Im Café
Ohne Clarity
Gemurmel beschäftigt die Turn-Erkennung: Ihr Agent wartet oder fällt ins Wort.
Mit Clarity
Ihr Agent antwortet, sobald der Anrufer ausgeredet hat.
ClarityIhr Voice Agent hört den Anrufer. Nicht den Raum.
Clarity entfernt Hintergrundgeräusche in Echtzeit und mit einer kurzen Stimmprobe jede Stimme außer der des Anrufers.
Play drücken, dann Clarity einschalten.
Jedes Beispiel: eine Anruferin, eine leisere zweite Stimme und die Geräusche des Ortes.
Ihr Agent spricht mit einer Person.
In der Bahnhofshalle
Ohne Clarity
Stimmen aus der Menge landen im Transkript.
Mit Clarity
Im Transkript steht, was der Anrufer gesagt hat.
Im Großraumbüro
Ohne Clarity
Das „ja“ eines Kollegen zählt als Antwort des Anrufers.
Mit Clarity
Mit einer Stimmprobe von 2 bis 8 Sekunden hört Ihr Agent nur den Anrufer.
Vor jedem Streaming-Modell im Vergleich.
In beiden öffentlichen Benchmarks liefert Clarity 1 Ihrem Agent das sauberste Audio aller Streaming-Modelle im Test.
Auf die Probe gestellt.
Gegen die Besten.
Qualität der Zielsprecher-Extraktion
Libri2Mix · DNSMOS, höher ist besser
| Metrik | Clarity 1240 ms | StarTSE[1]560 ms |
|---|---|---|
| Sprachqualität SIG | 3.56 (Bestwert) | 3.54 |
| Hintergrundqualität BAK | 4.03 (Bestwert) | 3.75 |
| Gesamtqualität OVRL | 3.27 (Bestwert) | 3.12 |
Rauschentfernung
DNS 2020 Challenge · DNSMOS, höher ist besser
| Metrik | Clarity 1240 ms | UnbearbeitetOriginalaudio | AI Acoustics15 ms | DeepFilterNet310 ms | GTCRN16 ms |
|---|---|---|---|---|---|
| Sprachqualität SIG | 3.62 (Bestwert) | 3.39 | 3.46 | 3.51 | 3.34 |
| Hintergrundqualität BAK | 4.11 (Bestwert) | 2.62 | 3.60 | 4.11 (Bestwert) | 3.98 |
| Gesamtqualität OVRL | 3.37 (Bestwert) | 2.48 | 2.98 | 3.25 | 3.05 |
DeepFilterNet3 liegt bei der Hintergrundqualität ohne Hall gleichauf; Offline-Modelle, die erst die ganze Aufnahme brauchen, liegen bei der Sprecherextraktion bis zu 0,08 höher.
Es wirkt auf beiden Seiten der Leitung.
Voice Agents
Ihr Agent hört nur den Anrufer, selbst in der Bahnhofshalle.
Callcenter
Kunden hören Ihre Mitarbeiterin, ohne Lärm, Echo und Kollegen ringsum.
Eine Zeile in LiveKit oder Pipecat.
Clarity sitzt auf dem Audioeingang Ihres Agents und streamt, sodass alles danach mit dem bereinigten Anrufer arbeitet.
- Anrufer
- ClarityGeräusche und fremde Stimmen raus
- Turn-Erkennung
- Spracherkennung
- Sprachmodell
- Sprachausgabe
from livekit.agents import room_io
from kugelaudio import load_audio
from kugelaudio.livekit import enhancement
await session.start(
room=ctx.room,
agent=agent,
room_options=room_io.RoomOptions(
audio_input=room_io.AudioInputOptions(
noise_cancellation=enhancement(), # reads KUGELAUDIO_API_KEY
# keep one voice: enhancement(speaker=load_audio("caller.wav"))
),
),
)Alle technischen Daten von Clarity 1.
Clarity 1
Das erste Clarity-Modell, für Aufnahmen und Live-Audio.
- Modell-ID
clarity-1- Aufgaben
- Geräuschentfernung. Mit Sprecherprobe: nur diese Stimme (die SDKs für Python und JavaScript wählen die Aufgabe)
- Position
- Vor Sprachaktivitätserkennung und Spracherkennung
- Zusätzliche Latenz
- 50 ms bei Abschnitten von 240 ms
- Eingabe
- WAV, 16, 24 oder 32 Bit Integer oder 32 Bit Float, mono oder stereo, 8 bis 48 kHz
- Ausgabe
- Mono, 16 Bit PCM, 24 kHz, so lang wie die Eingabe
- Sprecherprobe
- 2 bis 8 Sekunden
- Aufnahmen
- Bis zu 300 Sekunden pro Anfrage
POST /v1/audio/enhance - Live-Audio
- WebSocket-Stream, verbessert, sobald er ankommt
WS /v1/audio/enhance/stream
Sie zahlen pro Minute, abgerechnet pro Sekunde.
Pay as you go
0,0015 €pro Audiominute, zzgl. USt.
Abgerechnet aus Ihrem Guthaben pro Sekunde Eingabeaudio, aufgerundet, mindestens eine Sekunde. Fehlgeschlagene Anfragen werden nicht berechnet.
Jetzt startenEnterprise
Self-Hosting und On-Premise-Betrieb, mit Enterprise-Plänen.
Die kurzen Antworten.
Was ist Clarity?
Die Modellreihe von KugelAudio zur Sprachverbesserung. Clarity 1 (clarity-1) entfernt Hintergrundgeräusche und behält mit einer Sprecherprobe nur diese Stimme, in Aufnahmen und Live-Audio.
Wie viel Latenz fügt Clarity hinzu?
Etwa 50 ms, wenn Ihre Pipeline Audio ohnehin in Abschnitten von 240 ms liest. Bei kleineren Frames kann ein Laut bis zu 290 ms nach dem Eingang herauskommen.
Woher weiß Clarity, welche Stimme bleiben soll?
An einer Probe von 2 bis 8 Sekunden dieser Person, am besten allein und mit wenig Hintergrundgeräusch. Ohne Probe entfernt Clarity Geräusche und behält die Sprache.
Welches Audio kann ich senden?
WAV mit 8 bis 48 kHz, bis zu 300 Sekunden pro Aufnahme, oder live als 16 Bit PCM per WebSocket. Die Ausgabe ist Mono, 16 Bit PCM mit 24 kHz.
Kann ich Clarity auf meiner eigenen Infrastruktur betreiben?
Ja. Self-Hosting und On-Premise-Betrieb gibt es mit Enterprise-Plänen.