Die geklonte Stimme, wem sie gehört und was in der Einwilligung stehen muss

Für die Stimme gibt es kein eigenes Gesetz

Geschützt ist sie trotzdem. Nur über einen anderen Weg als das Bild.

Wer die Rechtslage zum Bild kennt, greift beim Ton zur falschen Vorschrift. § 22 Kunsturhebergesetz verlangt die Einwilligung des Abgebildeten, und zwar dem Wortlaut nach für Bildnisse. Stimmen sind dort nicht erfasst, und ein vergleichbares Gesetz für die Stimme gibt es im deutschen Recht nicht. Diese Lücke ist keine Auslegungsfrage, das Landgericht Berlin II hat sie im August 2025 ausdrücklich benannt.

Geschützt ist die Stimme deshalb auf dem allgemeinen Weg, über das Persönlichkeitsrecht aus Artikel 2 Absatz 1 in Verbindung mit Artikel 1 Absatz 1 des Grundgesetzes. Praktisch macht das für Ihr Vorhaben wenig Unterschied, für die Vertragsgestaltung aber einen großen: Sie können sich nicht auf ein Formular verlassen, das für Bildaufnahmen gebaut wurde, und Sie können auch nicht auf Rechtsprechung zum Bild verweisen, ohne zu prüfen, ob deren Begründung überhaupt trägt. Weiter unten steht ein Fall, in dem sie das nicht tut.

Bemerkenswert an dem Berliner Fall ist, dass die Technik keine Rolle spielte. Ob ein Mensch eine Stimme imitiert oder ein Modell sie nachbildet, ändert am Maßstab nichts. Entscheidend war, dass das Publikum die Stimme der Person zuordnet. Diese Zuordnung ist der Punkt, an dem Ihr Vorhaben rechtlich hängt, und sie ist genau das, was Sie erreichen wollen.

Biometrisch ja, Artikel 9 nein

Die Zweckbegrenzung steht im Wortlaut. Sie wird meist überlesen.

In Angeboten und auf Webseiten steht oft, Stimmen seien biometrische Daten nach Artikel 9 der Datenschutz-Grundverordnung und bräuchten deshalb eine ausdrückliche Einwilligung. Der zweite Teil des Satzes stimmt aus anderen Gründen, der erste ist verkürzt, und diese Seite hat ihn selbst jahrelang so geführt.

Artikel 4 Nummer 14 definiert biometrische Daten als Daten, die aus einer speziellen technischen Verarbeitung körperlicher oder verhaltenstypischer Merkmale hervorgehen und die eindeutige Identifizierung ermöglichen. Artikel 9 Absatz 1 stellt sie unter besonderen Schutz, aber nur, soweit sie zum Zweck der eindeutigen Identifizierung einer Person verarbeitet werden. Diese Zweckbegrenzung steht im Wortlaut. Erwägungsgrund 51 erklärt sie für Lichtbilder ausdrücklich, und die Systematik gilt für die Stimme entsprechend.

Eine Einschränkung gehört dazu, weil sie den Unterschied zwischen Ableitung und Beleg markiert. Eine Stellungnahme einer deutschen Aufsichtsbehörde, die sich ausdrücklich mit dem Stimmklon zur reinen Sprachausgabe befasst, gibt es nicht. Die Einordnung oben folgt dem Wortlaut und allgemeinen Aussagen zur Zweckabhängigkeit. Wer schreibt, die Aufsicht habe das für Stimmklone geklärt, behauptet einen Beleg, den es nicht gibt.

Artikel 9 fällt weg, das Pflichtenprogramm nicht. Rechtsgrundlage, Zweckbindung, Löschfristen und Auskunft bleiben vollständig.

Was in der Einwilligung stehen muss

Schriftform, und die Freiwilligkeit wird an der Abhängigkeit gemessen.

Wenn die Stimme einem Beschäftigten gehört, und das ist der Normalfall bei einem Produktmanager oder einer Vertriebsleiterin, gilt § 26 Absatz 2 Bundesdatenschutzgesetz. Die Einwilligung braucht die Schriftform oder die elektronische Form, und für die Freiwilligkeit sind ausdrücklich die im Beschäftigungsverhältnis bestehende Abhängigkeit und die Umstände der Erteilung zu berücksichtigen. Freiwilligkeit kann vorliegen, wenn beide Seiten gleichgelagerte Interessen verfolgen; behaupten lässt sie sich nicht.

Zur Rechtsgrundlage gibt es eine Entwicklung, die Sie kennen sollten. Der Europäische Gerichtshof hat 2023 (C-34/21) entschieden, dass nationale Vorschriften zum Beschäftigtendatenschutz, die nur die Anforderungen der Datenschutz-Grundverordnung wiederholen, keine spezifischeren Regelungen sind und deshalb unanwendbar bleiben; Aufsichtsbehörden ziehen das auch für § 26 Absatz 1 Satz 1 Bundesdatenschutzgesetz. Die Einwilligung nach Absatz 2 ist davon nicht betroffen. Für einen Avatar im Marketing ist sie ohnehin der einzige gangbare Weg, weil eine Erforderlichkeit für die Durchführung des Arbeitsverhältnisses hier regelmäßig ausscheidet.

Ein Verfahren, das diesen Punkt vorbildlich löst, kommt aus einer unerwarteten Richtung. Microsoft verlangt für eine eigene neuronale Stimme eine aufgezeichnete Zustimmungserklärung, in der der Sprecher eine vorgegebene Formel spricht, die den Auftraggeber namentlich nennt und die Erstellung einer synthetischen Fassung der eigenen Stimme ausdrücklich billigt. HeyGen arbeitet ähnlich mit einem eigenen Einverständnisvideo. Beide haben den Nachweis in den Produktablauf eingebaut, statt ihn dem Kunden zu überlassen. Übernehmen Sie das, auch wenn Ihr Werkzeug es nicht verlangt.

Der Widerruf und das trainierte Modell

Ungeklärt. Deshalb steht es im Vertrag oder nirgends.

Der einfache Teil steht im Gesetz. Nach Artikel 7 Absatz 3 Satz 2 der Datenschutz-Grundverordnung berührt der Widerruf die Rechtmäßigkeit der bis dahin erfolgten Verarbeitung nicht. Ab dem Widerruf darf die Stimme nicht weiter auf dieser Grundlage verarbeitet werden. Was mit dem Modell geschieht, das aus der Aufnahme entstanden ist, sagt keine Vorschrift.

Zu dieser Frage stehen zwei Positionen im Raum, und wer nur eine zitiert, stellt die Lage einseitig dar. Auf der einen Seite hält der Europäische Datenschutzausschuss in seiner Stellungnahme 28/2024 die Löschung des Modells selbst als Abhilfe bei rechtswidriger Verarbeitung ausdrücklich für möglich. Auf der anderen Seite vertritt die Hamburger Aufsichtsbehörde in einem Papier von 2024 die Auffassung, in einem großen Sprachmodell seien keine personenbezogenen Daten gespeichert, weshalb Betroffenenrechte sich gegen Eingaben und Ausgaben richten, nicht gegen das Modell.

Die dritte Zeile ist der Grund, warum wir die Hamburger Argumentation hier nicht übernehmen. Sie beruht darauf, dass ein Sprachmodell aus unzähligen Quellen abstrahiert und einzelne Personen darin nicht mehr abgebildet sind. Ein Stimmmodell ist das Gegenteil: Es hat ein einziges Referenzsubjekt, und sein Zweck besteht darin, ein identifizierendes Merkmal dieser Person wiederzugeben. Wer die Papiere ungeprüft übernimmt, argumentiert an der Sache vorbei.

Für Sie folgt daraus etwas Unspektakuläres und Wirksames. Die Frage, was ein Widerruf für das Modell und für bereits veröffentlichte Videos bedeutet, wird vor der Aufnahme beantwortet, schriftlich, mit einer Frist für die Rücknahme laufender Inhalte. Das kostet eine Stunde. Ohne diese Stunde verhandeln Sie später über eine offene Rechtsfrage, und zwar unter Zeitdruck.

Wenn der Sprecher das Haus verlässt

Das bekannte Urteil dazu betraf Bilder. Es hilft hier nicht.

Diesen Punkt bringt in Gesprächen fast immer die Gegenseite, und meist mit demselben Urteil. Das Bundesarbeitsgericht hat 2015 (8 AZR 1011/13) entschieden, dass eine schriftlich erteilte Einwilligung in die Veröffentlichung von Videoaufnahmen nicht automatisch mit dem Ende des Arbeitsverhältnisses erlischt und dass ein Widerruf einen plausiblen Grund braucht. Das klingt beruhigend, und für Bildaufnahmen ist es das auch.

Auf Stimmen lässt sich das nicht übertragen, und zwar aus zwei Gründen, die beide in der Begründung liegen. Erstens beruhte die Entscheidung auf § 22 Kunsturhebergesetz, der nur Bildnisse erfasst. Zweitens hielt das Gericht für maßgeblich, dass die Aufnahmen die Person lediglich als Teil des Betriebsablaufs zeigten und ihre individuelle Persönlichkeit nicht hervorhoben. Bei einem Stimmklon ist die Individualität der Person der gesamte Zweck. Die Abwägung dürfte deshalb regelmäßig anders ausgehen. Eine Entscheidung, die dieses Urteil auf Stimmen erstreckt, gibt es nicht.

Praktisch heißt das: Der Satz, die Stimme bleibe verfügbar, auch wenn der Sprecher geht, ist eine Zusage, für die es keine Grundlage gibt, solange sie nicht in der Erklärung steht. Er stand bis heute auf dieser Seite. Was stattdessen trägt, ist eine ausdrückliche Regelung für die Zeit nach dem Ausscheiden, mit einer Aussage zu bestehenden Inhalten und einer zweiten zur weiteren Erzeugung. Beides gehört in dieselbe Unterschrift, nicht in zwei Gespräche.

Es gibt einen zweiten Weg, der bei Führungswechseln oft der bessere ist. Wenn die Stimme nicht die einer bestimmten Person sein muss, sondern nur wiedererkennbar, dann trägt eine dafür beauftragte Sprecherin mit vollständiger Nutzungsvereinbarung weiter als der Vorstand. Was dabei zu beachten ist, wenn die Figur ganz erfunden ist, steht auf der Seite zur erfundenen Persona.

Wie dieser zweite Weg im Betrieb aussieht, steht auf der Seite zu digitale Sprecher: was eine gebuchte Rolle über die Laufzeit kostet, welche Rechte in die Vereinbarung gehören und was bei einem Wechsel mit den bestehenden Fassungen passiert. Das ist die Rechnung, die dem Vergleich mit einem Klon aus dem eigenen Haus gegenübersteht.

Der Betriebsrat, aber nicht über die üblich genannte Vorschrift

Ein Stimmmodell überwacht niemanden. Beteiligt wird er trotzdem.

In Vorlagen zu diesem Thema steht regelmäßig § 87 Absatz 1 Nummer 6 Betriebsverfassungsgesetz als Grundlage der Mitbestimmung. Die Vorschrift betrifft technische Einrichtungen, die dazu bestimmt sind, Verhalten oder Leistung der Arbeitnehmer zu überwachen. Ein Modell, das Texte vorliest, überwacht niemanden. Wer diesen Paragrafen hier pauschal anführt, bekommt in der ersten Sitzung eine Rückfrage, die er nicht beantworten kann. Eine Rechtsprechung, die ihn auf Stimmklone anwendet, existiert nicht.

Das heißt nicht, dass der Betriebsrat außen vor bleibt. § 90 Absatz 1 Nummer 3 nennt den Einsatz Künstlicher Intelligenz ausdrücklich und verlangt Unterrichtung und Beratung rechtzeitig und unter Vorlage der erforderlichen Unterlagen, also vor der Auswahl des Werkzeugs und nicht vor dem Startknopf. Je nach Ausgestaltung kommen § 87 Absatz 1 Nummer 1 zur Ordnung im Betrieb und die allgemeinen Unterrichtungsrechte aus § 80 hinzu. Und § 80 Absatz 3 Satz 2 stellt für KI klar, dass die Hinzuziehung eines Sachverständigen als erforderlich gilt, womit die übliche Diskussion darüber entfällt.

Der Punkt, an dem solche Gespräche in der Praxis hängen, ist selten die Technik. Es ist die Frage, ob eine einzelne Person die Stimme des Unternehmens wird und was das für sie bedeutet, wenn sie den Bereich wechselt. Diese Frage lässt sich beantworten, aber nicht in der Sitzung, in der sie zum ersten Mal gestellt wird.

Was in den Bedingungen der Anbieter steht

Nachlesen statt schimpfen. Der Wortlaut ist deutlich genug.

Diese Seite hat jahrelang behauptet, ein bekannter Anbieter sichere sich seit Februar 2025 weltweite, unwiderrufliche Trainingsrechte. Das Datum war falsch, und die Aussage war unvollständig. Beides ist überprüfbar, und der überprüfte Wortlaut ist als Argument stärker als die Zuspitzung.

Zwei Berichtigungen zum eigenen früheren Text gehören dazu. Die Klausel mit der unbefristeten und unwiderruflichen Lizenz ist in den Bedingungen bereits ab April 2024 nachweisbar, die ausdrückliche Erstreckung auf die Stimme ab Dezember 2024. Ein Stichtag im Februar 2025 lässt sich nicht belegen. Und die Trainingsnutzung ist abwählbar, was die frühere Fassung dieser Seite unterschlagen hat. Das Widerspruchsrecht wirkt allerdings nur für die Zukunft, und genau dieser Halbsatz ist der wichtige.

Zu den Zertifizierungen noch eine Genauigkeit, die in beide Richtungen gilt. SOC 2 Type II, ISO 27001 und PCI DSS Level 1 sind belegte Prüfungen der Informationssicherheit. Eine Attestierung zur Datenschutz-Grundverordnung ist etwas anderes als eine Zertifizierung nach deren Artikel 42, denn eine anerkannte Stelle, die ein solches Siegel vergäbe, gibt es nicht. Wer daraus DSGVO-zertifiziert macht, behauptet mehr als der Anbieter selbst, und das fällt in einem Audit auf.

Wie viel Material ein Klon wirklich braucht

Zwischen zwei Minuten und drei Stunden. Der Unterschied ist sichtbar.

Die Angabe von 20 bis 30 Minuten, die früher auf dieser Seite stand, ist kein Wert eines Anbieters, sondern ein Mittelwert aus zwei Verfahren, die unterschiedliche Dinge tun. Das eine erzeugt in Minuten eine erkennbare Nachbildung, das andere in Stunden eine Stimme, die auch Betonung und Sprechrhythmus mitnimmt. Wer das eine bestellt und das andere erwartet, ist hinterher enttäuscht.

Die rechte Spalte ist die eigentlich interessante. Zwei der vier Verfahren verlangen einen aufgezeichneten Nachweis der Zustimmung, bevor überhaupt trainiert wird. Das ist kein Formalismus, sondern die Antwort auf genau die Frage, die weiter oben rechtlich offen war: Wer später belegen muss, dass eine Person zugestimmt hat, hat mit einer Aufnahme eine bessere Grundlage als mit einem Häkchen.

Zur Qualität eine Bemerkung, die aus der Erfahrung kommt und keine Studie ist. Alles, was in der Aufnahme steckt, steckt anschließend im Modell: das Lüftungsgeräusch, der Griff zum Kaffeebecher, die zwei Dezibel Unterschied zwischen erster und zweiter Hälfte. Nachträglich lässt sich das nicht herausrechnen, ohne die Stimme zu verändern. Deshalb ist die Stunde im ruhigen Raum die billigste Stunde des ganzen Vorhabens.

Kennzeichnung, und wer sie schuldet

Der Betreiber. Seit dem 2. August 2026, ohne Aufbrauchfrist.

Bei der Kennzeichnung nach der KI-Verordnung werden regelmäßig zwei Pflichten verwechselt, mit dem Ergebnis, dass sich Unternehmen auf eine Frist verlassen, die für sie nicht gilt. Artikel 50 Absatz 2 verpflichtet den Anbieter des Werkzeugs, erzeugte Inhalte maschinenlesbar zu kennzeichnen. Artikel 50 Absatz 4 verpflichtet den Betreiber, also Sie, offenzulegen, dass ein Inhalt künstlich erzeugt oder verändert wurde, wenn er ein Deepfake ist.

Ob ein Stimmklon darunter fällt, ergibt die Begriffsbestimmung in Artikel 3 Nummer 60: erfasst ist Bild-, Ton- oder Videoinhalt, der wirklichen Personen ähnelt und fälschlicherweise als echt erscheinen würde. Eine nachgebildete Stimme eines echten Menschen erfüllt das. Eine vollständig erfundene Stimme dem Wortlaut nach nicht, was aber wenig hilft: Sobald Menschen mit dem System sprechen, greift die Hinweispflicht aus Absatz 1, und sie entfällt nur, wenn die künstliche Herkunft offensichtlich ist. Diese Beurteilung tragen im Streitfall Sie.

Zwei Zahlen dazu, weil auch sie durcheinandergehen. Der oft genannte Rahmen von 35 Millionen Euro oder sieben Prozent des Jahresumsatzes gilt nach Artikel 99 Absatz 3 allein für die verbotenen Praktiken nach Artikel 5. Verstöße gegen die Transparenzpflichten des Artikels 50 liegen nach Absatz 4 Buchstabe g bei bis zu 15 Millionen Euro oder drei Prozent. Das ist reichlich, aber es ist nicht dasselbe, und wer die höhere Zahl nennt, um Dringlichkeit zu erzeugen, verliert die Glaubwürdigkeit für den Rest des Gesprächs.

Inhalte, die vor dem 2. August 2026 entstanden sind, müssen nicht rückwirkend gekennzeichnet werden. Die Kommission empfiehlt es in derselben Auskunft. Wenn ein Archiv ohnehin überarbeitet wird, ist das der günstigste Zeitpunkt, es mitzunehmen.

Missbrauch mit geklonten Stimmen, ohne Zahlenzauber

Behörden warnen. Gezählt wird es nicht, und das sagt das BKA selbst.

Sobald die Stimme einer Führungskraft als Modell vorliegt, stellt jemand die Frage nach dem Missbrauch, und das zu Recht. Die Warnungen sind belegt. Das Internet Crime Complaint Center des FBI beschreibt in seiner Mitteilung vom 3. Dezember 2024, dass Täter kurze Tonaufnahmen erzeugen, um sich als Angehörige in einer Notlage auszugeben und sofortige Zahlungen zu fordern, und um sich Zugang zu Bankkonten zu verschaffen. Die Verbraucherzentrale warnt für Deutschland in derselben Richtung, häufig im Zusammenhang mit dem Enkeltrick.

Wichtiger als die Warnung ist, was in den Zahlen dazu fehlt. Das Bundeskriminalamt hält im Bundeslagebild Cybercrime 2025 ausdrücklich fest, dass keine polizeilichen Kennzahlen zum konkreten KI-Einsatz in Cybercrime-Delikten vorliegen. Der Abschnitt zur Künstlichen Intelligenz erwähnt Stimmklone und Deepfakes nicht. Auch die Statistiken zu Enkeltrick und Schockanrufen trennen nicht nach dem eingesetzten Werkzeug.

Daraus folgt eine unangenehme Auskunft: Wer Ihnen einen Anstieg um 400 Prozent, eine Zahl von Verfahren mit Stimmklon-Bezug oder eine Auflistung des Bundeskriminalamts zu diesem Tatmittel nennt, nennt eine Schätzung aus einem Anbieterbeitrag. Wir haben diese Angaben nachverfolgt und keine Primärquelle gefunden; die Behauptung zur Auflistung widerspricht dem Wortlaut des Lagebilds unmittelbar.

Der praktische Teil ändert sich dadurch nicht. Er hängt ohnehin nicht an Fallzahlen, sondern an zwei Festlegungen: Sprachanweisungen geben keine Zahlung frei, und Zusagen am Telefon werden auf einer bekannten Nummer zurückgerufen. Beides gehört in die Anweisung für Buchhaltung und Personalabteilung, bevor die erste Datei erzeugt wird, und beides gilt unabhängig davon, ob Sie selbst ein Modell einsetzen. Ihre Stimme ist ohnehin im Netz, sobald ein Vortrag aufgezeichnet wurde.

Ein Stimmmodell im Haus schafft keine neue Gefahr. Es macht sichtbar, dass die Freigabe per Anruf nie getragen hat.

Was wir nicht zusagen

Fünf Sätze, die in diesem Feld üblich sind und die hier fehlen.

In Angeboten zu Stimmklonen stehen regelmäßig fünf Zusagen, die wir nicht geben. Erstens sagen wir keinen Verarbeitungsort zu, bevor geklärt ist, wessen Stimme aufgenommen wird und wofür das Modell gebraucht wird. Der Betrieb in Europa ist möglich, bei manchen Anbietern an zusätzliche Bedingungen gebunden, bei anderen die Voreinstellung. Was davon richtig ist, gehört in den Vertrag.

Zweitens nennen wir keine Marktzahl. Die früher hier genannte Angabe stammte aus dem Blogbeitrag einer Unternehmensberatung, die keine einzige der angeführten Marktanalysen benennt, und ihr Wert liegt eine Größenordnung unter allen auffindbaren Studien. Die Streuung der auffindbaren Prognosen ist so groß, dass die einzige belastbare Aussage lautet: Das Feld wächst, und niemand kennt die Zahl. Für eine Entscheidung in Ihrem Haus ist sie ohnehin ohne Belang.

Drittens sagen wir nicht zu, dass ein Widerruf das Modell beseitigt, weil diese Frage ungeklärt ist. Viertens sagen wir nicht, die Stimme bleibe nach dem Ausscheiden nutzbar; das steht in der Erklärung oder es gilt nicht. Fünftens nennen wir keinen Anbieter DSGVO-zertifiziert, weil es diese Zertifizierung nicht gibt.

Was wir stattdessen anbieten, ist unspektakulärer und prüfbar: eine Einwilligung, die Verwendungen, Kanäle, Nachvertragszeit und Widerrufsfolge benennt, ein aufgezeichneter Nachweis der Zustimmung, eine geprüfte Aufnahme statt einer schnellen, ein Vermerk zur Kennzeichnung je Kanal und eine Anweisung zur Freigabe von Zahlungen, die den Anruf nicht mehr genügen lässt.

Sechs Fragen vor der Anfrage

Wer diese beantwortet, spart im ersten Gespräch eine halbe Stunde.

1. Wessen Stimme soll es sein, und was passiert, wenn diese Person das Unternehmen oder den Bereich wechselt?
2. Für welche Kanäle gilt die Erklärung, und ist Social Media ausdrücklich genannt?
3. Wer erzeugt später Dateien, und wird protokolliert, wer was erzeugt hat?
4. Was soll ein Widerruf für bestehende Videos bedeuten, und mit welcher Frist?
5. Ist der Betriebsrat unterrichtet, und liegt die Unterlage für die Beratung vor?
6. Ist geregelt, dass Zahlungen nicht auf eine Sprachanweisung hin freigegeben werden?

Die erste Frage entscheidet über das ganze Vorhaben, und sie wird regelmäßig zuletzt gestellt. Die vierte entscheidet darüber, wie ein Konflikt später ausgeht. Die sechste hat mit dem Vorhaben nichts zu tun und ist trotzdem die wichtigste, weil sie unabhängig von Ihrer Entscheidung gilt.

Was Sie als Nächstes lesen sollten

Sechs Seiten zu den Punkten, die hier nur angerissen sind.

Diese Seite behandelt die Stimme als Merkmal einer Person. Wie viele Sprachfassungen daraus entstehen, was je Fassung neu geprüft werden muss und wer sie fachlich abnimmt, steht auf der Seite zu den Sprachfassungen. Wie nah eine Nachbildung dem Original technisch kommt und woran das scheitert, steht auf der Seite zur Nähe zum Original.

Die Rechte der abgebildeten Person, also die Bildseite derselben Frage mit dem Kunsturhebergesetz als Grundlage, stehen auf der eigenen Seite dazu. Wie eine Aufnahme praktisch abläuft, mit Raum, Technik und Ablaufplan, steht auf der Seite zur Aufnahme. Und was von all dem in den Vertrag gehört, Nutzungsrechte, Aufbewahrung und Löschung, steht auf der Seite zur Zusammenarbeit.

Häufige Fragen zur geklonten Stimme