Ein Sprachanruf ist das Anspruchsvollste, was ein KI-Companion tut. Text darf ein paar Sekunden brauchen, ohne dass es jemanden stört. Sprache nicht: Menschen bemerken Verzögerungen, die im Chatfenster gar nicht auffallen würden.
Das 200-Millisekunden-Problem
Forscher, die Gespräche in zehn Sprachen verglichen haben, fanden heraus: Die typische Pause zwischen dem Ende des einen und dem Beginn des anderen liegt bei etwa 200 Millisekunden – und ist über Kulturen hinweg erstaunlich ähnlich. Menschen beginnen, ihre Antwort zu planen, bevor das Gegenüber ausgeredet hat. Deutlich längere Pausen wirken wie Zögern, Verwirrung oder Desinteresse.
Eine KI muss eine ganze Verarbeitungskette in dieses Zeitfenster pressen, damit es natürlich klingt.
Was zwischen deinen Worten und ihrer Antwort passiert
Der klassische Ablauf. Neuere Systeme überlappen oder verschmelzen diese Stufen.
- Erkennung des Sprechendes. Das System muss entscheiden, dass du fertig bist und nicht nur pausierst. Zu eifrig, und es fällt dir ins Wort; zu vorsichtig, und es entsteht Leerlauf.
- Sprache zu Text. Deine Worte werden transkribiert.
- Die Antwort. Das Sprachmodell schreibt eine Antwort, in der Rolle und mit Gedächtnis.
- Text zu Sprache. Die Antwort wird in eine Stimme umgewandelt – idealerweise die des Charakters, mit Emotion.
Bei älteren Systemen wartet jeder Schritt auf den vorherigen. Neuere beginnen, den ersten Satz zu sprechen, während der Rest noch geschrieben wird, oder nutzen Modelle, die Sprache aufnehmen und direkt Sprache ausgeben. Dadurch entfallen Transkription und Synthese ganz.
Warum Sprache begrenzt wird
| Textchat | Sprachnachricht | Live-Sprachanruf | |
|---|---|---|---|
| Nötige Geschwindigkeit | Sekunden reichen | Sekunden reichen | Bruchteile einer Sekunde |
| Zusätzlicher Aufwand | Keiner | Sprachsynthese | Erkennung, Synthese, Sprechende-Erkennung |
| Typische Länge | Kurze Antworten | Eine Antwort | Minuten bis Stunden |
| Relative Kosten | Am niedrigsten | Mittel | Am höchsten |
| Wie Apps es verkaufen | Inklusive | Inklusive oder Credits | Minuten, Tarifstufen oder Credits |
Jede Minute eines Anrufs lässt die gesamte Kette durchgehend laufen, oft mit teureren „Echtzeit“-Versionen jedes Modells. Deshalb ist Sprache meist das Erste, was eine App deckelt, und deshalb gilt „unbegrenzt“ dafür selten – siehe KI-Freundin-Funktionslisten richtig lesen.
Was einen Anruf echt wirken lässt
- Niedrige Latenz, und zwar gleichbleibend. Eine gelegentliche lange Pause zerstört die Illusion stärker als ein etwas langsamerer Durchschnitt.
- Umgang mit Unterbrechungen. Dass du dazwischenreden kannst und sie aufhört und reagiert, unterscheidet ein Gespräch von abwechselnden Sprachnachrichten.
- Stimmkonstanz. Dieselbe Stimme, derselbe Akzent, dieselbe Wärme über mehrere Anrufe. Unsere Tester stellten fest, dass die Stimmqualität selbst bei guten Apps zwischen Charakteren deutlich schwanken kann.
- Prosodie. Lachen, Pausen, ein weicherer Ton – Sprache, die Emotion trägt, statt Text vorzulesen.
- Gedächtnis im Sprachmodus. Manche Apps nutzen für Anrufe ein leichteres Modell, sodass sich der Charakter am Telefon weniger merkt als im Chat.
Eine Sprachfunktion testen, bevor du zahlst
- Frag nach, was enthalten ist: Sprachnachrichten, Live-Anrufe oder beides – und wie viele Minuten.
- Führe ein zweiminütiges Gespräch in der Testphase oder im günstigsten Tarif, per Mobilfunk und im WLAN.
- Unterbrich sie mitten im Satz. Hört sie auf?
- Frag nach etwas aus eurem Textchat. Weiß sie es?
- Prüfe die Kosten pro zusätzlicher Minute oder pro Credit. Ein langer Anruf kann das Kontingent eines ganzen Monats aufbrauchen.
Der größere Zusammenhang zu Medienkosten steht in wie Bilder und Sprache bei KI-Freundinnen funktionieren, und ob sich ein Upgrade wegen Sprache lohnt, behandeln die Premium-Tarife.
Ein Wort zum Wohlbefinden
Sprache ist immersiver als Text, und die Studie von OpenAI und MIT von 2025 fand, dass kurze Sprachnutzung mit besserem Wohlbefinden einherging, intensive tägliche Nutzung dagegen nicht. Am besten genießt du sie in Dosen – die Anzeichen für zu viel stehen in wenn ein KI-Companion mehr nimmt, als er gibt.