SDKs de isolamento de locutor comparados (2026): Krisp, ai-coustics, AssemblyAI, LiveKit e Anecho

Resposta curta. Em outubro de 2026, cinco produtos anunciam isolamento do locutor principal para agentes de voz: Krisp VIVA (Voice Isolation 2.5, SDK de servidor, 15 ms em CPU, preço não público), ai-coustics Quail Voice Focus 2.2 (SDK on-prem, menos de 30 ms, a partir de $135 por mês com cobrança anual), AssemblyAI Voice Focus (uma opção dentro da sua transcrição em streaming, +$0.10 por hora), isolamento de voz do LiveKit Cloud (modelos da Krisp ou da ai-coustics dentro do LiveKit Cloud, $0.0012 por minuto após os minutos incluídos no plano) e Anecho v8_2 (SDK no próprio processo, 15 ms em CPU, $0.0010 por minuto após 10,000 minutos grátis por mês). O efeito Speaker Focus da NVIDIA está em acesso antecipado em GPUs NVIDIA, e o Picovoice Koala é supressão de ruído no dispositivo, não isolamento de locutor. Qual deles serve depende de onde o seu áudio roda e de como ele soa, não do rótulo.

Vendemos um desses produtos, então este post é um conflito de interesses. Para que tudo possa ser conferido, cada fato sobre um fornecedor abaixo aponta para a própria página do fornecedor, consultada em outubro de 2026, e quando um fornecedor não publica nada escrevemos "não publicado". Os preços são os listados em 2026-10-20 e mudam. Os únicos números de qualidade deste post vêm do nosso próprio benchmark, e dizemos quais fornecedores não medimos.

A tabela comparativa

Produto	Onde roda	Latência declarada	Taxas de amostragem	Integração	Preço público (conforme listado em 2026-10-20)	Autoatendimento	Isolamento do locutor principal anunciado
Anecho v8_2	No próprio processo nos seus servidores, CPU; também uma API hospedada	15 ms de atraso algorítmico	SDK 16 kHz; a API hospedada aceita qualquer taxa (8, 24, 44.1, 48 kHz)	SDK para Node e Python; guias para LiveKit e Pipecat	$0.0010/min após 10,000 min grátis/mês; $0.0008 >100k, $0.00065 >1M, $0.0005 >10M	Sim, chave imediata, sem cartão	Sim
Krisp VIVA, Voice Isolation 2.5	No servidor, on-prem ou na sua nuvem, CPU; variante Lite para edge	15 ms	16 kHz; variante HD 32 kHz	SDK de servidor: Python, Node.js, Go, iOS; LiveKit, Pipecat	Não público (solicitar / falar com vendas)	Não, é preciso solicitar acesso	Sim
ai-coustics Quail Voice Focus 2.2	SDK on-prem	Menos de 30 ms (página de preços)	Nativo 16 kHz; o SDK aceita de 8 a 192 kHz e reamostra internamente	SDK: Python, Node.js, C, Rust, WASM; LiveKit, Pipecat	$135/mês (100K min) a $540/mês (500K min), cobrança anual; Enterprise a partir de $2,000/mês	Sim, checkout até o Business	Sim
AssemblyAI Voice Focus	Nuvem, dentro da transcrição em streaming	Não publicado	Defina sample_rate conforme a sua fonte; nenhuma lista publicada	Opção da transcrição em streaming (voice_focus)	+$0.10/h ($0.0017/min) no Universal-3.6 Pro Realtime ($0.45/h de base)	Sim, $50 de crédito grátis, sem cartão	Sim
Isolamento de voz do LiveKit Cloud	LiveKit Cloud (Krisp VIVA ou ai-coustics Voice Focus 2.1)	Não publicado	Não especificado	Filtro de plugin do Agents	$0.0012/min após os minutos incluídos (Build 100, Ship 1,000, Scale 10,000)	Sim, com um plano do LiveKit Cloud	Sim
NVIDIA AFX SDK, Speaker Focus	GPU NVIDIA; Linux para servidor, Windows para cliente	Não publicado	16 ou 48 kHz	Audio Effects SDK (Windows, Linux)	Não publicado	Programa de Early Access	Sim
Picovoice Koala	No dispositivo: Linux, macOS, Windows, Android, iOS, navegadores, Raspberry Pi	Não publicado	Lida da engine em tempo de execução; não publicada	SDK; filtro do Pipecat	Não publicado	Cadastro grátis de AccessKey, sem cartão	Não, supressão de ruído
DeepFilterNet / GTCRN (código aberto)	Onde você os rodar	Não publicado nos repositórios	DeepFilterNet 48 kHz; GTCRN não informado	Código-fonte	Grátis (MIT ou Apache-2.0; MIT)	Sim	Não, supressão de ruído / aprimoramento de fala

As fontes de cada linha estão na lista de Fontes no final. Duas células precisam de uma nota. A página de preços da LiveKit cita o ai-coustics Voice Focus 2.1 no espaço de isolamento de voz, enquanto a própria referência de modelos da ai-coustics lista o Voice Focus 2.2; reportamos cada página como está escrita. A documentação do Voice Focus da AssemblyAI lista Universal-3.5 Pro e Universal-3.6 Pro, e sua página de preços lista o complemento para o Universal-3.6 Pro Realtime.

Por fornecedor

Anecho

Nosso produto: um modelo, v8_2, 4.0 MB e 1.0 M de parâmetros, que você carrega no seu próprio processo pelo SDK para Node ou Python. Ele recebe float32 mono a 16 kHz e devolve o mesmo número de amostras 15 ms depois, em tempo real em um núcleo de CPU (documentação do SDK). O SDK não reamostra; a API hospedada aceita e devolve qualquer taxa por meio de um reamostrador com estado. O preço é uma única escada publicada: 10,000 minutos grátis todo mês, depois $0.0010 por minuto, caindo para $0.0005 acima de 10 milhões (preços). Uma chave sai do dashboard sem cartão e sem ligação.

Krisp VIVA

A página de desenvolvedores da Krisp descreve o VIVA como um conjunto de cinco modelos: Voice Isolation 2.5, Turn Prediction, Interruption Prediction, detecção de atividade de voz e detectores de sinal. O Voice Isolation 2.5 vem nas variantes Default, Balanced, Lite e HD, é declarado a 15 ms, roda em CPU e recebe PCM 16 kHz mono (HD: 32 kHz). A página diz "Isolate the primary speaker's voice" (isole a voz do locutor principal). A página de preços para desenvolvedores tem dois níveis, Early stage e Enterprise, e ambos levam a "Apply Now"; nenhum preço é listado. A Krisp também é revendida dentro de plataformas: o Pipecat Cloud lista o Krisp VIVA a $0.0015 por minuto após 10,000 minutos grátis por mês, o LiveKit Cloud o usa no seu espaço de isolamento de voz, e a Telnyx lista "Noise Suppression - Krisp" a $0.005 por perna (leg) por minuto. Não medimos a Krisp, então este post não faz nenhuma afirmação sobre a sua qualidade.

ai-coustics Quail Voice Focus

A referência de modelos da ai-coustics descreve o Quail Voice Focus como voltado para "one primary speaker for machine listening" (um locutor principal para escuta por máquina), nos tamanhos S e L a 16 kHz nativos; o SDK aceita de 8 a 192 kHz e reamostra internamente. Há SDKs para Python, Node.js, C, Rust e WASM, com integrações para LiveKit e Pipecat. A página de preços lista Startup a $135 por mês (100,000 minutos), Pro a $360 (300,000) e Business a $540 (500,000), com cobrança anual, cada um com implantação do SDK on-prem e "real-time processing" abaixo de 30 ms; o Enterprise começa em $2,000 por mês e acrescenta licenças offline ou air-gapped. Medimos a ai-coustics: veja "O que medimos" abaixo.

AssemblyAI Voice Focus

O Voice Focus não é um SDK separado: é um parâmetro da transcrição em streaming da AssemblyAI. A documentação o descreve como uma forma de "isolate the primary voice and suppress background noise on streaming transcription" (isolar a voz principal e suprimir o ruído de fundo na transcrição em streaming), com os modos near-field e far-field e um voice_focus_threshold de 0.0 a 1.0 (padrão 0.7). A página de preços o lista a +$0.10 por hora no Universal-3.6 Pro Realtime, cuja tarifa base é $0.45 por hora. O áudio só vai até o próprio reconhecedor da AssemblyAI, então ele só ajuda se esse for o seu STT. Não medimos o AssemblyAI Voice Focus.

Isolamento de voz do LiveKit Cloud

O LiveKit Cloud vende isolamento de voz como uma linha cobrada por minuto, preenchida pelo Krisp VIVA, pelo Krisp VIVA telephony e pelo ai-coustics Voice Focus. A documentação diz que ele "emphasizes the primary speaker and reduces competing speech or noise" (realça o locutor principal e reduz fala ou ruído concorrentes) e recomenda, em vez disso, a supressão de ruído simples para usos com vários locutores ou diarização. A página de preços inclui 100 minutos no Build, 1,000 no Ship e 10,000 no Scale, depois $0.0012 por minuto. Os modelos são servidos pelo LiveKit Cloud; em um servidor auto-hospedado, a documentação diz que a ai-coustics ainda pode ser usada com a sua própria chave de licença da ai-coustics. A qualidade é a do modelo subjacente.

NVIDIA Audio Effects SDK, Speaker Focus

O Audio Effects SDK da NVIDIA (parte do Maxine) lista um efeito Speaker Focus que "identifies and isolates the primary speaker from all other speakers" (identifica e isola o locutor principal de todos os outros locutores), a 16 ou 48 kHz, mono, e afirma que ele está "currently available under the Early Access program" (disponível atualmente pelo programa de Early Access). A documentação publica a vazão por GPU NVIDIA (de T4 a B100) em vez de um caminho em CPU, e o SDK para Linux é descrito como otimizado para implantação no servidor. Não encontramos preço público nem valor de latência. Não medido por nós.

Picovoice Koala

O Koala é "an on-device noise suppression engine" (uma engine de supressão de ruído no dispositivo) para Linux, macOS, Windows, Android, iOS, navegadores e Raspberry Pi, disponível como filtro do Pipecat. É supressão de ruído, não isolamento de locutor: uma segunda voz é fala, e não é isso que o Koala foi feito para remover. A taxa de amostragem e o tamanho do quadro são lidos da engine em tempo de execução; não encontramos valor publicado, nem valor de latência, nem lista de preços além de um cadastro grátis de AccessKey. Não medido por nós.

Referências de código aberto

DeepFilterNet (MIT ou Apache-2.0, 48 kHz) e GTCRN (MIT, cerca de 48.2K parâmetros) são modelos de supressão de ruído e aprimoramento de fala, não de isolamento de locutor. Os dois estão no nosso benchmark como referências que podem ir para produção: agrupado em 19 condições, o GTCRN marcou 20.14% de WER e o DeepFilterNet3 34.04%, contra 14.32% do áudio sem processamento.

O que medimos

Dois dos produtos acima estão no nosso benchmark público, o nosso e o da ai-coustics, executado pelo SDK licenciado como referência. Krisp, AssemblyAI, o espaço da LiveKit, NVIDIA e Koala não estão.

• Nada vence o bruto na matriz de clipes, no agrupado. Na matriz de 19 condições o áudio sem processamento marca 14.32% de WER, o ai-coustics Quail L 15.18%, o nosso v8_2 16.59% e o ai-coustics Quail VF 2.2 L 17.59% (faster-whisper base.en, dez locutores).
• Ruído simples: o Quail L lidera. O Quail L é um modelo de ruído, e é a engine mais próxima do bruto na matriz agrupada. Se o seu problema é um falante em uma sala barulhenta, a supressão de ruído simples é a ferramenta adequada.
• Conversas ao vivo, faster-whisper: empate. Em 200 conversas construídas pontuadas com o faster-whisper base.en, v8_2 − Quail VF 2.2 S é −0.13 pp [−4.56, +4.47], o que é empate, e nenhuma engine vence o bruto.
• Conversas ao vivo, Gemini Live: v8_2 à frente. Nas mesmas conversas pontuadas pela transcrição de entrada do Gemini Live, v8_2 − VF S é −6.47 pp [−9.89, −3.26], e o v8_2 vence o bruto (−4.10 pp [−6.28, −1.98]); o VF S contra o bruto é empate.
• A condição decide. Com um falante de microfone próximo e vozes de fundo tão altas quanto o falante, o v8_2 marca 37.19% de WER contra 55.94% do VF S com o faster-whisper, e 33.06% contra 60.95% com o Gemini Live. Com o falante a 0.5 a 1.5 m do microfone, o VF S lidera por +9.58 pp [+5.52, +13.90] com o faster-whisper; com o Gemini Live ele lidera a −10 dB (+7.74 pp [+2.48, +12.77]) e o agrupado room é empate. O VF S também mantém as pausas mais silenciosas, 17.4 dB de supressão do fundo nas pausas do falante contra 8.5 dB do v8_2, e com o Gemini Live dispara menos barge-ins falsos: 52 contra 125 do v8_2 e 97 do bruto.

Tudo isso está em benchmark.json, com as ressalvas em /benchmark: mixagens construídas, dois reconhecedores que discordam no veredito agrupado, um conjunto pequeno de locutores.

Como escolher, por caso de uso

• Você roda no LiveKit Cloud. O espaço de isolamento de voz embutido é o caminho mais curto, a $0.0012 por minuto além do seu plano. Se você quer um modelo que você mesmo carrega, veja isolamento de locutor no LiveKit.
• O seu STT é o streaming da AssemblyAI. O Voice Focus é um parâmetro, não uma integração. Ele não faz nada por um modelo de áudio nativo (Gemini Live, OpenAI Realtime) nem por um segundo fornecedor de STT; um SDK no próprio processo cobre esses casos.
• O áudio não pode sair do seu processo. Anecho, o SDK de servidor da Krisp e o SDK on-prem da ai-coustics rodam na sua própria infraestrutura, e o Koala roda no dispositivo. Veja GDPR e áudio no próprio processo.
• Você quer um preço publicado e uma chave hoje. Anecho, ai-coustics, AssemblyAI e LiveKit publicam preços e aceitam cadastro por autoatendimento; a Krisp direta e a NVIDIA não publicam preço. A aritmética por minuto está em preços de isolamento de voz em 2026.
• Telefonia a 8 kHz. A Krisp lista uma variante para telefonia (via LiveKit) e diz que o Voice Isolation 2.5 suporta áudio de banda estreita; o Voice Focus da ai-coustics é nativo de 16 kHz com reamostragem interna; o nosso SDK é de 16 kHz e a nossa API hospedada aceita 8 kHz. Leia 8 kHz vs 16 kHz para agentes de voz antes de escolher.
• Quem liga está perto do microfone, com vozes altas atrás. Na nossa rodada de conversas ao vivo, é aqui que o v8_2 lidera.
• Um falante distante, silêncio entre os turnos ou interrupções falsas. Na mesma rodada, o Quail VF 2.2 S lidera com um falante distante a −10 dB, mantém as pausas mais silenciosas e dispara menos barge-ins falsos.
• Uma frota de GPUs. O NVIDIA Speaker Focus é a opção nativa de GPU, em acesso antecipado.

O que quer que entre na sua lista curta, teste nas suas próprias chamadas contra um controle que não faz nada, como em como avaliar isolamento de locutor. Nos nossos dados, um modelo de isolamento ligado para todo o áudio não é o que os números sustentam.

Fontes

Todas consultadas em outubro de 2026; preços conforme listados em 2026-10-20.

• Anecho: /docs/sdk, /docs, /pricing, /benchmark.
• Krisp: krisp.ai/developers/voice-isolation (modelos, 15 ms, 16 e 32 kHz, linguagens do SDK, integrações); krisp.ai/developers/pricing (Apply Now, sem preço); krisp.ai/blog/voice-isolation-2-5 (CPU, suporte a banda estreita).
• Pipecat Cloud: daily.co/pricing/pipecat-cloud (Krisp VIVA, 10,000 minutos grátis, $0.0015/min).
• Telnyx: telnyx.com/pricing/call-control (Noise Suppression - Krisp, $0.005 por perna (leg) por minuto).
• ai-coustics: ai-coustics.com/pricing (níveis, menos de 30 ms, SDK on-prem); docs.ai-coustics.com/reference/sdk/models (Voice Focus 2.2, 16 kHz, linguagens do SDK); docs.ai-coustics.com/guides/models (8 a 192 kHz, reamostragem interna).
• AssemblyAI: assemblyai.com/docs/streaming/voice-focus (modos, limiar, modelos); assemblyai.com/pricing (+$0.10/h, $0.45/h de base, $50 de crédito); guia rápido de streaming (sample_rate igual ao da sua fonte).
• LiveKit: livekit.com/pricing (modelos de isolamento de voz, minutos incluídos, $0.0012/min); docs.livekit.io noise cancellation (onde roda, plugins, redação sobre o locutor principal).
• NVIDIA: efeito Speaker Focus (acesso antecipado, 16 ou 48 kHz, vazão em GPU); guia do usuário do AFX SDK (plataformas).
• Picovoice: picovoice.ai/docs/koala (no dispositivo, plataformas, AccessKey); API Python do Koala (taxa de amostragem lida em tempo de execução); filtro Koala do Pipecat.
• Código aberto: DeepFilterNet (48 kHz, MIT ou Apache-2.0); GTCRN (MIT, 48.2K parâmetros).

FAQ

Qual é a diferença entre isolamento de locutor e supressão de ruído?

O isolamento de locutor mantém um locutor principal e remove todo o resto, incluindo outras vozes. A supressão de ruído remove o ruído que não é fala e mantém toda a fala. Na tabela, Krisp VIVA, ai-coustics Voice Focus, AssemblyAI Voice Focus, o isolamento de voz da LiveKit, NVIDIA Speaker Focus e Anecho anunciam isolamento; Koala, DeepFilterNet e GTCRN são supressão de ruído. Veja o que é isolamento de locutor.

Quais SDKs de isolamento de locutor rodam em CPU no meu próprio processo?

Dos produtos para os quais encontramos fontes, o SDK de servidor da Krisp (15 ms, CPU), o SDK on-prem da ai-coustics (menos de 30 ms) e o SDK da Anecho (15 ms, CPU) rodam na sua própria infraestrutura. O NVIDIA Speaker Focus publica vazão em GPU. A AssemblyAI e o espaço da LiveKit rodam nas nuvens deles.

Quais produtos de isolamento de locutor publicam preço?

Conforme listado em 2026-10-20: Anecho ($0.0010/min após 10,000 minutos grátis por mês), LiveKit Cloud ($0.0012/min após os minutos incluídos), ai-coustics (a partir de $135 por mês com cobrança anual) e AssemblyAI (+$0.10/h). A Krisp direta e a NVIDIA não publicam preço; o Krisp VIVA é revendido a $0.0015/min no Pipecat Cloud.

A Anecho é melhor que a ai-coustics?

Depende do reconhecedor e da condição. No nosso benchmark de conversas ao vivo o resultado agrupado é empate com o faster-whisper base.en (−0.13 pp [−4.56, +4.47]), em que nenhuma engine vence o áudio sem processamento, e uma vantagem do v8_2 com a transcrição de entrada do Gemini Live (−6.47 pp [−9.89, −3.26]). O v8_2 lidera com um falante de microfone próximo e um fundo alto; o Quail VF 2.2 S lidera com um falante distante, na supressão das pausas e em barge-ins falsos; o Quail L lidera em ruído simples.

Vocês mediram a Krisp ou a AssemblyAI?

Não. Nenhuma das duas está no nosso benchmark, então este post não faz nenhuma afirmação sobre a qualidade delas. Os números que elas mesmas publicam são afirmações das empresas.

O isolamento de locutor sempre melhora a transcrição?

Não. Na nossa matriz de 19 condições o áudio sem processamento marcou 14.32% de WER e toda engine ficou acima disso no agrupado. Teste nas suas próprias chamadas contra um controle que não faz nada antes de ligar o isolamento para tudo.