@Michael Gründling Hallo Michael, in unserer Dokumentation ist das genau beschrieben: https://docs.voicery.ai/ai-assistants/assistant-modes#1-speech-to-speech-multimodal

@Michael Gründling lass mich gern wissen, wenn du Unterstützung brauchst.

Die Latenz ist unschlagbar gut, durch die Nutzung von Dualplex Engines, was die Latenz die durch den Einsatz von einzelnen Elementen - also einer ganzen Pipeline von Speech to Text -> LLM -> Text to Speech - entsteht, umgeht.

@Michael Gründling alle Daten werden innerhalb der EU verarbeitet und der Server für die Speicherung der Daten steht in Frankfurt.

Hier mal ein Beispiel, wie wir es für einen unserer Kunden aufgesetzt haben. Dabei haben wir das gleiche Setup verwendet, wie man es bei Voicery nutzen kann.

@Michael Gründling @Tino Daute Das ist sehr gut zusammengefasst. Die Grundfunktionen – also das Erstellen eines Agents, das Schreiben von Prompts und das Hinterlegen einer Wissensdatenbank – sind bei beiden Plattformen ähnlich, was ja typisch für eine Orchestrierungsplattform ist. Der entscheidende Unterschied bei Voicery liegt im integrierten Flow Builder, über den sich über 200 Anwendungen direkt anbinden lassen – ganz ohne externe Tools wie n8n oder Make. Ein weiterer Pluspunkt ist das Web-Chat-Widget, das wahlweise Chat, Sprache oder beides kombiniert – also ideal, um Website-Besucher sofort interaktiv einzubinden. 100% DSGVO konform mit Speech Engines wie Gladia (Frankreich) die sogar deutlich schneller ist als Deepgram sind auch von Vorteil. Die Stimmen sind identisch, da Elevenlabs (EU) verwendet wird. Es gibt keine monatliche Grundgebühr da man das Paket direkt nach dem Kauf auf wieder beenden kann, und nicht verbrauchte Minuten bleiben erhalten. Bei größeren Volumina sind die Nutzungsraten zudem günstiger.

@Daniel Schmuch Nicht nur. 70% KMUs aber auch kleinere und größere Unternehmen.

@Owys Garaybeh ich habe gesehen, dass du mir auch eine DM geschickt hast, ich Antworte dir dort. Aber grundsätzlich ist vom Kunden immer eine aktive Einwilligung zur Gesprächsaufzeichnung erforderlich. Wenn man diese nicht einholt, darf das Gespräch nicht aufgezeichnet werden.

Wir arbeiten mit Gladia... die Latenz ist wirklich unglaublich gut!!

Absolut. Die Latenz bei Gladia liegt bei uns zwischen 190 und 250 ms. Das ist deutlich schneller als bei den meisten anderen Spracherkennungsdiensten die wir getestet haben, besonders bei Unterbrechungen oder schnellen Wechseln. Die wahrgenommene Latenz entsteht aber nicht nur im Text-to-Speech, sondern aus der gesamten Pipeline – Netzwerk, Audio-Streaming, ASR, LLM-Standort, TTS-Standort und Rückkanal, dahermuss man immer das Gesamtbild betrachten. Aus diesem Grund haben wir neben dem Pipelinemodell auch Dualplex. Das ist die fortschrittlichste und schnellste Art der Sprachverarbeitung, weil das System hier parallel arbeitet, d.h. es hört auf einem Kanal zu und auf einem weiteren Kanal gibt es parallel die Sprache wieder aus.