Voice

Spracherkennung, Sprachausgabe und Agenten, mit denen man wirklich spricht - vollständig auf eigener Hardware. Hier steht, woraus der Stack heute besteht und was ihn schnell macht.

Grafikkarte
RTX 4070 Ti
12 GB - der ganze Stack passt hinein
Turn-Erkennung
Silero VAD v5 + Smart Turn
auf der CPU: erkennt, wann ein Satz zu Ende ist
Spracherkennung
Qwen3-ASR-1.7B
Q8, mit eigener Begriffsliste
Sprech-Formatierer
Gemma-4-E2B
macht aus Text natürlich gesprochene Sätze
Sprachausgabe
Qwen3-TTS-1.7B
geklonte Stimme je Agent, im Strom
Sprecher-Erkennung
ECAPA
auf der CPU: wer gerade spricht
BeiträgeAlle Beiträge →
Voice 2026-09-01

Voice Pipe: Lokal auf 12 GB VRAM

Voice ist der ehrlichste Beweis dafür, dass lokale KI im Betrieb trägt: eine komplette Sprachkette aus Erkennung, Sprech-Helfer und Ausgabe läuft auf einer einzigen Consumer-Grafikkarte. Der Engpass ist nicht die Intelligenz der Modelle, sondern der Speicher.
Weitere BereicheZurück zum AI Lab →
Models Hardware Inference Infrastructure Agents Voice Vision Development Guides