Async Voice AI

Tempo ist der Kern. Async sagt, sein Modell startet das Audio früher als die Latenz-Spitzenreiter, mit einem Median des ersten Bytes um 166 ms und einer Gesamtlatenz unter 300 ms. Für einen Sprachagenten heißt das, die Antwort kommt an, bevor die Stille störend wird. Das Unternehmen misst das selbst, also nehmen Sie die genauen Werte als eigene Benchmarks, auch wenn die Streaming-Architektur das Versprechen stützt.

Sie können eine Stimme aus einer 3-Sekunden-Probe klonen. Kein Training, keine Warteschlange, keine Zusatzkosten im Entwicklertarif. Laden Sie einen Clip hoch und Sie erhalten eine Stimme, die Ton, Akzent und Tempo des Originals behält. Diese Funktion macht aus einer generischen TTS-API etwas, das Sie unter Ihrer Marke führen können, sei es eine Figur, ein Moderator oder die Stimme des Unternehmens.

Async teilt seine Sprachausgabe in zwei Linien. Async Pro v1.0 ist die Qualitätswahl und kommt mit Englisch am besten zurecht, mit sauberer Behandlung von Daten, Zahlen und Währungen. Async Flash v1.5 tauscht etwas Feinschliff gegen Tempo und passt gut zu Live-Agenten. Ein älteres Flash v1.0 deckt die meisten Sprachen ab. Wer zwischen ihnen wählt, entscheidet praktisch zwischen bestem Klang und schnellster Antwort.

Die API deckt über 15 Sprachen mit dem ab, was das Unternehmen native Aussprache nennt, und derselbe Endpunkt bedient sie alle. Die Textnormalisierung löst die schwierigen Teile, etwa Daten, Währungen und Abkürzungen so vorzulesen, wie es ein Mensch täte. Für Teams auf mehreren Märkten bedeutet das eine einzige Integration statt eines anderen Modells pro Region.

Sprachausgabe gibt es in vier Formen: ein einfacher HTTP-Aufruf, der eine Audiodatei liefert, ein Streaming-Endpunkt, der die Wiedergabe vor Abschluss der Erzeugung startet, eine Version mit Zeitstempeln für Untertitel und ein WebSocket, um Text einzuspeisen, während ein LLM ihn schreibt. Die Spracherkennung läuft genauso, mit Datei-Upload für Aufnahmen und einem Live-Stream für Echtzeit-Transkription. Kaum eine andere API lässt Ihnen so viel Wahl, wie das Audio in Ihre App gelangt.

Jenseits der Modelle legt Async die kleinen Regler offen, die entscheiden, ob eine Stimme künstlich oder natürlich klingt. Sie setzen eigene Aussprachen mit IPA-Lauten für Markennamen und Abkürzungen, lesen Zahlen Ziffer für Ziffer für Telefonnummern vor und fügen genaue Pausen mit einem break-Tag ein. Für den Anschluss gibt es fertige Integrationen für Pipecat, LiveKit, Twilio, n8n und Picsart Flow, sodass Sie die Verkabelung nicht selbst schreiben.