Uncanny-Valley-Statistiken zu synthetischen Stimmen (2026): 40+ Datenpunkte zu Erkennung, Unheimlichkeit und Gesicht-Stimme-Diskrepanz

Uncanny-Valley-Statistiken 2026: Hörer unterschieden echte von KI-Stimmen nur in 53,95% der Fälle; dazu Unheimlichkeit, Klone und Gesicht-Stimme-Diskrepanz.

Als 172 Personen echte von KI-generierten Stimmen unterscheiden sollten, lagen sie nur in 53,95% der Fälle richtig, kaum über einem Münzwurf, während dieselben Teilnehmenden Gesichter in 65,48% der Fälle korrekt einordneten (Ivory et al., Scientific Reports 2026, im Druck). Klone echter Personen täuschen Hörer sogar bei der Identität: Die Abgleichgenauigkeit sank von 86,98% bei natürlichen Stimmen auf 68,94% bei Deepfakes (Roswandowitz et al., Communications Biology 2024). Über 1.212 Teilnehmende und drei weit verbreitete Deepfake-Datensätze lag die menschliche Genauigkeit im Mittel bei 73% (Warren et al., ACM CCS 2024), und doch zeigt sich das klassische Uncanny Valley, der Komforteinbruch, wenn etwas fast, aber nicht ganz menschlich ist, bei synthetischer Sprache allein kaum. Wir haben Daten aus PLOS One, Scientific Reports, Communications Biology, eNeuro, dem ISCA Archive, Frontiers, ACM CCS, i-Perception und zwei Branchenumfragen aus 2026 zusammengeführt. Für die Hörtest-Benchmarks hinter moderner Sprachsynthese siehe unsere Statistiken zu Natürlichkeit und MOS synthetischer Sprache, und für die Tonhöhen- und Betonungsfehler, die synthetische Stimmen noch immer verraten, unsere Statistiken zu Prosodiefehlern neuronaler TTS.

TL;DR

  • Hörer ordneten echte gegenüber synthetischen Stimmen in 53,95% der Fälle richtig zu, gegenüber 65,48% bei Gesichtern (Ivory et al., Scientific Reports 2026).
  • Die Konfidenz folgte bei Stimmen nicht der Genauigkeit: AUROC 0,48, wobei 0,5 keinerlei Einsicht bedeutet (Ivory et al., Scientific Reports 2026).
  • Stimmklone wurden mit 0,70 als menschlich eingestuft, echte Aufnahmen mit 0,72 und generische KI-Stimmen mit 0,39 (Lavan et al., PLOS One 2025).
  • Die mittlere menschliche Genauigkeit über drei Deepfake-Datensätze betrug 73% bei 1.212 Teilnehmenden (Warren et al., ACM CCS 2024).
  • Der Identitätsabgleich sank von 86,98% bei natürlichen Stimmen auf 68,94% bei Deepfakes (Roswandowitz et al., Communications Biology 2024).
  • Je menschenähnlicher eine TTS-Stimme, desto angenehmer wurde sie bewertet: r(203) = 0,48; p < 0,001 (Ross, Corley und Lai, Speech Prosody 2024).
  • Nicht zusammenpassende Gesicht-Stimme-Kombinationen wurden als unheimlicher bewertet als passende, t(47) = 6,042; p < 0,001 (Mitchell et al., i-Perception 2011).
  • Eine menschliche Stimme hob die Sympathie einer virtuellen Figur auf 3,75 gegenüber 2,99 bei einer Roboterstimme (Choi et al., IEEE ISMAR-Adjunct 2023).
  • Nachdem sie erfahren hatten, dass der gehörte Sprechertext von einer KI stammte, standen 25% der Radiohörer positiver und 20% negativer dazu (Crowd React Media 2026).
  • Beispielbasierte Gewöhnung steigerte die Deepfake-Erkennung im Mittel nur um 3,84% (Mai et al., PLOS ONE 2023).
  • 67% der Erwachsenen in den USA, Großbritannien und der DACH-Region sorgen sich, dass ihre Stimme geklont wird (Malwarebytes 2026, Anbieterumfrage).

1. Erkennung: Wie oft Hörer KI-Stimmen von menschlichen unterscheiden

Die Schlagzeile lautet nicht, dass Menschen scheitern, sondern dass das Scheitern speziell das Hören betrifft. Dieselben Teilnehmenden, die bei Gesichtern deutlich über dem Zufall lagen, erreichten bei Stimmen 53,95% (95%-KI = [52,64; 55,27]) in einer präregistrierten Studie der Lancaster University, die beide Sinne nebeneinander testete (Ivory et al., Scientific Reports, im Druck). Gut darin zu sein, gefälschte Gesichter zu erkennen, sagte nichts darüber aus, gefälschte Stimmen gut zu erkennen: Die Autoren fanden keine allgemeine, sinnesübergreifende Erkennungsfähigkeit.

Das Aufgabenformat verschiebt die Zahlen stärker als das Können der Hörer. Als Forschende der UCL jeweils einen Clip abspielten, lagen 529 Hörer in 70,35% der Fälle richtig, doch wenn ein echter und ein Deepfake-Clip gemeinsam zu hören waren, wurde die Fälschung in 85,59% der Durchgänge erkannt (Mai et al., PLOS ONE 2023). Im echten Leben gibt es den Vergleichsclip selten. Auch das Alter des Datensatzes spielt eine Rolle: In der Studie der University of Florida mit 1.212 Teilnehmenden reichte die Genauigkeit von 65% beim Wavefake-Datensatz bis 81% bei FakeAVCeleb.

MetrikWertQuelle
Echte gegenüber synthetischen Stimmen richtig zugeordnet (172 Teilnehmende, 40 echte und 40 synthetische Stimmen)53,95% (95%-KI = [52,64; 55,27])Ivory et al., Scientific Reports 2026 (im Druck)
Echte gegenüber KI-generierten Gesichtern von denselben Teilnehmenden richtig zugeordnet65,48% (95%-KI = [63,75; 67,21])Ivory et al., Scientific Reports 2026 (im Druck)
Richtige Zuordnungen bei Beurteilung jeweils eines Clips (n = 529, Englisch und Mandarin)70,35%Mai et al., PLOS ONE 2023
Deepfake erkannt, wenn er neben einem echten Clip zu hören war (Aufgabe mit zwei Clips)85,59% der DurchgängeMai et al., PLOS ONE 2023
Mittlere menschliche Genauigkeit über drei Deepfake-Datensätze (1.212 Teilnehmende)73%Warren et al., ACM CCS 2024
Mittlere Genauigkeit beim schwierigsten Datensatz (Wavefake) gegenüber dem leichtesten (FakeAVCeleb)65% gegenüber 81%Warren et al., ACM CCS 2024
KI-Stimmklone korrekt als KI erkannt (Prolific-Stichprobe mit 604 Teilnehmenden in zwei Studien)rund 60%Barrington, Cooper und Farid, Scientific Reports 2025
Sensitivität der Hörer (d-Prime) bei der Trennung generischer KI-Stimmen von menschlichen Stimmen gegenüber Stimmklonen von menschlichen Stimmen (n = 50)2,93 gegenüber 0,13Lavan et al., PLOS One 2025

Kontexthinweis: d-Prime (d’) ist ein Sensitivitätswert aus der Signalentdeckungstheorie, bei dem 0 bedeutet, dass der Hörer die beiden Kategorien überhaupt nicht trennen kann. Die Deepfakes von Mai et al. stammten, wie die Autoren selbst anmerken, aus relativ alten Algorithmen; aktuellste verfügbare Daten für den Vergleich von einem Clip gegenüber zwei Clips: Mai et al., PLOS ONE 2023.

2. Stimmklone: Wenn die Kopie als die Person durchgeht

Eine generische KI-Stimme klingt immer noch nach Produkt. Der Klon einer bestimmten Person nicht, und hier gibt das menschliche Gehör auf. Forschende der Queen Mary University of London bauten ihre Klone aus rund 4 Minuten Aufnahmen pro Sprecher mit einem kommerziellen Klonwerkzeug, und die Hörer stuften diese Klone mit einer Rate von 0,70 als menschlich ein, gegenüber 0,72 bei den echten Aufnahmen (Lavan et al., PLOS One 2025). Das Urteil der Autoren ist präzise: Klone klingen echt, aber noch nicht “hyperreal”, so wie KI-Gesichter echter wirken können als echte. Wie wenig Audio ein Klon heute braucht, verfolgen unsere Statistiken zu Referenzaudio für Zero-Shot-Stimmklonung.

Die Identität ist der zweite Test, und Klone bestehen ihn meistens. In einer Studie der UC Berkeley beurteilten Teilnehmende eine KI-Stimme in etwa 80% der Fälle als identisch mit ihrem realen Gegenstück (Barrington, Cooper und Farid, arXiv v2, veröffentlicht in Scientific Reports 2025). In einer bildgebenden Hirnstudie der University of Zurich mit deutschen Zweiwortsätzen (zum Stimulus gehörte ‘Er fällt’) sank der Identitätsabgleich von 86,98% bei natürlichen Stimmen auf 68,94% bei Deepfakes (Roswandowitz et al., Communications Biology 2024).

MetrikWertQuelle
Anteil der als ‘menschlich’ eingestuften Stimmen: Stimmklone gegenüber echten menschlichen Aufnahmen gegenüber generischen KI-Stimmen (Experiment 2, n = 50 Erwachsene aus Großbritannien)0,70 gegenüber 0,72 gegenüber 0,39Lavan et al., PLOS One 2025
Mittlere Realitätsbewertung: generische KI-Stimmen gegenüber Stimmklonen gegenüber echten menschlichen Aufnahmen47,4 gegenüber 63,0 gegenüber 63,8Lavan et al., PLOS One 2025
KI-Klon als identisch mit dem echten Sprecher beurteiltetwa 80% der FälleBarrington, Cooper und Farid, Scientific Reports 2025
Korrelation zwischen Clip-Dauer und Genauigkeit der NatürlichkeitsurteileSpearman ρ = 0,245Barrington, Cooper und Farid, Scientific Reports 2025
Genauigkeit des Identitätsabgleichs: Paare natürlicher Stimmen gegenüber einem Deepfake, gepaart mit einer natürlichen Stimme (n = 25)86,98% gegenüber 68,94%Roswandowitz et al., Communications Biology 2024
Deepfake-Durchgänge: Fehlschläge (Misses) gegenüber Fehlalarmen28,64% gegenüber 29,86%Roswandowitz et al., Communications Biology 2024

Kontexthinweis: Das Team der Queen Mary führte drei Experimente mit jeweils 50 britischen Teilnehmenden im Alter von 18 bis 65 Jahren durch, rekrutiert über Prolific. In der Zürcher Studie bedeutet ein Fehlschlag, dass ein Deepfake als der echte Sprecher akzeptiert wurde, und ein Fehlalarm, dass eine korrekte Identität abgelehnt wurde; die nahezu gleichen Raten zeigen, dass die Hörer in beide Richtungen rieten, statt zu einer Seite zu neigen.

3. Gibt es ein Uncanny Valley für Stimmen?

Das visuelle Uncanny Valley sagt voraus, dass der Komfort kurz vor dem Punkt einbricht, an dem ein künstliches Gesicht vollständig menschlich wird. Bei synthetischer Sprache deuten die meisten Daten in die andere Richtung: je näher am Menschen, desto besser. In einer Studie in Frontiers in Neurorobotics bewerteten 95 Erwachsene zwei synthetische Stimmen (IBM Watson und der Roboter Sophia) sowie eine menschliche Stimme, und höhere Menschenähnlichkeit sagte bei beiden synthetischen Stimmen geringere Unheimlichkeit voraus. Ein Team aus Edinburgh stellte fest, dass Menschenähnlichkeit und Angenehmheit positiv korreliert waren, r(203) = 0,48; p < 0,001, doch keine TTS-Stimme erreichte 50% Menschenähnlichkeit, sodass das obere Ende der Kurve, wo ein Tal läge, nie getestet wurde (Ross, Corley und Lai, Speech Prosody 2024).

Wenn ein Tal doch auftritt, entsteht es durch Abweichung und nicht durch Künstlichkeit. Diel und Lewis fanden ein stimmliches Uncanny Valley, das von verzerrten und pathologischen Stimmen ausgeht, und folgerten, dass “synthetische Stimmen ihm erfolgreich entgehen” (Computers in Human Behavior Reports 2024). Für alle, die mit einem KI-Stimmgenerator eine Stimme auswählen, ist das eine praktische Regel: Ein ungewöhnlicher, gepresster oder fehlerhafter Vortrag ist riskanter als ein schlicht synthetischer.

MetrikWertQuelle
Bewertung der Menschenähnlichkeit: menschenähnlichste TTS-Stimme (übertriebener Tonhöhenumfang) gegenüber menschlicher Aufnahme (205 Hörer)46,1 gegenüber 71,5Ross, Corley und Lai, Speech Prosody 2024
Bewertung der Unheimlichkeit: dieselbe TTS-Stimme gegenüber menschlicher Aufnahme40,4 gegenüber 28,9Ross, Corley und Lai, Speech Prosody 2024
Korrelation zwischen Menschenähnlichkeit und Angenehmheitr(203) = 0,48; p < 0,001Ross, Corley und Lai, Speech Prosody 2024
Menschenähnlichkeit als Prädiktor der Unheimlichkeit bei zwei synthetischen Stimmen (95 Erwachsene)β = −0,64 und β = −0,66, p < 0,001Kühne, Fischer und Zhou, Frontiers in Neurorobotics 2020
Stimmen in einer Studie zu Sympathie gegenüber Menschenähnlichkeit (25 Hörer): deutsche Männerstimmen aus 5 Syntheseansätzen plus eine menschliche Kontrolle13Baird et al., Interspeech 2018
Teilnehmende in zwei Experimenten, die ein stimmliches Uncanny Valley bei abweichenden Stimmen verortetenn = 50 und n = 35Diel und Lewis, Computers in Human Behavior Reports 2024
Teilnehmende in einer Studie zu Sprachassistenten, in der menschenähnliches Aussehen die Unheimlichkeit erhöhte34Zhao, Chen und Zhao, Human Factors and Ergonomics in Manufacturing 2026
Expositionen, bis die Sympathie für eine unbekannte menschliche Stimme stieg (gesprochene Sätze, 238 Studierende)8Mavromati, Erdinch und Paterson, PsyArXiv-Preprint 2025

Kontexthinweis: Baird et al. stellten fest, dass die Sympathie mit der Menschenähnlichkeit stieg, das Gegenteil des visuellen Uncanny Valley (Interspeech 2018); aktuellste verfügbare Daten für diesen Vergleich über Synthesegenerationen hinweg, und die Studie von Kühne et al. stammt aus 2020. In der Studie zu Sprachassistenten kam die Unheimlichkeit vom menschenähnlichen Aussehen, nicht von der Stimme. Der Preprint von Mavromati und Kollegen testete echte menschliche Stimmen: Stimmen, die 2- oder 5-mal gehört worden waren, gefielen weniger als nie gehörte, ein umgekehrtes ‘U’, das die Autoren als Uncanny Valley ‘vertraut-fremder’ Stimmen bezeichnen.

4. Diskrepanz zwischen Gesicht und Stimme: Wo das Tal tatsächlich auftritt

Wenn Stimmen allein selten ins Tal fallen, tun es Kombinationen. Der grundlegende Test kombinierte eine Roboter- oder menschliche Figur mit einer passenden oder nicht passenden Stimme, und die beiden nicht passenden Kombinationen wurden als unheimlicher bewertet als die beiden passenden, t(47) = 6,042; p < 0,001 (Mitchell et al., i-Perception 2011). Die menschliche Figur mit synthetischer Stimme war die unheimlichste der vier Bedingungen. Die Design-Lehre der Autoren gilt weiterhin: den menschlichen Realismus des Gesichts an den der Stimme anpassen.

Neuere Arbeiten zeigen, dass die Stimme den Eindruck meist dominiert. In einer Virtual-Reality-Studie erhöhte eine menschliche Stimme die Sympathie und die wahrgenommene Sicherheit einer Figur, während das Aussehen selbst keinen signifikanten Effekt auf die Sympathie hatte (Choi et al., IEEE ISMAR-Adjunct 2023). Beim Roboterkopf Furhat veränderte die Gesicht-Stimme-Einstellung die Wärme des ersten Eindrucks, doch der Effekt war nach der Interaktion der Teilnehmenden mit dem Roboter nicht mehr signifikant (Huang und Moore, Frontiers in Robotics and AI 2024).

MetrikWertQuelle
Bewertung der Unheimlichkeit: menschliche Figur mit synthetischer Stimme gegenüber menschlicher Figur mit menschlicher Stimme (48 in den USA geborene Teilnehmende)M = 0,19 gegenüber M = −1,10Mitchell et al., i-Perception 2011
Bewertung der Unheimlichkeit: Roboterfigur mit menschlicher Stimme gegenüber Roboterfigur mit synthetischer StimmeM = −0,10 gegenüber M = −0,60Mitchell et al., i-Perception 2011
Nicht passende gegenüber passenden Gesicht-Stimme-Kombinationen (gepaarter t-Test)t(47) = 6,042; p < 0,001Mitchell et al., i-Perception 2011
Sympathie einer virtuellen Figur: menschliche Stimme gegenüber Roboterstimme (21 Teilnehmende)3,75 gegenüber 2,99Choi et al., IEEE ISMAR-Adjunct 2023
Wahrgenommene Menschenähnlichkeit (Anthropomorphismus) einer virtuellen Figur: menschliche Stimme gegenüber Roboterstimme3,18 gegenüber 2,58Choi et al., IEEE ISMAR-Adjunct 2023
Wärme des ersten Eindrucks: kindliche gegenüber erwachsenen gegenüber roboterhaften Gesicht-Stimme-Einstellungen (52 Teilnehmende, 156 Stichproben)3,37 gegenüber 2,60 gegenüber 2,06Huang und Moore, Frontiers in Robotics and AI 2024
Effekt der Gesicht-Stimme-Einstellung auf die Wärme vor der InteraktionF(2,147) = 16,75; p < 0,001Huang und Moore, Frontiers in Robotics and AI 2024

Kontexthinweis: In der Furhat-Studie beschrieben einige Teilnehmende die kindliche Einstellung als nicht stimmig (‘ein kindlicherer Klang, aber ein weniger kindliches Aussehen’). Ein 2x2-Experiment mit virtuellem Agenten von Alimardani et al. (IVA 2024) stellte fest, dass eine Diskrepanz zwischen Stimme und Aussehen den wahrgenommenen Anthropomorphismus veränderte, aber nicht, wie oft Menschen den Ratschlägen des Agenten folgten. Die Studie von Mitchell et al. stammt aus 2011; aktuellste verfügbare Daten für genau dieses Gesicht-Stimme-Design.

5. Soziale Eigenschaften und der Offenlegungseffekt

Hörer beurteilen nicht nur, ob eine Stimme echt ist; sie lesen Charakter hinein, und synthetische Stimmen werden anders gelesen. In den Eigenschaftsexperimenten der Queen Mary wurden generische KI-Stimmen als dominanter und etwas vertrauenswürdiger bewertet als menschliche Stimmen. Das Zürcher Team fand bei seinen Deepfakes das Gegenteil: Die Teilnehmenden bewerteten sie als “deutlich weniger natürlich, sympathisch und vertrauenswürdig” als die natürlichen Stimmen (Roswandowitz et al., Communications Biology 2024). Die Qualität des Stimulus entscheidet, in welche Richtung die Eigenschaften ausschlagen.

In einem Blindtest, der echten Medien näherkommt, war die Qualität nicht mehr das Problem, und die Offenlegung übernahm. Nach der Auflösung standen 48% der Hörer, die den menschlichen Sprechertext gehört hatten, positiver dazu, gegenüber 25% derer, die die KI-Stimme gehört hatten (Crowd React Media AI Voiceover Study 2026). Bevor jemandem etwas gesagt wurde, schnitten die beiden Stimmen nahezu gleich ab. Monotoner Vortrag ist die andere Schwachstelle: Etwa 68% der Nutzer in einer Bedingung ohne Emotion kritisierten den Stimmton eines Konversationsagenten (Cihodaru-Ștefanache und Podina, Frontiers in Psychology 2025).

MetrikWertQuelle
Dominanzbewertung: generische KI-Stimmen gegenüber menschlichen Stimmen (n = 50)58,1 gegenüber 40,4 (p < 0,001)Lavan et al., PLOS One 2025
Vertrauenswürdigkeitsbewertung: generische KI-Stimmen gegenüber menschlichen Stimmen57,9 gegenüber 53,8 (p = 0,002)Lavan et al., PLOS One 2025
Gesamtgefallen des ersten Clips: KI-Sprechertext gegenüber menschlichem Sprechertext (1.326 US-Radiohörer im Alter von 18 bis 45 Jahren)61% gegenüber 60%Crowd React Media AI Voiceover Study 2026
Sprechertext als ‘lustig’ bewertet: menschliche Stimme gegenüber KI-Stimme (der einzige signifikante Unterschied)33% gegenüber 26%Crowd React Media AI Voiceover Study 2026
Nach der Auflösung, Hörer der KI-Stimme: positiver gegenüber negativer25% gegenüber 20%Crowd React Media AI Voiceover Study 2026
Nach der Auflösung, Hörer der menschlichen Stimme: positiver gegenüber negativer48% gegenüber 4%Crowd React Media AI Voiceover Study 2026
Nutzer in einer Bedingung ohne Emotion, die den Stimmton eines Konversationsagenten kritisiertenetwa 68%Cihodaru-Ștefanache und Podina, Frontiers in Psychology 2025

Kontexthinweis: Die Übersichtsarbeit in Frontiers in Psychology kam nach Sichtung auf 29 Studien zu verkörperten Konversationsagenten (animierte Bildschirmfiguren, die mit Nutzern sprechen) und bewertete die meisten davon als methodisch schwach oder mittelmäßig. Der Radiotest wurde von einer Marktforschungssparte der Harker Bos Group durchgeführt und prüfte die Signifikanz mit einem Zwei-Proportionen-z-Test bei 95% Konfidenz; den Hörern wurde erst nach ihrer Bewertung mitgeteilt, welche Stimme sie gehört hatten.

6. Training, Konfidenz und das hörende Gehirn

Kurzes Training hilft kaum, und Hörer merken nicht, wann sie danebenliegen. Bei Stimmen lag die metakognitive Einsicht, gemessen als AUROC, bei 0,48, knapp unter den 0,5, die bedeuten, dass die Konfidenz keine Information über die Genauigkeit trägt, verglichen mit 0,59 bei Gesichtern in derselben Lancaster-Studie (siehe Abschnitt 1). Die Gewöhnung an Beispiel-Deepfakes verändert die Genauigkeit kaum (siehe Tabelle). Waren Hörer unsicher, so das Team der University of Florida, neigten sie dazu, das Audio für menschlich zu halten (Warren et al., ACM CCS 2024), und genau auf diese Verzerrung setzt Betrug mit Stimmklonung; siehe unsere Statistiken zu Familienbetrug mit Stimmklonung.

Das Gehirn registriert allerdings mehr, als der Hörer meldet. Nach einer 12-minütigen Trainingseinheit zeigten 30 Muttersprachler des Mandarin neuronale Unterschiede zwischen menschlicher und KI-Sprache bei etwa 55, 210 und 455 Millisekunden, doch ihre Verhaltensleistung bei der Unterscheidung verbesserte sich nicht signifikant (Yang et al., eNeuro 2026). In der Zürcher fMRT-Studie verfolgte der auditive Kortex die akustischen Unterschiede zwischen Deepfake- und natürlichen Stimmen, während der Nucleus accumbens, Teil des Belohnungssystems, weniger aktiv war, wenn ein Deepfake mit einer natürlichen Stimme verglichen wurde (Roswandowitz et al., Communications Biology 2024).

MetrikWertQuelle
Metakognitive Einsicht (AUROC) für Stimmen gegenüber Gesichtern, wobei 0,5 keine Einsicht bedeutet0,48 gegenüber 0,59Ivory et al., Scientific Reports 2026 (im Druck)
Erkennungsgewinn durch Gewöhnung an Deepfake-Beispiele3,84% im MittelMai et al., PLOS ONE 2023
Sensitivität (d-Prime) für menschliche Sprache vor gegenüber nach einer 12-minütigen Trainingseinheit (30 Teilnehmende)0,383 gegenüber 0,536Yang et al., eNeuro 2026
Sensitivität (d-Prime) für feinabgestimmte (fine-tuned) KI-Klone vor gegenüber nach demselben Training0,266 gegenüber 0,341Yang et al., eNeuro 2026
Haupteffekt der Trainingseinheit auf die SensitivitätF(1,29) = 3,918; p = 0,057Yang et al., eNeuro 2026
Latenzen der neuronalen Differenzierung zwischen menschlicher und KI-Sprache nach dem Trainingetwa 55 ms, 210 ms und 455 msYang et al., eNeuro 2026
Erwachsene, die sich sorgen, dass ihre Stimme geklont wird (1.500 Erwachsene in den USA, Großbritannien, Österreich, Deutschland und der Schweiz)67%Malwarebytes AI Scams Report 2026 (Anbieterumfrage)
Erwachsene, die in den letzten 12 Monaten einen Anruf mit geklonter Stimme von jemandem erhielten, den sie kannten16%Malwarebytes AI Scams Report 2026 (Anbieterumfrage)

Kontexthinweis: AUROC (Fläche unter der Receiver-Operating-Characteristic-Kurve) misst hier, ob die Konfidenz eines Hörers bei richtigen Antworten höher ist als bei falschen. Die eNeuro-Sätze stammten aus einem Test zur Sprachwahrnehmung im Mandarin, und die KI-Stimmen wurden mit einem Open-Source-Klonmodell erzeugt. Die Malwarebytes-Umfrage wurde vom 1. bis 17. März 2026 online von einem unabhängigen Forschungsberater durchgeführt; es ist die eigene Umfrage eines Sicherheitsanbieters, also als Kontext zu verstehen und nicht als Wahrnehmungsmessung.

Zusammenfassung: Uncanny Valley bei synthetischen Stimmen in Zahlen

MetrikWertQuelle
Echte gegenüber synthetischen Stimmen richtig zugeordnet53,95%Ivory et al., Scientific Reports 2026 (im Druck)
Mittlere menschliche Genauigkeit über drei Deepfake-Datensätze (1.212 Teilnehmende)73%Warren et al., ACM CCS 2024
Mittlere Genauigkeit beim schwierigsten gegenüber dem leichtesten Deepfake-Datensatz65% gegenüber 81%Warren et al., ACM CCS 2024
Deepfake-Erkennung: jeweils ein Clip gegenüber neben einem echten Clip70,35% gegenüber 85,59%Mai et al., PLOS ONE 2023
KI-Klon als identisch mit dem echten Sprecher beurteiltetwa 80%Barrington, Cooper und Farid, Scientific Reports 2025
Anteil als ‘menschlich’ eingestuft: Stimmklone gegenüber echten Aufnahmen gegenüber generischen KI-Stimmen0,70 gegenüber 0,72 gegenüber 0,39Lavan et al., PLOS One 2025
Identitätsabgleich: natürliche Stimmen gegenüber Deepfakes86,98% gegenüber 68,94%Roswandowitz et al., Communications Biology 2024
Korrelation zwischen Menschenähnlichkeit und Angenehmheit bei TTS-Stimmenr(203) = 0,48; p < 0,001Ross, Corley und Lai, Speech Prosody 2024
Menschenähnlichkeit: menschenähnlichste TTS-Stimme gegenüber menschlicher Aufnahme46,1 gegenüber 71,5Ross, Corley und Lai, Speech Prosody 2024
Unheimlichkeit: menschenähnlichste TTS-Stimme gegenüber menschlicher Aufnahme40,4 gegenüber 28,9Ross, Corley und Lai, Speech Prosody 2024
Menschenähnlichkeit als Prädiktor der Unheimlichkeit bei zwei synthetischen Stimmenβ = −0,64 und β = −0,66Kühne, Fischer und Zhou, Frontiers in Neurorobotics 2020
Nicht passende gegenüber passenden Gesicht-Stimme-Kombinationent(47) = 6,042; p < 0,001Mitchell et al., i-Perception 2011
Unheimlichkeit: menschliche Figur mit synthetischer Stimme gegenüber menschlicher Figur mit menschlicher StimmeM = 0,19 gegenüber M = −1,10Mitchell et al., i-Perception 2011
Sympathie einer virtuellen Figur: menschliche Stimme gegenüber Roboterstimme3,75 gegenüber 2,99Choi et al., IEEE ISMAR-Adjunct 2023
Wärme des ersten Eindrucks: kindliche gegenüber erwachsenen gegenüber roboterhaften Einstellungen3,37 gegenüber 2,60 gegenüber 2,06Huang und Moore, Frontiers in Robotics and AI 2024
Gesamtgefallen: KI-Sprechertext gegenüber menschlichem Sprechertext61% gegenüber 60%Crowd React Media AI Voiceover Study 2026
Nutzer, die den Stimmton eines emotionslosen Konversationsagenten kritisiertenetwa 68%Cihodaru-Ștefanache und Podina, Frontiers in Psychology 2025
Effekt einer 12-minütigen Trainingseinheit auf die Sensitivität für KI-SpracheF(1,29) = 3,918; p = 0,057Yang et al., eNeuro 2026

Methodik und Quellen

  • Ivory, McGettigan, Nuttall und Nightingale, “Human Detection of AI-Generated Faces and Voices is Not Domain-General”, Scientific Reports 2026, im Druck, Repositorium der Lancaster University
  • Lavan et al., “Voice clones sound realistic but not (yet) hyperrealistic”, PLOS One 2025, PubMed Central
  • Barrington, Cooper und Farid, “People are poorly equipped to detect AI-powered voice clones”, Scientific Reports 2025, PubMed Central und arXiv v2
  • Mai, Bray, Davies und Griffin, “Warning: Humans cannot reliably detect speech deepfakes”, PLOS ONE 2023, PLOS ONE
  • Warren et al., “Better Be Computer or I’m Dumb: A Large-Scale Evaluation of Humans as Audio Deepfake Detectors”, ACM CCS 2024, PDF der University of Florida
  • Roswandowitz et al., “Cortical-striatal brain network distinguishes deepfake from real speaker identity”, Communications Biology 2024, PubMed Central
  • Yang, Jiang, Bai, Ni und Teng, “Short-Term Perceptual Training Modulates Neural Responses to Deepfake Speech but Does Not Improve Behavioral Discrimination”, eNeuro 2026, PubMed Central
  • Ross, Corley und Lai, “Is there an uncanny valley for speech? Investigating listeners’ evaluations of realistic TTS voices”, Speech Prosody 2024, ISCA Archive
  • Kühne, Fischer und Zhou, “The Human Takes It All: Humanlike Synthesized Voices Are Perceived as Less Eerie and More Likable”, Frontiers in Neurorobotics 2020, Frontiers
  • Baird et al., “The Perception and Analysis of the Likeability and Human Likeness of Synthesized Speech”, Interspeech 2018, ISCA Archive
  • Diel und Lewis, “Deviation from typical organic voices best explains a vocal uncanny valley”, Computers in Human Behavior Reports 2024, ScienceDirect
  • Zhao, Chen und Zhao, “Does the Uncanny Valley Effect Exist When Voice Assistants Have Minds and Human-Like Appearances?”, Human Factors and Ergonomics in Manufacturing and Service Industries 2026, Wiley über DOI
  • Mavromati, Erdinch und Paterson, “The uncanny valley of familiarly unfamiliar voices”, PsyArXiv-Preprint 2025, OSF
  • Mitchell et al., “A Mismatch in the Human Realism of Face and Voice Produces an Uncanny Valley”, i-Perception 2011, PubMed Central
  • Choi, Koilias, Volonte, Kao und Mousas, “Exploring the Appearance and Voice Mismatch of Virtual Characters”, IEEE ISMAR-Adjunct 2023, PDF
  • Huang und Moore, “Freedom comes at a cost?: An exploratory study on affordances’ impact on users’ perception of a social robot”, Frontiers in Robotics and AI 2024, Frontiers
  • Alimardani, de Roode, Vaitonyte und Louwerse, “Effect of a Virtual Agent’s Appearance and Voice on Uncanny Valley and Trust in Human-Agent Collaboration”, IVA 2024, ACM über DOI
  • Cihodaru-Ștefanache und Podina, “The uncanny valley effect in embodied conversational agents: a critical systematic review”, Frontiers in Psychology 2025, Frontiers
  • Crowd React Media (Harker Bos Group), AI Voiceover Study 2026, Crowd React Media, ebenfalls berichtet von Radio Ink
  • Malwarebytes, AI Scams Report 2026 (Anbieterumfrage unter 1.500 Erwachsenen), Malwarebytes
  • Daten-Hinweis: Die Lancaster-Studie zu Gesicht und Stimme wird aus der akzeptierten Fassung im Repositorium der Universität zitiert, sodass sich Zahlen in der endgültigen Zeitschriftenfassung leicht verschieben könnten. Die Klonstudie der UC Berkeley druckt ihre zentralen Prozentwerte in der Zeitschriftenfassung als Bilder, weshalb die Werte von etwa 80% und rund 60% dem Text von arXiv v2 entnommen sind, der mit dem veröffentlichten Abstract übereinstimmt. Die Ausgangsbasis der Queen Mary schwankte zwischen den Experimenten (Hörer stuften 81% der menschlichen Stimmen in Experiment 1a als ‘menschlich’ ein, 62% in Experiment 1b und 72% in Experiment 2), weshalb Klone und menschliche Stimmen nur innerhalb eines Experiments verglichen werden sollten, nie über Experimente hinweg. Die beiden 73%-Werte aus den Studien der UCL (2023) und der University of Florida (2024) messen unterschiedliche Aufgaben und Datensätze und sind keine Replikation voneinander. Der Radio-Blindtest fand keinen statistisch signifikanten Unterschied darin, wie oft die beiden Stimmen identifiziert wurden, und seine genauen Identifikationsanteile erscheinen nur in einer Grafik. Kein hier veröffentlichter Test erreichte TTS-Stimmen, die als nahezu vollständig menschenähnlich bewertet wurden, daher bleibt das obere Ende der Kurve des stimmlichen Uncanny Valley ungetestet. Benchmark-Natürlichkeitswerte (MOS und CMOS) überlassen wir bewusst unserer MOS-Übersicht.

Zuletzt aktualisiert: 8. November 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn die endgültige Fassung der Lancaster-Studie zur Erkennung von Gesicht und Stimme in Scientific Reports erscheint.

VoxBooster testen — 3 Tage kostenlos.

Echtzeit-Stimmklon, Soundboard und Effekte — überall, wo du schon redest.

  • Keine Kreditkarte
  • ~30 ms Latenz
  • Discord · Teams · OBS
3 Tage kostenlos testen