Eine Stimme, gebaut für die Art, wie wir sprechen.

Nein. Es gibt keine öffentliche Demo, keine öffentliche API, keine Telefonie-Integration, kein natives Duplex und keine Stimmklonung im Produkt. Alle fünf sind in unserer eigenen Roadmap als fehlend aufgeführt. Wenn Sie einen Sprachagenten brauchen, der jetzt funktioniert, ist die Antwort Kallina, nicht Grai; wenn Sie eine Audiodatei brauchen, ist es Voice Studio.

Bei der Erkennung auf Rumänisch 26,31% Wortfehlerrate auf dem standardmäßigen Fenster von 1120 ms, mit 95%-Konfidenzintervall zwischen 24,07 und 28,60; auf Russisch 9,30%. Protokoll: 200 Äußerungen pro Sprache aus FLEURS, Seed 20260831, Streaming-Dekodierung. Wie gut es ist: es ist nicht gut. Unsere eigene, in der Vergleichstabelle geschriebene Schlussfolgerung ist, dass wir bei der Genauigkeit auf Rumänisch hinter den kommerziellen Systemen zurückliegen, mit einem Faktor von fünf bis neun. Rumänisch ist mit derselben Konfiguration fast dreimal schwerer zu erkennen als Russisch, was genau das Problem ist, das wir untersuchen.

Auf der gemessenen Aufschlüsselung nimmt das Sprachmodell 2180 ms des Ablaufs ein, die Erkennung 92 ms und die Synthese 305 ms. Die Erkennung ist praktisch kostenlos; die Synthese fast ebenso. Wer eine schnellere Sprachkonversation will, muss das Sprachmodell angreifen — durch ein kleineres Modell, durch Streaming der Antwort oder durch kürzere Antworten. Hier müssen wir auch mit uns selbst ehrlich sein: Die auf der Website veröffentlichten Segmentwerte addieren sich nicht zum auf demselben Bildschirm veröffentlichten Gesamtwert, und die Differenz beträgt etwa eine halbe Sekunde. Die Aufschlüsselung ist die, der wir vertrauen; der aggregierte Gesamtwert muss vor der Zitierung neu berechnet werden.

Weil Sie in der Kaskade jede Komponente separat austauschen und Erkennung und Synthese lokal, auf dem Prozessor, ohne GPU, halten können. Der Preis ist die Verkettungslatenz und die Tatsache, dass das Sprachmodell, das den größten Teil der Verzögerung ausmacht, außerhalb des Geräts liegt. Natives Duplex ist eine Richtung, nichts, was wir haben — es steht auf der Liste von „gibt es noch nicht“.

Die Roadmap schlägt drei Trainingsläufe unter insgesamt 1.200 Dollar vor: Erkennung für Rumänisch auf VoxPopuli CC0, 89 Stunden, ungefähr 50 Stunden H100, rund 500 Dollar; ein End-of-Turn-Detektor für Rumänisch, etwa 2.000 eigene Beispiele, unter 100 Dollar; eine eigene Stimme, 500-800 Dollar. Das dritte ist nicht durch Geld blockiert, sondern durch Daten — und durch die Tatsache, dass das Synthesemodell, auf das wir uns gestützt haben, von seinen Autoren archiviert wurde. Die Zielzahl für das erste Training, etwa 21%, ist eine Extrapolation aus den auf Griechisch und Bulgarisch erzielten Verbesserungen, keine Messung.

Die untersuchte Methode ist inverse Optimierung auf eingefrorenen Gewichten, keine Klonung aus wenigen Sekunden: 6–30 Minuten Material pro Stimme, etwa 3.000 Optimierungsschritte, 2,6 GB Spitzenspeicher, wobei das gelieferte Artefakt in der Größenordnung von Kilobyte liegt. Aber es ist nicht im Produkt, und es ist wichtig zu sagen, warum es nicht nur eine technische Frage ist: In der Republik Moldau ist die Stimme ab dem 23. August 2026 ein biometrisches Datum. Ohne ausdrückliche Einwilligung und Abtretung lautet die Frage nicht, ob es möglich ist, sondern dass es nicht gemacht wird.

Weil es sonst keinen Sinn hätte, sie überhaupt zu veröffentlichen. Eine Tabelle, in der Sie immer Erster werden, ist eine Marketingtabelle. Unsere markiert die Zeilen Dritter als angegeben und nur unsere als gemessen, und die unter ihr geschriebene Schlussfolgerung sagt, dass wir verlieren. Es muss jedoch auch klar gesagt werden, was niemand von außen tun kann: Der Code, der diese Messungen erzeugt hat, ist nicht öffentlich und begleitet die Website nicht, daher können die Zahlen heute von einem Dritten nicht reproduziert werden. Behandeln Sie sie als interne Messungen, nicht als unabhängig verifizierte Ergebnisse.