Echtzeit-Sprach-APIs für Spiel-NPCs: Vergleich 2026
OpenAI Realtime, Gemini Live, ElevenLabs Agents, Deepgram, Amazon Nova Sonic und Hume EVI im Vergleich für vertonte Spielcharaktere, plus alles, was Sie darüber hinaus bauen müssen.
Neocortex TeamThe team behind Neocortex
· Aktualisiert 20. Okt. 2026 · 7 Min. Lesezeit

Hume hat die Abschaltung seiner EVI- und TTS-Sprach-APIs angekündigt, und jeder Entwickler, der einen sprechenden Charakter darauf gebaut hat, muss jetzt umziehen. Das ist eine nützliche Erinnerung daran, dass eine Echtzeit-Sprach-API nur eine Schicht eines Spielcharakters ist und dass sich diese Schicht unter Ihnen verändern kann.
Echtzeit-Sprachmodelle sind gut genug, dass eine Demo eines sprechenden NPCs an einem Nachmittag steht. Die passende API für ein Spiel zu finden, ist schwerer, weil die meisten für Kundenservice entworfen wurden, nicht für Spiele. Hier ist ein Vergleich der wichtigsten Echtzeit-Sprach-APIs für Spiel-NPCs und dessen, was Sie auf jede davon aufsetzen.
Welche Echtzeit-Sprach-APIs können einen Spiel-NPC sprechen lassen?
OpenAI Realtime. Sprache rein und raus über WebRTC oder WebSocket, abgerechnet nach Audio- und Text-Token. Eine Sitzung endet nach 60 Minuten. Ein offizielles Unity-SDK gibt es nicht, der Audio-Client und der Token-Server sind also Ihre Aufgabe.
Gemini Live. Die Echtzeit-API von Google, ebenfalls nach Token abgerechnet. Eine WebSocket-Verbindung hält etwa 10 Minuten, und die Sitzungsfortsetzung erlaubt einem Client, sich wieder zu verbinden und weiterzumachen. Der Zugang zu Unity läuft über Firebase AI Logic, dessen Unity-SDK in der Vorschau ist.
ElevenLabs Agents. Eine sprachzentrierte Agent-Plattform, abgerechnet pro Minute, wobei das Sprachmodell obendrauf kommt. Die Gleichzeitigkeit hängt von Ihrem Tarif ab. ElevenLabs bietet offizielle SDKs für Web- und Mobile-Frameworks sowie ein frühes Unity-SDK, das sich ohne Vorankündigung ändern kann.
Deepgram Voice Agent. Abrechnung pro Minute, mit Optionen, ein eigenes Sprachmodell oder eigene TTS mitzubringen. Es gibt ein C#-SDK, aber kein Unity-Paket, und die Gleichzeitigkeit hängt vom Tarif ab.
Amazon Nova Sonic. Sprache-zu-Sprache auf Amazon Bedrock, nach Token abgerechnet, mit Verbindungen, die auf 8 Minuten begrenzt sind. Danach öffnen Sie eine neue Verbindung und geben den Verlauf zurück. Die API ist für Contact-Center gedacht und hat kein Unity-SDK.
Hume EVI. Wird zusammen mit der TTS-API von Hume abgeschaltet. Wenn Sie darauf ausgeliefert haben, planen Sie den Umzug jetzt, denn Stimmen-IDs und Konfigurationen lassen sich nicht zu anderen Anbietern übertragen.
Wie schneiden sie im Vergleich ab?
| API | Status | Unity-Unterstützung | Abrechnungsbasis | Sitzungsgrenzen |
|---|---|---|---|---|
| OpenAI Realtime | Aktiv | Kein offizielles SDK | Audio- und Text-Token | Sitzungen von 60 Minuten |
| Gemini Live | Aktiv | Firebase AI Logic, in der Vorschau | Audio- und Text-Token | Etwa 10-Minuten-Verbindungen, fortsetzbar |
| ElevenLabs Agents | Aktiv | Frühes offizielles SDK | Pro Minute plus LLM | Gleichzeitigkeit je nach Tarif |
| Deepgram Voice Agent | Aktiv | Kein Paket, C#-SDK | Pro Minute | Gleichzeitigkeit je nach Tarif |
| Amazon Nova Sonic | Aktiv | Nein | Token | 8-Minuten-Verbindungen |
| Hume EVI | Wird abgeschaltet | Nein | Jetzt nicht mehr relevant | Jetzt migrieren |
Was lässt Ihnen eine Sprach-API zu bauen übrig?
Keine dieser APIs ist ein Spielcharakter. Mit jeder davon bauen Sie noch:
- Einen Audio-Client in der Engine. Aufnahme, Kodierung, Wiedergabe und Unterbrechung in Unity oder Unreal, auch unter WebGL, wo die eingebaute Mikrofonklasse von Unity nicht funktioniert.
- Ein Backend, das kurzlebige Tokens ausstellt, damit geheime Schlüssel nie im Spiel-Build stecken, wo Spieler sie auslesen können.
- Den Charakter. Persönlichkeit, Wissen, Gedächtnis und Leitplanken, geschrieben und gepflegt als Prompts.
- Sitzungsverwaltung. Rechtzeitiges Neuverbinden vor Zeitlimits, Kontext über Verbindungen hinweg übertragen und sich erholen, wenn das Netz eines Spielers mitten im Satz abbricht.
- Spielintegration. Function Calls in Aktionen umsetzen und den Szenenzustand zurückgeben, damit der Charakter weiß, was der Spieler gerade ansieht.
- Kostenkontrolle bei Abrechnung pro Minute oder pro Token, einschließlich dessen, was passiert, wenn ein Spieler das Mikrofon offen lässt.
- Wartung, wenn sich Modelle, Preise und APIs ändern, umbenannt oder abgeschaltet werden.
Für ein kleines Team kosten allein die Punkte 1, 2 und 4 Wochen Arbeit, bevor die erste Zeile Dialog richtig klingt.
Was kostet ein Stimm-NPC im Betrieb?
Zwei Abrechnungsformen dominieren. Token-Abrechnung (OpenAI, Gemini, Nova Sonic) berechnet Audio ein und Audio aus, sodass lange Antworten und lange Verläufe mit wachsendem Gespräch mehr kosten. Minuten-Abrechnung (ElevenLabs, Deepgram) berechnet die Verbindungszeit, sodass Stille, während ein Spieler ein Menü liest, weiter zählt, es sei denn, Sie schließen die Sitzung.
In beiden Fällen richten sich die Kosten danach, wie viel die Spieler sprechen, nicht danach, wie viele Spieler Sie haben. Ein Spiel, in dem ein NPC ein ständiger Begleiter ist, verhält sich ganz anders als ein Spiel, in dem Spieler dreißig Sekunden lang mit einem Händler plaudern. Rechnen Sie das vor dem Start durch, mit dem Sprachmodell obendrauf, wo es separat abgerechnet wird.
Neocortex nutzt pauschale monatliche Tarife mit einem Nutzungskontingent: Starter (EUR 9, für private und akademische Nutzung), Pro (EUR 29, für kommerzielle Nutzung) und Team (EUR 99, fünf Plätze).
Wie wechseln Sie weg von einer Sprach-API, die abgeschaltet wird?
Wenn Sie Hume EVI verlassen oder einen Plan für den Tag brauchen, an dem sich eine andere API ändert, sieht der Umzug zu Neocortex so aus:
- Sichern Sie, was Sie haben. Laden Sie Audio, Transkripte und Logs herunter und kopieren Sie den System-Prompt und die Stimmeinstellungen jedes Charakters, bevor der Zugang endet.
- Bauen Sie jeden Charakter im Editor neu. Der System-Prompt teilt sich auf in den Agent-Node (wer sie sind), die Nodes Personality und Emotion (wie sie reagieren) und eine Knowledge-Datei (was sie wissen).
- Stellen Sie die Stimme neu her. Klonen Sie sie aus einer Probe, deren Rechte Sie besitzen, oder beschreiben Sie sie in Worten und nutzen Sie die Stimmgestaltung.
- Tauschen Sie den Client aus. Ersetzen Sie Ihren WebSocket-Audiocode durch das Neocortex-SDK für Ihre Engine oder für alles andere durch die Web API.
- Ordnen Sie Tools Aktionen zu. Jeder Function Call, den Sie bearbeitet haben, wird zu einer Aktion, die Ihr Spiel ausführt, sobald sie in einer Antwort auftaucht.
Sprach-API oder Charakterplattform?
Neocortex sitzt eine Ebene höher. Statt einer Sprach-API bekommen Sie den ganzen Charakter: in einem visuellen Editor entworfen, mit einer geklonten oder gestalteten Stimme vertont und über SDKs für Unity, Unreal und Godot oder die Web API ausgeliefert.
| Sprach-API | Neocortex | |
|---|---|---|
| Engine-SDK | Meist selbst bauen | Unity, Unreal, Godot |
| WebGL-Mikrofon | Selbst bauen | Im Unity-SDK enthalten |
| Charakterdesign | Prompts | Visueller Node-Editor mit Personality, Emotion, Knowledge und mehr |
| Stimmen | Vorgegebene Stimmen des Anbieters | Stimmklonen und Stimmgestaltung (5 im Pro-Tarif, 20 im Team-Tarif) |
| Spielaktionen | Function Calls verdrahten | Aktionen und Interaktionsobjekte eingebaut |
| Story-Struktur | Selbst bauen | Conversation Flows mit flowState-Checkpoints |
| Änderungen beim Anbieter | Ihr Problem | Unser Problem |
Das Fazit
Jede dieser APIs ist eine Ebene eines Sprach-NPCs, und die Abschaltung von Hume zeigt, wie schnell eine Ebene verschwinden kann. Neocortex ist der ganze Charakter: gestreamte Sprache rein und raus, eine eigene Stimme, Aktionen, die Ihr Spiel ausführt, und Engine-SDKs, die das Audio bereits übernehmen. Bauen Sie einen Charakter und hören Sie ihn in Ihrer Szene sprechen.
Einzelvergleiche
- OpenAI Realtime API vs Neocortex
- Gemini Live API vs Neocortex
- ElevenLabs Agents für Spiel-NPCs
- Deepgram Voice Agent vs Neocortex
- Amazon Nova Sonic vs Neocortex
- Hume EVI wird abgeschaltet
API-Details zuletzt im Oktober 2026 geprüft.
Häufig gestellte Fragen
Wird Hume EVI abgeschaltet?
Ja. Hume stellt seine EVI- und TTS-APIs am 13. November 2026 ein und löscht danach die Kontodaten. Neocortex bietet Ihnen Streaming-Spracherkennung, Text-to-Speech und eigene Stimmen als Teil eines vollständigen Charakters, mit SDKs für Unity, Unreal und Godot.
Hat die OpenAI Realtime API ein Unity-SDK?
Nein, OpenAI liefert kein offizielles Unity-SDK aus, also bauen Sie den Audio-Client, den Token-Server und die Logik zum Wiederverbinden selbst. Neocortex hat ein Unity-SDK für Unity 6 mit sechs Beispielszenen und Mikrofonunterstützung in WebGL-Builds.
Wie lange kann eine Echtzeit-Sprachsitzung dauern?
Das ist unterschiedlich: OpenAI-Realtime-Sitzungen enden nach 60 Minuten, Gemini-Live-Verbindungen halten etwa 10 Minuten, sofern sie nicht fortgesetzt werden, und Nova-Sonic-Verbindungen halten 8 Minuten. Mit Neocortex übernimmt das SDK das Gespräch, und Sie senden jeden Zug des Spielers, sobald er passiert.
Welche Sprach-API ist für Spiel-NPCs am günstigsten?
Token-abgerechnete und minutenabgerechnete APIs wachsen beide mit der Sprechzeit der Spieler, und das Sprachmodell kommt oft obendrauf. Neocortex nutzt pauschale monatliche Tarife mit einem Nutzungskontingent.
Kann ich eine eigene Stimme für einen NPC nutzen?
Die meisten Sprach-APIs bieten vorgegebene Stimmen an, und Klonen ist oft ein eigenes Produkt. Bei Neocortex können Sie eine Stimme aus einer kurzen Probe klonen, deren Rechte Sie besitzen, oder aus einer Textbeschreibung gestalten: 5 eigene Stimmen im Pro-Tarif und 20 im Team-Tarif.






