Voice-Kosten-Rechner

STT Konfiguration

Eingabe der Parameter

Audio-Dauer (Minuten)

60 Min

Wiederholungen / Aufrufe

1 ×

Anbieter & Modell

Whisper API (OpenAI)

Marktvergleich (STT)

Marktvergleich (TTS)

Häufige Fragen (FAQ)

Wie genau sind die Kostenberechnungen für Voice-AI?

Der Kalkulator nutzt die aktuellen offiziellen API-Preise der grossen Anbieter und kombiniert sie mit typischen Nutzungsmustern. In produktiven Setups liegen die Schätzungen in rund 95 % der Fälle sehr nah an der späteren Abrechnung. Abweichungen entstehen vor allem durch Volumenrabatte, Hosting-Setups, Latenz-Optimierungen, Wechselkurse und Edge Cases. Für die finale Abrechnung zählt immer das Provider-Dashboard.

Welche Voice-AI-Anbieter werden unterstützt?

Unterstützt werden alle relevanten Anbieter aus den drei Voice-Komponenten:

Speech-to-Text (STT) - Transkription gesprochener Sprache in Text. Text-to-Speech (TTS) - Generierung gesprochener Sprache aus Text, inklusive Voice-Cloning bei einigen Anbietern. LLM - die Sprachintelligenz dazwischen, die Antworten generiert.

Anbieter und Modelle werden laufend nachgezogen, sobald neue Versionen oder Preisanpassungen veröffentlicht werden.

Kann ich verschiedene Modelle für dieselbe Aufgabe vergleichen?

Ja. STT-, TTS- und LLM-Modelle lassen sich direkt nebeneinander vergleichen - inklusive detaillierter Kostenaufschlüsselung pro Komponente und im Voice-Agent-Modus auch zusammengesetzt für eine ganze Konversation. So findest Du die wirtschaftlich sinnvollste Kombination für Deinen Use Case, statt isoliert nur einen Anbieter zu betrachten.

Welche Faktoren beeinflussen die Kosten einer Voice-AI-Konversation?

Die wichtigsten Hebel sind:

Dauer der Konversation - STT und TTS werden meist pro Minute oder pro Zeichen abgerechnet, längere Calls kosten linear mehr. Wörter pro Minute (WPM) - schnelle Sprache bedeutet mehr generierten Text bei gleicher Zeit und damit höhere TTS-Kosten. Modellwahl - Premium-Voice-Modelle können um Faktor 5-10 teurer sein als Standard-Modelle. LLM-Kontext und -Antwortlänge - jeder Token im Conversation-Verlauf zählt und summiert sich über lange Sessions. Hosting und Infrastruktur - Realtime-Streaming, Self-Hosting oder Edge-Deployment haben jeweils andere Kostenstrukturen. API-Nutzungsmuster - Reconnects, Retries und Idle-Time können bei Realtime-APIs zusätzliche Kosten verursachen.

Der Kalkulator berücksichtigt all diese Variablen.

Ist der Kalkulator kostenlos?

Ja, komplett kostenlos. Unlimitierte Berechnungen, Export der Resultate als Übersicht, keine Registrierung, keine versteckten Limits.

Wie oft werden die Preise aktualisiert?

Die Preise werden in der Regel monatlich überprüft und aktualisiert. Bei grösseren Preisänderungen der Anbieter zwischenzeitlich auch ad hoc. Die Werte im Kalkulator sind eine Vorab-Schätzung - verbindlich ist immer der Preis, den der Anbieter aktuell auf seiner Pricing-Seite ausweist.

Werden Latenzen in Voice-AI-Systemen berücksichtigt?

Ja. Der Kalkulator enthält eine Latenzanalyse mit drei Komponenten:

Netzwerk-Latenz - die Übertragungszeit zwischen Client und Anbieter, abhängig von Region und Verbindung. Verarbeitungszeit - wie lange das jeweilige Modell für Transkription, Generierung oder Synthese braucht. Time to First Token bei LLMs und Time to First Audio bei TTS - entscheidend für die wahrgenommene Reaktionsschnelligkeit eines Voice-Agents.

Ziel ist die Optimierung für Echtzeit-Anwendungen - Antwortzeiten unter ca. 800 ms wirken in einer Konversation natürlich.

Was sind die besten Strategien zur Kostenoptimierung bei Voice-AI-Agenten?

Die grössten Hebel:

Kontextmanagement - pflege eine knappe System-Prompt-Anweisung und kürze ältere Turns der Konversation. Jeder unnötig mitgeführte Token kostet Geld bei jedem weiteren Call. Modellwahl - Premium-Modelle nur dort, wo sie wirklich nötig sind. STT muss nicht immer das teuerste Modell sein, TTS nicht immer die Voice-Cloning-Variante. Session-Länge - kurze, geschlossene Konversationen sind günstiger als endlose Sessions, weil der Kontext nicht beliebig wächst. Caching - wiederkehrende System-Prompts mit Prompt-Caching ausstatten, sofern der LLM-Anbieter es unterstützt. Streaming - Streaming-TTS und -STT erlauben Abbrüche, sobald die Antwort offensichtlich abgeschlossen ist.

Was bedeuten STT, TTS und LLM in der Voice-AI-Kette?

Ein Voice-Agent besteht aus drei aufeinanderfolgenden Komponenten:

STT (Speech-to-Text) - wandelt das gesprochene Audio des Users in Text um. Abrechnung meist pro Minute Audio-Input. LLM (Large Language Model) - generiert die Antwort auf Basis des transkribierten Texts und des bisherigen Konversations-Verlaufs. Abrechnung pro Token Input und Output. TTS (Text-to-Speech) - synthetisiert die Antwort des LLMs als Audio. Abrechnung meist pro Zeichen oder pro Million Zeichen.

In der Praxis liegen alle drei Bausteine zwischen 30-40 % der Gesamtkosten - kein einzelner ist „der" Kostenfaktor.

Wie berechne ich die Kosten einer kompletten Konversation?

Im Voice-Agent-Modus rechnet der Kalkulator alle drei Komponenten zusammen:

STT = Konversationsdauer in Minuten × STT-Preis pro Minute LLM = (Input-Tokens + Output-Tokens) × LLM-Preise; die Token-Mengen leiten sich aus den gesprochenen und generierten Wörtern ab TTS = generierte Zeichen × TTS-Preis pro Zeichen

Du gibst typische Werte wie Konversationsdauer, Wörter pro Minute und durchschnittliche LLM-Antwortlänge ein - der Rest passiert automatisch.

Wann lohnt sich Voice-Cloning gegenüber Standard-TTS?

Voice-Cloning erzeugt eine individuelle, wiedererkennbare Stimme - entweder als geklonter Voice-Print einer echten Person (mit Consent) oder als komplett synthetische Markenstimme. Es ist meist deutlich teurer als Standard-TTS und manchmal auch langsamer in der Synthese. Lohnt sich bei: Branding-getriebenen Voice-Agents, Audiobooks, Audio-Werbung, Podcast-Intros, mehrsprachigen Versionen einer Marke. Für interne Anwendungen, schnelle Prototypen und reine Funktions-Bots reicht eine gute Standard-Stimme aus.

Was kostet eine durchschnittliche Voice-Agent-Minute?

Die Range ist gross - von wenigen Cent pro Minute mit günstigen Modellen bis zu mehreren Franken pro Minute mit Premium-Voice-Cloning und Reasoning-LLM. Die typische Verteilung in einem ausgewogenen Setup: rund ein Drittel STT, ein Drittel LLM und ein Drittel TTS. Wer Realtime-APIs verwendet, zahlt zusätzlich für jede gestreamte Sekunde. Im Kalkulator kannst Du eine konkrete Konfiguration durchrechnen lassen, statt mit Faustwerten zu arbeiten.

Wie schätze ich die monatlichen Voice-AI-Kosten realistisch ab?

Vier Schritte:

Konversations-Volumen - Anzahl Konversationen pro Monat und durchschnittliche Dauer pro Konversation. Realistische Sprech-Aufteilung - wie viel spricht der User (STT), wie viel der Agent (TTS, LLM-Output). Faustregel: 30-40 % User, 60-70 % Agent. Modellwahl pro Komponente - Premium nur dort, wo nötig. 20-30 % Puffer für Idle-Zeit, Retries, Nachfragen, Edge Cases.

Setze Spending-Limits bei jedem Anbieter - Voice-Apps können bei viraler Nutzung sehr schnell Kosten produzieren.

Was ist der Unterschied zwischen Batch- und Realtime-Voice-APIs?

Batch / Async - Du schickst eine Audio-Datei und bekommst Sekunden bis Minuten später das Transkript zurück. Günstig, aber nicht live-fähig. Typische Use Cases: Meeting-Transkription, Call-Center-Auswertung, Podcast-Untertitel.

Realtime / Streaming - Audio und Antwort fliessen kontinuierlich. Latenz ist niedrig genug für natürliche Konversation. Teurer pro Minute und stellt höhere Anforderungen an Netzwerk und Fehlerbehandlung. Typische Use Cases: Voice-Agents, Live-Übersetzung, interaktive Assistenten.

Wähle bewusst - Realtime für jede Aufgabe ist deutlich teurer, als wirklich nötig wäre.