Dies ist eine maschinelle Übersetzung des englischen Originaldokuments. Im Falle von Widersprüchen zwischen dieser Übersetzung und der englischen Originalversion ist die englische Version maßgeblich. Englische Originalversion lesen

Voice: Sprechen und Zuhören

Möchten Sie, dass die KI Antworten vorliest? Oder Nachrichten diktieren? Caiioo bietet Sprach-Ein- und Ausgabe – alles konfigurierbar, teils lokal auf Ihrem Gerät laufend.

Spracheinstellungen mit Ein- und Ausgabeoptionen, Auto-Read-Schalter und Wiedergabegeschwindigkeit

Voice Output (Text-to-Speech)

Lassen Sie die KI ihre Antworten laut vorlesen. Wählen Sie aus:

Option Typ Qualität Einrichtung
Browser Default Lokal Einfach Kostenlos, keine Einrichtung
Kokoro Neural TTS Lokal Hoch Kostenlos, läuft auf Ihrem Gerät
Google Gemini Cloud Natürlich Fügen Sie Ihren API-Schlüssel hinzu
OpenAI (gpt-4o-mini-tts) Cloud Natürlich, steuerbare Wiedergabe Fügen Sie Ihren OpenAI-API-Schlüssel hinzu
ElevenLabs Cloud Premium Fügen Sie Ihren API-Schlüssel hinzu
Cartesia (Sonic 3.5) Cloud Premium Fügen Sie Ihren API-Schlüssel hinzu
Resemble.ai Cloud Ausgezeichnet (Stimmklonung) Fügen Sie Ihren API-Schlüssel hinzu

Kokoro-Download-Größe: Das Kokoro-Modell wird in zwei Varianten ausgeliefert, und welche davon heruntergeladen wird, hängt von Ihrer Plattform ab. macOS und iOS laden das kleinere INT8-quantisierte Modell (~88 MB), während die Erweiterung/der Browser den größeren WebGPU-Build mit voller Präzision (~330 MB) verwendet. Dies ist ein einmaliger Download.

Plattformhinweise:

  • iOS native Kokoro (v0.9.720+): Läuft im iOS-Host-Prozess über OnnxRuntime statt WebView, wodurch Abstürze auf dem iPhone 13/14 behoben werden.
  • macOS Kokoro: Streamt Satz für Satz (ca. 1 Sekunde nach dem Drücken der Wiedergabetaste) über den Desktop-Hilfsprozess.
  • Gemini TTS (v0.9.723+): Spielt Satz für Satz ab, sodass die Audiowiedergabe nach dem ersten Satz beginnt, anstatt auf die Synthese der gesamten Antwort zu warten.
  • OpenAI (v0.9.724+): gpt-4o-mini-tts mit steuerbarer Wiedergabe – fragen Sie in natürlicher Sprache nach einem Akzent, Tonfall oder Tempo (z. B. „lies das mit einem warmen irischen Akzent“) und die Stimme folgt dem. Verwendet denselben OpenAI-API-Schlüssel wie der OpenAI-LLM-Anbieter. Ein Feld Stimmstil-Anweisungen unter Einstellungen > Stimme wendet Ihre Stilvorgabe auf jede gesprochene Antwort an.
  • Cartesia (v0.9.723+): Ein einzelner API-Schlüssel steuert sowohl Sonic 3.5 (Ausgabe) als auch Ink (Eingabe). Es gibt keine Standardstimme – wählen Sie eine unter Einstellungen > Stimme aus, bevor Sie sie aktivieren.

Latenz: Gemini und OpenAI rendern die vollständige Antwort, bevor die Wiedergabe beginnt, sodass das erste Audio bei längeren Antworten einige Sekunden verzögert sein kann – Einstellungen > Stimme zeigt einen Hinweis an, wenn Sie eine davon auswählen. Für Sprache mit geringer Latenz wählen Sie ElevenLabs, Cartesia oder Resemble.

Wiedergabegeschwindigkeit: Der Geschwindigkeitsregler (0,5×–2,0×) wird vom Anbieter für ElevenLabs (eingeschränkt auf 0,7–1,2×) und Cartesia (eingeschränkt auf 0,6–1,5×) angewendet. Browser-Stimmen und Kokoro beschleunigen lokal. Gemini und OpenAI haben keine eigene Geschwindigkeitssteuerung, weshalb der Regler ausgeblendet ist, während sie ausgewählt sind; Resemble.ai wendet die Geschwindigkeit bei der Standardwiedergabe (ohne Streaming) an.

So aktivieren Sie es:

  1. Gehen Sie zu Einstellungen > Stimme
  2. Wählen Sie eine Text-to-Speech-Option
  3. Aktivieren Sie „Antworten automatisch vorlesen“, wenn die KI automatisch vorlesen soll
  4. Passen Sie die Wiedergabegeschwindigkeit nach Wunsch an

Wenn die Wiedergabe fehlschlägt: Sprachfehler werden nun als Toast-Benachrichtigung angezeigt, statt stillschweigend fehlschlagen – so teilt Ihnen ein fehlender oder ungültiger API-Schlüssel oder eine Stimme, die nicht mit dem ausgewählten Modell kompatibel ist (häufig bei Resemble.ai und Cartesia), genau mit, was behoben werden muss.

Lokal vs. Cloud: Browser-Stimmen und Kokoro senden niemals Daten von Ihrem Gerät weg. Gemini, OpenAI, ElevenLabs, Cartesia und Resemble.ai senden Text an ihre Server (unter Verwendung Ihrer API-Schlüssel), um das Audio zu generieren. Weitere Einzelheiten finden Sie unter Datenschutz & Daten.

Sprachkosten (TTS + STT) werden als voice_cost für die Unterhaltung zusammengefasst, entsprechend dem One-Shot-Pfad.

Spracheingabe (Speech-to-Text)

Diktieren Sie Ihre Nachrichten, anstatt zu tippen. Klicken Sie auf das Mikrofonsymbol im Composer, um die Aufnahme zu starten. Caiioo transkribiert das Gesagte und fügt es in das Nachrichtenfeld ein.

Wählen Sie die Transkriptionsmethode:

Option Typ Privatsphäre Einrichtung
Whisper (Browser) Lokal Vollständig privat GRATIS, läuft auf Ihrem Gerät
WhisperKit (iOS) Lokal Vollständig privat GRATIS, auf dem Gerät
whisper.cpp & Moonshine (Android) Lokal Vollständig privat GRATIS, auf dem Gerät
Browser Speech Lokal Privat GRATIS, integriert
ElevenLabs Scribe Cloud Präzise (ideal für nicht-englische Sprachen) ElevenLabs API-Key hinzufügen
Cartesia Ink Cloud Präzise, geringe Latenz Cartesia API-Key hinzufügen

Lokale Optionen (Whisper, WhisperKit, whisper.cpp, Moonshine, Browser Speech) behalten Ihr Audio lokal – nichts wird an einen Server gesendet. ElevenLabs und Cartesia senden Audio zur Transkription an deren Server (unter Verwendung Ihres API-Keys) und bieten eine höhere Genauigkeit, insbesondere für Deutsch und andere Sprachen.

Verwendung:

  1. Klicken Sie auf das Mikrofonsymbol im Composer
  2. Sprechen Sie Ihre Nachricht
  3. Stoppen Sie, wenn Sie fertig sind
  4. Das Transkript erscheint im Nachrichtenfeld
  5. Bei Bedarf bearbeiten, dann senden

Ersteinrichtung: Wenn Sie zum ersten Mal ein On-Device-Sprachmodell verwenden, muss dieses heruntergeladen und vorbereitet werden. Der Composer zeigt den Fortschritt an ("Sprachmodell wird heruntergeladen... N%", dann "Vorbereiten"/"Laden"). Eine kurze Pause beim ersten Tippen auf das Mikrofon ist also normal.

Audio aufnehmen und anhängen

Neben dem Diktieren können Sie einen Clip aufnehmen und an Ihre Nachricht anhängen: Öffnen Sie das +-Menü des Composers und wählen Sie Audio aufnehmen. Verfügbar auf iPhone, iPad, macOS und der Browser-Erweiterung. Passt nativ zu Apps, die Ihren Aufnahmen zuhören, wie dem Aussprache-Trainer „for Languages“.

Das Modell Ihre Aufnahme hören lassen

Zwei Funktionen gehen über die Transkription hinaus und ermöglichen es einem hörfähigen Modell, mit dem tatsächlichen Audio zu arbeiten:

  • Audio für das Modell einbeziehen (Einstellungen > Sprache): Hängt Ihre Aufnahme an, sodass ein audiomäßig fähiges Modell (z. B. Gemini) das echte Audio zusammen mit Ihrem Prompt überprüft – Tonfall, Aussprache, Hintergrundgeräusche, nicht nur die Wörter. Standardmäßig deaktiviert; andernfalls wird nichts gesendet. Eine Wellenform-Schaltfläche neben dem Mikrofon schaltet dies pro Nachricht um, aber die Schaltfläche wird nur in Modi und Apps angezeigt, die dies unterstützen (wie „for Languages“), sodass sie den Composer für alltägliche Aufgaben nicht überlädt.
  • Hören (ein kostenloses Tool, standardmäßig aktiv): Ermöglicht dem Assistenten, zu jedem Audio-Anhang mit einer gezielten Follow-up-Frage zurückzukehren und ihn erneut anzuhören – „welche Wörter wurden falsch ausgesprochen?“, „wie ist der Tonfall?“ –, und zwar in dem Zug, in dem Sie ihn anhängen, oder in jedem späteren. Das dedizierte Audio-Hilfsmodell übernimmt das Zuhören, sodass dies selbst dann funktioniert, wenn Ihr Chat-Modell nicht hören kann.

Systemweite Diktierfunktion (macOS)

Pro-Abonnenten auf macOS können zusätzlich PrivateVoice installieren, eine separate Begleit-App, die einen globalen Push-to-Talk-Hotkey zum Diktieren in jeder Anwendung hinzufügt – nicht nur in Caiioo. Weitere Details finden Sie auf der Desktop-Download-Seite.

Siehe auch

This guide is maintained by the Caiioo team using Slate, our built-in editor.