Speaker-Isolation-SDKs im Vergleich (2026): Krisp, ai-coustics, AssemblyAI, LiveKit und Anecho

Kurze Antwort. Im Oktober 2026 vermarkten fünf Produkte die Isolation des Hauptsprechers für Voice-Agents: Krisp VIVA (Voice Isolation 2.5, Server-SDK, 15 ms auf der CPU, Preis nicht öffentlich), ai-coustics Quail Voice Focus 2.2 (On-Prem-SDK, unter 30 ms, ab $135 im Monat bei jährlicher Abrechnung), AssemblyAI Voice Focus (eine Option innerhalb seiner Streaming-Spracherkennung, +$0.10 pro Stunde), LiveKit Cloud voice isolation (Krisp- oder ai-coustics-Modelle innerhalb von LiveKit Cloud, $0.0012 pro Minute nach den im Plan enthaltenen Minuten) und Anecho v8_2 (In-Process-SDK, 15 ms auf der CPU, $0.0010 pro Minute nach 10,000 Freiminuten im Monat). NVIDIAs Effekt Speaker Focus befindet sich im Early Access auf NVIDIA-GPUs, und Picovoice Koala ist Rauschunterdrückung auf dem Gerät, keine Sprecherisolation. Welches Produkt passt, hängt davon ab, wo Ihr Audio läuft und wie es klingt, nicht vom Etikett.

Wir verkaufen eines dieser Produkte, dieser Post ist also ein Interessenkonflikt. Damit er prüfbar bleibt, verweist jede Herstellerangabe unten auf die eigene Seite des Herstellers, abgerufen im Oktober 2026, und wo ein Hersteller nichts veröffentlicht, schreiben wir "nicht veröffentlicht". Die Preise entsprechen dem Stand vom 2026-10-20 und ändern sich. Die einzigen Qualitätszahlen in diesem Post stammen aus unserem eigenen Benchmark, und wir sagen, welche Hersteller wir nicht gemessen haben.

Die Vergleichstabelle

Produkt	Wo es läuft	Deklarierte Latenz	Abtastraten	Integration	Öffentlicher Preis (Stand 2026-10-20)	Self-Service	Isolation des Hauptsprechers beworben
Anecho v8_2	In-Process auf Ihren Servern, CPU; zusätzlich eine gehostete API	15 ms algorithmische Verzögerung	SDK 16 kHz; gehostete API akzeptiert jede Rate (8, 24, 44.1, 48 kHz)	Node- und Python-SDK; Anleitungen für LiveKit und Pipecat	$0.0010/Min. nach 10,000 Freiminuten/Monat; $0.0008 >100k, $0.00065 >1M, $0.0005 >10M	Ja, sofortiger Schlüssel, keine Karte	Ja
Krisp VIVA, Voice Isolation 2.5	Serverseitig, On-Prem oder in Ihrer Cloud, CPU; Lite-Variante für Edge	15 ms	16 kHz; HD-Variante 32 kHz	Server-SDK: Python, Node.js, Go, iOS; LiveKit, Pipecat	Nicht öffentlich (Antrag / Vertrieb kontaktieren)	Nein, Zugang auf Antrag	Ja
ai-coustics Quail Voice Focus 2.2	On-Prem-SDK	Unter 30 ms (Preisseite)	Nativ 16 kHz; SDK akzeptiert 8 bis 192 kHz und resampelt intern	SDK: Python, Node.js, C, Rust, WASM; LiveKit, Pipecat	$135/Monat (100K Min.) bis $540/Monat (500K Min.), jährliche Abrechnung; Enterprise ab $2,000/Monat	Ja, Checkout bis Business	Ja
AssemblyAI Voice Focus	Cloud, innerhalb von Streaming-STT	Nicht veröffentlicht	sample_rate passend zur Quelle setzen; keine Liste veröffentlicht	Streaming-STT-Option (voice_focus)	+$0.10/Std. ($0.0017/Min.) auf Universal-3.6 Pro Realtime ($0.45/Std. Grundpreis)	Ja, $50 Gratisguthaben, keine Karte	Ja
LiveKit Cloud voice isolation	LiveKit Cloud (Krisp VIVA oder ai-coustics Voice Focus 2.1)	Nicht veröffentlicht	Nicht angegeben	Filter als Agents-Plugin	$0.0012/Min. nach enthaltenen Minuten (Build 100, Ship 1,000, Scale 10,000)	Ja, mit einem LiveKit-Cloud-Plan	Ja
NVIDIA AFX SDK, Speaker Focus	NVIDIA-GPU; Linux für Server, Windows für Client	Nicht veröffentlicht	16 oder 48 kHz	Audio Effects SDK (Windows, Linux)	Nicht veröffentlicht	Early-Access-Programm	Ja
Picovoice Koala	Auf dem Gerät: Linux, macOS, Windows, Android, iOS, Browser, Raspberry Pi	Nicht veröffentlicht	Zur Laufzeit aus der Engine gelesen; nicht veröffentlicht	SDK; Pipecat-Filter	Nicht veröffentlicht	Kostenlose AccessKey-Registrierung, keine Karte	Nein, Rauschunterdrückung
DeepFilterNet / GTCRN (Open Source)	Überall, wo Sie sie ausführen	In den Repositories nicht veröffentlicht	DeepFilterNet 48 kHz; GTCRN nicht angegeben	Quellcode	Kostenlos (MIT oder Apache-2.0; MIT)	Ja	Nein, Rauschunterdrückung / Sprachverbesserung

Die Quellen pro Zeile stehen in der Quellenliste am Ende. Zwei Zellen brauchen eine Anmerkung. Die Preisseite von LiveKit nennt ai-coustics Voice Focus 2.1 im Voice-Isolation-Slot, während die eigene Modellreferenz von ai-coustics Voice Focus 2.2 listet; wir geben jede Seite so wieder, wie sie geschrieben ist. Die Voice-Focus-Dokumentation von AssemblyAI listet Universal-3.5 Pro und Universal-3.6 Pro, und die Preisseite listet das Add-on für Universal-3.6 Pro Realtime.

Pro Hersteller

Anecho

Unser Produkt: ein Modell, v8_2, 4.0 MB und 1.0 M Parameter, das Sie über das Node- oder Python-SDK in Ihren eigenen Prozess laden. Es nimmt float32 mono bei 16 kHz entgegen und gibt 15 ms später dieselbe Anzahl Samples zurück, in Echtzeit auf einem CPU-Kern (SDK-Dokumentation). Das SDK resampelt nicht; die gehostete API nimmt jede Rate an und gibt sie über einen zustandsbehafteten Resampler zurück. Die Preise sind eine veröffentlichte Staffel: 10,000 Minuten jeden Monat kostenlos, danach $0.0010 pro Minute, sinkend auf $0.0005 oberhalb von 10 Millionen (Preise). Einen Schlüssel gibt es im Dashboard, ohne Karte und ohne Gespräch.

Krisp VIVA

Die Entwicklerseite von Krisp beschreibt VIVA als Suite aus fünf Modellen: Voice Isolation 2.5, Turn Prediction, Interruption Prediction, Sprachaktivitätserkennung und Signaldetektoren. Voice Isolation 2.5 gibt es in den Varianten Default, Balanced, Lite und HD; es ist mit 15 ms deklariert, läuft auf der CPU und nimmt PCM 16 kHz mono entgegen (HD: 32 kHz). Auf der Seite heißt es "Isolate the primary speaker's voice" (die Stimme des Hauptsprechers isolieren). Die Preisseite für Entwickler hat zwei Stufen, Early stage und Enterprise, und beide führen zu "Apply Now"; ein Preis ist nicht angegeben. Krisp wird auch innerhalb von Plattformen weiterverkauft: Pipecat Cloud listet Krisp VIVA mit $0.0015 pro Minute nach 10,000 Freiminuten im Monat, LiveKit Cloud nutzt es in seinem Voice-Isolation-Slot, und Telnyx listet "Noise Suppression - Krisp" mit $0.005 pro Leg und Minute. Wir haben Krisp nicht gemessen, daher macht dieser Post keine Aussage über seine Qualität.

ai-coustics Quail Voice Focus

Die Modellreferenz von ai-coustics beschreibt Quail Voice Focus als ausgerichtet auf "one primary speaker for machine listening" (einen Hauptsprecher für maschinelles Zuhören), in den Größen S und L bei nativen 16 kHz; das SDK akzeptiert 8 bis 192 kHz und resampelt intern. SDKs gibt es für Python, Node.js, C, Rust und WASM, mit Integrationen für LiveKit und Pipecat. Die Preisseite listet Startup mit $135 im Monat (100,000 Minuten), Pro mit $360 (300,000) und Business mit $540 (500,000), jährlich abgerechnet, jeweils mit On-Prem-SDK-Bereitstellung und "real-time processing" unter 30 ms; Enterprise beginnt bei $2,000 im Monat und fügt Offline- oder Air-Gapped-Lizenzen hinzu. Wir haben ai-coustics gemessen: siehe "Was wir gemessen haben" unten.

AssemblyAI Voice Focus

Voice Focus ist kein separates SDK: Es ist ein Parameter der Streaming-Transkription von AssemblyAI. Die Dokumentation beschreibt es als Möglichkeit, "isolate the primary voice and suppress background noise on streaming transcription" (die Hauptstimme zu isolieren und Hintergrundgeräusche bei der Streaming-Transkription zu unterdrücken), mit den Modi near-field und far-field und einem voice_focus_threshold von 0.0 bis 1.0 (Standard 0.7). Die Preisseite listet es mit +$0.10 pro Stunde auf Universal-3.6 Pro Realtime, dessen Grundpreis $0.45 pro Stunde beträgt. Das Audio gelangt nur bis zum eigenen Erkenner von AssemblyAI, es hilft also nur, wenn das Ihr STT ist. Wir haben AssemblyAI Voice Focus nicht gemessen.

LiveKit Cloud voice isolation

LiveKit Cloud verkauft Voice Isolation als nutzungsabhängig abgerechnete Position, bestückt mit Krisp VIVA, Krisp VIVA telephony und ai-coustics Voice Focus. Die Dokumentation sagt, es "emphasizes the primary speaker and reduces competing speech or noise" (hebt den Hauptsprecher hervor und reduziert konkurrierende Sprache oder Geräusche), und empfiehlt für Mehrsprecher- oder Diarisierungs-Szenarien stattdessen einfache Rauschunterdrückung. Die Preisseite enthält 100 Minuten bei Build, 1,000 bei Ship und 10,000 bei Scale, danach $0.0012 pro Minute. Die Modelle werden über LiveKit Cloud ausgeliefert; auf einem selbst gehosteten Server, so die Dokumentation, lässt sich ai-coustics weiterhin mit Ihrem eigenen ai-coustics-Lizenzschlüssel nutzen. Die Qualität ist die des zugrunde liegenden Modells.

NVIDIA Audio Effects SDK, Speaker Focus

NVIDIAs Audio Effects SDK (Teil von Maxine) listet einen Effekt Speaker Focus, der "identifies and isolates the primary speaker from all other speakers" (den Hauptsprecher erkennt und von allen anderen Sprechern isoliert), bei 16 oder 48 kHz, mono, und gibt an, dass er "currently available under the Early Access program" ist (derzeit im Early-Access-Programm verfügbar). Die Dokumentation veröffentlicht den Durchsatz pro NVIDIA-GPU (T4 bis B100) statt eines CPU-Pfads, und das Linux-SDK wird als für serverseitige Bereitstellung optimiert beschrieben. Einen öffentlichen Preis oder eine Latenzangabe haben wir nicht gefunden. Nicht von uns gemessen.

Picovoice Koala

Koala ist "an on-device noise suppression engine" (eine Engine zur Rauschunterdrückung auf dem Gerät) für Linux, macOS, Windows, Android, iOS, Browser und Raspberry Pi, verfügbar als Pipecat-Filter. Es ist Rauschunterdrückung, keine Sprecherisolation: Eine zweite Stimme ist Sprache, und dafür, sie zu entfernen, ist Koala nicht gebaut. Abtastrate und Framelänge werden zur Laufzeit aus der Engine gelesen; wir haben keinen veröffentlichten Wert gefunden, keine Latenzangabe und keine Preisliste über eine kostenlose AccessKey-Registrierung hinaus. Nicht von uns gemessen.

Open-Source-Baselines

DeepFilterNet (MIT oder Apache-2.0, 48 kHz) und GTCRN (MIT, etwa 48.2K Parameter) sind Modelle für Rauschunterdrückung und Sprachverbesserung, keine Sprecherisolation. Beide stehen in unserem Benchmark als auslieferbare Baselines: Gepoolt über 19 Bedingungen erreichte GTCRN 20.14% WER und DeepFilterNet3 34.04%, gegenüber 14.32% für das unbearbeitete Audio.

Was wir gemessen haben

Zwei der Produkte oben stehen in unserem öffentlichen Benchmark, unseres und das von ai-coustics, betrieben über das lizenzierte SDK als Referenz. Krisp, AssemblyAI, der Slot von LiveKit, NVIDIA und Koala nicht.

• Auf der Clip-Matrix schlägt gepoolt nichts raw. Auf der Matrix mit 19 Bedingungen erreicht das unbearbeitete Audio 14.32% WER, ai-coustics Quail L 15.18%, unser v8_2 16.59% und ai-coustics Quail VF 2.2 L 17.59% (faster-whisper base.en, zehn Sprecher).
• Reine Geräusche: Quail L liegt vorn. Quail L ist ein Rauschmodell, und es ist auf der gepoolten Matrix die Engine, die raw am nächsten kommt. Wenn Ihr Problem ein Sprecher in einem lauten Raum ist, ist einfache Rauschunterdrückung das passende Werkzeug.
• Live-Gespräche, faster-whisper: Gleichstand. Auf 200 konstruierten Gesprächen, bewertet mit faster-whisper base.en, beträgt v8_2 − Quail VF 2.2 S −0.13 pp [−4.56, +4.47], also Gleichstand, und keine der beiden Engines schlägt raw.
• Live-Gespräche, Gemini Live: v8_2 vorn. Auf denselben Gesprächen, bewertet von der Eingangstranskription von Gemini Live, beträgt v8_2 − VF S −6.47 pp [−9.89, −3.26], und v8_2 schlägt raw (−4.10 pp [−6.28, −1.98]); VF S gegenüber raw ist Gleichstand.
• Die Bedingung entscheidet. Mit einem nah besprochenen Mikrofon und Hintergrundstimmen so laut wie der Sprecher erreicht v8_2 37.19% WER gegenüber 55.94% für VF S mit faster-whisper, und 33.06% gegenüber 60.95% mit Gemini Live. Ist der Sprecher 0.5 bis 1.5 m vom Mikrofon entfernt, liegt VF S mit faster-whisper mit +9.58 pp [+5.52, +13.90] vorn; mit Gemini Live liegt es bei −10 dB vorn (+7.74 pp [+2.48, +12.77]), und der room-Pool ist Gleichstand. VF S hält außerdem die Pausen leiser, 17.4 dB Hintergrundunterdrückung in den Pausen des Sprechers gegenüber 8.5 dB für v8_2, und löst unter Gemini Live weniger falsche Barge-ins aus: 52 gegenüber 125 für v8_2 und 97 für raw.

Alles steht in benchmark.json, mit den Vorbehalten auf /benchmark: konstruierte Mischungen, zwei Erkenner, die beim gepoolten Urteil nicht übereinstimmen, eine kleine Sprechermenge.

Wie man wählt, nach Anwendungsfall

• Sie laufen auf LiveKit Cloud. Der eingebaute Voice-Isolation-Slot ist der kürzeste Weg, mit $0.0012 pro Minute jenseits Ihres Plans. Wenn Sie ein Modell wollen, das Sie selbst laden, siehe Sprecherisolation in LiveKit.
• Ihr STT ist AssemblyAI Streaming. Voice Focus ist ein Parameter, keine Integration. Es bewirkt nichts für ein Native-Audio-Modell (Gemini Live, OpenAI Realtime) oder einen zweiten STT-Anbieter; ein In-Process-SDK deckt diese Fälle ab.
• Audio darf Ihren Prozess nicht verlassen. Anecho, das Server-SDK von Krisp und das On-Prem-SDK von ai-coustics laufen in Ihrer eigenen Infrastruktur, und Koala läuft auf dem Gerät. Siehe DSGVO und In-Process-Audio.
• Sie wollen einen veröffentlichten Preis und heute einen Schlüssel. Anecho, ai-coustics, AssemblyAI und LiveKit veröffentlichen Preise und nehmen Self-Service-Registrierungen an; Krisp direkt und NVIDIA veröffentlichen keinen Preis. Die Rechnung pro Minute steht in Preise für Voice Isolation 2026.
• Telefonie mit 8 kHz. Krisp listet eine Telefonie-Variante (über LiveKit) und sagt, Voice Isolation 2.5 unterstütze Schmalband-Audio; ai-coustics Voice Focus ist nativ 16 kHz mit internem Resampling; unser SDK arbeitet mit 16 kHz, und unsere gehostete API akzeptiert 8 kHz. Lesen Sie 8 kHz vs. 16 kHz für Voice-Agents, bevor Sie wählen.
• Ein Anrufer mit nah besprochenem Mikrofon und lauten Stimmen im Hintergrund. In unserem Lauf mit Live-Gesprächen ist das der Fall, in dem v8_2 vorn liegt.
• Ein entfernter Sprecher, Stille zwischen den Turns oder falsche Unterbrechungen. Im selben Lauf liegt Quail VF 2.2 S bei einem entfernten Sprecher bei −10 dB vorn, hält die Pausen leiser und löst weniger falsche Barge-ins aus.
• Eine GPU-Flotte. NVIDIA Speaker Focus ist die GPU-native Option, im Early Access.

Was auch immer auf Ihrer Shortlist landet: Testen Sie es an Ihren eigenen Anrufen gegen eine Kontrolle, die nichts tut, wie in wie man Sprecherisolation bewertet. Auf unseren Daten stützen die Zahlen kein Isolationsmodell, das für alles Audio eingeschaltet ist.

Quellen

Alle abgerufen im Oktober 2026; Preise mit Stand 2026-10-20.

• Anecho: /docs/sdk, /docs, /pricing, /benchmark.
• Krisp: krisp.ai/developers/voice-isolation (Modelle, 15 ms, 16 und 32 kHz, SDK-Sprachen, Integrationen); krisp.ai/developers/pricing (Apply Now, kein Preis); krisp.ai/blog/voice-isolation-2-5 (CPU, Unterstützung für Schmalband).
• Pipecat Cloud: daily.co/pricing/pipecat-cloud (Krisp VIVA, 10,000 Freiminuten, $0.0015/Min.).
• Telnyx: telnyx.com/pricing/call-control (Noise Suppression - Krisp, $0.005 pro Leg und Minute).
• ai-coustics: ai-coustics.com/pricing (Stufen, unter 30 ms, On-Prem-SDK); docs.ai-coustics.com/reference/sdk/models (Voice Focus 2.2, 16 kHz, SDK-Sprachen); docs.ai-coustics.com/guides/models (8 bis 192 kHz, internes Resampling).
• AssemblyAI: assemblyai.com/docs/streaming/voice-focus (Modi, Schwellenwert, Modelle); assemblyai.com/pricing (+$0.10/Std., $0.45/Std. Grundpreis, $50 Guthaben); Streaming-Quickstart (sample_rate passend zur Quelle).
• LiveKit: livekit.com/pricing (Voice-Isolation-Modelle, enthaltene Minuten, $0.0012/Min.); docs.livekit.io noise cancellation (wo es läuft, Plugins, Formulierung zum Hauptsprecher).
• NVIDIA: Speaker Focus effect (Early Access, 16 oder 48 kHz, GPU-Durchsatz); AFX SDK user guide (Plattformen).
• Picovoice: picovoice.ai/docs/koala (auf dem Gerät, Plattformen, AccessKey); Koala Python API (Abtastrate zur Laufzeit gelesen); Pipecat Koala filter.
• Open Source: DeepFilterNet (48 kHz, MIT oder Apache-2.0); GTCRN (MIT, 48.2K Parameter).

FAQ

Was ist der Unterschied zwischen Sprecherisolation und Rauschunterdrückung?

Sprecherisolation behält einen Hauptsprecher und entfernt alles andere, auch andere Stimmen. Rauschunterdrückung entfernt Nicht-Sprach-Geräusche und behält jede Sprache. In der Tabelle vermarkten Krisp VIVA, ai-coustics Voice Focus, AssemblyAI Voice Focus, LiveKit voice isolation, NVIDIA Speaker Focus und Anecho Isolation; Koala, DeepFilterNet und GTCRN sind Rauschunterdrückung. Siehe was ist Sprecherisolation.

Welche Speaker-Isolation-SDKs laufen auf der CPU in meinem eigenen Prozess?

Von den Produkten, die wir belegen konnten, laufen das Server-SDK von Krisp (15 ms, CPU), das On-Prem-SDK von ai-coustics (unter 30 ms) und das SDK von Anecho (15 ms, CPU) in Ihrer eigenen Infrastruktur. NVIDIA Speaker Focus veröffentlicht GPU-Durchsatz. AssemblyAI und der Slot von LiveKit laufen in deren Clouds.

Welche Produkte für Sprecherisolation veröffentlichen einen Preis?

Mit Stand 2026-10-20: Anecho ($0.0010/Min. nach 10,000 Freiminuten im Monat), LiveKit Cloud ($0.0012/Min. nach enthaltenen Minuten), ai-coustics (ab $135 im Monat bei jährlicher Abrechnung) und AssemblyAI (+$0.10/Std.). Krisp direkt und NVIDIA veröffentlichen keinen Preis; Krisp VIVA wird auf Pipecat Cloud für $0.0015/Min. weiterverkauft.

Ist Anecho besser als ai-coustics?

Das hängt vom Erkenner und von der Bedingung ab. In unserem Benchmark mit Live-Gesprächen ist das gepoolte Ergebnis mit faster-whisper base.en Gleichstand (−0.13 pp [−4.56, +4.47]), wobei keine Engine das unbearbeitete Audio schlägt, und mit der Eingangstranskription von Gemini Live ein Vorsprung von v8_2 (−6.47 pp [−9.89, −3.26]). v8_2 liegt bei einem nah besprochenen Mikrofon und lautem Hintergrund vorn; Quail VF 2.2 S liegt bei einem entfernten Sprecher, bei der Pausenunterdrückung und bei den falschen Barge-ins vorn; Quail L liegt bei reinen Geräuschen vorn.

Haben Sie Krisp oder AssemblyAI gemessen?

Nein. Keines von beiden steht in unserem Benchmark, daher macht dieser Post keine Aussage über ihre Qualität. Ihre eigenen veröffentlichten Zahlen sind Angaben der Unternehmen.

Verbessert Sprecherisolation immer die Transkription?

Nein. Auf unserer Matrix mit 19 Bedingungen erreichte das unbearbeitete Audio 14.32% WER, und jede Engine lag gepoolt höher. Testen Sie an Ihren eigenen Anrufen gegen eine Kontrolle, die nichts tut, bevor Sie Isolation für alles einschalten.