KI-Audiomodelle im Vergleich

Ein Modell für alle Aufgaben gibt es nicht. Der Hub ordnet deshalb jede Aufgabe einzeln. Nach Beliebtheit vorn liegen derzeit: Spracherkennung: Gemini 3.5 Transcribe; Sprachausgabe: Kokoro-82M; Sprachdialog in Echtzeit: GPT-Realtime 2.1; Übersetzung: Gemini 3.5 Live Translate; Musik und Sound: Lyria 3.5; Audio-Analyse: pyannote Community-1. Beliebtheit misst Aufmerksamkeit und Nutzung, keine Klangqualität. Einen gemeinsamen Qualitätstest über alle Modelle einer Aufgabe gibt es noch nicht. Teste deshalb zwei oder drei Kandidaten mit eigenen Aufnahmen.

4 Modelle für Sprachausgabe haben offene Gewichte, darunter Kokoro-82M, Fish Audio S2 Pro und Maya 2 Native. Offene Modelle kannst du ohne API-Gebühren selbst betreiben, brauchst dafür aber passende Hardware. Ob du sie kommerziell nutzen darfst, regelt die Lizenz. Gehostete Stimmen kosten meist je Zeichen, Token oder Minute.

10 Modelle im Hub nehmen Sprache auf und antworten mit Sprache. Das brauchen Voice-Agents und Telefonbots. Am beliebtesten sind GPT-Realtime 2.1, Eleven v3 Conversational und Gemini 3.8 Live. Wie natürlich ein Gespräch wirkt, hängt an Antwortzeit und Sprecherwechsel. Prüfe beides im eigenen Aufbau, bevor du dich auf ein Modell festlegst.

22 von 83 Audiomodellen nennen im Profil den lokalen Betrieb, zum Beispiel pyannote Community-1, Nemotron-3-Diarization und Confucius4-R2T2. Die vollständige Liste zeigt der Filter „Läuft lokal“ in der Tabelle. Modellgröße und Lizenz stehen im jeweiligen Profil.

35 von 83 Modellen haben im Profil einen veröffentlichten Preis. Die Einheiten unterscheiden sich: je Minute oder Stunde Audio, je Million Zeichen, je Million Token oder in Credits. Die Tabelle zeigt deshalb jeden Preis so, wie der Anbieter ihn angibt. Beispiele: Gemini 3.5 Transcribe: 2 $ je 1 Mio. Audio-Token (0,003 $ je Audiominute); Gemini 3.5 Live Translate: 3,50 $ je 1 Mio. Audio-Token (0,0053 $ je Audiominute).

Der Hub ordnet jedes Modell einer von sechs Aufgaben zu: Spracherkennung (30), Sprachausgabe (23), Sprachdialog in Echtzeit (10), Übersetzung (7), Musik und Sound (10), Audio-Analyse (3). Jedes Modell hat genau eine Aufgabe, gewählt nach seiner dokumentierten Ein- und Ausgabe.