Die beste Voxtral-3-Alternative hängt davon ab, welchen Teil Sie ersetzen. Für einen Telefonagenten auf einer echten Nummer heute: OpenAIs GPT-Live-1 für $0.05 pro Minute oder ElevenAgents für $0.08 plus LLM, denn Voxtral 3 hält SIP-Anrufe zum Start Enterprise-Kunden vor. Für günstige Transkription aufgezeichneter Anrufe listet Speechmatics $0.12 pro Stunde. Für die Stimme: Cartesia Sonic.
Überraschend war nach der Bepreisung aller sieben: Voxtral 3 ist weiterhin der günstigste gebündelte Telefonagent hier, mit $0.04 pro Minute bei Mistral Small 4. Man verlässt es wegen Zugang, offener Gewichte oder Live-Genauigkeit, nicht wegen des Preises. Die Live-Transkription liegt mit $0.48 pro Stunde preislich im Mittelfeld.
Ich arbeite jeden Tag in der Support-Warteschlange von eesel, und die Sprachschicht entscheidet nie darüber, ob ein Anrufer die richtige Antwort bekommt. Der Fährbetreiber Norden-Frisia plant in der Hochsaison mit 10,000 Interaktionen im Monat, beantwortet aus 346 Wissenseinträgen. Egal, welches Modell den Anrufer hört: Irgendetwas muss noch wissen, wonach er fragt.
Warum suchen Leute nach einer Voxtral-3-Alternative?
Meist wegen dessen, was Voxtral 3 noch nicht erlaubt, nicht weil es schlecht wäre. In meinem Voxtral-3-Test habe ich 3,5 von 5 Punkten vergeben, und die Gründe für den Punktabzug sind dieselben, aus denen Leute sich umsehen.
Zuerst das Lob. In Mistrals Launch-Grafiken liegt Voxtral Small Transcribe 3 bei einer Wortfehlerrate von 4.0% über 45 Sprachen gleichauf mit Microsoft AI Transcribe 2, und es kostet $0.004 pro Minute. Die Stimme kostet $13 pro 1 Mio. Zeichen. Die Voice-Agent-API kostet $0.04 pro Minute mit Mistral Small 4. Das ist ein starker Start.
Vier Dinge schicken Leute trotzdem auf die Suche:
- Telefonleitungen sind gesperrt. SIP-Telefonie gibt es zum Start nur für Enterprise. Wenn Sie diesen Monat einen Bot auf Ihrer Support-Nummer wollen, brauchen Sie die Telefonschicht eines anderen Anbieters.
- Die Gewichte sind geschlossen. Voxtral 1 und das Echtzeitmodell Voxtral 2 erschienen auf Hugging Face. Voxtral 3 gibt es nur per API, On-Premises-Bereitstellung wird über den Vertrieb geregelt.
- Die Live-Genauigkeit liegt hinter Gemini. In Mistrals eigener Echtzeit-Grafik mit 35 Sprachen erreicht Gemini 3.5 Realtime
4.2%und schlägt jede Voxtral-Latenzeinstellung. Bei der 240-ms-Einstellung, die ein flotter Telefonagent nutzen würde, liegt Voxtral bei7.4%. - Alles ist eine öffentliche Vorschau, und das Upgrade von Voxtral 2 hat Wort-Zeitstempel entfernt. Teams mit funktionierender Pipeline haben einen Grund, sich vor der Migration umzusehen.
Die geschlossenen Gewichte erhielten im Hacker-News-Launch-Thread die meiste Kritik:
"You have to call sales to get access for on-prem deployment and the models If it were open weights, it would be on Huggingface and they would have put a link in the post"
Wie ich diese sieben ausgewählt habe
Ich habe ChatGPT die Frage gestellt, die eine Support-Leiterin stellen würde („wir testen Voxtral 3 für Transkription, Stimme und einen Telefonagenten, womit sollten wir vergleichen?"), und es hat diese sieben vorgeschlagen. Das deckte sich mit meiner eigenen Auswahl, also bin ich am 28. Oktober 2026 zu den Preisseiten und Dokumentationen der Anbieter gegangen und habe alle auf dieselbe Weise bepreist.
Jede wird nach vier Punkten beurteilt, die für eine Support-Hotline zählen:
- Kann sie heute eine Telefonnummer bedienen, nativ oder über einen genannten Partner?
- Was kostet eine Minute, mit ausgewiesener Abrechnungseinheit?
- Was behauptet der Anbieter zu Latenz und Genauigkeit, in eigenen Zahlen?
- Wo ist Voxtral 3 weiterhin die bessere Wahl?
Die Entscheidungskarte ist die eigentliche Erkenntnis. Voxtral 3 sind vier Produkte in einem Launch, und keiner schlägt es in allen vieren. Finden Sie heraus, welches Teil Ihnen Probleme macht, und ersetzen Sie nur dieses.
Voxtral-3-Alternativen im Vergleich
Die Preise sind Listenpreise von der jeweiligen Anbieterseite, auf dieselbe Einheit umgerechnet, wo der Anbieter einen Minutenpreis nannte. „Not published" heißt, dass der Anbieter keinen Preis listet, nicht dass es kostenlos ist.
| Tool | Batch-Transkription | Live-Transkription | Stimme (pro 1 Mio. Zeichen) | Telefonagent (pro Minute) | Telefonleitung | Self-Hosting | Compliance gelistet |
|---|---|---|---|---|---|---|---|
| Voxtral 3 | $0.21-$0.24/hr | $0.48/hr | $13 | $0.04 (Small 4) oder $0.08 | SIP zum Start nur Enterprise | On-Prem über Vertrieb | Nicht auf den Launch-Seiten |
| OpenAI | $0.27/hr (GPT-Transcribe) | $1.02/hr (GPT-Live-Transcribe) | Kein aktueller Preis, TTS-Modelle werden Jan. 2027 eingestellt | $0.05 + Backend-Modell (GPT-Live-1) | Natives SIP | Nein | HIPAA BAA, EU-Datenresidenz +10% |
~$0.30/hr (Gemini 3.5 Transcribe) | ~$0.54/hr (Transcribe Live) | $30 (Chirp 3: HD) | ~$0.023 Audio ein + aus (Gemini 3.8 Live) | Partner (Voximplant, LiveKit) | Nein | Chirp 3 in US- und EU-Regionen | |
| Deepgram | $0.26/hr (Nova-3) | $0.39/hr (Flux English) | $30 (Aura-2) | $0.075 (Standard) | Twilio-Referenzaufbau | Enterprise, NVIDIA-GPUs | SOC 2 Type 2, HIPAA BAA, DSGVO-EU-Endpunkt |
| ElevenLabs | $0.22/hr (Scribe v2) | $0.39/hr (Scribe v2 Realtime) | $40 (v4 Turbo) | $0.08 + LLM | Natives SIP-Trunk, Twilio | Nein | SOC 2, HIPAA BAA, EU-Datenresidenz bei Enterprise |
| Cartesia | Nur Streaming | $0.39/hr (Ink-2, Scale-Tarif) | $38-$65 Überschreitung | $0.06 + $0.014 Nummer | Eigene Nummern, SIP bei Enterprise | Enterprise, On-Prem oder VPC | SOC 2 Type II, HIPAA-fähig, DSGVO |
| AssemblyAI | $0.21/hr (Universal-3.5 Pro) | $0.45/hr (Universal-3.6 Pro Realtime) | $15 | Not published | Twilio-SIP-Trunk | Self-Hosted-Option | SOC 2 Type 2, BAA |
| Speechmatics | $0.12/hr (Melia 1) | $0.30/hr (Linden 1, Agenten) | $11 (Englisch, Vorschau) | Not published | Partner (Vapi, LiveKit, Pipecat) | Enterprise-Container | SOC 2 Type II, ISO 27001, DSGVO, HIPAA |
Zwei Dinge fallen an der Tabelle auf. Voxtral 3s Batch-Preis ist gut, aber nicht der niedrigste, und die Live-Transkription liegt im Mittelfeld. Stimme und gebündelter Agent sind dort, wo es schwer zu schlagen ist.
Was kostet eine Support-Hotline bei jedem?
Um Minuten-, Token- und Zeichenpreise vergleichbar zu machen, habe ich einen Käufer bepreist: 10.000 Fünf-Minuten-Anrufe im Monat, also 50,000 Minuten. Telefonanbietergebühren sind ausgenommen, außer der Anbieter verkauft die Nummer selbst.
| Option | Die Rechnung | Monatliche Kosten | Was nicht enthalten ist |
|---|---|---|---|
| Voxtral-3-Agent, Mistral Small 4 | 50,000 × $0.04 | $2,000 | SIP-Zugang (Enterprise) |
| Voxtral-3-Agent, größeres Modell | 50,000 × $0.08 | $4,000 | SIP-Zugang (Enterprise) |
| Gemini 3.8 Live | 50,000 × ($0.005 ein + $0.018 aus) | höchstens $1,150 für Audio | Text- und Thinking-Tokens, Telefonie-Partner |
| OpenAI GPT-Live-1 | 50,000 × $0.05 | $2,500 | Backend-Modell, Tools, SIP-Trunk |
| Cartesia-Agenten | 50,000 × ($0.06 + $0.014) | $3,700 | LLM, sobald der kostenlose Zeitraum endet |
| Deepgram Voice Agent, Standard | 50,000 × $0.075 | $3,750 ($3,400 bei Growth) | Carrier |
| ElevenAgents | 50,000 × $0.08 + LLM mit $0.0029 | etwa $4,145 | Carrier |
| AssemblyAI | 833 Stunden × $0.45 fürs Zuhören | $375 + Stimme + LLM | Kein gebündelter Agentenpreis |
| Speechmatics | 833 Stunden × $0.30 fürs Zuhören | $250 + Stimme + LLM + Plattform | Kein gebündelter Agentenpreis |
Die Gemini-Zahl ist eine Obergrenze nur für Audio: Sie nimmt an, dass beide Seiten die volle Minute sprechen, was nie vorkommt, und lässt die Text- und Thinking-Tokens aus, die das eigentliche Denken leisten. Lesen Sie sie als „wahrscheinlich am günstigsten", nicht als Angebot.
Voxtrals $2,000 ist die Marke, die es zu schlagen gilt, und nur Gemini tut das klar. Der Haken: Ohne Enterprise-Vertrag können Sie bisher keine Telefonnummer auf Voxtral legen, weshalb ich diese Tabelle als „was Sie für Zugang zahlen" lese, nicht als „was Sie für Sprache zahlen". Wenn Sie nichts davon selbst betreiben wollen, behandelt mein Überblick zur besten KI für Telefon-Support die verwalteten Plattformen, und Tools für Sprach-Kundensupport die Helpdesk-nativen.
1. OpenAI Realtime API
Am besten für: Teams, die diese Woche einen Speech-to-Speech-Agenten auf einer Telefonnummer wollen.
Was es ist. OpenAIs Sprach-Stack hat jetzt zwei Agentenmodelle. GPT-Realtime-2.1 übernimmt Sprache, Schlussfolgern und Tool-Aufrufe in einer Sitzung. GPT-Live-1 ist Vollduplex, das heißt, es hört zu, während es spricht, und überlässt das Denken einem separaten Backend-Modell Ihrer Wahl. Transkription ist GPT-Transcribe für Aufnahmen und GPT-Live-Transcribe für Live-Audio. Die ältere Generation habe ich in meinem Beitrag zu GPT Realtime behandelt.
Preise. GPT-Live-1 kostet $0.05 pro Minute, sekundengenau abgerechnet, das Backend-Modell und Tools werden separat berechnet. GPT-Realtime-2.1 wird nach Tokens bepreist: $32 pro 1 Mio. Audio-Eingabe-Tokens und $64 pro 1 Mio. Audio-Ausgabe. Die Mini-Version kostet $10 und $20. GPT-Transcribe kostet $0.0045 pro Minute, GPT-Live-Transcribe $0.017. EU-Datenresidenz kostet 10% extra. Die komplette Aufschlüsselung der OpenAI-API-Preise behandelt die Textmodelle, die Sie damit kombinieren würden.
Wo es Voxtral 3 schlägt. Beim Telefon. Sie richten einen SIP-Trunk auf sip.api.openai.com, OpenAI schickt Ihrem Backend einen Webhook, und Sie nehmen den Anruf an, leiten ihn weiter oder legen auf, laut SIP-Anleitung. Es gibt auch einen EU-Endpunkt. Die Sprecherwechsel-Erkennung gibt es in zwei Varianten: stillebasiert oder semantic_vad, bei der das Modell beurteilt, ob der Anrufer seinen Gedanken beendet hat.
Wo Voxtral 3 weiterhin gewinnt. Transkriptionsgenauigkeit und Stimmenpreis. In Mistrals Grafik erreicht GPT Transcribe 5.6% gegenüber 4.0% bei Voxtral Small, und GPT Live Transcribe 8.4% gegenüber 7.4% bei Voxtral Realtime in der schnellsten Einstellung. OpenAIs eigenständige Stimmenmodelle (tts-1, tts-1-hd, gpt-4o-mini-tts) werden laut TTS-Anleitung am 6. Januar 2027 abgeschaltet, es gibt also keinen aktuellen Preis pro Zeichen zum Vergleich.
Fazit: Wählen Sie OpenAI, wenn der schnelle Einstieg in eine Telefonleitung wichtiger ist als ein Cent pro Minute. Lassen Sie es aus, wenn Sie hauptsächlich Batch-Transkription brauchen, wo es in Mistrals Test sowohl teurer als auch weniger genau ist.
2. Google Gemini Live und Cloud Speech
Am besten für: mehrsprachige Support-Hotlines, bei denen die Live-Transkriptionsgenauigkeit den Ausschlag gibt.
Was es ist. Google verkauft die Bausteine getrennt. Gemini 3.8 Live ist das Audio-zu-Audio-Agentenmodell. Gemini 3.5 Transcribe und Transcribe Live übernehmen Speech-to-Text über die Gemini API, mit Cloud Speech-to-Text (Chirp 3) als dem älteren Cloud-Produkt. Stimmen kommen von Cloud Text-to-Speech, darunter Chirp 3: HD und die Gemini-TTS-Modelle, die ich in Gemini 3.8 Flash TTS behandelt habe.
Preise. Gemini 3.8 Live kostet $0.005 pro Minute für Audio-Eingabe und $0.018 pro Minute für Audio-Ausgabe, plus Text- und Thinking-Tokens mit $0.75 und $4.50 pro 1 Mio. Gemini 3.5 Transcribe kommt gemischt auf etwa $0.005 pro Minute, Transcribe Live auf etwa $0.009. Chirp-3:-HD-Stimmen kosten $30 pro 1 Mio. Zeichen, nach der ersten kostenlosen Million im Monat, laut TTS-Preisseite. Gemini 3.8 Flash TTS ist bei Audio-Ausgabe günstiger, verdoppelt aber am 1. Januar 2027 den Preis.
Wo es Voxtral 3 schlägt. Bei der Live-Genauigkeit, laut Mistrals eigener Grafik. Gemini 3.5 Transcribe erreicht in der Echtzeitform eine Fehlerrate von 4.2%, die Voxtral Realtime 3 bei jeder Latenzeinstellung schlägt, auch bei der langsamsten, sorgfältigsten (5.7%). Es ist wahrscheinlich auch der günstigste Live-Agent hier. Gemini 3.8 Live unterstützt asynchrone Funktionsaufrufe, sodass der Agent weiterreden kann, während eine Rückerstattungsabfrage läuft.
Wo Voxtral 3 weiterhin gewinnt. Beim Telefon und bei der Sitzungsdauer. Google dokumentiert keinen SIP-Endpunkt für die Live API; Sie gehen über Partner wie Voximplant, LiveKit oder Pipecat. Reine Audio-Sitzungen sind standardmäßig auf 15 Minuten begrenzt, sofern Sie kein Sitzungsmanagement ergänzen. Googles zwei Live-API-Seiten widersprechen sich außerdem bei der Sprachanzahl (70 gegenüber 99), testen Sie also Ihre Sprachen.
Fazit: Wählen Sie Gemini, wenn Ihre Anrufer die Sprache wechseln und Sie Entwickler haben, die die Telefonie anbinden. Es passt gut zum Rest eines mehrsprachigen Supports. Lassen Sie es aus, wenn ein einziger Anbieter den Anruf annehmen soll.
3. Deepgram
Am besten für: Telefon-orientierte Teams, die niedrige Latenz beim Sprecherwechsel und veröffentlichte Gleichzeitigkeitsgrenzen wollen.
Was es ist. Deepgram ist zuerst ein Sprachunternehmen. Flux ist sein Streaming-Speech-to-Text-Modell für Voice-Agenten, mit Erkennung des Gesprächsendes im Modell. Nova-3 übernimmt allgemeine Transkription, Aura-2 ist die Stimme, und die Voice Agent API bündelt Zuhören, ein LLM und Sprechen über einen WebSocket.
Preise. Die Standardstufe der Voice Agent API kostet $0.075 pro Minute bei Pay As You Go oder $0.068 bei Growth (ab $4,000 im Jahr im Voraus), abgerechnet nach WebSocket-Verbindungszeit. Mit eigenem LLM und eigener Stimme sinkt sie auf $0.050. Flux English kostet $0.0065 pro Minute, Nova-3 für aufgezeichnetes Audio $0.0043 und Aura-2 $0.030 pro 1.000 Zeichen. Neue Konten erhalten $200 Guthaben ohne Karte.
Wo es Voxtral 3 schlägt. Bei der Telefon-Infrastruktur und den Stellschrauben. Deepgram nennt etwa 260ms für die Erkennung des Gesprächsendes sowie ein „eager"-Signal, mit dem Ihr LLM eine Antwort entwerfen kann, bevor der Anrufer ganz fertig ist. Die Gleichzeitigkeit ist veröffentlicht: 45 Agentensitzungen bei Pay As You Go, 60 bei Growth. Flux akzeptiert 8-kHz-mulaw-Telefonaudio direkt, und die Anleitung zu eingehender Telefonie führt durch einen Twilio-Aufbau. Compliance ist ausdrücklich benannt: SOC 2 Type 2, HIPAA mit BAA bei Enterprise und ein eigener EU-Endpunkt.
Wo Voxtral 3 weiterhin gewinnt. Bei Sprachen und Preis. Flux Multilingual deckt 10 Sprachen ab, gegenüber über 35 bei Voxtral Realtime. Aura-Stimmen decken 7 ab. Und Voxtrals Agent kostet pro Minute etwa die Hälfte.
Fazit: Wählen Sie Deepgram, wenn Sie einen Telefonagenten auf Englisch oder in einer großen europäischen Sprache bauen und Gleichzeitigkeit und Compliance schriftlich haben wollen. Lassen Sie es bei einer breiten Sprachmischung aus.
4. ElevenLabs
Am besten für: Support-Hotlines, bei denen die Stimme selbst Teil der Marke ist, und Teams, die einen No-Code-Agenten-Builder wollen.
Was es ist. ElevenAgents (früher Conversational AI) bündelt ein Speech-to-Text-Modell, das LLM Ihrer Wahl, eine Stimme und ein Modell für den Sprecherwechsel in einer Agentenplattform, mit Wissensdatenbank, Workflow-Builder und Evals. Scribe v2 ist das Transkriptionsmodell, und die Stimmen reichen von Flash v2.5 bis zum neuen Eleven v4. Mein Beitrag zu den ElevenLabs-Preisen behandelt jeden Tarif.
Preise. Agentenminuten kosten jenseits Ihres Tarifs jeweils $0.08, plus LLM-Nutzung (der Rechner zeigte Gemini 2.5 Flash mit $0.0029 pro Minute). Der Business-Tarif kostet $990 im Monat für 12.375 Minuten und 40 gleichzeitige Anrufe. ElevenLabs berechnet keine Telefoniegebühr; Ihr Carrier stellt sie Ihnen in Rechnung. Scribe v2 kostet $0.22 pro Stunde, Scribe v2 Realtime $0.39. Stimmen kosten $0.04 bis $0.08 pro 1.000 Zeichen, also $40 bis $80 pro 1 Mio., laut API-Preisseite.
Wo es Voxtral 3 schlägt. Beim Telefon und beim Produkt drumherum. Natives SIP-Trunking mit ein- und ausgehenden Anrufen, eine Twilio-Integration, ausgehende Batch-Anrufe und Einstellungen dafür, wie bereitwillig der Agent das Wort ergreift. Voxtrals Agenten-SDK ist code-first auf LiveKit; ElevenAgents kann eine Support-Leiterin konfigurieren.
Wo Voxtral 3 weiterhin gewinnt. Bei Genauigkeit und Preis. Mistrals Grafik setzt Scribe v2 bei 4.9% gegenüber 4.0% bei Voxtral Small, und Scribe v2 Realtime bei 8.7%, das letzte der Echtzeitmodelle in dieser Grafik. Voxtrals Stimme kostet ein Drittel von v4 Turbo. Datenresidenz außerhalb der USA ist bei ElevenLabs ein Enterprise-Feature.
Die Latenz ist die Beschwerde, die ich bei Entwicklern am häufigsten sehe, und sie kommt meist vom LLM, nicht von der Stimme:
"The agents are taking 4000ms to answer anything. This is without RAG which shouldn't take anywhere near that long."
Dieser Thread betrifft eine ältere Modellgeneration, nehmen Sie ihn also als zu fahrenden Test, nicht als Urteil. Die Übersicht der ElevenLabs-Bewertungen zeigt das größere Bild.
Fazit: Wählen Sie ElevenLabs, wenn Anrufer Sie an der Stimme messen werden oder niemand in Ihrem Team Orchestrierungscode schreiben will. Lassen Sie es aus, wenn der Minutenpreis den Ausschlag gibt.
5. Cartesia
Am besten für: Teams, deren Agent gut klingt, aber zu spät zu sprechen beginnt.
Was es ist. Cartesia hat sich mit Sonic einen Namen gemacht, einem schnellen Stimmenmodell, jetzt in Version 3.6, und hat Ink-2 für Streaming-Transkription sowie Managed Agents ergänzt, die beides mit einem LLM Ihrer Wahl kombinieren. Eine frühere Version habe ich in meinem Cartesia-Sonic-3-Test getestet.
Preise. Die Tarife heißen Free, Pro $5, Startup $49 und Scale $299 im Monat, verkauft als Credits, wobei ein Sprachzeichen ein Credit ist. Überschreitungen kosten je nach Tarif $38 bis $65 pro 1 Mio. Credits. Agenten kosten $0.06 pro Minute in jedem Self-Serve-Tarif, plus $0.014 pro Minute für eine Cartesia-Telefonnummer. LLM-Nutzung für in der UI gebaute Agenten ist laut Preisseite „for a limited time" kostenlos. Ink-2 kommt bei Scale auf $0.39 pro Stunde.
Wo es Voxtral 3 schlägt. Bei Geschwindigkeitsversprechen und Telefonnummern, die man heute kaufen kann. Sonic nennt erstes Audio nach etwa 90ms, dieselbe Zahl, die Mistral für Voxtrals Stimme angibt, und Ink nennt 88ms bis zum finalen Transkript. Ink-2 markiert Sprecherwechsel nach Bedeutung statt nach Stille, und Cartesia verkauft die Telefonnummer selbst. Sonic deckt 44 Sprachen ab.
Wo Voxtral 3 weiterhin gewinnt. Bei Transkriptionsbreite und Stimmenpreis. Ink-2 deckt fünf Sprachen ab (Englisch, Spanisch, Französisch, Hindi und Japanisch). Sonics Überschreitungspreis von $38 oder mehr pro 1 Mio. Zeichen ist etwa dreimal so hoch wie Voxtrals $13. Der kostenlose LLM-Zeitraum wird enden, und der Agentenpreis steigt dann.
Fazit: Wählen Sie Cartesia für die Stimme in einem englischen oder spanischen Telefonagenten, wo jede Millisekunde Stille schmerzt. Lassen Sie es aus, wenn Sie Transkription in mehr als fünf Sprachen brauchen.
6. AssemblyAI
Am besten für: transkriptionsorientierte Teams, denen es wichtig ist, Bestellnummern, E-Mail-Adressen und Namen korrekt zu erfassen.
Was es ist. AssemblyAI ist vor allem für Transkription bekannt und verkauft jetzt eine Voice Agent API, die seine Sprachmodelle mit einem LLM und einer eigenen Stimme bündelt. Sie können Claude über sein Gateway oder jedes OpenAI-kompatible Modell einbinden.
Preise. Universal-3.6 Pro Realtime kostet $0.45 pro Stunde über 32 Sprachen, das günstigere Universal-Streaming $0.15. Aufgezeichnetes Audio kostet $0.21 pro Stunde mit Universal-3.5 Pro. Die Stimme, AssemblyAI-TTS-1, kostet $15 pro 1 Mio. Zeichen, in den USA wie in der EU gleich. Die Voice Agent API selbst hat keinen veröffentlichten Minutenpreis, die Kosten eines kompletten Anrufs hängen also davon ab, womit Sie sie kombinieren.
Wo es Voxtral 3 schlägt. Bei den Details, die Support-Anrufe ruinieren. Die Sprecherwechsel-Erkennung wartet absichtlich, während ein Anrufer eine Telefonnummer, E-Mail oder ein Datum vorliest, und das Barge-in ignoriert „uh-huh", stoppt aber bei „wait, stop". Ein dtmf-Starter-Agent nimmt Kartennummern über die Tastatur entgegen, getrennt von Transkript, Logs und Modell. In AssemblyAIs eigenen Benchmarks liegt es bei Entitätsfehlern von Voice-Agenten auf Platz 1 von 22 Systemen (14.41%), in einem Test, der Voxtral Mini einschließt. SIP funktioniert über einen Twilio-Trunk, und eine Self-Hosted-Option existiert.
Wo Voxtral 3 weiterhin gewinnt. Bei der Sprachabdeckung und einem bekannten Preis. Dieselbe Benchmark-Seite stuft AssemblyAI bei mehrsprachigem FLEURS auf Platz fünf ein (8.44% über 18 Sprachen). Der Anbieter vermerkt außerdem, dass seine Bereinigung gesprochener Ziffern „best-effort, not guaranteed" sei, testen Sie also lange Kontonummern.
Fazit: Wählen Sie AssemblyAI, wenn Anrufer die Hälfte des Anrufs mit Buchstabieren verbringen. Lassen Sie es aus, wenn Sie vor dem Bau einen Preis fürs Budget brauchen.
7. Speechmatics
Am besten für: günstige, genaue Transkription aufgezeichneter Anrufe, mit Akzenten und Sprachwechsel mitten im Satz.
Was es ist. Speechmatics verkauft die Sprachschicht, nicht den Agenten. Melia 1 ist das mehrsprachige Modell (56 Sprachen, Wechsel mitten im Satz), Linden 1 ist das Speech-to-Text-Modell für Voice-Agenten, und ein Text-to-Speech-Produkt ist in der Vorschau. Das LLM und die Orchestrierung bringen Sie selbst mit, über Vapi, LiveKit oder Pipecat.
Preise. Melia 1 kostet laut Preisseite $0.12 pro Stunde, der Rechner der Seite zeigt allerdings $0.24, bestätigen Sie es also vor dem Budgetieren. Linden 1 für Agenten kostet $0.30 pro Stunde zum Listenpreis, bis $0.15 bei Volumen. Die Stimme kostet $0.011 pro 1.000 Zeichen ($11 pro 1 Mio.), die erste Million ist frei. Neue Konten erhalten $100 Guthaben.
Wo es Voxtral 3 schlägt. Beim Preis für aufgezeichnetes Audio und bei den Compliance-Unterlagen. $0.12 pro Stunde ist der niedrigste Batch-Preis in dieser Liste, gegenüber $0.21 bei Voxtral Mini. Speechmatics listet SOC 2 Type II, ISO 27001, DSGVO und HIPAA, mit Verarbeitung in der EU, den USA oder Australien. Linden nennt finale Transkripte in 350ms, Sprecherlabels inklusive.
Wo Voxtral 3 weiterhin gewinnt. Bei allem jenseits der Transkription. Die Stimme ist nur englisch mit vier Stimmen in der Vorschau, die Voice Agent API ist eine Early-Access-Vorschau, die laut Anbieter „should not be used for live production traffic", und die Sprecherwechsel-Erkennung ist vorerst stillegesteuert, mit semantischer Erkennung „coming soon", laut Voice-Agents-Seite.
Fazit: Wählen Sie Speechmatics, um aufgezeichnete Anrufe für die Qualitätssicherung im großen Maßstab zu transkribieren. Lassen Sie es aus, wenn etwas zurücksprechen soll.
Was, wenn Sie Voxtral wegen der offenen Gewichte wollten?
Dann ersetzt keine dieser sieben es, und das sage ich lieber offen. Jede Option hier ist eine gehostete API. Deepgram, Cartesia, AssemblyAI und Speechmatics bieten alle Self-Hosting an, aber über Enterprise-Verträge, also dasselbe Angebot, das Mistral jetzt für Voxtral 3 macht.
Im Hacker-News-Thread gab es viele Entwickler, die Sprache auf eigener Hardware betreiben, und ihre Wahl war NVIDIAs Parakeet, nicht eine weitere gehostete API:
"I do think Parakeet is pretty amazing, though, so some of these product announcements have limited interest to me, especially since it's cloud and costs per hour, even if it's a low cost."
Wenn Sie bereits das offene Echtzeitmodell Voxtral 2 nutzen, ist der praktische Schritt, dabei zu bleiben, bis Mistral mehr zu Voxtral-3-Gewichten sagt, und währenddessen Parakeet mit Ihrem eigenen Audio zu testen. Der Beitrag zu den Mistral-AI-Bewertungen verfolgt, wie das Unternehmen mit offenen Veröffentlichungen umgegangen ist.
Was keine dieser sieben bei einer Support-Hotline löst
Jedes Tool oben löst dieselbe Hälfte des Problems: den Anrufer hören und antworten. Keines kennt Ihre Rückerstattungsrichtlinie, was ein Bestellstatus in Ihrem Shop bedeutet oder welche Fragen Ihr Team immer an einen Menschen übergibt.
Diese Grafik ist die Art von Vergleich, um die Sprach-Launches konkurrieren, und die Spanne ist real: $11 bis $40 pro 1 Mio. Zeichen. Bei einer Support-Hotline ist es zugleich die kleinste Zahl auf der Rechnung. Bei 750 bis 800 Zeichen pro gesprochener Minute (Cartesias eigene Faustregel) kostet selbst die teuerste Stimme hier etwa 3 Cent pro Minute. Eine falsche Antwort kostet einen erneuten Anruf und ein Ticket.
Aus der Warteschlange: Die Anrufe, die schlecht laufen, drehen sich selten um ein falsch verstandenes Wort. Es geht um einen Agenten, menschlich oder KI, der die Antwort nicht hat. Deshalb würde ich die Sprachschicht zuletzt wählen und zuerst das Wissen ordnen, so wie Sie die Übergabe an Menschen beim KI-Agenten einrichten, bevor Sie live gehen. Der Grok-Voice-Vergleich, den ich geschrieben habe, stieß an dieselbe Wand: In meinem Beitrag zu Grok-Voice-Alternativen löste das beste Modell 56.5% der simulierten Anrufe.
Für die meisten Teams funktioniert diese Reihenfolge: zuerst die Textkanäle automatisieren, wo dasselbe Wissen an Tausenden Tickets getestet wird, und dann ans Telefon gehen. Mein Leitfaden zum Automatisieren des Telefon-Supports führt durch diese Abfolge, und KI-Callcenter-Agent behandelt, was sich ändert, sobald Sie bei Sprache sind.
Wenn Ihr Helpdesk bereits ein Sprachprodukt hat, beginnen Sie mit Zendesk-Voice-KI-Agenten oder Freshcaller-Sprachagenten.
eesel für die Fragen hinter den Anrufen testen
Diese sieben Tools sind Infrastruktur, und eesel ist der Mitarbeiter. eesels KI-Helpdesk-Teammitglied schließt sich Zendesk oder Freshdesk an, lernt aus Ihren bisherigen Tickets, Makros und Ihrem Help Center und beantwortet die Fragen, die Anrufer immer wieder stellen, in den Kanälen, in denen sie ohnehin schreiben.
Norden-Frisia, eine deutsche Fährgesellschaft, betreibt ihren CaptAIn-Bot in Zendesk, im Website-Chat und über einen öffentlichen Chat-Link und beantwortet Fragen zu Fahrplan, Auto und Fahrrad aus 346 Wissenseinträgen, mit einem Plan von 10,000 Interaktionen im Monat in der Hochsaison. Innr, eine niederländische Smart-Lighting-Marke, lässt sich Freshdesk-Antworten in der Sprache entwerfen, in der der Kunde geschrieben hat, aus 1,500 Hilfeartikeln und früheren Tickets. Das ist das Wissen, das ein Voxtral-, Gemini- oder ElevenLabs-Agent am ersten Tag bräuchte. Testen Sie eesel zuerst an Ihrem Helpdesk, und Ihr Telefonagent hat etwas Sinnvolles zu sagen.