SpaceXAI · Verfügbar
Grok Voice 3.0
Groks Echtzeit-Sprachmodell für Gespräche, Kundensupport und Assistenten, die während eines Anrufs Werkzeuge nutzen.
- Preisbasis
- 0,08 $/Audiominute
- Interaktionsmodus
- Echtzeit-Speech-to-Speech mit Tools
Ressourcen
Top-KI-Modelle für Sprach- und Echtzeitagenten
Echtzeit-Sprach- und ausdrucksstarke Stimmmodelle für Assistenten, Support, Charaktere und Live-Schnittstellen. Vergleichen Sie Abrechnungseinheiten, Interaktionsmodus, Latenzbasis, Sprachen, Tools und Kontext.
Zeigt 1–12 der 13-Modelle
ElevenLabs · Verfügbar
Eleven v4
Ein ausdrucksstarkes Text-to-Speech-Modell für Erzählungen, Figurenstimmen und Dialoge in vielen Sprachen.
- Preisbasis
- $0.08 / 1,000 Zeichen
- Interaktionsmodus
- Text-to-Speech und Dialoge mit mehreren Sprechern
ElevenLabs · Verfügbar
Eleven v4 Turbo
Ein Sprachsynthesemodell mit niedriger Latenz für Assistenten und interaktive Figuren, die eine ausdrucksstarke Stimme benötigen.
- Preisbasis
- $0.04 / 1,000 Zeichen
- Interaktionsmodus
- Echtzeit-Text-to-Speech / Text-to-Dialogue
Google · Verfügbar
Gemini 3.8 Flash TTS
Googles Sprachgenerierungsmodell für ausdrucksstarke Erzählungen, Charakterstimmen und Dialoge in 130 Sprachen.
- Preisbasis
- 0,50 $ Texteingabe · 9 $ Audioausgabe / 1 Mio. Tokens
- Interaktionsmodus
- Text-to-Speech mit Zwei-Sprecher-Dialogen
Google · Verfügbar
Gemini 3.8 Flash-Lite TTS
Googles günstigeres Sprachgenerierungsmodell für Vorlesefunktionen und große Audiomengen in 101 Sprachen.
- Preisbasis
- 0,50 $ Texteingabe · 6 $ Audioausgabe / 1 Mio. Tokens
- Interaktionsmodus
- Text-to-Speech mit Zwei-Sprecher-Dialogen
OpenAI · Verfügbar
GPT-Live 1
Das Vollduplex-Sprach-Frontend von OpenAI für natürliche Konversation, das tiefergehende Überlegungen und Aktionen an einen separaten Backend-Agenten delegiert.
- Preisbasis
- 0,05 $/Sprachminute + Backend-Nutzung
- Interaktionsmodus
- Vollduplex-Sprach-Frontend mit delegiertem Backend
Google · Verfügbar
Gemini 3.8 Live
Googles Echtzeit-Sprachmodell für flüssige Gespräche mit Audio, Text und visuellem Kontext.
- Preisbasis
- Audio: 0,005 $/Min. eingehend, 0,018 $/Min. ausgehend
- Interaktionsmodus
- Sprache-zu-Sprache mit visueller Eingabe und verzahntem Reasoning
Google · Verfügbar
Gemini 3.8 Live Extended Thinking
Ein separates Gemini-Sprachmodell, das komplexe Anfragen im Hintergrund bearbeitet und das Gespräch dabei fortsetzt.
- Preisbasis
- Audio: 0,005 $/Min. eingehend, 0,018 $/Min. ausgehend
- Interaktionsmodus
- Sprache-zu-Sprache mit visueller Eingabe und Hintergrund-Reasoning
OpenAI · Verfügbar
GPT-Realtime-2.1
Das Echtzeit-Speech-to-Speech-Argumentationsmodell von OpenAI für Tool-verwendende Sprachagenten, die auch Text- und Bildkontext benötigen.
- Preisbasis
- Audio 32 $ Eingang · 64 $ Ausgang / 1 Mio. Token
- Interaktionsmodus
- Speech-to-Speech mit Text-/Bildkontext
Google · Verfügbar
Gemini 3.1 Flash Live Preview
Das Vorschau-Audio-zu-Audio-Modell von Google für Dialoge mit geringer Latenz mit multimodalem Bewusstsein, Denken, Sucherdung und Funktionsaufruf.
- Preisbasis
- Audio: 0,005 $/Min. eingehend, 0,018 $/Min. ausgehend
- Interaktionsmodus
- Echtzeit-Audio-zu-Audio, multimodale Eingabe
ElevenLabs · Verfügbar
Eleven v3 Conversational
ElevenLabs‘ ausdrucksstarkes Echtzeit-Text-to-Speech-Modell für natürliche Dialoge, emotionale Übermittlung, Audio-Tags und mehr als 70 Sprachen.
- Preisbasis
- $0.04 / 1,000 Zeichen
- Interaktionsmodus
- Echtzeit-Text-to-Speech / Text-to-Dialogue
Inworld AI · Verfügbar
Inworld Realtime TTS-2
Das neueste ausdrucksstarke Echtzeit-Text-to-Speech-Modell von Inworld, das darauf ausgelegt ist, sich die gesprochene Sprache zu merken und in mehr als 100 Sprachen zu sprechen.
- Preisbasis
- 25 $ / 1 Mio. Zeichen auf Anfrage; Mengenrabatte
- Interaktionsmodus
- Steuerbares Echtzeit-TTS mit vorherigem Audiokontext
Worauf Sie beim Vergleich achten sollten
- Preisbasis
- Token-, zeichen- oder minutenbasierter Preis für die aufgeführte Zugangsroute.
- Interaktionsmodus
- Speech-to-Speech-, Audio-to-Audio- oder gestreamtes Text-to-Speech-Verhalten.
- Veröffentlichte Latenz
- Vom Anbieter veröffentlichte Messung mit den angegebenen Ausschlüssen; kein Cody-Test.
So verwenden Sie diese Bibliothek
Vergleichen Sie den Job, nicht den Hype.
Ein kuratierter, kategorieübergreifender Satz grenzüberschreitender, spezialisierter und kategoriedefinierender Modelle mit praktischen API-Informationen für echte Produktentscheidungen.
Cody führt keine universelle Qualitätsbestenliste. Anbieteransprüche sind gekennzeichnet, die Preise verstehen sich ohne Steuern und optionale Tools und Produktionskäufer sollten die Bedingungen des Live-Anbieters prüfen, bevor sie sich für ein Modell entscheiden.
- 01
Nutzen Sie, wann immer vorhanden, Erstanbieterdokumentation für technische Grenzen, Lebenszyklus, Preise, regionalen Zugriff und Datenrichtlinien.
- 02
Vergleichen Sie Modelle nur innerhalb derselben Kategorie und behalten Sie die Messbasis jedes Anbieters bei.
- 03
Nicht veröffentlicht anzeigen, wenn ein Anbieter einen vergleichbaren Sachverhalt nicht veröffentlicht, sondern nicht geschätzt hat.
- 04
Behandeln Sie Preise und Verfügbarkeit als veraltete Momentaufnahmen und verknüpfen Sie jede Seite mit der Live-Dokumentation des Anbieters.
Geschwindigkeit behält ihre Einheiten
Sprachlatenz, Textdurchsatz, Video-Renderzeit und Weltmodell-Bildrate sind nicht austauschbar.
Unbekannt bleibt unbekannt
Ein fehlendes Veröffentlichungsdatum, eine fehlende Länderliste oder eine fehlende Latenzzahl wird als „unveröffentlicht“ statt als „geschätzt“ gekennzeichnet.
Jede Tatsache hat ein Datum
Modellseiten verweisen auf die zugrunde liegende Quelle und zeigen an, wann Preise, Zugriff und Richtlinien zuletzt überprüft wurden.
Setzen Sie das Modell in die Tat um
Wählen Sie das Modell aus und geben Sie ihm dann ein besseres Briefing.
Nutzen Sie die erweiterten Prompt-Playbooks und kuratierten Agentenfähigkeiten von Cody, um eine Modellauswahl in einen wiederholbaren Workflow umzuwandeln.