Das Kölner KI-Unternehmen DeepL hat am 11. November 2026 ein neues Sprachmodell namens Aure vorgestellt – nach eigenen Angaben sein bislang dynamischstes und ausdrucksstärkstes Voice-KI-Modell. Aure treibt künftig die Echtzeit-Sprachübersetzung DeepL Voice an und überträgt dabei erstmals fortlaufend, wie jemand spricht: Tonfall, Emotionen, Betonung und Sprechtempo fließen live in die übersetzte Stimme ein. Für den deutschen Übersetzungsspezialisten ist das der nächste Schritt im Wettrennen um natürliche KI-Stimmen.
Vom statischen Stimmprofil zur laufenden Analyse
Bisher arbeitete DeepL Voice mit einer statischen Stimmprobe: Zu Beginn eines Gesprächs wurde die Stimme der sprechenden Person analysiert und daraus eine künstliche Stimme für die Übersetzung erzeugt. Das Verfahren legte fest, wer spricht – aber nicht, wie sich die Sprechweise im Verlauf verändert. Wer mitten im Meeting begeistert, ironisch oder nachdenklich wurde, klang in der Übersetzung weiterhin neutral.
Aure analysiert die Audioquelle dagegen durchgängig und passt die übersetzte Stimme laufend an. Laut DeepL wurden beim Training Stimmidentität, Prosodie – also Akzente und Intonation – und die gesprochenen Inhalte getrennt voneinander gelernt; Störgeräusche, Echos und Verzerrungen filtert das Modell heraus. Nach Unternehmensangaben soll Aure sogar Sarkasmus abbilden können, also Fälle, in denen der Tonfall den Worten widerspricht. Verfeinert wurde die Ausgabe demnach per Reinforcement Learning.
Ab sofort in acht Sprachen verfügbar
Aure ist ab sofort automatisch aktiv – ohne zusätzliche Konfiguration – in allen drei Voice-Produkten: DeepL Voice für Online-Meetings, DeepL Voice für Gespräche vor Ort sowie in der DeepL-API für Voice. Zum Start unterstützt das Modell acht Sprachen: Deutsch, Englisch, Spanisch, Französisch, Italienisch, Japanisch, Portugiesisch und Koreanisch. Weitere sollen folgen; alle übrigen Sprachen laufen vorerst über die bestehenden Voice-Modelle.
DeepL-Gründer und CEO Jarek Kutylowski sieht darin einen Grundsatzschritt: Mit Aure könnten „selbst subtilste Änderungen im Ausdruck erfasst und in eine andere Sprache übertragen werden – in der eigenen Stimme und in Echtzeit", so Kutylowski. Ziel sei eine Welt, „in der sich die Sprache verändert, der Mensch dahinter aber derselbe bleibt".
Einordnung: Wettrennen um emotionale KI-Stimmen
Aure baut auf der Stimmerhaltungs-Technologie auf, die DeepL erst im September 2026 eingeführt hatte – seitdem sprechen Nutzer in Übersetzungen mit ihrer eigenen, wiedererkennbaren Stimme, inklusive Desktop-App für Zoom, Microsoft Teams und Google Meet. Mit der Emotionsübertragung zieht DeepL nun an reinen Text-to-Speech-Anbietern vorbei, die ausdrucksstarke Stimmen meist nur für vorproduzierte Inhalte liefern – etwa ElevenLabs, das bei generierten Stimmen bislang den Ton angibt. DeepLs Spezialität bleibt der Echtzeit-Einsatz im Gespräch, wo Voice Cloning und Übersetzung ineinandergreifen. Nach eigenen Angaben beschäftigt das 2017 gegründete Unternehmen inzwischen mehr als 900 Mitarbeitende, über 200.000 Teams setzen die Produkte ein.
Was bedeutet das für Anwender in Deutschland?
Für deutsche Unternehmen ist Aure gleich doppelt interessant: Es kommt von einem Kölner Anbieter – und damit von einem der wenigen europäischen KI-Unternehmen der Weltspitze. Wer DeepL Voice bereits nutzt, bekommt die Emotionsübertragung automatisch und ohne genannten Aufpreis; Preisänderungen hat DeepL nicht kommuniziert. Datenschutzrechtlich verspricht das Unternehmen, dass Gesprächsinhalte und Übersetzungen nicht dauerhaft gespeichert, sondern nach Sitzungsende aus dem Arbeitsspeicher gelöscht werden – für den DSGVO-konformen Einsatz im Unternehmen sollte der Abschluss eines Auftragsverarbeitungsvertrags dennoch geprüft werden. Relevant ist auch der EU AI Act: Für KI-erzeugte oder -veränderte Audioinhalte gelten künftig Transparenzpflichten, auch wenn die Live-Übersetzung der eigenen Stimme ein Sonderfall ist. Mittelständler mit internationalen Kunden oder Standorten können mit DeepL Voice Meetings ohne Dolmetscher führen – und müssen dank Aure nicht mehr befürchten, dass Nuancen verloren gehen. Wer Sprachtechnologie lieber komplett lokal betreibt: Für Transkription gibt es Open-Weight-Modelle wie Whisper Large V3, für Stimmklonung Coqui XTTS V2 – eine Echtzeit-Übersetzung mit Emotionsübertragung bietet im Open-Source-Bereich derzeit allerdings kein Modell.
Quellen
- DeepL stellt Aure vor: sein bislang ausdrucksstärkstes KI-Modell für Echtzeit-Sprachübersetzung — PR Newswire (Pressemitteilung)
- KI-Stimmen mit Emotionen: DeepL stellt neues Modell Aure vor — t3n
- EQS-News: DeepL stellt Aure vor — onvista
- DeepL Voice now preserves your voice in real time across languages — DeepL Blog (Hintergrund, September 2026)