BLUN Voice

Sprache verstehen, transkribieren und natürlich ausgeben

BLUN Voice verbindet KI-Spracherkennung und natürliche Sprachausgabe direkt mit der BLUN Plattform. Das Modell kann Gespräche und Audiodateien in Text umwandeln, gesprochene Inhalte strukturieren und geschriebene Antworten als natürliche Sprache ausgeben. Dadurch müssen Menschen nicht mehr alles eintippen oder manuell mitschreiben, um mit einer KI zu arbeiten.

Voice ist nicht nur eine Diktierfunktion. Es bildet die Sprachschicht für vollständige Arbeitsabläufe: Ein Nutzer spricht, Voice erkennt den Inhalt, ein Textmodell versteht die Aufgabe, BLUN führt die notwendigen Schritte aus und Voice gibt das Ergebnis wieder als Sprache aus. So entstehen Assistenten, die sich wie ein echtes Gespräch bedienen lassen.

Das Modell unterstützt sowohl Speech-to-Text als auch Text-to-Speech. Sprache kann damit in beide Richtungen verarbeitet werden. Zusätzlich kann Voice in Echtzeit eingesetzt werden, sodass Antworten bereits während eines laufenden Gesprächs verarbeitet und ausgegeben werden können.

Nutzung nach Tarif

Voice besitzt kein mit King, Queen oder Prince vergleichbares Token-Kontextfenster. Im Free-Tier und in bezahlten Tarifen wird die Nutzung deshalb über Sprachleistungen beschrieben, beispielsweise über verfügbare Audiominuten, maximale Dateilänge, Transkriptionsumfang, Sprachausgabe oder Echtzeitnutzung. Die konkreten Mengen müssen in der Preisübersicht ausgewiesen werden.

Gespräche sauber transkribieren

Voice wandelt Meetings, Interviews, Telefonate und Sprachnotizen in nutzbaren Text um. Statt einer unübersichtlichen Folge einzelner Wörter entsteht ein strukturiertes Transkript mit sinnvollen Absätzen und einer lesbaren Gliederung.

Abhängig vom verwendeten Ablauf können zusätzlich Sprecher getrennt, Zeitpunkte zugeordnet und wichtige Abschnitte markiert werden. Das Transkript lässt sich anschließend automatisch an Queen oder King übergeben, damit daraus Entscheidungen, Aufgaben, Zusammenfassungen oder vollständige Dokumente entstehen.

Typische Anwendungen sind:

• Meetings und Besprechungen
• Interviews und Kundengespräche
• Telefonnotizen
• Sprachnachrichten
• Diktate
• Schulungen und Vorträge
• Audio- und Videoinhalte
• gesprochene Arbeitsanweisungen

Aus Gesprächen werden Ergebnisse

Ein Transkript allein spart nur einen Teil der Arbeit. In Verbindung mit den anderen BLUN Modellen kann Voice gesprochene Inhalte direkt in verwertbare Ergebnisse verwandeln.

Aus einem Meeting können beispielsweise automatisch entstehen:

• eine kurze Zusammenfassung
• eine Liste aller Entscheidungen
• Aufgaben mit verantwortlichen Personen
• genannte Termine und Fristen
• offene Fragen und Risiken
• eine Follow-up-E-Mail
• ein Eintrag für das Projektmanagement

Voice liefert dafür den gesprochenen Inhalt. Queen bereitet ihn professionell auf, während King bei komplexen Meetings Zusammenhänge, Abhängigkeiten und Konsequenzen analysieren kann.

Natürlich sprechen statt tippen

Mit Voice können Nutzer Aufgaben diktieren, Nachrichten verfassen und BLUN per Sprache steuern. Das ist besonders praktisch unterwegs, in Werkstätten, bei Außenterminen oder überall dort, wo eine Tastatur unpraktisch ist.

Ein gesprochener Satz wie „Erstelle aus diesem Kundengespräch ein Angebot und erinnere mich morgen an die Rückmeldung“ kann in einen vollständigen Agentenablauf übergeben werden. Voice erkennt die Sprache, Queen oder King versteht das Ziel und die BLUN Plattform führt die verbundenen Schritte aus.

Natürliche Sprachausgabe

Voice kann Texte als verständliche, natürliche Sprache wiedergeben. Dadurch lassen sich Anwendungen entwickeln, die nicht nur zuhören, sondern auch sprechen. Ton, Sprechgeschwindigkeit und gewünschter Charakter der Ausgabe können an den jeweiligen Anwendungsfall angepasst werden.

Mögliche Anwendungen sind:

• digitale Telefonassistenten
• sprachgesteuerte Produkthilfen
• Vorlesen von Texten und Dokumenten
• Audioversionen von Artikeln und Anleitungen
• barrierearme Benutzeroberflächen
• gesprochene Statusmeldungen
• interaktive Lernangebote
• Voice Agents für interne Abläufe

Echtzeitfähige Voice Agents

In einem Voice Agent werden Spracherkennung, Modellintelligenz, Werkzeuge und Sprachausgabe zu einem laufenden Gespräch verbunden. Der Nutzer muss nicht warten, bis eine komplette Audiodatei verarbeitet wurde. Das System kann zuhören, reagieren, Rückfragen stellen und Aktionen ausführen.

Ein solcher Agent kann beispielsweise den Status einer Bestellung prüfen, einen Termin vorbereiten, eine Supportanfrage aufnehmen oder Informationen aus einem internen System erklären. Die eigentliche Denkleistung kann je nach Aufgabe von Prince, Queen oder King übernommen werden. Voice sorgt dafür, dass die gesamte Interaktion gesprochen erfolgen kann.

Position innerhalb der BLUN Modellfamilie

Voice ist die gemeinsame Sprachschicht der BLUN Plattform. Das Modell verbindet Spracheingabe, Transkription, Sprachausgabe und Echtzeitinteraktion und kann unmittelbar mit King, Queen, Prince, Agents und Werkzeugen zusammenarbeiten.

Typische Aufgaben für Voice

• „Transkribiere dieses Kundengespräch und trenne die Sprecher.“
• „Erstelle aus dem Team-Meeting eine Zusammenfassung mit Entscheidungen und Aufgaben.“
• „Schreibe diese gesprochene Nachricht als professionelle E-Mail.“
• „Lies diese Anleitung langsam und verständlich vor.“
• „Baue einen Sprachassistenten, der Bestellinformationen abrufen kann.“
• „Übersetze diese Sprachnachricht und gib die Antwort gesprochen aus.“

Wann Voice die richtige Wahl ist

Nutze Voice, wenn:

• Audio oder gesprochene Sprache verarbeitet werden soll,
• Meetings und Gespräche automatisch dokumentiert werden sollen,
• Nutzer ohne Tastatur mit BLUN arbeiten sollen,
• eine Anwendung natürlich sprechen können muss,
• ein Echtzeit-Sprachassistent entwickelt wird,
• gesprochene Inhalte direkt Aktionen auslösen sollen,
• Texte als Audio bereitgestellt werden sollen.

Bei rechtlich, medizinisch oder finanziell kritischen Gesprächen sollten Transkripte und automatisch abgeleitete Entscheidungen vor der weiteren Verwendung kontrolliert werden. Hintergrundgeräusche, undeutliche Sprache und mehrere gleichzeitig sprechende Personen können die Erkennung beeinflussen.