Funktionen, Preise und Eignung
Vergleichen Sie Empathic Voice Interface und Gemini Live API nach Sprachfunktionen, Preisen und Eignung.
Vergleichen Sie Hume EVI und Gemini Live für KI-Telefonagenten, Voice-AI-Plattformen und gleichen Sie dann Kanäle, Workflows und Bereitstellungsmodelle mit Ihrem Anrufablauf ab.
EVI ist eine Sprache-zu-Sprache-WebSocket-API, die Transkripte, Messwerte des stimmlichen Ausdrucks, Assistententext und Antwortaudio streamt.
Entwickler, die gesprochene Interaktionen mit Berücksichtigung der Prosodie, konfigurierbaren Stimmen und optionalen ergänzenden LLMs prüfen.
Kaufkriterien ansehen: KI-Telefonagenten · Voice-AI-Plattformen.
Die Gemini Live API von Google streamt multimodale Sitzungen über WebSockets; ihre stabilen nativen Sprachagentenmodelle sind Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking.
Entwickler, die latenzarme Konversationsagenten mit nativem Audio, multimodaler Eingabe und Funktionsaufrufen in einer persistenten WebSocket-Sitzung entwickeln.
Kaufkriterien ansehen: KI-Telefonagenten · Voice-AI-Plattformen.
Hume EVI geprüft am 2026-09-04; Gemini Live geprüft am 2026-09-28.
Vergleichen Sie in der folgenden Tabelle den dokumentierten Funktionsumfang beider Anbieter.
Fragen von Käufern
Hume EVI: Monatstarife enthalten EVI-Minuten; zusätzliche EVI-3-Nutzung wird bei Pro, Scale und Business minutenweise berechnet, während für TTS separate Zeichenkontingente und Preise gelten. Gemini Live: Die standardmäßige Nutzung der Live API wird nach Tokens abgerechnet: $3 pro 1 Mio. Audioeingabetokens ($0,005/Min. als Gegenwert) und $12 pro 1 Mio. Audioausgabetokens ($0,018/Min. als Gegenwert), zuzüglich separater Texttoken-Nutzung. Angesammelter Sitzungskontext wird bei jeder Runde abgerechnet; dadurch können die Kosten mit dem Gesprächsverlauf steigen. Bitten Sie beide Anbieter um ein Angebot für dieselbe Nutzung, dieselben Kanäle und denselben Implementierungsumfang. Berücksichtigen Sie Abonnements und Nutzung, bevor Sie Gesamtkosten vergleichen.
Zu den erfassten Datenquellen für Hume EVI gehören Nicht öffentlich dokumentiert. Für Gemini Live gehören dazu Nicht öffentlich dokumentiert. Lassen Sie sich von beiden Anbietern den genauen Systemzugriff, Berechtigungen, Aktualität und Fehlerverhalten demonstrieren.
Testen Sie dieselben repräsentativen Anrufe, Anweisungen und Eskalationsregeln. Erfassen Sie Qualität, erledigte Aufgaben, Übergaben und Gesamtkosten. Prüfen Sie vor der Einführung diese Einschränkungen: Hume EVI: Die Positionierung als empathisch belegt keine zuverlässige Emotionserkennung. Fehlinterpretationen, kulturelle Unterschiede, Einwilligung, sensible Einsätze und Eskalation testen. Gemini Live: Google kennzeichnet die Live API als Vorschau, obwohl beide Gemini 3.8 Live-Modell-IDs stabil sind. Native Audiositzungen verwenden die Antwortmodalität AUDIO; für Text muss die Ausgabetranskription aktiviert werden. Sitzungen nur mit Audio sind auf 15 Minuten, Sitzungen mit Audio und Video auf 2 Minuten begrenzt, sofern sie nicht mit Sitzungsverwaltung verlängert werden. Client-zu-Server-Anwendungen benötigen kurzlebige Tokens. Angesammeltes Audio und Sitzungskontext werden pro Runde abgerechnet.
Halten Sie Ihre Anforderungen und Pilotergebnisse im Arbeitsblatt für Käufer fest →
Wischen oder scrollen Sie, um alle Tabellenspalten zu sehen.
| Kriterium | Empathic Voice Interface | Gemini Live API |
|---|---|---|
| Anbietertyp | API für ein natives ausdrucksstarkes Sprachmodell | Native multimodale Echtzeit-Modell-API |
| Am besten geeignet für | Entwickler, die gesprochene Interaktionen mit Berücksichtigung der Prosodie, konfigurierbaren Stimmen und optionalen ergänzenden LLMs prüfen. | Entwickler, die latenzarme Konversationsagenten mit nativem Audio, multimodaler Eingabe und Funktionsaufrufen in einer persistenten WebSocket-Sitzung entwickeln. |
| Wichtige Funktionen | Interaktion mit Berücksichtigung der Prosodie; Ausdrucksstarke Ausgabe; Echtzeitsitzungen; Tools | stabile native Sprachagentenmodelle: gemini-3.8-live und gemini-3.8-live-extended-thinking; bidirektionales natives Audio; Text-, Bild- und Videoeingabe; Funktionsaufrufe; asynchrone Tool-Ausführung; Sitzungssteuerung und Unterbrechungsbehandlung |
| Teamgrößen | Start-up; Mittelstand; Großunternehmen; Entwickler | Start-up; Mittelstand; Großunternehmen; Entwickler |
| Anrufkanäle | WebSocket; Web; Mobilgeräte; Telefonieintegrationen | WebSocket; serverseitige Anwendungen; Client-Anwendungen mit kurzlebigen Tokens |
| Sprachtechnologie | Native Sprache-zu-Sprache-Verarbeitung mit Berücksichtigung der Prosodie | Native Audioagenten: Gemini 3.8 Live (gemini-3.8-live) und Gemini 3.8 Live Extended Thinking (gemini-3.8-live-extended-thinking).; Separate TTS-Modelle: gemini-3.8-flash-tts und gemini-3.8-flash-lite-tts erzeugen Sprache; keines davon ist ein Live-Agent.; Separate Transkriptionsendpunkte: gemini-3.5-transcribe verarbeitet Audiodateien; gemini-3.5-transcribe-live ist ein Speech-to-Text-Modus der Live API, kein Konversationsagent.; Separater Übersetzungsmodus: gemini-3.5-live-translate-preview ist ein Dolmetschermodus der Live API für 70+ Sprachen, kein Konversationsagent; er befindet sich in der Vorschau. |
| Telefonie | Nicht öffentlich dokumentiert | Nicht öffentlich dokumentiert |
| Anrufsteuerung | Nicht öffentlich dokumentiert | Nicht öffentlich dokumentiert |
| Sprachen | Nicht öffentlich dokumentiert | Die Dokumentation zur Live API nennt Japanisch (ja) und mehrsprachige Unterstützung; die native Audioausgabe kann während eines Gesprächs auf natürliche Weise die Sprache wechseln. Eine Liste unterstützter Sprachen garantiert keine gleichbleibende Gesprächsqualität. Separat dazu: Transcribe führt Japanisch (ja-JP) unter 85+ Sprachen auf; Flash TTS nennt 130 Sprachen und Flash-Lite TTS 101 (beide unterstützen Japanisch); die Vorschau von Live Translate unterstützt 70+ Sprachen. |
| Integrationen | Nicht öffentlich dokumentiert | Nicht öffentlich dokumentiert |
| Wissen und Daten | Nicht öffentlich dokumentiert | Nicht öffentlich dokumentiert |
| Preismodell | Monatstarife enthalten EVI-Minuten; zusätzliche EVI-3-Nutzung wird bei Pro, Scale und Business minutenweise berechnet, während für TTS separate Zeichenkontingente und Preise gelten. | Die standardmäßige Nutzung der Live API wird nach Tokens abgerechnet: $3 pro 1 Mio. Audioeingabetokens ($0,005/Min. als Gegenwert) und $12 pro 1 Mio. Audioausgabetokens ($0,018/Min. als Gegenwert), zuzüglich separater Texttoken-Nutzung. Angesammelter Sitzungskontext wird bei jeder Runde abgerechnet; dadurch können die Kosten mit dem Gesprächsverlauf steigen. |
| Preisangaben | EVI 3: Pro 70 US-Dollar/Monat mit 1.200 Minuten und zusätzlich 0,06 US-Dollar/Min.; Scale 200 mit 5.000 und 0,05; Business 500 mit 12.500 und 0,04. | Die Standardtarife für die Nutzung betragen $0,005/Min. als Gegenwert für Audioeingabe und $0,018/Min. für Audioausgabe; beides wird separat zuzüglich Texttokens abgerechnet. Google führt außerdem eine kostenlose API-Stufe auf. |
| Kostenloser Tarif oder Testzeitraum | Kostenloser Tarif mit 5 EVI-Minuten; gewählte EVI-Version und aktuelle Bedingungen prüfen. | Kostenlose Gemini-API-Stufe aufgeführt; die kostenpflichtige Live-Nutzung wird nach Tokens abgerechnet. |
| Besondere Merkmale | Strukturierte EVI-WebSocket-Nachrichten geben sowohl Transkript als auch Messwerte des stimmlichen Ausdrucks neben erzeugtem Text und Audio aus. EVI-Versionen unterscheiden sich bei der Sprachabdeckung und den Anforderungen an ergänzende LLMs. | Die stabilen Gemini 3.8 Live-Modelle verbinden native Audiodialoge mit konfigurierbaren Tool-Aufrufen über persistente WebSocket-Sitzungen; TTS, Transkription und Übersetzung sind separate unterstützende Modelle. |
| Zu beachten | Die Positionierung als empathisch belegt keine zuverlässige Emotionserkennung. Fehlinterpretationen, kulturelle Unterschiede, Einwilligung, sensible Einsätze und Eskalation testen. | Google kennzeichnet die Live API als Vorschau, obwohl beide Gemini 3.8 Live-Modell-IDs stabil sind. Native Audiositzungen verwenden die Antwortmodalität AUDIO; für Text muss die Ausgabetranskription aktiviert werden. Sitzungen nur mit Audio sind auf 15 Minuten, Sitzungen mit Audio und Video auf 2 Minuten begrenzt, sofern sie nicht mit Sitzungsverwaltung verlängert werden. Client-zu-Server-Anwendungen benötigen kurzlebige Tokens. Angesammeltes Audio und Sitzungskontext werden pro Runde abgerechnet. |
Entwickler, die gesprochene Interaktionen mit Berücksichtigung der Prosodie, konfigurierbaren Stimmen und optionalen ergänzenden LLMs prüfen.
Strukturierte EVI-WebSocket-Nachrichten geben sowohl Transkript als auch Messwerte des stimmlichen Ausdrucks neben erzeugtem Text und Audio aus. EVI-Versionen unterscheiden sich bei der Sprachabdeckung und den Anforderungen an ergänzende LLMs.
Entwickler, die latenzarme Konversationsagenten mit nativem Audio, multimodaler Eingabe und Funktionsaufrufen in einer persistenten WebSocket-Sitzung entwickeln.
Die stabilen Gemini 3.8 Live-Modelle verbinden native Audiodialoge mit konfigurierbaren Tool-Aufrufen über persistente WebSocket-Sitzungen; TTS, Transkription und Übersetzung sind separate unterstützende Modelle.
Prüfen Sie aktuelle Preise, Beschränkungen, Sicherheit und erforderliche Integrationen vor dem Kauf direkt bei jedem Anbieter.
Testen Sie Erkennung, Sprachqualität, Unterbrechungen, Sprachwechsel, Tool-Nutzung und menschliche Übergabe anhand eigener Anrufe in der benötigten Sprache. Die Verfügbarkeit kann je nach Modell, Tarif und Telefonroute variieren.
DocsBot dokumentiert mehrsprachige Sprachabläufe und Unterstützung für Japanisch. Prüfen Sie Stimme, Telefoniepfad und Übergabeverhalten in Ihrem Pilotprojekt genau. Sprachinformationen von DocsBot prüfen ↗
Sprachangaben anderer Anbieter beruhen auf zitierten Anbieterunterlagen. Bestätigen Sie Japanisch und andere benötigte Sprachen direkt bei jedem Anbieter.
Die Aufnahme ist keine Empfehlung und keine Leistungsgarantie. Dieses Verzeichnis wird von DocsBot veröffentlicht. Redaktionelle Richtlinien
Ihr Unternehmen. Ihre engere Auswahl.
Beginnen Sie mit Ihrer Website. Beantworten Sie einige gezielte Fragen und erhalten Sie ein persönliches PDF mit Eignung, Abwägungen, Alternativen und einem Pilotplan für Ihren Anrufablauf.
