Mit CosyVoice Studio bringt Alibaba erstmals Transkription, Podcast-Produktion, Stimmklon und Sprachagenten unter ein Dach. Die App ist auf allen Geräten kostenlos, doch beim gewerblichen Einsatz in der EU greift seit dem 2. August die Kennzeichnungspflicht des AI Act.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
CosyVoice Studio verwandelt ein einzelnes Sprachmodell in eine komplette Audio-Fabrik: diktieren, Podcasts erzeugen, fremde Stimmen klonen. Alibaba stellte die Plattform am 7. August vor und stützt sie auf das hauseigene Modell Qwen-Audio. Für deutschsprachige Firmen zählt weniger die Zahl der Funktionen als die Frage, wer am Ende für eine KI-Stimme haftet.
Das Wichtigste in Kürze
- Alibaba bündelt in CosyVoice Studio drei Werkzeuge: Sprachtastatur, Audioproduktion und Sprachagent, dazu über 1.000 Stimmen samt Klonfunktion.
- Grundlage ist das Modell Qwen-Audio, das laut Alibaba bei Artificial Analysis in Spracherkennung, Echtzeit-Dialog und Sprachsynthese vorne liegt.
- Die App läuft kostenlos auf iOS, Android, Mac und Windows; Sprachagent und Audioproduktion starten über eine Warteliste.
- In der EU muss jede gewerblich genutzte KI-Stimme seit dem 2. August nach Artikel 50 des AI Act gekennzeichnet werden.
Was steckt in CosyVoice Studio?
Drei Werkzeuge stecken in einer einzigen Oberfläche. Bisher brauchte ein Team für Transkription, Hörbuch-Vertonung und Telefon-Bots getrennte Dienste. CosyVoice Studio legt sie zusammen: die Sprachtastatur räumt beim Diktat Füllwörter und Versprecher weg und formt strukturierte Mails oder Protokolle, während die Audioproduktion aus einem Dokument einen fertigen Podcast baut. Über 1.000 Stimmen stehen bereit, dazu ein Stimmklon aus wenigen Sekunden Aufnahme.[1]
Der Sprachagent rundet das Paket ab. Der dritte Baustein macht aus einer Textanweisung einen sprechenden Assistenten, der Firmenwissen abruft und für Kundenservice und Telefonvertrieb telefoniert. Diese Bündelung kennt der Markt bereits von Alibabas Büro-Agenten Qwen Office.
Warum bündelt Alibaba jetzt alles in einer App?
Alibabas Strategie verwandelt Modelle in Produkte. Chinas KI-Labore verdienen mit reinen Modellen kaum noch Geld und verpacken sie in fertige Anwendungen. CosyVoice Studio ist der Sprach-Ableger davon und läuft auf Qwen-Audio, das laut Alibaba beim unabhängigen Dienst Artificial Analysis in Spracherkennung, Echtzeit-Dialog und Sprachsynthese vorne liegt.[1] Die App bleibt gratis, während Alibaba beim Sprachmodell Qwen zugleich Großkunden zur Kasse bittet.
Ein bekanntes Muster zeichnet sich ab. Der Schritt reiht sich in eine Serie ein: ByteDance schiebt KI-Video in die Produktion, iFlytek erzeugt digitale Menschen aus einem Foto. Voice-Cloning steht dabei doppelt unter Beobachtung, denn geklonte Stimmen treiben längst den Telefonbetrug an.
EU-Pflicht seit dem 2. August 2026
Artikel 50 des AI Act verlangt zwei Dinge: synthetische Audioinhalte maschinenlesbar markieren und offenlegen, dass eine Stimme von einer KI stammt. Beim Klon einer echten Person gilt die verschärfte Deepfake-Offenlegung.
Eine KI-Stimme aus wenigen Sekunden Aufnahme ist ein Produktivitätssprung und ein Haftungsrisiko in einem. Ab dem 2. August entscheidet nicht mehr die Technik, sondern die Kennzeichnung darüber, ob ein Unternehmen sauber arbeitet.
— Michael Dobler, Herausgeber Dr. Web
Was bedeutet das für Unternehmen in der EU?
Kennzeichnung ist Pflicht in der EU. Seit dem 2. August 2026 gilt Artikel 50 des AI Act mit zwei klaren Vorgaben: Anbieter müssen synthetische Audioinhalte maschinenlesbar markieren, Betreiber müssen offenlegen, dass eine Stimme von einer KI stammt.[2] Beim Klon einer echten Person kommt die verschärfte Deepfake-Offenlegung hinzu.
Die Haftung liegt beim Anwender. Die Pflicht trifft das Unternehmen, das die Stimme veröffentlicht, nicht den chinesischen Modellanbieter; ähnlich wie bei SAP Joule liegt die Transparenzpflicht beim Kunden. Bei Verstößen drohen bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes.[2] Drei Schritte schützen vor teuren Fehlern:
- eine feste Freigaberegel, bevor eine geklonte Stimme nach außen geht
- ein sichtbarer KI-Hinweis in Podcasts, Hörbüchern und Servicebots
- eine Rückfrage-Regel im Team gegen den Stimmenbetrug am Telefon
FAQ: CosyVoice Studio und der AI Act
Was ist CosyVoice Studio?
CosyVoice Studio ist Alibabas erste All-in-one-Plattform für KI-Sprache und bündelt Transkription, die Produktion von Podcasts und Hörbüchern sowie den Bau sprechender Assistenten. Grundlage ist das hauseigene Modell Qwen-Audio.
Ist CosyVoice Studio kostenlos?
Die Grundfunktionen sind kostenlos und laufen auf iOS, Android, Mac und Windows. Der Sprachagent und die Audioproduktion starten zunächst über eine Warteliste, ein vollständiger Rollout ist angekündigt.
Welches Modell steckt hinter CosyVoice Studio?
Grundlage ist Qwen-Audio, Alibabas eigenes Sprachmodell. Laut Alibaba führt es beim Dienst Artificial Analysis in Spracherkennung, Echtzeit-Dialog und Sprachsynthese, eine unabhängige Bestätigung dieser Rangfolge steht aus.
Darf ich eine geklonte KI-Stimme in der EU gewerblich nutzen?
Ja, aber mit Kennzeichnung. Seit dem 2. August 2026 verlangt Artikel 50 des AI Act, dass KI-erzeugte Stimmen offengelegt und maschinenlesbar markiert werden. Beim Klon einer echten Person greift zusätzlich die verschärfte Deepfake-Offenlegung.
Was droht bei einem Verstoß gegen die Kennzeichnungspflicht?
Bei Verstößen gegen die Transparenzpflichten des AI Act drohen bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes. Verantwortlich ist das Unternehmen, das die KI-Stimme veröffentlicht, nicht der Modellanbieter.
Quellen
[1] 量子位 (QbitAI): „Alibaba stellt CosyVoice Studio vor, die erste einheitliche KI-Sprachplattform“
[2] Europäische Kommission: „Transparency obligations under Article 50 of the AI Act“
Mehr Newshunger?
- Alibaba kassiert bei Qwen: Großkunden zahlen künftig für die offene KI
- Qwen Office: Alibaba macht den KI-Agenten zum Aufgabenverteiler im Büro
- Seedance 2.5: ByteDance bringt 30-Sekunden-KI-Video in die Firmen-Produktion
- iFlytek generiert digitale Menschen in Echtzeit aus einem einzigen Foto
- MiniMax H3: Chinas Videomodell erzeugt 2K-Clips mit nativem Ton
- KI-Kennzeichnung kommt: Drei Wochen für Ihre Stimme
