Voice One vs. Voice Turbo – Ausdruck gegen 2 Credits

Die beiden Sprachmodelle von eroq trennt genau ein Credit pro hundert Zeichen, und dieser eine Credit ist das ganze Argument. Voice One ist das ausdrucksstarke Flaggschiff zu 3 Credits pro 100 Zeichen. Voice Turbo ist schneller, zu 2. Dieselben Stimmen, dieselben Klone, am Ende dieselbe MP3. Die Entscheidung dreht sich also nie darum, wie eine Stimme klingen kann – sondern darum, wie viel Performance ein bestimmter Text wirklich braucht und wie viele Zeichen du gleich rendern willst.

Was identisch ist

Fang mit der gemeinsamen Hälfte an, denn sie ist der größte Teil.

• Dieselben Stimmen. Aria – warm, nah, weiblich. Orion – tief, ruhig, männlich, in 13 Sprachen. Beide Modelle rendern beide.
• Dieselben Klone. Eine Stimme, die du aus deinem eigenen Audio geklont hast, funktioniert mit Voice One und Voice Turbo, ohne neu geklont zu werden. Details im Leitfaden zum Stimmklonen.
• Dieselben Regler. „Tempo“ und „Ausdruck“ als Schieberegler sowie eine Betonung, die sich nach der Zeichensetzung richtet – bei beiden.
• Dieselbe Ausgabe. MP3.
• Dieselben Charaktere. Ein Charakter mit zugewiesener Stimme – aus dem Angebot oder geklont – spricht mit beiden Modellen.

Ein Modellwechsel ist also keine Migration. Es ist ein Dropdown im Tool „Stimme“ oder ein einziger String in audio/speech über die API. Sonst ändert sich nichts an deinem Setup.

Was der zusätzliche Credit bringt

Ausdruck – und das Wort ist hier präzise gemeint. Voice One ist das Flaggschiff für Performance, das Modell für Zeilen, die gespielt und nicht nur vorgelesen werden müssen. Turbo ist das schnellere, und Tempo ist bei einem Sprachmodell keine Eitelkeitskennzahl: In allem Interaktiven ist die Lücke zwischen Fragen und Hören das Produkt.

Er bringt auch Regie. Voice One spielt Tags in eckigen Klammern – [whispering], [excited], [laughing], [sighing] –, statt sie vorzulesen, und ein Betonungs-Tag gilt bis zum nächsten Tag oder zum nächsten Zeilenumbruch. Turbo liest die Wörter und überspringt die Klammern.

Ganz praktisch:

Voice One verdient seinen Credit, wenn der Text gespielt wird. Eine Erzählung, mit der jemand zwanzig Minuten verbringt. Die erste Zeile einer Figur. Ein Trailer. Alles, wo eine flache Lesung als Fehler auffallen würde, statt als Bequemlichkeit durchzugehen.

Voice Turbo holt seinen Credit wieder rein, wenn der Text funktional ist. Benachrichtigungen, Menüansagen, UI-Ausgaben, Entwürfe in Masse, lange Dokumente, die niemand genießen wird, und – ganz entscheidend – Chat-Antworten, bei denen Warten schlimmer ist als eine etwas schlichtere Lesung.

Es gibt einen dritten Fall, den viele unterschätzen: Entwürfe. Render dein Skript mit Turbo, solange du noch Wörter streichst, und render den finalen Durchgang dann mit Voice One. Du zahlst 2 Credits pro 100 Zeichen für jede Version, die du verwirfst, und 3 nur für die, die du behältst.

Die Rechnung, zweimal

Ein Credit kostet beim Einstiegspaket etwa einen Cent, die Rechnung unten lässt sich also leicht umrechnen. Beide Modelle werden pro 100 Zeichen Eingabetext abgerechnet.

Ein Kapitel

Nimm ein Hörbuchkapitel mit 3.000 Wörtern – sagen wir 17.000 Zeichen mit Leerzeichen. Das sind 170 Blöcke à 100.

• Voice One: 170 × 3 = 510 Credits, ungefähr $5.10.
• Voice Turbo: 170 × 2 = 340 Credits, ungefähr $3.40.
• Differenz: 170 Credits pro Kapitel.

Über ein Buch mit zwölf Kapiteln sind das 6.120 Credits gegenüber 4.080 – rund $20 Unterschied für den ganzen Titel. Bei einem fertigen Hörbuch ist das keine Entscheidung, sondern ein Rundungsfehler. Render das Buch mit Voice One. Wo Turbo bei diesem Job seinen Platz verdient, sind die sechs Entwürfe, die du gemacht hast, während du Kapitel drei noch umgeschrieben hast. Mehr zum Format unter Hörbücher und Podcasts.

Eine Chat-Antwort

Jetzt das andere Extrem. Eine vertonte Antwort in einem Companion- oder Rollenspiel-Produkt hat vielleicht 220 Zeichen – drei angefangene Blöcke à 100.

• Voice One: etwa 9 Credits pro Antwort.
• Voice Turbo: etwa 6 Credits pro Antwort.

Drei Credits klingen nach nichts, bis du multiplizierst. Bei 500 vertonten Antworten am Tag sind das ungefähr 4.500 Credits täglich mit Voice One gegenüber 3.000 mit Turbo – etwa 135.000 gegenüber 90.000 Credits im Monat. Dieselbe Stimme, derselbe Klon, 45.000 Credits Unterschied, plus der Latenzvorteil des Modells, das zufällig auch noch günstiger ist.

Das ist die klarste Aufteilung im Stimmenangebot von eroq: Langform geht an Voice One, interaktives Volumen an Voice Turbo, und der Grund ist in beiden Fällen derselbe – du zahlst pro Zeichen, die Modellwahl wirkt sich also genauso schnell aus, wie deine Zeichenzahl wächst. Die allgemeinere Version dieses Arguments steht in KI-Charakteren eine Stimme geben.

Das Skript ist die Einstellung

Beide Modelle lesen Zeichensetzung als Regieanweisung – der Großteil deiner Kontrolle steckt also im Text statt in einem Regler. Schreib das Skript so, wie du es gespielt haben willst:

Oben an der Treppe blieb sie stehen. Nicht weil sie etwas gehört hatte – sondern weil sie nichts gehört hatte.

„Hallo?“

Nichts. Das Haus machte dieses Ding, das alte Häuser machen, wenn die Stille eine Form bekommt.

„Ich weiß, dass du da unten bist.“

Und dann, leiser, fast zu sich selbst … „Ich weiß, dass du da unten bist.“

Jedes Mittel in diesem Block erfüllt eine Aufgabe. Der Gedankenstrich hält einen Takt. Der kurze Absatz isoliert die Zeile, damit sie nicht verschluckt wird. Die Auslassungspunkte verlangsamen die letzte Zeile. Die Wiederholung, abgesetzt, klingt beim zweiten Mal anders, weil sich die Zeichensetzung um sie herum geändert hat.

Dann die Regler, sparsam. Tempo für das Timing – einen Hauch unter dem Standard für Erzählungen, Standard für Dialoge. Ausdruck dafür, wie stark die Lesung sich in die Zeichensetzung legt, die du geschrieben hast. Mehr Ausdruck auf einem flachen Skript macht es nicht dramatisch, sondern seltsam. Repariere zuerst das Skript.

Ein Test, der sich lohnt, bevor du dich auf ein Projekt festlegst: Nimm deinen schlimmsten Absatz – den mit Telefonnummer, Abkürzung und einer Marke, die niemand aussprechen kann – und render ihn auf beiden Modellen mit derselben Stimme. Dieser Vergleich kostet ein paar Credits und verrät dir mehr als jedes Demo-Reel. Die API-Seite ist unter /docs/speech dokumentiert, und unter Text-to-Speech steht der Begriff selbst, falls du das jemandem weitergeben musst.

In einer Zeile wählen

• Langform, gespielt, finaler Durchgang → Voice One.
• Interaktiv, hohes Volumen oder ein Entwurf, den du neu rendern wirst → Voice Turbo.
• Unsicher → render dieselben 200 Zeichen auf beiden und hör hin. Die Entscheidung kostet etwa 10 Credits.

Häufige Fragen

Was kosten Voice One und Voice Turbo?

Voice One kostet 3 Credits pro 100 Zeichen, Voice Turbo 2 Credits pro 100 Zeichen. Beide geben MP3 aus und funktionieren mit allen Stimmen im Angebot und mit deinen geklonten Stimmen.

Funktionieren geklonte Stimmen mit beiden Modellen?

Ja. Eine aus deinem eigenen Audio geklonte Stimme steht in Voice One und Voice Turbo zur Verfügung, ohne neu geklont zu werden, und Charaktere behalten ihre zugewiesene Stimme mit beiden Modellen.

Welches Modell sollte ich für eine Chat-App nehmen?

Voice Turbo, in fast jedem Fall. Es ist das schnellere Modell, kostet pro Zeichen ein Drittel weniger, und in einem interaktiven Produkt fällt Latenz stärker auf als das letzte Quäntchen Ausdruck.

Render dieselbe Zeile auf beiden und entscheide mit den Ohren – öffne das Tool „Stimme“.