Der Stand von Voice-AI-Audio, Oktober 2026
Eine Momentaufnahme zum 2026-10-17: Null Test bewertet elf Enhancer gegen eine Nichts-tun-Kontrolle über neunzehn Bedingungen, die Kontrolle liegt bei 14.32% WER und unsere v8_2-Zeile bei 16.59%, und der Markt bewegte sich zu Primärsprecher-Isolation, die in Plattformen und STT eingebaut ist.
Update vom 20. Oktober 2026: Seit dieser Momentaufnahme haben wir einen Live-Gesprächs-Benchmark von v8_2 gegen ai-coustics Quail VF 2.2 S mit zwei Erkennern veröffentlicht. Mit faster-whisper base.en herrscht gepoolt Gleichstand, und keine der beiden Engines schlägt Roh-Audio; mit der Eingangstranskription von Gemini Live schlägt v8_2 raw und liegt gepoolt vor VF S. v8_2 liegt bei einem nah besprochenen Mikrofon und lautem Hintergrund vorn, VF S bei einem entfernten Sprecher, bei der Pausenunterdrückung und bei den falschen Barge-ins. Die Momentaufnahme unten bleibt unverändert.
Zum 2026-10-17 bewertet der veröffentlichte Null-Test-Benchmark elf Enhancer gegen eine Nichts-tun-Kontrolle über neunzehn Bedingungen; die Kontrolle liegt bei 14.32% WER, unsere v8_2-Engine bei 16.59%, und nichts auf der Tabelle schlug die Kontrolle. Im Markt ist die bemerkenswerte Veränderung seit August, dass Primärsprecher-Isolation nicht mehr nur als separates SDK verkauft wird: Sie taucht im Preis einer Plattform (LiveKit), in einer STT-Option (AssemblyAI) und als Flaggschiff-Release (Krisp) auf.
Das ist eine Momentaufnahme des veröffentlichten Stands ohne neue Messungen. Die Benchmark-Zahlen stammen aus benchmark.json (generatedAt 2026-08-14); die Marktpunkte aus unserer internen Recherche vom 2026-10-15, und jede dort genannte Leistungszahl eines Anbieters ist eine Eigenaussage des Unternehmens.
Der Benchmark, wie veröffentlicht
| Backend | Gepoolter WER (19 Bedingungen) | Auslieferbar |
|---|---|---|
| raw | 14.32% | yes |
| passthrough | 14.32% | yes |
| aic-quail | 15.18% | no |
| focus | 16.59% | yes |
| aic-quail-vf | 17.59% | no |
| gtcrn | 20.14% | yes |
| fastenhancer-s | 20.33% | yes |
| fastenhancer-l | 20.36% | yes |
| fastenhancer-b | 20.64% | yes |
| fastenhancer-t | 21.66% | yes |
| fastenhancer-m | 22.13% | yes |
| dfn3-hq | 30.69% | yes |
| dfn3 | 34.04% | yes |
Gepoolte Wortfehlerrate, faster-whisper base.en, zehn Sprecher, 190 Referenzwörter pro Bedingung. Das unbearbeitete Audio (raw und passthrough, dasselbe Signal) steht oben, weil es gewonnen hat. Die ai-coustics-Zeilen (aic-quail, aic-quail-vf) sind eine lizenzierte proprietäre Referenz und kein auslieferbarer Codepfad. Die Zeile-für-Zeile-Darstellung steht in Unsere Zeile steht in der Tabelle.
Zwei frühere Ergebnisse rahmen das ein. Unsere Telefonie-Analyse wiederholte eine Community-Zahl, dass ein Standard-Resampling-Pfad etwa 16% des Anruferaudios verwirft; unsere Kontrolle stützte sie nicht, und wir haben sie öffentlich zurückgezogen, den korrigierten Abschnitt aber stehen lassen. Und das Testset hat zehn Sprecher: Es trennt Unterschiede von Dutzenden Punkten, nicht von einem oder zwei.
Was sich im Markt geändert hat
| Datum | Wer | Was | Quellenart |
|---|---|---|---|
| 2026-08-12 | Krisp | VIVA 2.5 / Voice Isolation 2.5, marketed as primary-speaker focus; company claims | company blog / CEO post |
| 2026-03-11 | ai-coustics + LiveKit | Voice Focus 2.0 in LiveKit Cloud (current plugin bundles Voice Focus 2.2) | company |
| 2026 (date not found) | AssemblyAI | voice_focus option on streaming STT, $0.10/hr add-on | company docs |
| 2026-08 (Aug) | LiveKit | per-second metering introduced | LiveKit community post |
| 2026-09-15 | Gemini 3.8 Live released | company blog | |
| 2026-10-07 | Krisp | FP16 CPU optimisation post: +75% to +99% concurrent calls on supported CPUs (company claim) | company blog |
Alle an diese Punkte gehängten Leistungszahlen (etwa Krisps behauptete WER-Senkungen) stammen von den Anbietern selbst und sind von uns nicht überprüft. Zwei weitere Datenpunkte, beide aus unserer Recherchedatei: Eigenkapitalfinanzierung für Voice AI wurde mit $1.2B in 25 Runden von Januar bis September 2026 gemeldet, gegenüber $585M in 34 Runden ein Jahr zuvor (Tracxn, abgerufen im Oktober 2026), und Google veröffentlichte Gemini 3.8 Live am 2026-09-15, was wichtig ist, weil ein natives Audiomodell kein separates STT hat, dessen WER ein Enhancer verbessern könnte.
Unser Schluss ist eng gefasst: "Speaker Isolation" ist inzwischen ein Funktionsname, den mehrere Anbieter verwenden; eine Behauptung braucht also eine Messung auf einem gemeinsamen Set, um etwas zu bedeuten. Das ist das Argument für eine öffentliche Kontrolle.
Was wir als Nächstes messen
Das sind Pläne, keine Zusagen mit Datum. Erstens ein zweiter Erkenner, denn der Harness unterstützt Deepgram und AssemblyAI, und die Rangfolge sollte auf mehr als einem halten. Zweitens ein größeres Sprecherset, weil das aktuelle einen oder zwei Punkte nicht auflösen kann. Drittens falsches Barge-in, gemessen an Unterbrechungsereignissen und nicht nur an VAD-Fehlalarmen pro Frame wie in Warum die Turn-Erkennung bei TV-Audio versagt. Viertens CPU-Kosten pro Stream, da die Kosten für den Betrieb eines Modells Teil des Wettbewerbs werden.
FAQ
Welcher Voice-AI-Audio-Enhancer ist der beste? In unserem Benchmark schlug keiner das unbearbeitete Audio, gepoolt über 19 Bedingungen; die besten auslieferbaren Enhancer lagen wenige Punkte davon entfernt. Die Bedingungen zählen mehr als die gepoolte Zahl.
Was ist Null Test? Unser offener Benchmark: elf Enhancer, eine Nichts-tun-Kontrolle, neunzehn Bedingungen, veröffentlicht mit seinen Konfigurationen.
Sind die Anbieterdaten in diesem Post verifiziert? Nein. Die Marktpunkte sind Unternehmensaussagen oder unabhängige Berichte wie gekennzeichnet, zusammengestellt am 2026-10-15.