stimme in dein eigenes Produkt – einen Assistenten, ein Spiel, eine Lese-App –, brauchst du eine Schnittstelle und ein Modell, und ein Web-Editor hat die völlig falsche Form. Ihr Dialogmodell ist genau dafür dokumentiert.
Wenn du vom Klonen mehr brauchst als deine eigene Stimme, die Zeilen liest – nach ihrem sofortigen Klon aus dreißig Sekunden. Wenn du eine der 36 Sprachen von Play 3.0 Mini brauchst, die wir nicht haben – wobei im Kopf bleiben muss, welches Modell welche Sprachen bekommt. Und wenn Reaktionszeit zählt: Ihre Dokumentation hat eine eigene Seite dazu, was dir verrät, für welche Art Kundschaft sie entwerfen.
Nimm uns, wenn ein Mensch mit einem Skript davorsitzt und kein Programm: mehrere Sprechende, Zeilen zum Nachschneiden und am Ende Stems und Untertitel, ohne eine Zeile Code zu schreiben.
Wie diese Seite entstanden ist
Wir sind ein Mitbewerber und diese Seite stammt von uns; lesenswert wird sie nur dadurch, dass sie nachprüfbar ist. Jede PlayHT-Aussage oben ist aus docs.play.ht zitiert, am 2026-09-21 gelesen, mit dem Link daneben.
Drei ganze Themen fehlen hier – Preis, Grenzen der kostenlosen Stufe, kommerzielle Bedingungen –, weil play.ht uns die Verbindung geschlossen hat. Wir hätten diese Zahlen von einem Dutzend Testseiten nehmen können. Haben wir nicht, weil eine Seite, die belegte Zitate mit Zahlen aus zweiter Hand mischt, weniger vertrauenswürdig ist als eine, die ein Loch zugibt – und weil sich die Preisangaben solcher Seiten für dieses Produkt untereinander widersprechen.
Wir behaupten nichts darüber, wessen Stimmen besser klingen, und haben nirgends ein Kreuz gesetzt, wo wir bloß nichts gefunden haben. Wo ihre Fähigkeit wirklich stärker ist – ein dokumentiertes Dialogmodell, Klonen aus dreißig Sekunden, 36 Sprachen auf einer ihrer Engines –, steht sie in ihren Worten da und nicht kleingeschrieben.
Unsere Spalte wird aus dem Tarif-Code erzeugt, auf dem das Produkt läuft, sie kann also nicht in Schmeichelei abdriften.
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.
- PlayHT — Voice engines documentation — PlayDialog „can generate turn-based dialogues with multiple voices“ und nutzt einen „Adaptive Speech Contextualizer“ für „prosody, intonation, emotion and pacing“; Play 3.0 Mini „Supports 36 languages“; PlayHT 2.0 Turbo „English only“; Mehrsprachigkeit von PlayDialog als Beta markiert.
- PlayHT — Dialog Turbo on Groq — „Only two language options are supported: english and arabic.“
- PlayHT — Documentation home — „You can clone any voice instantly across languages with only 30 seconds of speech“; PlayDialog als Voice-Engine geführt.
- PlayHT — Rate limits — „our APIs are rate-limited. The specific limits depend on the API you are using and the plan“.
- PlayHT — Pricing — Verbindung zu unserem Abruf am 2026-09-21 geschlossen; es wurden keine Preise und keine Tarifbedingungen davon übernommen.
- ElevenLabs — Pricing — Tarifpreise und Credits; Klon-Stufen; 74 Sprachen (ElevenLabs).
- ElevenLabs — Text to Dialogue documentation — Keine Obergrenze für Sprecher in einem Dialog; Klammer-Anweisungen steuern die Darbietung.
Häufige Fragen
Warum stehen auf dieser Seite keine Preise von PlayHT?
Weil ihre Seite unseren Abruf am 2026-09-21 nicht bedient hat – drei Versuche, jedes Mal Verbindungsabbruch. Jeder Fakt hier stammt aus ihrer Dokumentation, die geantwortet hat. Sieh direkt auf ihrer Preisseite nach; wir tragen die Zahlen nach, sobald wir sie von deren eigener Seite lesen können.
Ist PlayDialog dasselbe wie die Besetzung in CastDub?
Nein, und der Unterschied ist die Ebene. PlayDialog ist ein Modell, dokumentiert als Erzeuger von „turn-based dialogues with multiple voices“ über eine Schnittstelle; CastDub ist ein Editor, der ein ganzes eingefügtes Skript nimmt, Figuren anlegt, sie aus 40 Bibliotheks-Rollenprofilen besetzt und dich einzelne Zeilen nachschneiden lässt, ohne Code zu schreiben.
Hat CastDub eine Schnittstelle?
Keine öffentliche Schnittstelle, um Skripte zu produzieren. Wenn du Dialog aus deiner eigenen Software heraus erzeugen musst, ist ein Anbieter mit Schnittstelle die richtige Form, und wir kommen nicht in Frage.
Wie viele Stimmen kann eine Szene benutzen?
10 verschiedene Grundstimmen (4 weiblich, 5 männlich, 1 neutral). Darüber hinaus teilen sich Figuren eine Stimme und werden allein über die Spielanweisung getrennt – plan große Ensembleszenen entsprechend.
Welche Sprachen unterstützt CastDub?
9: Englisch, Chinesisch, Japanisch, Koreanisch, Spanisch, Portugiesisch, Französisch, Deutsch und Russisch, und jede Grundstimme spricht alle davon. Regionale Akzente lassen sich außerhalb des Englischen nicht wählen, und wir versprechen sie nicht.
Bekomme ich getrennte Spuren für die Mischung?
In Pro: ein ZIP mit dem Mix und je einem MP3 pro Figur in voller Länge, dazu eine SRT. In Plus und Pro bekommst du Untertitel und ein einzelnes gemischtes MP3. Alles ist MP3 – einen WAV-Export gibt es nicht.
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.