Avartha gibt an, dass seine offene Sprach-KI mit 2,50 US-Dollar pro Stunde die Bestenliste anführt
Das Startup Avartha behauptet, dass sein Sprachagent Ava Zero, der ausschließlich aus offenen Modellen besteht, OpenAI, Google und xAI bei der Aufgabenerledigung übertrifft. Bei den Zahlen handelt es sich um firmeneigene Angaben.
Ein Startup namens Avartha stellte Ava Zero vor, einen Sprachagenten, der angeblich vollständig auf offenen Modellen basiert. Ein Sprachagent ist eine KI, die ein gesprochenes Gespräch führen und Aufgaben erledigen kann, beispielsweise die Bearbeitung eines Kundenanrufs. Avartha gibt an, dass es bei Sierras τ³-Voice Benchmark in sechs Sprachen mit einer Aufgabenerledigung von 86,0 % den ersten Platz einnimmt, vor phonic-1 (83,2 %), gpt-live-1 (79,9 %), grok-voice-think-fast-2.0 (71,4 %) und Gemini (68,5 %).
Der Stack ist eine Mischung aus offenen Teilen: Qwen3-ASR wandelt Sprache in Text um, Fish Audio Drama 3 erzeugt die Stimme, GLM-5.3 fungiert als Hauptmodell und DeepSeek 4.1 Flash übernimmt die Backend-Arbeit. Avartha kostet es 2,50 US-Dollar pro Gesprächsstunde und sagt, das sei die Hälfte bis ein Drittel vergleichbarer geschlossener Alternativen. Es wird außerdem behauptet, dass seine Inferenz-Engine, die Software, die das Modell ausführt, bis zu einer Größenordnung mehr gleichzeitige Gespräche pro GPU verarbeiten kann als vLLM und SGLang.
Lesen Sie die Tabelle genau durch. Der Ava erreicht bei der Interaktion nur 25,0 % und liegt damit unter drei Konkurrenten, was darauf hindeutet, dass er beim natürlichen Hin und Her einer Konversation schwächer ist. Bei der Generierungsqualität erreicht es einen Wert von 62,2 % und liegt damit knapp vor gpt-live-1 mit 61,6 %. Der Beitrag erklärt nicht, wie die drei Ergebnisse kombiniert werden, und er veröffentlicht keine eigenen Latenzzahlen, obwohl die Geschwindigkeit bei der Sprache entscheidend ist. Der Parallelitätsanspruch enthält keine Methoden- oder Hardwaredetails und es wird keine Lizenz für Ava angegeben.
Was dahinter steckt: Offene Modelle (also solche, deren Gewichtungen jeder herunterladen kann) haben im Text aufgeholt, und dies ist ein Versuch, dasselbe auch im Sprachbereich zu erreichen. Die Kombination mehrerer spezialisierter offener Modelle kann günstiger sein als ein einzelnes geschlossenes Modell und gibt einem Unternehmen mehr Kontrolle. Der Haken daran ist, dass alle Zahlen vom Unternehmen gemeldet wurden und es sich bei einem Benchmark um einen Test und nicht um ein Telefonat mit einem frustrierten Kunden handelt.
Was das für Sie bedeutet: Für die meisten Menschen noch nichts. Wenn Sie ein kleines Unternehmen betreiben und über einen KI-Telefonassistenten nachdenken, deutet dies darauf hin, dass die Preise sinken könnten. Es lohnt sich also, einige Anbieter zu vergleichen. Bevor Sie einem vertrauen, hören Sie sich echte Anrufe an, überprüfen Sie Verzögerungen, fragen Sie, welche Sprachen wirklich unterstützt werden, und lesen Sie die Lizenzbedingungen.
Quellen
Genie 4: Das interaktive Weltmodell von DeepMind macht jetzt auch Geräusche
Der letzte Woche angekündigte Genie 4 von Google DeepMind generiert spielbare Welten mit Audio und Dialogen in Echtzeit. Es handelt sich um eine Forschungsvorschau mit Warteliste.
