Maschinelle Dolmetscher liefern in Videokonferenzen bisher vor allem den Inhalt: Was gesagt wurde, kommt an – wie es gesagt wurde, geht meist verloren. Genau dort setzt DeepL an. Das Kölner Unternehmen hat am 11. November 2026 mit DeepL Aure ein neues KI-Modell für die Echtzeit-Sprachübersetzung vorgestellt. Nach Angaben des Herstellers passt es die übersetzte Sprachausgabe fortlaufend an die Sprechweise an – an Tonfall, Emotion, Betonung und Tempo. Sämtliche Angaben zur Qualität stammen von DeepL selbst; unabhängige Tests gibt es zum Start nicht.

Was Aure ist: ein Modell hinter DeepL Voice

Aure ist kein eigenes Produkt und keine eigene App. DeepL beschreibt es in der Pressemitteilung als Voice-KI-Modell, das hinter DeepL Voice arbeitet, dem Produkt des Unternehmens für gesprochene Übersetzung in Echtzeit. Die neuen Fähigkeiten werden laut DeepL „automatisch und ohne zusätzliche Konfiguration“ angewendet, und zwar in drei Bereichen: in DeepL Voice für Online-Meetings, in DeepL Voice für persönliche Gespräche und in der DeepL API für Voice, über die Unternehmen die Übersetzung in eigene Anwendungen einbauen.

Zum Start unterstützt Aure acht Sprachen: Englisch, Deutsch, Spanisch, Französisch, Italienisch, Japanisch, Portugiesisch und Koreanisch. Weitere sollen folgen, einen Zeitplan nennt DeepL nicht. Für alle übrigen Sprachen greift DeepL Voice weiter auf die bisherigen Sprachmodelle zurück – insgesamt wirbt das Unternehmen für DeepL Voice mit mehr als 40 Sprachen.

Von der Stimmprobe zur laufenden Analyse

Aure ist der dritte Schritt innerhalb weniger Monate. Am 16. April 2026 hatte DeepL die Übersetzung von Stimme zu Stimme („Voice-to-Voice“) angekündigt, am 15. September 2026 folgten Modelle zur „Stimmerhaltung“: Seitdem spricht die Übersetzung nicht mehr mit einer synthetischen Einheitsstimme, sondern soll nach dem jeweiligen Sprecher klingen.

Diese Technik hatte nach DeepLs eigener Darstellung eine Schwäche. Wie die übersetzte Stimme klingt, wurde anhand der ersten Momente eines Gesprächs festgelegt. So sei zwar erfasst worden, wer spricht, aber nicht, wie. Eine feste Momentaufnahme könne weder einen Wechsel in Emotion, Betonung oder Tempo abbilden noch eine Sprechweise, die den Worten widerspricht – DeepL nennt als Beispiel Sarkasmus.

Aure analysiert die eingehende Sprache dagegen kontinuierlich und nutzt dafür laut Mitteilung sowohl die übersetzten Wörter als auch das Quell-Audio. Das Modell müsse sich an jeden Sprecher anpassen, noch bevor dieser einen Satz beendet hat, und dabei Hintergrundgeräusche, Echos und Verzerrungen herausfiltern. Zum Training schreibt DeepL nur, man habe mehrere Methoden kombiniert, die Stimmidentität, Prosodie und gesprochenen Inhalt voneinander trennen; Reinforcement Learning verfeinere die Ausgabe und erzeuge „natürlich klingende, akzentfreie Sprache“. Ein Fachaufsatz, Angaben zur Architektur oder Messwerte liegen nicht vor.

Auf der Produktseite stehen Hörbeispiele bereit, etwa ein englischer Satz samt Übersetzung ins Deutsche, Französische und Japanische, sortiert nach Stimmungen wie Begeisterung, Zögern oder Enttäuschung. Das sind vom Hersteller ausgewählte Beispiele und kein Beleg dafür, wie zuverlässig das im Alltag klappt.

Leerer Konferenzraum mit Tischmikrofonen und Kopfhörern, an der Rückwand verglaste Dolmetscherkabinen (Symbolbild)

Symbolbild: Simultandolmetschen ist bisher Sache von Menschen in Kabinen wie hier an der Universität Gent. Bild: FrDr, CC BY-SA 4.0, via Wikimedia Commons

Stimmdaten: Was DeepL zusagt

Die Stimme ist ein heikles Datum, und Aure wertet sie laufend aus. Wird sie nachgebildet? Ja – die Übersetzung soll ausdrücklich in der eigenen Stimme des Sprechers erklingen. DeepL versichert in den Fragen und Antworten auf der Produktseite aber, dass dabei kein dauerhaftes Stimmprofil entsteht: Die Stimme werde während der laufenden Sitzung dynamisch angepasst, Stimmdaten würden nur vorübergehend im Arbeitsspeicher verarbeitet und mit dem Ende der Sitzung gelöscht. Auch Transkriptions- und Übersetzungsdaten speichere DeepL nicht dauerhaft; sie würden verschlüsselt übertragen und nicht zum Training der Modelle verwendet.

Etwas genauer wird die Preisseite: Daten aus Online-Meetings werden demnach vorübergehend im Arbeitsspeicher verarbeitet und nach dem Anruf gelöscht, Daten aus persönlichen Gesprächen auf dem lokalen Gerät verarbeitet. Dort steht allerdings auch, dass Transkripte und Übersetzungen je nach Einstellung des Unternehmens lokal im Browser gespeichert werden können; im Business-Paket legen Administratoren fest, ob Transkripte gespeichert und heruntergeladen werden dürfen. Die Zusage, nichts dauerhaft zu speichern, bezieht sich also auf DeepLs Server, nicht zwingend auf das, was beim Kunden liegen bleibt.

Offen bleibt einiges:

  • Ob die Verarbeitung auf dem Gerät bei persönlichen Gesprächen auch für die Stimmanalyse durch Aure gilt, sagt DeepL nicht ausdrücklich.
  • In welchen Rechenzentren und Ländern die Sprachdaten aus Online-Meetings verarbeitet werden, steht weder in der Mitteilung noch auf der Produktseite.
  • Wie die Zustimmung anderer Gesprächsteilnehmer eingeholt wird, deren Stimme ebenfalls verarbeitet wird, und wie DeepL die Stimmanalyse rechtlich einordnet, wird dort nicht erläutert.
  • Ob sich Aure oder die Stimmerhaltung abschalten lässt, geht aus Mitteilung und Produktseite nicht hervor.

Wer DeepL Voice im Unternehmen einsetzt, sollte diese Punkte vor einem breiten Einsatz mit dem Anbieter klären; DeepL verweist für Unterlagen auf sein Trust Center.

Preise und Verfügbarkeit

Aure ist laut DeepL ab sofort in DeepL Voice aktiv. Einen Aufpreis nennt das Unternehmen nicht. Die deutsche Preisliste führte am 11. November 2026 zwei online buchbare Pakete: „Voice Starter“ für 12,00 Euro pro Nutzer und Monat mit 300 Übersetzungsminuten und „Voice Business“ für 36,00 Euro mit 600 Minuten, gemeinsamem Minutenkontingent und Single Sign-on – jeweils bei jährlicher Abrechnung und einschließlich Mehrwertsteuer. Für größere Organisationen gibt es individuelle Angebote, das Starter-Paket lässt sich 14 Tage kostenlos testen. In den Übersetzer-Paketen Individual, Team und Business sind zudem 30 Minuten DeepL Voice pro Nutzer und Monat enthalten. Für die API verweist DeepL auf eine eigene Preisliste.

Einordnung: Die Konkurrenz übersetzt längst mit

DeepL ist mit dem Ansatz nicht allein. Google bietet Sprachübersetzung in Meet seit Januar 2026 regulär für Workspace-Kunden an; die Übersetzung ahmt nach Googles Beschreibung Tonfall und Sprechrhythmus des Sprechers nach. Am 22. Oktober 2026 kündigte Google die Ausweitung auf 63 Sprachen mit automatischer Spracherkennung an und versichert dazu, keine Stimmdaten zu speichern und keine Modelle mit der Stimme der Nutzer zu trainieren.

Microsoft hat in Teams den „Interpreter“ im Programm, der neun Sprachen unterstützt und eine Copilot-Lizenz voraussetzt. Teilnehmer können dort wählen, ob ihre eigene Stimme simuliert oder eine vorgefertigte Stimme verwendet wird; Stimmproben oder biometrische Daten würden nie gespeichert, schreibt Microsoft. Bemerkenswert ist eine Formulierung in der Dokumentation: Die Stimmsimulation bewahre Tonfall und Sprechstil, „ohne Emotionen zu übertreiben“ (eigene Übersetzung). Apple wiederum hat im September 2025 eine Live-Übersetzung für Gespräche mit AirPods als Beta angekündigt; von einer Nachbildung der Sprecherstimme ist in jener Ankündigung keine Rede.

Wo DeepL im Vergleich steht, lässt sich derzeit nicht prüfen. Das Unternehmen führt für DeepL Voice eine Untersuchung des Branchendienstes Slator an, die es selbst in Auftrag gegeben hat; sie betrifft die Übersetzungsqualität von Untertiteln, nicht die Wiedergabe von Emotionen durch Aure.

Was noch fehlt: Messwerte

Für den Alltag entscheidend ist die Verzögerung zwischen Original und Übersetzung. DeepL spricht von Echtzeit und warb schon im September 2026 mit niedriger Latenz, nennt aber in den Mitteilungen keine Zahl. Ebenso fehlen Angaben dazu, wie oft das Modell eine Stimmung falsch überträgt. Das ist keine Nebensache: Eine neutrale Computerstimme ist erkennbar neutral. Eine Übersetzung, die gereizt oder ironisch klingt, obwohl der Sprecher es nicht war, kann in einer Verhandlung mehr Schaden anrichten als ein falsch übersetztes Wort. Ob Aure solche Fehler vermeidet, müssen unabhängige Tests zeigen.

Quellen

Bildnachweis