Speech Recognition Duell — 3. November 2024

1

WithAudio

Kauf auf einen Blick: Text-zu-Sprache-Software für Mac und Windows mit natürlichen AI-Stimmen.

4.8 (6)

Freemium

Volle Rezension

WithAudio ist eine Desktop-Anwendung zur Text-zu-Sprache-Umwandlung für Mac und Windows, die schriftliche Inhalte in gesprochene Audio umwandelt. Benutzer können Text einfügen, Dokumente laden oder Artikel importieren und diese mit einer Auswahl an KI-generierten Stimmen vorlesen lassen, was das Tool für das Korrekturlesen, die Barrierefreiheit und das Lesen ohne Hände nützlich macht. Im Gegensatz zu den meisten TTS-Tools, die auf monatlichen Abonnements basieren, wird WithAudio als einmaliger Kauf angeboten, was für Leser und Autoren, die vorhersehbare Kosten bevorzugen, attraktiv ist. Die App konzentriert sich auf ein einfaches Hören-Erlebnis anstatt auf komplexe Audioproduktion, mit Wiedergabesteuerungen und der Möglichkeit, generierte Audio für die spätere Verwendung zu exportieren.

• Text-zu-Sprache-Konvertierung mit AI-Stimmen
• Cross-Plattform-Ausführung für macOS und Windows
• Audio-Export für Offline-Hören
• Dokument- und Texteintragsmöglichkeiten
• Einrichtbare Wiedergabe-Steuerelemente
• Einzelfranchise-Lizenz-Aktivierung

2

CallFluent

KI-gesteuerter Plattform für Aufrufe, der transkribiert, analysiert und unterstüzt geschäftliche Telefonkonversationen.

4.4 (5)

Freemium

Volle Rezension

CallFluent ist eine KI-gesteuerte Call-Analytics-Plattform, die Unternehmen dabei unterstützt, mehr Wert aus ihren Telefoninteraktionen zu ziehen. Sie kombiniert speech-to-text transcription, conversation intelligence und workflow automation, um Erkenntnisse aus Verkaufsgesprächen, Support‑Tickets und Kundenanfragen zu gewinnen. Die Plattform analysiert Ton, Absicht und zentrale Themen in Telefonaten und verschafft den Teams Einblick in die Kundenstimmung, die Agenten‑Performance und häufige Einwände. Manager können Trends bei einem hohen Aufkommen an Gesprächen überprüfen, ohne jede Aufnahme manuell anhören zu müssen. Mit Automatisierungsfunktionen wie Anrufzusammenfassungen, CRM‑Protokollierung und Follow‑Up‑Auslösern zielt CallFluent darauf ab, wiederkehrende Nachbearbeitungsarbeiten zu reduzieren und Teams zu ermöglichen, schneller auf das zu reagieren, was Kunden tatsächlich sagen.

• Intelligente Spracherkennung
• Analyse von Stimmung und Absichten
• Automatisierte Aufrufsammelungen
• Übersichtsdashboard für Gespräche
• Integrationen zu CRM- und Workflow-Systemen
• Automatisierte Auslöser nach dem Aufruf

3

Inworld AI

Interaktive, KI-gesteuerte Charaktere für Spiele und immersive virtuelle Erlebnisse bauen.

4.6 (5)

Freemium

Volle Rezension

Inworld AI ist ein Charakter-Engine, der für Entwickler konzipiert wurde, die Spiele, virtuelle Welten und interaktive Medien erstellen. Er ermöglicht es Kreativen, NPCs und digitale Persönlichkeiten mit einzigartigen Persönlichkeiten, Erinnerungen, Stimmen und Motivationen zu entwerfen und sie anschließend durch Echtzeit-Konversation und kontextabhängiges Verhalten zum Leben zu erwecken. Die Plattform kombiniert Sprachmodelle mit Zielen, Wissensbasen und emotionalen Zuständen, sodass Charaktere dynamisch auf Spieler reagieren können, anstatt festgelegte Sätze zu wiederholen. Durch Integrationen mit Engines wie Unreal und Unity sowie SDKs und APIs ist es möglich, Charaktere in Spieleprojekte, Chat-Erlebnisse, Trainingssimulationen und Unterhaltungsapps einzusetzen.

• Anpassbare KI-Charakter-Persönlichkeiten
• Langzeitgedächtnis und Wissensbasen
• Sprachsynthese und emotionale Ausdrucksweise
• Unity- und Unreal Engine SDKs
• Ziele, Auslöser und Verhaltenskontrollen
• Mehrspieler- und Mehrcharakter-Interaktionen

4

Molly Personal Assistant

KI-Assistent zur Automatisierung von Workflows und zur Optimierung der Teamzusammenarbeit.

4.5 (6)

Freemium

Volle Rezension

Molly ist ein KI-Personal Assistant, der darauf ausgelegt ist, Workflows zu automatisieren und die Zusammenarbeit im Team zu optimieren. Er bietet ein tief personalisiertes Erlebnis durch seine ‚unendliches Gedächtnis‘-Funktion, mit der er Vorlieben des Benutzers merkt und Interaktionen entsprechend anpasst. Nutzer können Aufgaben an Molly delegieren, die sie in einem Stil ausführen, der dem Benutzer entspricht. Der Assistent liefert zudem proaktive Vorschläge, um Benutzer vorauszuhalten, indem er zukünftige Bedürfnisse antizipiert. Molly befindet sich derzeit in einer limitierten privaten Beta, interessierte Nutzer können sich auf die Warteliste setzen lassen, um die Fähigkeiten zu erleben.

• Workflow-Automatisierung
• Aufgaben- und Projektverfolgung
• Team-Kollaborationstools
• Produktivitätsorientierter KI-Assistent
• Intelligente Terminplanung und Erinnerungen
• Cross-Tool-Integrationen

5

Deepgram

Speech-to-text- und Text-to-speech-APIs für den Aufbau von Echtzeit-Sprachanwendungen

4.6 (5)

Freemium

Volle Rezension

Deepgram ist eine Voice‑AI‑Plattform, die Entwicklern APIs zum Transkribieren von Audio und zum Erzeugen natürlich klingender Sprache bereitstellt. Ihre Modelle sind für eine latenzarme, hochgenaue Leistung über ein breites Spektrum an Sprachen, Akzenten und Audio‑Bedingungen konzipiert, sodass sie sich für Live‑Untertitelung, Call‑Analytics, Sprachassistenten und Conversational Agents eignen. Über die reine Transkription hinaus bietet Deepgram Funktionen wie Sprecher‑Diarisierung, Sentiment‑Analyse und Themen‑Erkennung, benutzerdefiniertes Modelltraining sowie Streaming‑Unterstützung. Die Plattform richtet sich an Entwicklungsteams, die Sprachfunktionen in Produkte einbetten wollen, ohne die Sprachinfrastruktur von Grund auf neu aufzubauen.

• Echtzeit-Streaming Speech-to-text
• Neural Text-to-speech-Stimmen
• Sprecherdiarisierung und wortgenaue Zeitstempel
• Feinabstimmung von benutzerdefinierten Modellen
• Audio-Intelligenz (Sentiment, Themen, Zusammenfassung)
• REST- und WebSocket-APIs mit mehrsprachigen SDKs

Kokoro TTS ist ein Text‑to‑Speech‑System, das dafür entwickelt wurde, schriftliche Eingaben in klare, natürlich klingende Sprache in einer Vielzahl von Sprachen und Stimmstilen zu verwandeln. Es zielt darauf ab, hochwertige Sprachsynthese für Entwickler, Content‑Creator und Hobbyisten zugänglich zu machen, die realistische Audioausgaben für Projekte wie Videos, Hörbücher, Barrierefreiheits‑Tools und Sprachassistenten benötigen. Das Modell konzentriert sich darauf, flüssige Prosodie und erkennbare Sprechermerkmale zu erzeugen, während es gleichzeitig leichtgewichtig genug bleibt, um in verschiedenen Umgebungen zu laufen. Nutzer können gesprochene Audiodateien aus Textausschnitten erzeugen, zwischen verschiedenen Stimmen wählen und die Ausgabe in ihre eigenen Workflows oder Anwendungen integrieren.

• Mehrsprachige Text‑zu‑Sprache-Generierung
• Mehrere auswählbare Sprachprofile
• Natürliche Intonation und Pausierung
• Exportierbare Audioausgabe
• Geeignet für Apps, Videos und Erzählungen
• Entwicklerfreundliche Integration