Krisp Voice Isolation im Test: Das Second-Voice-Problem bei Voice-AI-Agenten beheben

Spracherkennung kommt gut mit Hintergrundgeräuschen zurecht, aber wenn eine zweite Person mitredet, landet deren Beitrag trotzdem im Transkript.

Emmanuel Mumba

Emmanuel Mumba

20 November 2026

Krisp Voice Isolation im Test: Das Second-Voice-Problem bei Voice-AI-Agenten beheben

Apidog für Unternehmen

On-Premises Bereitstellung

SSO & RBAC

SOC 2 konform

Apidog Enterprise entdecken

Wenn ein Voice-Agent in echten Anrufen versagt, ist meist weder das LLM noch die Stimme die Ursache. Das Problem beginnt einen Schritt früher – beim Audio, das der Agent hört, egal ob es in Speech-to-Text (STT) oder direkt in ein Speech-to-Speech-Modell eingespeist wird. Moderne STT-Modelle kommen mit Verkehrslärm und Klimaanlagen problemlos zurecht. Was sie nicht verarbeiten können, ist eine zweite sprechende Person: ein Kollege, ein Fernseher, der Agent am Nachbarplatz im Callcenter. Das Modell hört auch diese Stimmen mit – und der Agent reagiert auf Wörter, die der Anrufer nie gesagt hat.

Krisp Voice Isolation wird vor das STT geschaltet und entfernt alle Stimmen außer der des Hauptsprechers. Für diesen Test habe ich Krisps Benchmarks und Dokumentation gelesen, mich für die Self-Serve-API registriert und acht echte Aufnahmen aus Krisps öffentlichem Datensatz damit verarbeitet. Anschließend habe ich das Audio vor und nach der Verarbeitung mit einem Open-Source-STT-Modell transkribiert, um zu sehen, was sich tatsächlich verändert.

Das kurze Fazit: Wenn Ihr Agent Anrufe aus Büros, Wohnungen, Callcentern oder anderen Umgebungen mit Hintergrundgesprächen entgegennimmt, lohnt sich die Integration von Voice Isolation in Ihre Pipeline. In meinem Test sanken Hintergrundstimmen, die zuvor 331 falsche Wörter im Transkript erzeugt hatten, auf null. Die Nachteile sind real, aber gering: leichte Qualitätsverluste bei sauberem Telefonaudio, eine API-Region, die nur in den USA verfügbar ist, und weniger Modelle in der API als im SDK.

Das Problem: Hintergrundstimmen, nicht Hintergrundgeräusche

Spracherkennungsmodelle (STT) sind darauf trainiert, Sprache zu erfassen – nicht zu entscheiden, wessen Sprache zählt. Rauschen lässt sich herausfiltern, weil es nicht wie Sprache aussieht. Eine zweite Stimme sieht genau wie Sprache aus, weil sie auch welche ist.

Krisps eigenes Beispiel ist ein gutes dafür. Ein Anrufer möchte ein Abo kündigen, während eine Kollegin in der Nähe nach dem Mittagessen fragt. Die Spracherkennung liefert einen einzigen Wortstrom zurück, ohne zu kennzeichnen, welche Worte vom Anrufer stammen – und der Agent erhält also beide Äußerungen als eine einzige Anfrage.

Das bringt einen Voice-Agenten auf dreierlei Weise durcheinander:

In all diesen Fällen funktioniert die Logik des Agenten wie vorgesehen. Sie reagiert nur auf eine Stimme, die sie nie hätte hören dürfen.

Die Zahlen zeigen, wie groß die Lücke ist. In Krisps Test zum Release von Voice Isolation 2.5 erreichten 10 STT-Systeme auf sauberem Audio mit nur einem Sprecher im Durchschnitt eine Wortfehlerrate (WER) von 2,10 %. Sprach eine zweite Person gleichzeitig mit dem Anrufer, lag der Durchschnitt derselben Systeme bei 35,92 %. Geräuschunterdrückung kann diese Lücke nicht schließen, denn die Störung ist eben Sprache.

Was ist Krisp Voice Isolation

Die Krisp Voice Isolation API & SDK entfernt Hintergrundstimmen und Störgeräusche aus einem Live-Audiostream und leitet nur die Hauptstimme des Sprechers weiter. Sie wurde für Voice-AI-Agents entwickelt und basiert auf derselben Kerntechnologie, die Krisp für menschliche Anrufe unter dem Namen Background Voice Cancellation (BVC) anbietet.

Sie steht am Anfang der Pipeline eines Agenten, sodass jedes nachfolgende Modell nur eine Stimme hört:

Where Voice Isolation sits in a voice agent pipeline

Position von Voice Isolation in der Pipeline eines Voice-Agents

Diese Positionierung ist entscheidend. Ohne Voice Isolation hören auch VAD und Turn Detection die Person im Hintergrund – genau davon stammen die falschen Unterbrechungen.

Krisp arbeitet seit rund neun Jahren an Voice AI und verarbeitet nach eigenen Angaben mehr als 1 Billion Minuten Sprache pro Jahr. Voice Isolation ist eines der Produkte im Voice-AI-API- und SDK-Angebot von Krisp. Voice Isolation ist Teil von VIVA, Krisps Suite von Echtzeitmodellen für Voice-Agents, zu der auch Turn-Taking, Interrupt Prediction und VAD gehören. Es ergänzt das Turn-Taking, ersetzt es aber nicht.

Spezifikation

Voice Isolation 2.5

Rechenleistung

Nur CPU, keine GPU erforderlich

Algorithmische Latenz

15 ms (laut Krisps SDK-Dokumentation liegt die zusätzliche Latenz bei etwa 20 ms)

STT-Engines

Beliebig. Das Tool arbeitet direkt mit dem Audiosignal, daher ist keine Einrichtung pro Sprache oder Engine nötig

Telefonie-Audio

Schmalband-Telefonie, G.711, G.722, G.729, Opus, Bluetooth-Headsets

Stimmregistrierung

Nicht erforderlich

Mikrofonabstand

Nahfeld; als allgemeine Richtlinie etwa 30 cm (1 ft), abhängig von den akustischen Bedingungen 

Modelle

Default, Balanced, Lite, HD

Die vier Modelle geben dir die Kontrolle darüber, wie aggressiv Hintergrundstimmen und Rauschen entfernt werden. Mit voller Aggressivität (der Standardkonfiguration) entfernt Default am meisten. Balanced verarbeitet die Hauptstimme schonender, bei gleichem Rechenaufwand. Lite benötigt etwa ein Drittel des Rechenaufwands von Default. HD ist für 32-kHz-WebRTC-Streams statt Telefonaudio vorgesehen. Die Aggressivität ist eine Laufzeiteinstellung, die du anpassen kannst, ohne den Rechenaufwand zu ändern; in der API ist das der Parameter suppression_level, mit Werten von 0 bis 100. 

Eine Grenze, die man vorab kennen sollte: Die Modelle zur Stimmentfernung gehen davon aus, dass sich die sprechende Person nah am Mikrofon befindet. Als grober Richtwert: Ab etwa 30 cm Abstand kann auch die eigene Stimme der Hauptsprecherin bzw. des Hauptsprechers unterdrückt werden. Das ist keine feste Regel, sondern eine allgemeine Empfehlung – der tatsächliche Abstand hängt von den akustischen Bedingungen ab. Für Far-Field-Geräte wie Smart Speaker bietet Krisp ein separates Modell an, das ausschließlich Rauschen entfernt.

Version 2.5 erschien im August 2026, und Krisp hat im September einen offenen Benchmark und Datensatz veröffentlicht. Das Modell ist inzwischen sowohl als Self-Service-API als auch als SDK verfügbar.

Was Krisps Benchmarks zeigen

In Krisps offenem Benchmark senkte Voice Isolation die durchschnittliche Wortfehlerrate von 23,24 % auf 6,24 % – eine Verbesserung von 73 %.

Krisps Benchmark-Seite fasst das zentrale Ergebnis zusammen.

Der Benchmark basiert auf 265 echten Aufnahmen aus Büros, Wohnungen, vier aktiven Callcenter-Etagen und Autos. Nichts wurde simuliert oder nachträglich eingemischt. Die meisten Aufnahmen folgen demselben Skript: Der Hauptprecher spricht, eine zweite Person kommt hinzu, der Hauptprecher verstummt, während die andere weiterredet, und dann kommt der Hauptprecher zurück. Dieses stille Intervall ist der eigentliche Test, denn die korrekte Transkription dafür ist leer. Jede Datei wurde durch 11 STT-Konfigurationen von neun Engines laufen gelassen – mit und ohne Isolation.

Quelle: Krisp Voice Isolation Benchmark, Okt. 2026 · 11 STT-Konfigurationen, alle Szenarien zusammengefasst

Jede Engine hat sich verbessert, keine wurde schlechter. Der aufschlussreichere Befund betrifft die Lücke zwischen den Engines: Bei rohem Audio beträgt sie rund 20 Punkte, nach der Isolation schrumpft sie auf etwa 5. Wenn Ihr Agent Stimmen im Hintergrund hört, verbessert die Bereinigung des Eingangssignals Ihre WER mehr als der Wechsel zu einem anderen STT-Anbieter.

Nach Szenario hängt der Gewinn davon ab, ob eine zweite Stimme vorhanden ist:

Szenario

Rohes Audio

Mit Voice Isolation

Arbeit (Büros, Wohnungen, Meetingräume)

31.84%

6.30%

Callcenter

23.83%

6.86%

Telefonate (keine konkurrierende Stimme)

3.48%

3.91%

Alle 265 Dateien

23.24%

6.24%

Wo es nicht hilft

Krisp veröffentlicht auch seine Schwachstellen, und ich finde, das ist der überzeugendste Teil des Berichts.

Auf der Benchmark-Seite können Sie sechs Aufnahmen im Rohzustand und verarbeitet anhören. Sample 153, ein Telefonanruf, ist mit „Gets worse" (Wird schlechter) gekennzeichnet.

Zwei weitere Dinge, die man im Hinterkopf behalten sollte: Die 73-%-Zahl und die 46,4-%-Zahl, die man auf Krisps Website sieht, stammen aus verschiedenen Tests: 265 Aufnahmen im offenen Benchmark und 1.685 Aufnahmen im 2.5-Release-Test. Und Krisps Ergebnisse vergleichen Audio mit und ohne seine eigene Isolation, nicht mit Isolationsprodukten anderer Anbieter.

Die Aufnahmen, handgeschriebenen Transkripte, Segment-Labels und die Ausgaben aller Modelle sind öffentlich auf Hugging Face verfügbar, sodass jeder den Test nachvollziehen kann. Genau das habe ich als Nächstes getan.

Praxistest: Die Voice Isolation API auf dem Prüfstand

In meinem Test hat Voice Isolation jedes Wort der Hintergrundspeeches aus den Transkripten entfernt, und die gepoolte WER sank von 40,1 % auf 10,2 %.

Einrichtung

Die Registrierung im Developers Portal geht schnell – per Google-, Microsoft- oder E-Mail-Login. Die Testversion gab mir 30 $ an Guthaben und ein Limit von zwei gleichzeitigen Sitzungen. Von dort geht es zu API Keys → Create key, und man erhält einen Schlüssel, den man nur einmal kopieren kann.

Die Voice-Isolation-Seite im Developers Portal mit dem Testtarif.

Der API-Schlüssel, den ich für diesen Test erstellt habe. Ein Schlüssel funktioniert für alle Krisp-API-Produkte, einschließlich der Voice Translation API.

Die API ist ein WebSocket. Dein Backend tauscht den API-Schlüssel gegen ein kurzlebiges Session-Token, der Client sendet ein kleines JSON-Hello, wartet auf ready und streamt dann 16-Bit-Mono-PCM, wobei er frame für frame gereinigtes Audio zurückbekommt:

URL = "wss://streaming.krisp.ai/voice-isolation"async with websockets.connect(URL, additional_headers={"Authorization": f"api-key {session_token}"}) as ws:    await ws.send(json.dumps({"model": "VIVA-tel", "sample_rate": 16000, "suppression_level": 100}))    hello = json.loads(await ws.recv())  # {"type": "ready", ...}    # then send exactly 30 ms of audio per message (960 bytes at 16 kHz)    # and write each binary message you receive to your output

Das entspricht in etwa Krisps API-Quickstart, einem kurzen Python-Skript, das eine WAV-Datei bereinigt. Eine Regel verursacht häufig Stolperfallen: Jede Audionachricht muss exakt 30 ms lang sein. Alles andere beendet die Sitzung mit einem invalid_frame_duration-Fehler, also sollte man den letzten Frame mit Stille auffüllen.

Für den Test wählte ich acht Aufnahmen aus Krisps öffentlichem Datensatz: drei Büroaufnahmen, drei vom Callcenter-Boden und zwei Telefonate aus einem Auto, insgesamt etwa 11 Minuten. Ich streamte jede davon in Echtzeit durch die API – von Asien aus. Anschließend transkribierte ich das rohe und das bereinigte Audio mit NVIDIAS Open-Source-Modell Parakeet TDT 0.6B v2, einer der Engines in Krisps Benchmark, und bewertete jedes beschriftete Segment anhand der menschlichen Transkripte.

Ergebnisse

Aufnahmen

WER roh

WER mit Voice Isolation

Büro (3 Dateien)

36,6 %

3,6 %

Callcenter (3 Dateien)

53,4 %

15,8 %

Telefonate ohne zweite Stimme (2 Dateien)

5,8 %

5,2 %

Alle 8 Dateien

40.1%

10.2%

Fast die gesamte Verbesserung kam aus einer einzigen Stelle: den Zeitfenstern, in denen der Hauptsprecher schwieg und jemand anderes weiterredete. Beim rohen Audio wandelte Parakeet diese Hintergrundsprache in 331 Wörter Transkript um. Nach der Voice Isolation entstand davon keins. Die Hintergrundstimme war in diesen Fenstern 13 bis 34 dB leiser, während sich der Pegel des Hauptsprechers kaum veränderte (innerhalb von 1 dB).

Mein Test · Krisp API (VIVA-tel), transkribiert mit Parakeet TDT 0.6B v2 · die 6 Aufnahmen mit einem reine-Hintergrund-Fenster

Mein Test · Krisp API (VIVA-tel), transkribiert mit Parakeet TDT 0.6B v2 · die 6 Aufnahmen mit einem reine-Hintergrund-Fenster

Das Callcenter-Beispiel zeigt, warum das wichtig ist. Während der Agent, den ich testete, pausierte, führte der Agent am Nebentisch ein anderes Gespräch. Das rohe Transkript übernahm dieses Gespräch Wort für Wort:

thank you for calling meridian bank before i begin i will need to confirm your identity for security could you give me your full name your date of birth...

Ein Voice-Agent würde das als die Rede des Anrufers interpretieren. Mit Voice Isolation blieb dasselbe Zeitfenster leer.

Wenn beide Personen gleichzeitig sprachen, war die Veränderung gering: 13,2 % roh gegenüber 12,5 % bereinigt. Parakeet bevorzugte in diesen Abschnitten bereits die lautere, näher gelegene Stimme. Die meisten verbleibenden Fehler dort sind Zahlenformatierungen in meiner Bewertung (Telefonnummern, Preise, Postleitzahlen), die beide Versionen gleichermaßen betrafen.

Bei den beiden sauberen Telefongesprächen kam in einer Datei ein Fehler dazu, in der anderen verschwanden zwei. Das deckt sich mit Krisps eigener Feststellung, dass der Aufwand bei sauberem Audio gering ist.

Latenz und Zuverlässigkeit von außerhalb der USA

Die API läuft derzeit nur in der US-Region, und Krisps Dokumentation warnt, dass Clients an anderen Standorten zusätzliche Latenz erleben werden. Aus Asien betrug die mediane Round-Trip-Zeit für einen Frame (Senden bis zur Rückkehr des bereinigten Audios) je nach Sitzung 260–520 ms, und der Aufbau einer Sitzung dauerte in der Regel 1,5–3 Sekunden. Das ist Netzwerkentfernung, nicht das Modell: Krisp nennt 15 ms algorithmische Latenz. Aber wenn Ihr Agent Nutzer weit entfernt von den USA bedient, werden Sie das spüren – und das SDK auf eigenen Servern umgeht das.

Eine meiner neun Sitzungen brach etwa 70 Sekunden nach Beginn mit einer abnormalen Trennung ab. Ein erneuter Lauf funktionierte. Ich führe das auf die lange Route von Asien aus zurück und nicht auf den Dienst, aber es ist eine Erinnerung daran, in der Produktion Reconnects zu behandeln.

Zu diesem Test: Acht Dateien sind eine kleine Stichprobe, kein Benchmark. Ich resamplete die 32-kHz-Aufnahmen für das Telephony-Modell (VIVA-tel) auf 16 kHz, verwendete eine STT-Engine und hielt die Textnormalisierung einfach, daher sind meine absoluten Zahlen nicht mit denen von Krisp vergleichbar. Was ich überprüft habe, sind Richtung und Ausmaß der Veränderung – und das stimmte mit Krisps Angaben überein.

Entwicklererfahrung: API oder SDK

Voice Isolation ist auf zwei Arten verfügbar, und welche davon Sie nutzen können, hängt von Ihrem Tarif ab.


Voice Isolation API

VIVA SDK

Wo es läuft

Krisps Cloud (Region USA)

Auf Ihren eigenen Servern, auf der CPU

Wie Sie es verwenden

Audio über einen WebSocket streamen und bereinigtes Audio zurückbekommen

Ein Modell laden und Audio-Frames in Ihrem eigenen Code verarbeiten

Sprachen

Alles mit einem WebSocket-Client

Python, Node.js, Go, Rust, C++ und C

Audio

8 oder 16 kHz (VIVA-tel), 32 kHz (VIVA-pro), 16-Bit-Mono-PCM

8 kHz bis 32 kHz, je nach Modell (HD unterstützt Eingaben bis 32 kHz) 

Modelle

Zwei: VIVA-tel für Telefondaudio, VIVA-pro für 32-kHz-Breitband

Default, Balanced, Lite, HD

Zugang

Selbstbedienung, API-Schlüssel aus dem Portal

Kommerzielle Lizenz, Enterprise-Tarif

Außerdem enthalten

Voice Translation API

Turn-Taking und VAD

Die API ist der einfache Einstieg: keine Modelldateien, die ausgeliefert werden müssen, und nichts, was auf Ihrer CPU laufen muss. Die Nachteile: Ihre Audiodaten landen in der Cloud von Krisp, und Sie erhalten nur zwei Modelle statt vier: VIVA-tel für Telefondaudio mit 8 oder 16 kHz und VIVA-pro für Breitbandaudio mit 32 kHz. VIVA-pro ist noch nicht in der API-Referenz aufgeführt, ist aber im Playground des Portals verfügbar, wurde in meinem Test von der API akzeptiert, und Krisp hat bestätigt, dass es verfügbar ist.

Im Playground des Portals können Sie beide API-Modelle mit Ihrem eigenen Mikrofon testen, bevor Sie Code schreiben.

Das SDK verarbeitet Audio auf Ihren eigenen Servern und geht nur online, um seine Lizenz zu prüfen. Hier wird die Kostengeschichte auch interessant. Krisps CPU-Beitrag zeigt, dass ein einzelnes SDK-Flag, enableLowPrecisionExecution, die Anzahl der Anrufe, die ein Server auf CPUs mit FP16-Unterstützung bereinigen kann, ungefähr verdoppelt. Eine AWS-Graviton3-Instanz mit 16 vCPUs kam von 76 Live-Anrufen auf 137, und das Lite-Modell bewältigt etwa dreimal so viele Streams wie die vollständigen Modelle. Auf älteren Intel-Ice-Lake-Chips hat das Flag keine Wirkung.

Integrationen

Die Dokumentation ist klar und aktuell. Der Schnellstart funktionierte beim ersten Versuch, und die Fehlermeldungen sagen Ihnen genau, was schiefgelaufen ist – bis hin zur erwarteten und empfangenen Frame-Größe. Mein einziger Kritikpunkt ist die Namensgebung: Im Blog ist von Default, Balanced, Lite und HD die Rede, die SDK-Downloads verwenden Dateinamen wie krisp-viva-vi-tel-v2.5.1, und die API nennt ihre Modelle VIVA-tel und VIVA-pro, wobei nur das erste in der API-Referenz aufgeführt ist. Eine Zuordnungstabelle in der Dokumentation wäre hilfreich.

Preise

Die API wird pro Stunde Audio abgerechnet und ist günstig genug, dass die Kosten nicht das Entscheidungskriterium für die Nutzung sein sollten.

Die Entwicklerpreise von Krisp, Stand November 2026.

Im nutzungsbasierten Starter-Tarif kostet die Voice Isolation API 0,18 $ pro Stunde Audio, ohne monatliche Grundgebühr. Der Preis ist bei beiden API-Modellen, VIVA-tel und VIVA-pro, identisch. Der Growth-Tarif kostet 400 $ pro Monat, enthält 400 $ Nutzungsvolumen und senkt den Preis auf 0,12 $ pro Stunde – mit höherer Concurrency und Priority Support. Enterprise wird individuell kalkuliert und ist der einzige Tarif, der das SDK, eine SLA sowie HIPAA- und SOC-2-Konformität umfasst.

Das Startguthaben von 30 $ reicht für etwa 166 Stunden Audio zum Starter-Preis – mehr als genug zum Testen. Guthaben gilt 12 Monate, und die Abrechnung erfolgt minutengenau. Zur Orientierung: Ein 5-minütiger Anruf kostet im Starter-Tarif etwa 1,5 Cent, um ihn zu bereinigen.

Das SDK ist nur im Enterprise-Tarif zu einem vereinbarten Preis enthalten. Wenn Sie die Modelle auf Ihren eigenen Servern betreiben möchten, müssen Sie also mit dem Vertrieb sprechen. Die Preise stammen von der Preisseite von Krisp (Stand: November 2026).

Alternativen

Krisp ist nicht die einzige Option zum Entfernen von Hintergrundstimmen, aber einen unabhängigen direkten Vergleich dieser Produkte gibt es bisher nicht. Jeder Anbieter veröffentlicht seine eigenen Zahlen auf Basis seiner eigenen Daten – betrachten Sie die folgenden Angaben daher als Behauptungen.

Option

Was sie macht

Wissenswertes

DeepFilterNet

Rauschunterdrückung in Echtzeit

Arbeitet mit 48 kHz in 20-ms-Fenstern bei einer Gesamtlatenz von etwa 40 ms – schnell genug für einen einzelnen CPU-Thread. Es zielt auf Rauschen ab, nicht auf eine zweite Stimme.

DPDFNet

Rauschunterdrückung in Echtzeit, aufbauend auf DeepFilterNet2

Kausale, einschüssige Modelle von Ceva unter Apache-2.0, mit einem ONNX-Paket ohne CPU-Anforderungen (pip install dpdfnet). Es handelt sich um Rauschunterdrückung, nicht um Stimmentfernung.

ClearerVoice-Studio

Toolkit für Verbesserung, Separierung und Extraktion Zielsprecher

Die rein auf Audio basierende Sprecherextraktion benötigt eine Referenzaufnahme des Zielsprechers und läuft mit 8 kHz. Andere Extraktionsmodi nutzen Video, Gesten oder EEG.

SpeechBrain SepFormer (WHAMR!)

Sprachtrennung

Apache-2.0-Modell für einschüssiges 8-kHz-Audio, das eine Mischung in einzelne Stimmen aufteilt. Sie müssen trotzdem entscheiden, welcher Ausgang der Anrufer ist.

Keine Isolation

Verlässt sich auf die eigene Rauschunterdrückung des STT

Kostenlos, und ausreichend, wenn Anrufer meist allein sind; Deepgram hat argumentiert, dass Vorfilterung die STT-Leistung beeinträchtigen kann

Womit Krisp wirklich überzeugt, sind die Belege. Es ist der einzige Anbieter hier mit einem offenen, reproduzierbaren Benchmark über 11 STT-Konfigurationen hinweg – und er veröffentlicht auch die Fälle, in denen er verliert. Außerdem lässt es sich am flexibelsten einsetzen: als Cloud-API, als SDK auf eigenen Servern oder integriert in LiveKit und Pipecat.

Fazit

Krisp Voice Isolation ist die Lösung, wenn ein Voice-Agent in echten Anrufen Probleme macht und in Tests einwandfrei funktioniert. Es entfernt die Stimmen, die Ihr Agent nicht hören sollte, funktioniert mit jedem STT-System, das Sie bereits verwenden, und sowohl Krisps Benchmark als auch mein eigener Test zeigen dasselbe: Hintergrundgespräche gelangen nicht mehr ins Transkript.

Vorteile

Nachteile

Für wen es geeignet ist: Teams, deren Agents Anrufe aus Callcentern, Büros, Wohnungen, Autos oder überall sonst entgegennehmen, wo in der Nähe andere Menschen sprechen. Beginnen Sie mit der API, um die Wirkung auf Ihren eigenen Aufnahmen zu messen, und wechseln Sie zum SDK, wenn Sie die anderen Modelle, geringere Latenz außerhalb der USA oder Audio, das auf Ihren Servern bleibt, benötigen.

Wer es überspringen kann: Agents, deren Anrufer fast immer allein in ruhigen Räumen sind, sowie Fernfeld-Geräte wie Smart Speaker, für die die Modelle zur Stimmentfernung nicht ausgelegt sind.

Sie können die Krisp Voice Isolation API mit den kostenlosen Guthaben testen und Ihre eigenen Aufnahmen an einem Nachmittag damit verarbeiten.

FAQ

Ist Stimmisolierung dasselbe wie Geräuschunterdrückung? Nein. Geräuschunterdrückung entfernt Sprachfremde Geräusche wie Verkehr und Tastaturgeräusche. Stimmisolierung entfernt zusätzlich die Stimmen anderer Personen, die die Geräuschunterdrückung bestehen lässt.

Funktioniert die Krisp-Stimmisolierung mit meinem STT-Anbieter? Ja. Sie verarbeitet das Audio direkt, sodass sie vor jeder STT-Engine eingesetzt werden kann. Krisp hat sie mit 11 Konfigurationen getestet, darunter Modelle von Deepgram, AssemblyAI, ElevenLabs, Soniox, Google, Cartesia und NVIDIA. Sie kann auch vor Speech-to-Speech-Modellen geschaltet werden. Krisp hat dafür noch keine Ergebnisse veröffentlicht, aber nichts hindert Sie, es auszuprobieren. 

Ersetzt sie die Sprecherwechsel-Erkennung? Nein. Sie kommt vor VAD und Turn Detection und liefert ihnen saubereres Audio. Krisp bietet Turn-Taking als separates Modell im selben VIVA SDK an.

Müssen Nutzer ihre Stimme registrieren? Nein. Es ist weder eine Registrierung noch ein Training auf die Stimme des Nutzers erforderlich.

Wie viel Latenz kommt hinzu? Krisp nennt 15 ms algorithmische Latenz, und die SDK-Dokumentation beziffert die zusätzliche Latenz auf etwa 20 ms. Bei der Cloud-API kommt noch die Netzwerkzeit zur US-Region hinzu.

Funktioniert sie bei Telefonanrufen? Ja. Sie verarbeitet Schmalband-Telefonie-Audio, gängige Codecs wie G.711, G.722, G.729 und Opus sowie Bluetooth-Headsets.

Und was ist mit Gesprächen von Mensch zu Mensch? Dieselbe Technologie ist als Background Voice Cancellation (BVC) in Krisps RTC SDK enthalten, das auf dem Gerät des Nutzers in Browsern sowie Desktop- und Mobile-Apps läuft. Kontaktcenter mit menschlichen Agents erhalten sie über das Produkt Krisp’s call center AI, wo sie dafür sorgt, dass die Stimmen benachbarter Agents nicht in Kundenanrufe gelangen.

Explore more

Die Top 10 Tools für selbstgehostete API-Dokumentation

Die Top 10 Tools für selbstgehostete API-Dokumentation

Sie wollen Ihre API-Dokumentation selbst hosten, um Datenkontrolle, Sicherheit und Anpassung zu behalten? Unser Leitfaden stellt die Top 10 Self-Hosting-Tools vor – von Apidog bis Swagger UI – für interaktive, sichere und vollständig kontrollierte API-Dokumentationen.

18 March 2026

Onlook AI Bewertung: Der Cursor für Designer ist da!

Onlook AI Bewertung: Der Cursor für Designer ist da!

Entdecke Onlook: Überbrückt es die Design-Code-Lücke? Hands-on-Test der visuellen React-Bearbeitung.

4 June 2025

Top 10 Cursor MCP Server für Vibe-Coder im Jahr 2026

Top 10 Cursor MCP Server für Vibe-Coder im Jahr 2026

Entdecke 2026 die besten Cursor MCP Server für Entwickler. Von API-Assistenten bis zu Design-to-Code Tools: AI-Integration leicht gemacht.

29 May 2025

Praktizieren Sie API Design-First in Apidog

Entdecken Sie eine einfachere Möglichkeit, APIs zu erstellen und zu nutzen