Zu den Ergebnissen springen
StartPreise

Speech-to-Text für Voice Agents

Kugel Ear 1

Ihr Bot rät nicht mehr.

Kugel Ear testenZu den Benchmarks

Ein Beispielanruf: Der Anrufer sagt Viktor Brandt, Kugel Ear 1 sagt dem Bot, dass es zwischen Viktor, Victor und Wiktor unsicher ist, und der Bot fragt einmal nach.

Schluss mit Buchstabierschleifen.

Unsichere Wörter erreichen Ihr LLM markiert, mit den anderen Schreibweisen, die Kugel Ear 1 gehört hat. Ihr Bot fragt einmal nach, statt Anrufer buchstabieren zu lassen.

Was Ihr LLM bekommtBeispiel

Hallo, hier ist Viktor Brandt.

  1. Viktor55 %
  2. Victor31 %
  3. Wiktor14 %
  • 86 %der Wörter, die es falsch schrieb, waren als unsicher markiert
  • 51 %kamen mit der richtigen Schreibweise unter den Alternativen
Gemessen an 800 synthetischen deutschen Anrufen mit Namen, Adressen und Kundennummern, die Hälfte über eine Telefonleitung.

Hört, wann Anrufer fertig sind.

Eine Pause mitten im Satz ist kein Turn-Ende. Kugel Ear 1 wartet sie ab, damit Ihr Bot einem Anrufer, der gerade eine Nummer vorliest, nicht ins Wort fällt.

Eine Illustration: Ein Anrufer liest eine Kundennummer vor und macht in der Mitte eine Pause. Ein typischer Voicebot hält die Pause für das Ende des Turns und redet dem Anrufer ins Wort. Kugel Ear 1 wartet und beendet den Turn nach der letzten Ziffer.

Am genauesten bei Support-Anrufen.

Die meisten richtigen Wörter in AppTeks öffentlichem Callcenter-Datensatz: 280 englische Support-Turns über 14 Akzente, bei sauberem Audio und über eine Telefonleitung.

Support-Anrufe
  1. Kugel Ear 193,4 %
  2. ElevenLabs Scribe v292,1 %
  3. Speechmatics Enhanced90,6 %
  4. OpenAI gpt-transcribe90,3 %
  5. Deepgram Nova-389,9 %
Über eine Telefonleitung
  1. Kugel Ear 188,5 %
  2. ElevenLabs Scribe v286,7 %
  3. OpenAI gpt-transcribe86,2 %
  4. Speechmatics Enhanced85,0 %
  5. Deepgram Nova-381,2 %

Richtige Wörter: 100 % minus Wortfehlerrate, Median über 14 Akzente. Mehr ist besser.

Finales Transkript in 72 ms.

Sobald ein Turn endet, ist das fertige Transkript auf dem Weg zu Ihrem LLM. Gemessen an denselben 280 Turns, in Echtzeit gestreamt.

Vom Ende des Sprechens bis zum finalen Transkript, Median
  1. Kugel Ear 172 ms
  2. Deepgram Nova-394 ms
  3. Speechmatics Enhanced273 ms
  4. OpenAI gpt-transcribe587 ms

Siebenfach verlangsamt dargestellt. ElevenLabs Scribe v2 wurde nicht gemessen.

Gebaut für Ihr LLM.

Ein WebSocket: Audio hinein, das finale Transkript heraus, sobald der Turn endet, danach die Schreibweisen, bei denen es unsicher war. Neun europäische Sprachen; geben Sie eine vor oder lassen Sie sie pro Turn erkennen.

Ihre App sendet

  1. Stream öffnen. Kugel Ear 1 entscheidet, wann jeder Turn endet.

    {
  "type": "config",
  "sample_rate": 16000,
  "turn_detection": "kugelturn"
}

  2. Das Audio des Anrufs so streamen, wie es ist, mit allen Pausen.

    {"type": "audio_chunk", "audio_b64": "…"}

Kugel Ear 1 antwortet

  1. Das finale Transkript, sobald der Turn endet.

    {
  "type": "partial",
  "is_final": true,
  "partial_text": "Hallo, hier ist Viktor Brandt.",
  "turn_end_reason": "model_end_of_turn"
}

  2. Danach die Wörter, bei denen es unsicher war, mit den gehörten Schreibweisen.

    {
  "type": "alternatives",
  "partial_text": "Hallo, hier ist Viktor Brandt.",
  "word_alternatives": [{
    "raw_word_index": 3,
    "word": "Viktor",
    "alternatives": [
      {"spelling": "Viktor", "probability": 0.55},
      {"spelling": "Victor", "probability": 0.31},
      {"spelling": "Wiktor", "probability": 0.14}
    ]
  }]
}

0,48 € pro Stunde.

zzgl. MwSt. · 0,5712 € inkl. 19 % MwSt.

End-of-Turn-Erkennung und Wortalternativen inklusive.

Kugel Ear testen

Die wenigsten Unterbrechungen, jede Latenz.

Englisch im offenen End-of-Turn-Benchmark von LiveKit, jedes veröffentlichte Modell. Bei 300 ms können drei von ihnen gar nicht antworten; bei 700 ms können sie es, und Kugel Ear 1 unterbricht trotzdem am seltensten. In jeder Sprache des Benchmarks unterbricht Kugel Ear 1 bei beiden Wartezeiten am seltensten.

Antwort innerhalb von 300 ms
  1. Kugel Ear 17,4 %
  2. LiveKit Turn Detector v19,9 %
  3. Deepgram Flux12,9 %
  4. ultraVAD27,7 %
  5. LiveKit Turn Detector v1-mini27,8 %
  6. SmartTurn v3.235,2 %
  7. Gradium55,6 %
  8. Nur Pausenerkennung (VAD)55,6 %
  9. Sonioxzu langsam
  10. OpenAI GPT Realtime 2zu langsam
  11. Cartesia Ink 2zu langsam
Antwort innerhalb von 700 ms
  1. Kugel Ear 12,7 %
  2. LiveKit Turn Detector v13,8 %
  3. Soniox4,3 %
  4. Deepgram Flux8,7 %
  5. Gradium8,8 %
  6. ultraVAD8,9 %
  7. LiveKit Turn Detector v1-mini9,8 %
  8. SmartTurn v3.211,2 %
  9. OpenAI GPT Realtime 213,5 %
  10. Nur Pausenerkennung (VAD)16,3 %
  11. Cartesia Ink 2zu langsam

Fehlabbrüche: der Anteil der Pausen, die für das Ende eines Turns gehalten werden. Weniger ist besser.

Jedes Modell, jede Wartezeit.

Ziehen Sie die Wartezeit nach dem Sprechen und sehen Sie die Fehlabbrüche jedes Modells, über alle 14 Sprachen zusammengefasst oder Sprache für Sprache.

Alle Zahlen im Detail.

Kugel Ear 1 gegen die führenden Speech-to-Text-Modelle. Jedes Modell bekam dasselbe Audio und dieselben Bewerter; das beste Ergebnis jeder Zeile ist fett.

Speech-to-Text-Ergebnisse, 16. Oktober 2026
BenchmarkKugel Ear 1ElevenLabs Scribe v2OpenAI gpt-transcribeSpeechmatics EnhancedDeepgram Nova-3
Support-Anrufe , mehr ist besserrichtige Wörter93,4 %92,1 %90,3 %90,6 %89,9 %
Über eine Telefonleitung , mehr ist besserrichtige Wörter88,5 %86,7 %86,2 %85,0 %81,2 %
Namen und Adressen , mehr ist besserexakt richtig geschrieben69,0 %49,5 %57,3 %64,7 %59,7 %
Codes und Nummern , mehr ist besserexakt richtig geschrieben81,9 %77,7 %83,1 %67,3 %56,6 %
Earnings Calls , mehr ist besserrichtige Wörter95,6 %96,0 %94,4 %93,6 %90,6 %
Zeit bis zum finalen Transkript , weniger ist besserMedian72 msnicht gemessen587 ms273 ms94 ms
Die Datensätze hinter diesen Zahlen
DatensatzVerwendet fürAudioUmfangQuelle
AppTek Call-Center DialoguesSupport-Anrufe, Über eine Telefonleitung und Zeit bis zum finalen TranskriptEchte Anrufe, von Menschen in 14 englischen Akzenten nachgespielt; für die Zeile Telefonleitung zusätzlich über eine simulierte Telefonleitung (8 kHz G.711, Hintergrundrauschen, kurze Aussetzer)280 Kundenäußerungen von 1 bis 25 Sekunden, 20 je AkzentÖffentlicher Datensatz
de-names-telephony-v1Schreibweisen und Namen und AdressenSynthetische deutsche Sprache aus KugelAudios eigenem Text-to-Speech (Kugel 3), Texte aus Vorlagen erzeugt; die Hälfte über dieselbe simulierte Telefonleitung800 Anrufe: 400 Sätze, jeweils klar und über die TelefonleitungVon KugelAudio erstellt, nicht veröffentlicht
VoiceCodeBenchCodes und NummernEnglische Sprache aus dem Arbeitsalltag, von 85 Personen aufgenommen300 Aufnahmen mit 1.482 Werten wie Codes, Telefonnummern und E-Mail-AdressenÖffentlicher Datensatz
Earnings22 (Artificial Analysis)Earnings CallsEchte Aufnahmen von Telefonkonferenzen zu Quartalszahlen, auf Englisch6 Konferenzen von je etwa 19 MinutenÖffentlicher Datensatz
LiveKit eot-benchUnterbrechungenGespräche in 14 Sprachen5.454 Gesprächsenden und 7.979 PausenÖffentlicher Datensatz

So haben wir gemessen

  1. Richtige Wörter: 100 % minus Wortfehlerrate. Die Fehlerrate zählt jedes falsche, fehlende oder zusätzliche Wort und jede falsche Ziffer, ignoriert aber Groß- und Kleinschreibung, Satzzeichen, Füllwörter und ob eine Zahl in Ziffern oder Worten steht.
  2. Schreibweisen: 800 synthetische deutsche Anrufe mit Namen, E-Mail- und Postadressen und Kundennummern, die Hälfte über eine simulierte Telefonleitung. Von den Wörtern, die Kugel Ear 1 falsch schrieb, markierte es 86 % als unsicher und schickte für 51 % die richtige Schreibweise unter seinen Alternativen mit.
  3. Unterbrechungen: der öffentliche End-of-Turn-Benchmark von LiveKit, 5.454 Turn-Enden und 7.979 Pausen in 14 Sprachen. Ein Fehlabbruch ist ein Turn, der in einer Pause beendet wurde, nach der der Anrufer weitersprach. Jedes Modell läuft mit seiner besten gemessenen Einstellung, deren mittlere Wartezeit nach dem Sprechen in die Latenz passt. Kugel Ear 1 unterbrach in jeder Sprache am seltensten, bei 300 ms und bei 700 ms, im Vergleich mit Gradium, LiveKit Turn Detector v1, LiveKit Turn Detector v1-mini, OpenAI GPT Realtime 2, SmartTurn v3.2, Soniox, ultraVAD, Nur Pausenerkennung (VAD), Deepgram Flux und Cartesia Ink 2. Kugel Ear 1 spielt sein Turn-Modell mit Anrufer-Feedback ab, das Transkript kommt dabei 500 ms verspätet; die übrigen Ergebnisse sind die von LiveKit veröffentlichten Läufe. Die Sprachen des Benchmarks wurden bei der Entwicklung des Turn-Modells verwendet.
  4. Support-Anrufe: richtige Wörter (100 % minus Wortfehlerrate) bei 280 englischen Support-Turns aus AppTeks öffentlichen Callcenter-Dialogen, 20 je Akzent, Median über 14 Akzente, aus unserem Benchmark-Leaderboard vom 16. Oktober 2026.
  5. Telefonleitung: dieselben Turns über eine simulierte G.711-Telefonleitung, richtige Wörter (100 % minus Wortfehlerrate), Median über 14 Akzente.
  6. Namen und Adressen: deutsche Namen, E-Mail- und Postadressen und Kundennummern exakt richtig geschrieben, 800 synthetische Anrufe, von uns selbst erzeugt (kein öffentlicher Datensatz), die Hälfte über eine simulierte Telefonleitung.
  7. Codes und Nummern: VoiceCodeBench, Codes, Telefonnummern und E-Mail-Adressen exakt richtig geschrieben, bewertet per exakter Übereinstimmung.
  8. Earnings Calls: Earnings22, bereinigt von Artificial Analysis, sechs lange Telefonkonferenzen zu Quartalszahlen, richtige Wörter (100 % minus Wortfehlerrate).
  9. Geschwindigkeit: die 280 Support-Turns in Echtzeit gestreamt, mit explizitem Ende der Eingabe; Median der Zeit vom Ende der Eingabe bis zum finalen Transkript, gemessen von einem Client am 4. und 5. Oktober 2026. ElevenLabs Scribe v2 wurde nicht gemessen.