Krisp-Alternativen für Voice-Agents und Callcenter (2026)

Kurze Antwort. Die wichtigsten Alternativen zu Krisp VIVA für die Isolation des Hauptsprechers sind im Oktober 2026 ai-coustics Quail Voice Focus (On-Prem-SDK, ab $135 im Monat bei jährlicher Abrechnung), AssemblyAI Voice Focus (eine Option innerhalb seines Streaming-STT, +$0.10 pro Stunde), LiveKit Cloud voice isolation ($0.0012 pro Minute nach den enthaltenen Minuten, das selbst Krisp- oder ai-coustics-Modelle ausführt), NVIDIA Speaker Focus (GPU, Early Access) und Anecho v8_2 (In-Process-SDK, 15 ms auf der CPU, $0.0010 pro Minute nach 10,000 Freiminuten im Monat). Krisp selbst ist in LiveKit und Pipecat integriert und wird von mehreren Plattformen weiterverkauft; Teams schauen sich vor allem deshalb anderswo um, weil sein Direktpreis nicht öffentlich ist und der Zugang über einen Antrag läuft.

Wir verkaufen eine der Alternativen, lesen Sie dies also als Post eines Anbieters. Jede Herstellerangabe verweist auf die eigene Seite des Herstellers, abgerufen im Oktober 2026; die Preise entsprechen dem Stand vom 2026-10-20. Wir haben Krisp nicht gemessen, daher sagt nichts hier etwas über seine Qualität aus. Die längere Fassung dieser Tabelle mit allen Herstellern steht in Speaker-Isolation-SDKs im Vergleich (2026).

Was Krisp bietet

Die Entwicklerseite von Krisp listet VIVA als fünf Modelle: Voice Isolation 2.5, Turn Prediction, Interruption Prediction, Sprachaktivitätserkennung und Signaldetektoren. Voice Isolation 2.5 ist mit 15 ms auf der CPU deklariert, nimmt PCM 16 kHz mono entgegen (die HD-Variante 32 kHz), wird mit Server-SDKs für Python, Node.js, Go und iOS ausgeliefert und ist in LiveKit und Pipecat integriert. Auf der Seite heißt es "Isolate the primary speaker's voice" (die Stimme des Hauptsprechers isolieren) (krisp.ai/developers/voice-isolation). Das wird als Isolation des Hauptsprechers vermarktet, nicht nur als Rauschunterdrückung.

Warum Teams nach Alternativen suchen

Das sind die sachlichen Gründe, die wir hören, kein Urteil über das Produkt.

• Der Direktpreis ist nicht öffentlich. Die Preisseite für Entwickler hat zwei Stufen, Early stage und Enterprise, und beide führen zu "Apply Now"; ein Preis ist nicht angegeben (krisp.ai/developers/pricing). Stattdessen können Sie mit einem über eine Plattform weiterverkauften Preis planen: Pipecat Cloud listet Krisp VIVA mit $0.0015 pro Minute nach 10,000 Freiminuten (daily.co), und LiveKit Cloud enthält es in einem Slot zu $0.0012 pro Minute (livekit.com/pricing).
• Zugang auf Antrag. Für das Server-SDK gibt es keinen Self-Service-Schlüssel; ein Team, das an einem Samstag testen will, muss auf eine Antwort warten.
• Der Preis kann an eine Plattform gebunden sein. Die öffentlichen Krisp-Preise sind Plattformpreise: Sie gelten, solange Sie auf dieser Plattform laufen. Telnyx listet "Noise Suppression - Krisp" mit $0.005 pro Leg und Minute (telnyx.com).
• Abtastrate. Die SDK-Ein- und Ausgabe ist 16 kHz mono, bei HD 32 kHz. Krisp sagt, Voice Isolation 2.5 unterstütze Schmalband- und Telefonie-Audio (Krisp-Blog), 8 kHz ist also für sich genommen kein Grund zu wechseln; prüfen Sie, was Ihre Pipeline tatsächlich transportiert.

Die Shortlist

Alternative	Wo es läuft	Deklarierte Latenz	Öffentlicher Preis (Stand 2026-10-20)	Self-Service	Isolation des Hauptsprechers	Von uns gemessen
ai-coustics Quail Voice Focus 2.2	On-Prem-SDK	Unter 30 ms	$135/Monat (100K Min.) bis $540/Monat (500K), jährliche Abrechnung; Enterprise ab $2,000/Monat	Ja, bis Business	Ja	Ja
AssemblyAI Voice Focus	Cloud, innerhalb von Streaming-STT	Nicht veröffentlicht	+$0.10/Std. ($0.0017/Min.) auf Universal-3.6 Pro Realtime	Ja, $50 Gratisguthaben	Ja	Nein
LiveKit Cloud voice isolation	LiveKit Cloud (Krisp VIVA oder ai-coustics Voice Focus 2.1)	Nicht veröffentlicht	$0.0012/Min. nach enthaltenen Minuten (Build 100, Ship 1,000, Scale 10,000)	Ja, mit einem Plan	Ja	Nein
NVIDIA AFX SDK, Speaker Focus	NVIDIA-GPU	Nicht veröffentlicht	Nicht veröffentlicht	Early-Access-Programm	Ja	Nein
Anecho v8_2	In-Process auf Ihren Servern, CPU; gehostete API	15 ms	$0.0010/Min. nach 10,000 Freiminuten/Monat, bis hinunter zu $0.0005	Ja, sofortiger Schlüssel, keine Karte	Ja	Ja (unser eigenes)
Picovoice Koala	Auf dem Gerät	Nicht veröffentlicht	Nicht veröffentlicht	Kostenlose AccessKey-Registrierung	Nein, Rauschunterdrückung	Nein
DeepFilterNet / GTCRN	Überall	Nicht veröffentlicht	Kostenlos (Open Source)	Ja	Nein, Rauschunterdrückung	Ja

Quellen: ai-coustics pricing, ai-coustics model reference, AssemblyAI Voice Focus docs, AssemblyAI pricing, LiveKit pricing, LiveKit noise cancellation docs, NVIDIA Speaker Focus, Picovoice Koala docs, DeepFilterNet, GTCRN, und für unsere Zeile /docs/sdk und /pricing. Alle abgerufen im Oktober 2026.

Eine Anmerkung zu LiveKit: Sein Voice-Isolation-Slot führt unter seinen Modellen Krisp VIVA aus; sich dafür zu entscheiden kann also bedeuten, Krisp mit einem veröffentlichten Minutenpreis zu behalten, statt es zu verlassen.

Die Alternativen im Kurzüberblick

• ai-coustics Quail Voice Focus. Ausgerichtet auf "one primary speaker for machine listening" (einen Hauptsprecher für maschinelles Zuhören), nativ 16 kHz, mit einem SDK, das 8 bis 192 kHz akzeptiert und intern resampelt; SDKs für Python, Node.js, C, Rust und WASM. Self-Service-Checkout für jährliche Stufen. Es ist die einzige Alternative, die wir direkt gegen unser eigenes Modell gebenchmarkt haben; siehe unten.
• AssemblyAI Voice Focus. Ein voice_focus-Parameter (near-field oder far-field) bei der Streaming-Transkription. Der Anwendungsbereich ist eng und einfach: Wenn AssemblyAI Ihr STT ist, ist es ein Schalter. Für Audio, das an einen anderen Erkenner oder an ein Native-Audio-Modell geht, bewirkt es nichts.
• LiveKit Cloud voice isolation. Ein nutzungsabhängig abgerechneter Filter in LiveKit Cloud. Die Dokumentation empfiehlt für Mehrsprecher- oder Diarisierungs-Szenarien stattdessen einfache Rauschunterdrückung.
• NVIDIA Speaker Focus. Teil des Audio Effects SDK, 16 oder 48 kHz, als Early Access veröffentlicht, mit Durchsatzzahlen für GPUs von T4 bis B100. Für Teams, die bereits GPU-Inferenz neben dem Anruf betreiben.
• Picovoice Koala, DeepFilterNet, GTCRN. Rauschunterdrückung, keine Isolation. Sie passen zu einem einzelnen Sprecher in einem lauten Raum, nicht zu einem Anrufer mit einem Fernseher im Hintergrund.

Wo Anecho passt, und wo nicht

Anecho kommt dem Bereitstellungsmodell von Krisp in dieser Liste am nächsten: ein SDK, das Sie in Ihrem eigenen Prozess auf der CPU ausführen, 15 ms algorithmische Verzögerung, 16 kHz rein und raus. Die Unterschiede sind kommerziell: Die Preisstaffel ist öffentlich (Preise), 10,000 Minuten im Monat sind kostenlos, und einen Schlüssel gibt es im Dashboard, ohne Antrag und ohne Karte.

Es passt, wenn:

• Sie heute testen und mit einer veröffentlichten Zahl planen wollen (Preise für Voice Isolation 2026);
• das Audio aus Compliance-Gründen in Ihrem Prozess bleiben muss (DSGVO und In-Process-Audio);
• Ihre Anrufer nah am Mikrofon sind und die Hintergrundstimmen laut sind. In unserem Benchmark mit Live-Gesprächen, mit Hintergrundstimmen so laut wie der Sprecher, erreichte v8_2 37.19% WER gegenüber 55.94% für ai-coustics Quail VF 2.2 S mit faster-whisper base.en, und 33.06% gegenüber 60.95% mit der Eingangstranskription von Gemini Live.

Es passt nicht, oder noch nicht, wenn:

• Ihre Sprecher mit Abstand vor einem Laptop in einem halligen Raum sitzen. Im selben Lauf liegt Quail VF 2.2 S dort mit faster-whisper base.en mit +9.58 pp [+5.52, +13.90] vorn, und mit Gemini Live bei −10 dB (+7.74 pp [+2.48, +12.77]);
• Sie vor allem Stille zwischen den Turns brauchen. VF S unterdrückte Hintergrundstimmen in den Pausen des Sprechers um 17.4 dB, gegenüber 8.5 dB bei v8_2, und unter Gemini Live löste es 52 falsche Barge-ins aus, gegenüber 125 bei v8_2;
• Ihr Audio eine Person in reinen Geräuschen ist. Ein Rauschmodell wie ai-coustics Quail L liegt auf unserer Matrix näher am unbearbeiteten Audio (15.18% gegenüber 16.59% für v8_2);
• Sie die anderen Modelle von Krisp (Turn- und Interruption-Prediction, Signaldetektoren) von einem Anbieter brauchen, ein iOS-SDK oder einen nativen 32-kHz-Pfad. Wir liefern ein 16-kHz-Isolationsmodell mit einer VAD, für Node und Python.

Und eine Tatsache gilt für uns alle: Gepoolt über unsere Matrix mit 19 Bedingungen schlug das unbearbeitete Audio (14.32% WER) jede Engine, die wir gemessen haben. Krisp haben wir nicht gemessen, daher können wir Ihnen nicht sagen, wo es in dieser Tabelle steht. Herausfinden lässt sich das nur, indem Sie Ihre eigenen Anrufe durch jeden Kandidaten laufen lassen, gegen eine Kontrolle, die nichts tut, wie in wie man Sprecherisolation bewertet.

FAQ

Was ist die nächstliegende Alternative zu Krisp VIVA?

Nach Bereitstellungsmodell, also ein In-Process-CPU-SDK mit Isolation des Hauptsprechers: ai-coustics Quail Voice Focus (unter 30 ms, On-Prem-SDK) oder Anecho v8_2 (15 ms). Nach Integration LiveKit Cloud voice isolation, das unter seinen Modellen Krisp VIVA ausführt, für $0.0012 pro Minute nach den enthaltenen Minuten.

Was kostet Krisp VIVA?

Krisp veröffentlicht keinen Direktpreis; seine Preisstufen für Entwickler führen zu "Apply Now". Mit Stand 2026-10-20 verkauft Pipecat Cloud Krisp VIVA für $0.0015 pro Minute nach 10,000 Freiminuten im Monat weiter, und LiveKit Cloud enthält es in einem Voice-Isolation-Slot zu $0.0012 pro Minute.

Macht Krisp Sprecherisolation oder nur Rauschunterdrückung?

Sprecherisolation. Krisp vermarktet Voice Isolation 2.5 als Isolation der Stimme des Hauptsprechers, zusätzlich zu seinen Produkten zur Rauschunterdrückung.

Ist Anecho besser als Krisp?

Das wissen wir nicht: Wir haben Krisp nicht gemessen. In unserem eigenen Benchmark haben wir nur ai-coustics gemessen; dort hängt das Ergebnis bei Live-Gesprächen vom Erkenner ab (Gleichstand mit faster-whisper base.en, ein Vorsprung von v8_2 mit der Eingangstranskription von Gemini Live), und die Bedingung entscheidet, wer vorn liegt.

Welche Krisp-Alternativen sind Self-Service?

Mit Stand 2026-10-20: Anecho (sofortiger Schlüssel, keine Karte), ai-coustics (Checkout bis zur Stufe Business), AssemblyAI ($50 Gratisguthaben, keine Karte) und LiveKit Cloud (mit einem Plan). NVIDIA Speaker Focus befindet sich in einem Early-Access-Programm.