Wissensdatenbank · Voice & Conversational AI · Empathische Sprach-KI

Hume AI – Sprach-KI, die auf den Tonfall hört, und was davon im Unternehmen zulässig und sinnvoll ist.

Hume AI ist ein US-amerikanischer Anbieter, der Sprach-KI um eine zusätzliche Ebene erweitert: Seine Modelle sollen nicht nur verstehen, was gesagt wird, sondern auch, wie es gesagt wird – und darauf mit passender Sprechweise reagieren. Zum Angebot gehören das Empathic Voice Interface (EVI) für Sprachdialoge in Echtzeit, die ausdrucksstarke Sprachsynthese Octave und eine API zur Messung von Ausdrucksmerkmalen in Stimme, Gesicht und Sprache. Für den Mittelstand ist das spannend und heikel zugleich: Ausdrucksstarke Stimmen können Gespräche spürbar verbessern, die Auswertung von Emotionen berührt aber Grenzen der Wissenschaft, der DSGVO und des EU AI Act.

Dieser Artikel wurde mithilfe künstlicher Intelligenz erstellt und redaktionell geprüft.

30 Min. Lesezeit
Aktualisiert · Oktober 2026
Fachartikel · Expertenbeitrag
Hume AI
Hume AI · USA (New York)
Typ
Empathische Voice-AI: Speech-to-Speech, TTS, Ausdrucksanalyse
Produkte
EVI, Octave TTS, Expression Measurement
Anbindung
WebSocket, REST, SDKs, Telefonie über Partner
Deutsch
Je Produkt und Modellversion unterschiedlich – prüfen
Datenhoheit
US-Cloud – Drittlandtransfer; EU-Optionen prüfen
Hauptwettbewerb
OpenAI Realtime, ElevenLabs, Cartesia
INAGRO Eignung Mittelstand (Sprachausgabe; Emotionsanalyse nur nach Rechtsprüfung)
★★★★★
Kapitel 01 · Überblick

Was ist Hume AI?

Hume AI ist ein Forschungs- und Technologieunternehmen aus New York, das sich auf sogenannte empathische Sprach-KI spezialisiert hat. Die Grundidee: Menschliche Kommunikation besteht nicht nur aus Wörtern, sondern auch aus Tonfall, Tempo, Lautstärke, Pausen, Seufzern und Lachen. Hume entwickelt Modelle, die solche Signale erfassen, im Gespräch berücksichtigen und in der eigenen Sprachausgabe nachbilden. Das Angebot richtet sich in erster Linie an Entwickler und Softwareanbieter, die diese Fähigkeiten über Schnittstellen in eigene Anwendungen einbauen.

Klassische Sprachassistenten arbeiten weitgehend „taub“ für alles, was zwischen den Zeilen liegt. Eine Spracherkennung macht aus dem Gesagten Text, ein Sprachmodell erzeugt eine Antwort, eine Sprachsynthese liest sie vor. Ob der Anrufer dabei gereizt, unsicher oder in Eile klang, geht in dieser Kette meist verloren. Ebenso klingt die Antwort oft gleichförmig: höflich, aber ohne Gespür dafür, ob gerade Ruhe, Tempo oder Verständnis gefragt wäre. An genau dieser Stelle setzt Hume an. Der Anbieter spricht von Prosodie – dem Sammelbegriff für Melodie, Rhythmus und Betonung der gesprochenen Sprache – und von Ausdrucksmessung, also der automatisierten Einschätzung, welche Ausdrucksmuster in einer Stimme oder einem Gesicht erkennbar sind.
Das Unternehmen wurde von dem Emotionsforscher Alan Cowen gegründet, der zuvor in der Forschung zu Emotionsausdruck tätig war, unter anderem bei Google. Wissenschaftliche Wurzeln prägen das Selbstverständnis des Anbieters bis heute: Hume beruft sich auf eigene Studien zur Vielfalt menschlicher Ausdrucksformen und hat früh ethische Leitlinien für empathische KI formuliert. Anfang 2026 wurde zudem berichtet, dass Teile der Führung und des Forschungsteams im Rahmen einer Lizenzvereinbarung zu Google DeepMind gewechselt sind, während Hume sein Produktgeschäft fortführt. Was das für Roadmap, Support und Vertragssicherheit bedeutet, sollte vor einer langfristigen Bindung beim Anbieter erfragt werden.
Drei Eigenschaften prägen Hume AI:
  • Ausdruck als eigene Datenebene – Hume behandelt Tonfall und Sprechweise nicht als Störgröße, sondern als Information. Die Modelle sollen erkennen, wie etwas gesagt wird, und das in Antworten berücksichtigen. Das ist zugleich die größte Stärke und der regulatorisch sensibelste Teil des Angebots.
  • Ausdrucksstarke Sprachausgabe – Mit der Sprachsynthese Octave positioniert sich Hume als Anbieter, der Texte nicht nur korrekt vorliest, sondern ihre Bedeutung beim Sprechen berücksichtigt. Sprechweise, Emotion und Rolle lassen sich in natürlicher Sprache beschreiben.
  • Bausteine für Entwickler – Hume liefert Schnittstellen, SDKs und eine Entwicklerplattform, aber keine fertige Contact-Center-Lösung. Telefonie, Gesprächslogik, Anbindung an Kernsysteme und Datenschutz-Konzept liegen beim Unternehmen oder seinem Umsetzungspartner.

Von der Emotionsforschung zum Entwicklerprodukt

Hume ist nicht als klassischer Sprachsynthese-Anbieter gestartet, sondern mit einer Messplattform. Die ersten Produkte analysierten Audio-, Video- und Textdaten auf Ausdrucksmuster und richteten sich vor allem an Forschung, Marktforschung und Produktentwicklung. Erst danach entstand mit dem Empathic Voice Interface ein Sprachdialog-System, das diese Analyse in Echtzeit mit einem Sprachmodell und einer Sprachausgabe verbindet. Mit Octave folgte eine eigenständige Sprachsynthese, die sich auch unabhängig von EVI nutzen lässt.
Diese Entwicklung erklärt, warum das Angebot heute aus mehreren, teils sehr unterschiedlichen Bausteinen besteht. Für ein Unternehmen ist es wichtig, diese Bausteine getrennt zu betrachten: Eine ausdrucksstarke Stimme für den Telefon-Assistenten ist rechtlich und ethisch etwas völlig anderes als die systematische Auswertung von Emotionen in Kundengesprächen – und erst recht als die Analyse der Stimmung von Mitarbeitenden. Wir kommen darauf in Kapitel 04 und Kapitel 09 ausführlich zurück.

Für wen Hume gedacht ist

Hume richtet sich an Entwicklerteams, Produktunternehmen und Plattformanbieter, die Sprachfunktionen mit besonderem Fokus auf Natürlichkeit und Ausdruck bauen wollen. Typische Anwendungsfelder sind digitale Begleiter und Coaching-Anwendungen, Lern- und Trainingssoftware, Hörbuch- und Medienproduktion, Spiele und interaktive Figuren, Kundendialoge mit hohem Anspruch an Tonalität sowie Forschungsprojekte rund um menschliche Kommunikation. Für eine Fachabteilung, die ohne IT-Unterstützung einen Telefon-Assistenten aufsetzen möchte, ist Hume in Reinform zu technisch. Hier sind Plattformen, die Hume als einen von mehreren Bausteinen einbinden, oder spezialisierte Voice-Agent-Anbieter der passendere Weg.
INAGRO-Einschätzung

Hume gehört zu den spannendsten Anbietern für ausdrucksstarke, natürlich klingende Sprach-KI. Für den Mittelstand liegt der realistische Nutzen vor allem in der Sprachausgabe und in Gesprächen, die menschlicher wirken. Die Auswertung von Emotionen ist dagegen kein Feature, das man nebenbei einschaltet: Sie erfordert eine rechtliche Prüfung, ist am Arbeitsplatz weitgehend verboten und liefert wissenschaftlich keine Gewissheit über innere Zustände. Wer Hume einsetzt, sollte genau festlegen, welche Funktionen genutzt werden – und welche bewusst nicht.

Kapitel 02 · Produktfamilie & Positionierung

EVI, Octave und Expression Measurement: die Bausteine im Überblick

Das Angebot von Hume besteht aus drei Kernbausteinen, die einzeln oder kombiniert genutzt werden können, ergänzt um Werkzeuge zur Gestaltung eigener Stimmen. Die folgende Übersicht ist qualitativ. Produktnamen, Versionsstände, unterstützte Sprachen und Konditionen ändern sich in diesem Markt schnell und sind immer beim Anbieter zu prüfen.

Empathic Voice Interface (EVI)
Flaggschiff

Sprachdialog-System für Echtzeit-Gespräche: hört zu, berücksichtigt Sprechweise und Tonfall, antwortet mit ausdrucksstarker Stimme und kann Werkzeuge aufrufen. Wird über eine WebSocket-Verbindung in Anwendungen eingebunden und lässt sich mit externen Sprachmodellen kombinieren.

EingabeAudio, Text
AusgabeAudio, Text, Ausdrucksdaten
StärkeNatürlichkeit, Tonalität
EinsatzAssistenten, Begleiter, Training
Octave (Text-to-Speech)
Expressive TTS

Sprachsynthese, die auf einem Sprachmodell aufbaut und den Inhalt eines Textes beim Sprechen berücksichtigt. Sprechweise, Emotion und Rolle lassen sich per Beschreibung steuern, Stimmen können per Beschreibung entworfen oder aus Aufnahmen erstellt werden.

EingabeText, Regieanweisungen
AusgabeAudio
StärkeAusdruck, Stimmdesign
EinsatzVoice Agents, Medien, E-Learning
Expression Measurement API
Analyse

Schnittstelle zur Messung von Ausdrucksmerkmalen in Stimme (Prosodie und nichtsprachliche Laute), Gesichtsausdruck und geschriebener oder gesprochener Sprache. Liefert Wahrscheinlichkeitswerte für eine Vielzahl von Ausdruckskategorien, als Stapelverarbeitung oder in Echtzeit.

EingabeAudio, Video, Bild, Text
AusgabeAusdruckswerte je Abschnitt
StärkeBreite der Merkmale
EinsatzForschung, Medienanalyse
Stimmdesign & eigene Modelle
Werkzeuge

Ergänzende Funktionen zum Entwerfen eigener Stimmen per Beschreibung, zum Erstellen von Stimmen aus Aufnahmen sowie zum Trainieren eigener Klassifikatoren auf Basis der Ausdrucksmerkmale. Umfang und Verfügbarkeit je Tarif beim Anbieter prüfen.

EingabeBeschreibung, Audio, Labels
AusgabeStimme, Klassifikator
StärkeIndividualisierung
EinsatzMarkenstimme, Spezialanalysen

Positionierung: zwischen Sprachsynthese, Speech-to-Speech und Analyse

Hume besetzt eine Nische, die sich mit keinem einzelnen Wettbewerber deckt. Mit Octave konkurriert der Anbieter mit klassischen Sprachsynthese-Spezialisten, die vor allem für Stimmqualität und Stimmenvielfalt bekannt sind. Mit EVI tritt er gegen Speech-to-Speech-Schnittstellen großer Modellanbieter und gegen Voice-Agent-Plattformen an. Mit der Expression Measurement API bedient er einen Markt, der eher aus Forschung, Marktforschung und Media-Analytics kommt. Die verbindende Klammer ist der Anspruch, Ausdruck zu verstehen und zu erzeugen – nicht nur Wörter.
Diese Positionierung hat zwei Seiten. Einerseits bietet Hume Funktionen, die andere Anbieter nicht oder nicht in dieser Tiefe haben: ausdrucksstarke Stimmen, deren Sprechweise sich per natürlicher Sprache steuern lässt, und Gesprächsführung, die Sprechweise einbezieht. Andererseits ist Hume ein vergleichsweise kleiner Anbieter in einem Markt, in dem große Modellanbieter ihre Sprachmodelle ebenfalls immer ausdrucksstärker machen. Der Abstand bei Natürlichkeit und Ausdruck kann sich daher verändern. Eine Architektur, in der die Sprachkomponente austauschbar bleibt, ist auch hier die vernünftigste Absicherung.

Versionen und Generationen: Momentaufnahmen statt Festlegungen

Sowohl EVI als auch Octave sind in mehreren Generationen erschienen. Neuere Versionen brachten jeweils Verbesserungen bei Natürlichkeit, Reaktionszeit, Sprachenvielfalt und Steuerbarkeit, teilweise aber auch geänderte Schnittstellen und andere Konfigurationsmöglichkeiten. Ältere Versionen werden erfahrungsgemäß nach einer Übergangsfrist abgekündigt. Für ein Unternehmensprojekt heißt das: Nicht auf eine bestimmte Versionsnummer planen, sondern auf Qualitätskriterien – und einen Testprozess vorsehen, mit dem eine neue Generation geprüft und freigegeben werden kann, bevor sie produktiv geht.
Drei Produkte, drei Risikoprofile

Die Sprachausgabe mit Octave, der Sprachdialog mit EVI und die Ausdrucksanalyse mit der Expression Measurement API unterscheiden sich rechtlich grundlegend. Eine synthetische Stimme ist vor allem eine Transparenzfrage. Ein Dialogsystem, das Ausdruck intern berücksichtigt, wirft Fragen der Zweckbindung auf. Eine systematische Auswertung von Emotionen kann als Emotionserkennung im Sinne des EU AI Act gelten – mit Verboten und Hochrisiko-Pflichten. Bewerten Sie jeden Baustein einzeln.

Kapitel 03 · Funktionsumfang

Echtzeit-Dialog, Sprachsynthese und Steuerung der Sprechweise

Technisch bietet Hume eine Kombination aus Echtzeit-Schnittstelle für Gespräche, Sprachsynthese-Schnittstelle und Analyse-Schnittstelle. Für die meisten Unternehmensprojekte sind EVI und Octave die relevanten Bausteine. Die folgenden Abschnitte beschreiben, was sie leisten und wo die Gestaltungsspielräume liegen.

EVI: Konfiguration, Gesprächsfluss und Unterbrechungen

Ein EVI-Gespräch beginnt mit einer Konfiguration. Darin werden die Anweisungen für den Assistenten, die Stimme, das zugrunde liegende Sprachmodell, verfügbare Werkzeuge, Begrüßung, Zeitlimits und weitere Verhaltensregeln festgelegt. Konfigurationen lassen sich in der Entwicklerplattform anlegen und versionieren, sodass nachvollziehbar bleibt, welche Fassung zu welchem Zeitpunkt aktiv war. Die eigentliche Verbindung läuft über eine WebSocket-Schnittstelle: Die Anwendung sendet laufend Audio, EVI meldet erkannte Nutzerbeiträge, liefert Antworten als Text und Audio und signalisiert Ereignisse wie Werkzeugaufrufe oder Gesprächsende.
Wie bei jedem guten Voice Agent entscheidet das Timing über das Gesprächserlebnis. EVI erkennt, wann ein Sprecher fertig ist, und berücksichtigt dabei nach Angaben des Anbieters nicht nur Stille, sondern auch die Sprechweise: Eine zögernde, nach oben gezogene Stimme deutet darauf hin, dass noch etwas folgt. Spricht der Nutzer dazwischen, unterbricht EVI die eigene Antwort und hört zu. Wie gut das in der Praxis funktioniert, hängt stark vom Kanal ab. Am Telefon mit reduzierter Audioqualität, Freisprecheinrichtungen und Hintergrundgeräuschen verhalten sich alle Systeme anders als im ruhigen Büro mit Headset. Testgespräche unter realen Bedingungen sind daher Pflicht.

Octave: Sprachsynthese mit Regieanweisungen

Octave unterscheidet sich von klassischen Sprachsynthese-Systemen durch seinen Ansatz. Statt einen Text Laut für Laut in Audio zu übersetzen, nutzt Octave ein Sprachmodell, das den Sinn eines Satzes erfasst und daraus eine passende Sprechweise ableitet. Ein Satz wie „Das tut mir wirklich leid“ wird so anders gesprochen als „Das haben Sie großartig gemacht“, ohne dass jede Nuance manuell markiert werden muss. Zusätzlich lassen sich Regieanweisungen in natürlicher Sprache mitgeben, etwa ruhig und beruhigend, sachlich und zügig oder freundlich mit einem Lächeln in der Stimme.
Für Stimmen bietet Octave mehrere Wege: eine Bibliothek vorhandener Stimmen, das Entwerfen neuer Stimmen über eine Beschreibung und das Erstellen von Stimmen aus Sprachaufnahmen. Gerade letzteres ist rechtlich sensibel: Stimmen sind personenbezogen, und das Nachbilden der Stimme einer realen Person braucht deren ausdrückliche Zustimmung sowie klare vertragliche Regeln zu Nutzung, Dauer und Widerruf. Die Synthese ist für Streaming ausgelegt, sodass die Ausgabe bereits beginnt, bevor der gesamte Text verarbeitet ist – Voraussetzung für den Einsatz in Echtzeit-Dialogen. Konkrete Reaktionszeiten hängen von Modellvariante, Region und Netz ab und sind im eigenen Setup zu messen.

Sprachen, Transkripte und Gesprächsdaten

Die Sprachunterstützung unterscheidet sich zwischen den Produkten und hat sich mit jeder Generation erweitert. Englisch ist bei Hume die am weitesten entwickelte Sprache; weitere Sprachen, darunter nach Herstellerangaben auch Deutsch, wurden schrittweise ergänzt. Für den deutschsprachigen Einsatz ist das ein zentraler Prüfpunkt: Wie natürlich klingen deutsche Stimmen? Wie gut werden Komposita, Fachbegriffe, Zahlen, Eigennamen und Dialekte verstanden und ausgesprochen? Funktioniert die Steuerung der Sprechweise im Deutschen genauso gut wie im Englischen? Und unterstützt die jeweils aktuelle EVI-Generation Deutsch im Dialog oder nur in der Sprachausgabe? Diese Fragen sind mit eigenen Hörproben und Testgesprächen zu beantworten.
Während eines EVI-Gesprächs entstehen Transkripte, Antworttexte und – je nach Konfiguration – Ausdruckswerte zu den Nutzerbeiträgen. Hume speichert Gesprächsverläufe in der Plattform, sofern dies nicht deaktiviert wird, und stellt sie für Auswertung und Fortsetzung von Gesprächen bereit. Für Unternehmen ist entscheidend, diese Datenspeicherung bewusst zu konfigurieren: Was wird gespeichert, wie lange, wer hat Zugriff, und lassen sich Ausdruckswerte ganz unterdrücken? Möglichkeiten wie eine Abschaltung der Datenspeicherung sind beim Anbieter zu prüfen und vertraglich festzuhalten.
Ausdruck ist Gestaltungsarbeit

Eine ausdrucksstarke Stimme ist kein Selbstläufer. Zu viel Emotion wirkt am Telefon schnell aufgesetzt oder sogar manipulativ, zu wenig verschenkt das Potenzial. Legen Sie eine Stimm- und Tonalitätsrichtlinie fest – ähnlich einem Corporate-Design für Sprache – und testen Sie sie mit echten Zielgruppen, nicht nur im Projektteam.

Kapitel 04 · KI-Funktionen

Emotions- und Prosodie-Erkennung: was sie kann und was nicht

Das Herzstück von Hume ist die Analyse von Ausdruck. Damit verbunden sind große Erwartungen – und erhebliche Missverständnisse. Dieses Kapitel erklärt allgemeinverständlich, wie die Technik funktioniert, welche wissenschaftlichen Grenzen sie hat und wie Sprachmodelle über Werkzeuge mit eigenen Systemen verbunden werden.

Wie Ausdrucksmessung funktioniert – allgemeinverständlich erklärt

Wenn Menschen sprechen, verändert sich ihre Stimme ständig: Tonhöhe steigt und fällt, das Tempo wird schneller oder langsamer, die Lautstärke schwankt, die Stimme wird rauer, gepresster oder weicher. Hinzu kommen nichtsprachliche Laute wie Lachen, Seufzen, Räuspern oder ein überraschtes Luftholen. Diese Merkmale nennt man Prosodie und Paralinguistik. Hume hat Modelle mit großen Mengen an Sprachaufnahmen trainiert, bei denen Menschen eingeschätzt haben, welchen Ausdruck sie in einer Stimme wahrnehmen. Das Modell lernt daraus Zusammenhänge zwischen akustischen Mustern und diesen Einschätzungen.
Das Ergebnis ist keine einzelne Diagnose wie wütend oder fröhlich, sondern eine Reihe von Wahrscheinlichkeitswerten für viele Ausdruckskategorien gleichzeitig – etwa wie stark ein Abschnitt nach Interesse, Verwirrung, Erleichterung, Ungeduld oder Belustigung klingt. Hume betont, dass diese Werte beschreiben, wie ein Ausdruck von Menschen typischerweise wahrgenommen würde, und nicht, was eine Person tatsächlich fühlt. Diese Unterscheidung ist zentral. Bei EVI fließen solche Einschätzungen in die Antwortgenerierung ein: Das Sprachmodell erhält neben dem Text auch Hinweise auf die Sprechweise und kann darauf mit passender Wortwahl und Tonalität reagieren.
Analog arbeitet die Expression Measurement API auch mit Gesichtsausdrücken in Bildern und Videos sowie mit der Wortwahl in Texten. Zusätzlich lassen sich auf Basis dieser Merkmale eigene Klassifikatoren trainieren, etwa um zu erkennen, ob ein Gesprächsabschnitt eher zu einer Beschwerde oder zu einer Zustimmung führt. Technisch ist das eindrucksvoll. Ob und wofür es eingesetzt werden darf, ist eine andere Frage, die in Kapitel 09 behandelt wird.

Wissenschaftliche Grenzen: Ausdruck ist nicht Gefühl

Die Forschung zu Emotionen ist seit Jahrzehnten von einer grundlegenden Debatte geprägt. Eine Denkrichtung geht davon aus, dass bestimmte Gefühle mit relativ universellen Ausdrucksformen verbunden sind. Eine andere betont, dass Emotionen stark von Kontext, Kultur, Persönlichkeit und Situation abhängen und sich nicht zuverlässig an Gesicht oder Stimme ablesen lassen. Übersichtsarbeiten der Psychologie kommen überwiegend zu dem Schluss, dass der Zusammenhang zwischen äußerem Ausdruck und innerem Erleben deutlich schwächer und uneinheitlicher ist, als populäre Vorstellungen nahelegen. Ein Lächeln kann Freude, Verlegenheit, Höflichkeit oder Unbehagen bedeuten; eine laute Stimme kann Ärger, Begeisterung oder schlicht eine schlechte Telefonverbindung ausdrücken.
Für den praktischen Einsatz folgen daraus mehrere ehrliche Einschränkungen:
  • Wahrnehmung statt Wahrheit – Modelle schätzen, wie ein Ausdruck auf andere wirkt, nicht, was jemand empfindet. Entscheidungen über Menschen auf dieser Grundlage sind fachlich nicht gedeckt.
  • Kultur und Sprache – Ausdrucksnormen unterscheiden sich zwischen Kulturen, Regionen und Sprachen. Trainingsdaten mit Schwerpunkt auf bestimmten Sprachräumen können für Deutsch, Schweizerdeutsch oder Österreichisch andere Ergebnisse liefern.
  • Individuelle Unterschiede – Menschen mit Sprachbesonderheiten, neurodivergente Personen, ältere Menschen oder Nicht-Muttersprachler können systematisch anders eingeschätzt werden. Das birgt ein Diskriminierungsrisiko.
  • Technische Störgrößen – Telefonqualität, Kompression, Hintergrundgeräusche und Mikrofone beeinflussen akustische Merkmale und damit die Werte, ohne dass sich am Ausdruck etwas geändert hat.
  • Gesellschaftliche Bewertung – Gerade wegen dieser Unsicherheiten hat der europäische Gesetzgeber Emotionserkennung in bestimmten Bereichen verboten und anderswo streng reguliert.
Daraus folgt keine Pauschalablehnung. Wenn ein Voice Agent auf hörbare Ungeduld mit kürzeren Antworten reagiert oder bei hörbarer Verwirrung nachfragt, kann das ein Gespräch verbessern, ohne dass über Menschen geurteilt wird. Problematisch wird es, sobald Ausdruckswerte gespeichert, Personen zugeordnet, ausgewertet oder für Entscheidungen genutzt werden. Die Grenze zwischen Gesprächsfluss und Emotionsprofil ist der entscheidende Gestaltungspunkt.

Sprachmodelle, Werkzeuge und eigene Logik

Ein Voice Agent, der nur angenehm klingt, löst noch kein Kundenanliegen. EVI kann deshalb mit Werkzeugen arbeiten: Die Anwendung beschreibt Funktionen wie Termin prüfen oder Bestellstatus abfragen, das Modell erkennt im Gespräch, wann eine Funktion gebraucht wird, und sendet einen strukturierten Aufruf. Die Anwendung führt ihn in den eigenen Systemen aus und gibt das Ergebnis zurück. Daneben gibt es eingebaute Werkzeuge, etwa für eine Websuche oder das Beenden eines Gesprächs; Umfang und Verfügbarkeit sind beim Anbieter zu prüfen. Wie bei allen Voice Agents gilt: Werkzeugaufrufe serverseitig validieren, schreibende Aktionen im Gespräch bestätigen lassen und kritische Vorgänge an Menschen übergeben.
Bemerkenswert ist die Offenheit beim Sprachmodell. EVI lässt sich nach Herstellerangaben mit Modellen verschiedener Anbieter kombinieren, und Unternehmen können über eine eigene Schnittstelle sogar ihr eigenes Sprachmodell oder ihre eigene Dialoglogik anbinden. Hume übernimmt dann Hören, Sprechweise und Sprachausgabe, während die inhaltliche Antwort aus der eigenen Anwendung kommt. Das ist interessant für Unternehmen, die bestehende Dialogsysteme oder ein in der EU betriebenes Sprachmodell weiter nutzen möchten. Datenschutzrechtlich ist zu beachten, dass jeder zusätzliche Modellanbieter ein weiterer Empfänger von Gesprächsinhalten ist.
Keine Entscheidungen auf Emotionswerten

Nutzen Sie Ausdruckssignale – wenn überhaupt – nur flüchtig zur Steuerung des Gesprächsflusses, nicht zur Bewertung, Einstufung oder Priorisierung von Personen. Speichern Sie keine Emotionsprofile, ordnen Sie Werte keinen Kundenakten zu und verwenden Sie sie niemals für Aussagen über Mitarbeitende. Wo Ausdruckswerte nicht gebraucht werden, sollten sie gar nicht erst erzeugt oder ausgeliefert werden.

Kapitel 05 · Integrationen & Ökosystem

SDKs, Telefonie, Frameworks und das Voice-Ökosystem

Hume liefert die Sprach- und Ausdrucksintelligenz; Kanal, Telefonie, Geschäftslogik und Kernsysteme müssen angebunden werden. Dafür stehen Entwickler-SDKs, Beispielprojekte und Integrationen in verbreitete Echtzeit-Frameworks zur Verfügung. Die Auswahl hängt vor allem vom Kanal ab: Website, App, Telefon oder Medienproduktion.

Anbindung Typischer Einsatz Aufwand Hinweis
Web- und App-SDKs Sprachassistent auf der Website oder in mobilen Anwendungen Gering bis mittel Zugangsschlüssel serverseitig verwalten, nie im Browser
WebSocket-API Server-zu-Server, eigene Audio-Pipelines, Telefonie-Brücken Mittel Audioformate, Puffer und Unterbrechungen selbst steuern
REST-API (Octave, Analyse) Sprachausgabe, Stapelverarbeitung von Aufnahmen Gering Streaming für Echtzeit-Einsatz nutzen
Twilio & Telefonie Telefonnummern, Anrufsteuerung, Weiterleitung Mittel Weiterer Auftragsverarbeiter im Datenfluss
LiveKit, Pipecat Orchestrierung, Multi-Anbieter, Octave als TTS-Baustein Mittel bis hoch Mehr Kontrolle, Modell austauschbar
CRM, ERP, Ticketing Werkzeuge per Funktionsaufruf Mittel Saubere APIs der Kernsysteme vorausgesetzt

SDKs, Entwicklerplattform und Beispielprojekte

Hume stellt Software-Bibliotheken für gängige Programmiersprachen und Web-Frameworks bereit, darunter nach unserem Kenntnisstand TypeScript beziehungsweise JavaScript und Python, sowie Komponenten für Web-Oberflächen. Über die Entwicklerplattform lassen sich Konfigurationen anlegen, Stimmen ausprobieren, Gespräche testen und Protokolle einsehen. Eine Reihe von Beispielprojekten zeigt typische Muster: Sprachassistent im Browser, Anbindung eines eigenen Sprachmodells, Werkzeugnutzung, Telefonie. Für einen Prototypen ist das ein schneller Einstieg. Für den Produktivbetrieb gelten die üblichen Anforderungen: Zugangsschlüssel ausschließlich serverseitig verwalten, kurzlebige Tokens für Endgeräte nutzen, Fehler und Verbindungsabbrüche sauber behandeln.
Octave lässt sich unabhängig von EVI als reine Sprachsynthese nutzen – etwa für Ansagen, Lerninhalte, Produktvideos oder als Ausgabekomponente in einem Voice Agent, dessen übrige Bausteine von anderen Anbietern stammen. Diese Entkopplung ist für viele Unternehmen der pragmatischste Einstieg: Man profitiert von der Ausdrucksstärke der Stimme, ohne die Gesprächssteuerung oder gar die Ausdrucksanalyse an Hume zu binden.

Telefonie und Telefonanlagen

Für Voice Agents am Telefon gibt es zwei Grundmuster. Beim ersten nimmt ein Telefonie-Anbieter wie Twilio Voice den Anruf entgegen und leitet das Audio an EVI weiter; Hume bietet dafür nach Herstellerangaben eine direkte Anbindungsmöglichkeit. Beim zweiten Muster wird das Audio über eine eigene Anwendung oder ein Framework vermittelt, die zusätzlich Weiterleitung, Aufzeichnungsregeln und Übergaben an Mitarbeitende steuert. Ob eine direkte SIP-Anbindung möglich ist, sollte beim Anbieter geprüft werden.
Für mittelständische Unternehmen liegt die eigentliche Herausforderung oft in der bestehenden Telefonanlage. Cloud-Telefonanlage, klassische Anlage mit SIP-Trunk oder Contact-Center-Software – in jedem Fall muss geklärt werden, wie Anrufe zum Voice Agent gelangen, wie sie mit Kontext an Mitarbeitende zurückgegeben werden und wer welche Daten verarbeitet. Telefonqualität ist zudem ein Sonderfall für ausdrucksstarke Sprach-KI: Schmalbandiges Audio schneidet genau die Frequenzen ab, in denen viele Feinheiten der Stimme liegen. Was im Browser beeindruckend klingt, wirkt am Telefon mitunter deutlich flacher.

Frameworks: LiveKit und Pipecat als Orchestrierungsschicht

Echtzeit-Frameworks wie LiveKit und Pipecat stellen eine Schicht zwischen Kanal und Modellen bereit. Sie übernehmen Medientransport, Telefonie-Anbindung, Sprechererkennung und Unterbrechungslogik und bieten Integrationen für zahlreiche Spracherkennungs-, Sprachmodell- und Sprachsynthese-Anbieter, darunter auch Hume. Der Vorteil: Die Stimme wird austauschbar. Ein Unternehmen kann Octave als Sprachausgabe einsetzen und gleichzeitig Spracherkennung und Sprachmodell von anderen, etwa europäisch gehosteten Anbietern beziehen – oder später ohne Neuentwicklung wechseln. Für Unternehmen, die Abhängigkeiten begrenzen und Datenflüsse gezielt steuern wollen, ist eine solche Orchestrierungsschicht meist die strategisch bessere Architektur.
Kapitel 06 · Abgrenzung

Hume im Vergleich zu Alternativen

Hume konkurriert je nach Baustein mit unterschiedlichen Anbietern: mit Speech-to-Speech-Schnittstellen großer Modellanbieter, mit Sprachsynthese-Spezialisten und mit Voice-Agent-Plattformen. Die folgende Einordnung ist herstellerneutral und qualitativ. Sie ersetzt keinen Vergleichstest mit eigenen Texten, Stimmen und Gesprächsszenarien.

Aspekt Hume (EVI/Octave) OpenAI Realtime ElevenLabs Cartesia Kette mit EU-Bausteinen
Grundansatz Empathische Voice-AI, expressive TTS Speech-to-Speech-API TTS und Agent-Plattform Echtzeit-TTS mit Fokus Geschwindigkeit STT, LLM und TTS frei kombiniert
Ausdruck & Tonalität Sehr hoch Hoch Hoch Mittel bis hoch Abhängig von TTS
Deutsch Prüfen In der Regel gut Breit unterstützt Prüfen Wählbar
Wahl des Sprachmodells Offen, auch eigenes OpenAI-Modelle Mehrere Modelle Frei (nur TTS) Frei
EU-Hosting / Datenhoheit Prüfen Über Optionen prüfen Prüfen Prüfen Gestaltbar
Sweet Spot Empathische Dialoge, ausdrucksstarke Stimmen Natürliche Dialoge, eigene Produkte Markenstimme, schneller Start Sehr kurze Reaktionszeiten Kontrolle, Compliance

Hume vs. OpenAI Realtime API

Die OpenAI Realtime API verarbeitet Audio direkt in einem nativ multimodalen Modell und nimmt dadurch ebenfalls Tonfall und Sprechweise wahr. Für viele Unternehmen ist sie der naheliegende Vergleichskandidat, weil sie mit starken Sprachmodellen, ausgereiften Werkzeugfunktionen und einem großen Ökosystem kommt. Hume setzt dagegen auf zwei Unterscheidungsmerkmale: die explizite Ausrichtung auf Ausdruck und Empathie sowie die Offenheit beim Sprachmodell. Wer ein bestimmtes Sprachmodell oder eine eigene Dialoglogik nutzen und trotzdem eine ausdrucksstarke Sprachschicht haben möchte, findet bei Hume mehr Spielraum.
Umgekehrt bietet die Realtime API ein einheitliches Modell ohne zusätzliche Schnittstelle zwischen Sprach- und Textverarbeitung, was Werkzeugtreue und Konsistenz zugutekommen kann. Beide Anbieter sind US-Unternehmen; beim Datenschutz unterscheiden sich vor allem die verfügbaren EU-Bezugswege. Wer ausschließlich einen robusten Telefon-Assistenten sucht, wird in der Realtime API oft die breitere Basis finden. Wer Gesprächserlebnis und Tonalität zum Kern seines Produkts macht, sollte Hume ernsthaft testen.

Hume vs. ElevenLabs und Cartesia

ElevenLabs ist einer der bekanntesten Sprachsynthese-Anbieter und bietet mit seiner Conversational-AI-Plattform auch fertige Bausteine für Voice Agents: Wissensbasis, Telefonie, Auswertung, eine große Stimmbibliothek und breite Sprachunterstützung. Im direkten Vergleich der Sprachausgabe liegen beide Anbieter auf hohem Niveau; Hume betont stärker die kontextabhängige, emotionale Sprechweise, ElevenLabs die Breite an Stimmen, Sprachen und Produktionswerkzeugen. Für deutschsprachige Projekte mit Markenstimme ist ElevenLabs häufig der erfahrenere Kandidat, für besonders empathische Dialogszenarien kann Hume die Nase vorn haben – beides ist im Hörtest zu entscheiden.
Cartesia positioniert sich als Sprachsynthese für Echtzeit-Anwendungen mit besonders kurzer Reaktionszeit und effizienter Modellarchitektur. Im Telefonkanal, wo jede Verzögerung zählt, ist das ein starkes Argument. Hume punktet dagegen bei der Steuerung von Ausdruck und Sprechweise. In einer Orchestrierungsschicht lassen sich beide als austauschbare Sprachausgabe nutzen, sodass ein direkter Vergleich mit denselben Gesprächsszenarien einfach möglich ist.

Hume vs. Plattformen und europäische Ketten

Plattformen wie Parloa, Cognigy oder Entwicklerplattformen wie Vapi setzen eine Ebene höher an. Sie liefern Gesprächsdesign, Telefonie, Übergabe an Contact Center, Analyse und Betrieb und nutzen im Hintergrund Modelle verschiedener Anbieter – teilweise auch Hume. Für Unternehmen ohne eigene Entwicklung ist das oft der schnellere und risikoärmere Weg. Die Alternative für maximale Datenhoheit ist eine Kette aus europäisch gehosteten oder selbst betriebenen Bausteinen: Spracherkennung wie Whisper auf eigener Infrastruktur, ein Sprachmodell in einer EU-Region und eine selbst gehostete oder europäische Sprachsynthese. Ausdrucksstärke und Natürlichkeit erreichen solche Ketten häufig nicht ganz, dafür lassen sich Datenflüsse vollständig kontrollieren. Eine ausführliche Einordnung bietet unser Artikel zu STT, TTS und Voice Agents.
Wann Hume gewinnt – und wann nicht
Hume gewinnt, wenn Tonalität, Empathie und ausdrucksstarke Stimmen den Kern der Anwendung bilden, wenn ein eigenes Sprachmodell eingebunden werden soll und ein Entwicklungsteam vorhanden ist. Hume verliert gegen ElevenLabs bei breiter Sprach- und Stimmenauswahl, gegen Cartesia bei minimaler Reaktionszeit, gegen die Realtime API bei Ökosystem und Werkzeugtiefe und gegen europäische Ketten, wenn Daten die EU nicht verlassen dürfen.
Kapitel 07 · Einführung & Betrieb

Vom Hörtest zum stabilen Betrieb

Ein beeindruckender Prototyp mit Hume ist schnell gebaut. Der Weg zu einer Anwendung, die täglich zuverlässig läuft, rechtlich sauber dokumentiert ist und die Erwartungen der Nutzer trifft, ist deutlich länger. Bei empathischer Sprach-KI kommt eine zusätzliche Aufgabe hinzu: die bewusste Entscheidung, welche Ausdrucksfunktionen genutzt werden und welche nicht.

01
Use Case und Funktionsumfang
Welche Anwendung, welcher Kanal, welches Volumen? Und vor allem: Wird nur die Sprachausgabe genutzt, der Dialog mit EVI oder auch die Ausdrucksanalyse? Diese Festlegung bestimmt das rechtliche Risikoprofil.
02
Rechtliche Vorprüfung
Prüfung durch Datenschutz und ggf. Rechtsberatung: Drittlandtransfer, Art. 9 DSGVO, Einordnung nach EU AI Act, Betriebsrat. Bei Arbeitsplatz- oder Bildungsbezug ist Emotionserkennung grundsätzlich ausgeschlossen.
03
Hörtest und Stimmauswahl
Vergleich von Stimmen und Anbietern mit eigenen deutschsprachigen Texten, Fachbegriffen und Zahlen – über die Zielkanäle Telefon, Web und App. Bewertung durch Personen aus der Zielgruppe.
04
Prototyp mit realistischen Gesprächen
Zwei bis drei Kernszenarien mit wenigen Werkzeugen, getestet unter echten Bedingungen. Ziel ist eine belastbare Aussage zu Verständnis, Gesprächsfluss, Tonalität und Aufwand.
05
Evaluierung und Pilot
Testsuite mit typischen und schwierigen Szenarien, Pilot mit begrenztem Volumen, klare Übergabe an Mitarbeitende. Fehler aus echten Gesprächen werden zu neuen Testfällen.
06
Skalierung und Betrieb
Monitoring von Qualität, Kosten und Verfügbarkeit, Prozess für neue Modellgenerationen, regelmäßige Überprüfung der Datenschutz-Dokumentation und ein verantwortliches Produktteam.

Prompting und Tonalität für empathische Dialoge

Anweisungen für einen empathischen Voice Agent unterscheiden sich von klassischen Chat-Prompts. Gesprochene Antworten müssen kurz sein, Aufzählungen und lange Absätze funktionieren am Telefon nicht. Hinzu kommt bei Hume die Ebene der Tonalität: Wie soll der Assistent auf hörbare Ungeduld reagieren? Wann ist ein ruhiger, verlangsamter Ton angemessen, wann eher ein sachlicher? Bewährt hat sich, diese Regeln explizit zu formulieren und dabei Grenzen zu ziehen – etwa keine Kommentare zur vermuteten Gefühlslage des Gegenübers, kein Spiegeln von Ärger, keine übertriebene Anteilnahme in sachlichen Anliegen.
Ein häufiger Fehler ist zu viel Empathie. Sätze wie „Ich höre, dass Sie frustriert sind“ wirken bei einer einfachen Lieferstatusabfrage befremdlich und können als übergriffig empfunden werden. Empathie zeigt sich am Telefon eher in Tempo, Klarheit und Lösungsorientierung als in ausgesprochenen Gefühlsdeutungen. Anweisungen und Stimmkonfigurationen sollten versioniert werden wie Software, damit nachvollziehbar bleibt, welche Fassung wann aktiv war.

Evaluierung, Qualität und menschliche Kontrolle

Sprachmodelle verhalten sich nicht deterministisch, und ausdrucksstarke Sprachausgabe fügt eine weitere Variable hinzu: Derselbe Satz kann bei zwei Durchläufen unterschiedlich betont werden. Deshalb braucht jede produktive Anwendung eine Evaluierung mit typischen und schwierigen Szenarien, die regelmäßig durchgespielt wird. Bewertet werden Lösungsquote, korrekte Werkzeugaufrufe, Einhaltung von Grenzen und die wahrgenommene Gesprächsqualität. Für die Tonalität sind menschliche Hörproben unverzichtbar; automatisierte Bewertungen erfassen sie nur unvollständig.
Im laufenden Betrieb kommen Kennzahlen hinzu: Anteil gelöster Anliegen, Übergaben an Menschen, Abbrüche, Gesprächsdauer, Reaktionszeiten und Fehler. Gesprächsprotokolle sind dafür wichtig, aber datenschutzrechtlich sensibel – und Ausdruckswerte in Protokollen sind es in besonderem Maße. Speicherdauer, Zugriffsrechte und Pseudonymisierung sind von Anfang an festzulegen; Ausdruckswerte sollten in Protokollen nach Möglichkeit gar nicht auftauchen.

Kostenkontrolle und Rückfallebenen

Die Abrechnung erfolgt nutzungsabhängig, bei EVI typischerweise nach Gesprächszeit, bei Octave nach Textmenge oder erzeugter Audiolänge. Bei hohem Volumen können die Kosten schnell steigen, zumal bei Anbindung externer Sprachmodelle deren Kosten hinzukommen können. Wirksame Hebel sind maximale Gesprächsdauern, schlanke Anweisungen, Caching wiederkehrender Ansagen bei Octave und ein Monitoring der Kosten pro Gespräch. Ebenso wichtig sind Rückfallebenen: Fällt der Dienst aus oder wird er langsam, braucht es definierte Wege – Weiterleitung an Mitarbeitende, Rückrufangebot oder Umschalten auf eine alternative Sprachausgabe über eine Orchestrierungsschicht.
Realistische Zeitplanung

Ein Hörtest und ein erster Prototyp sind mit erfahrenem Team in wenigen Wochen machbar. Bis zum stabilen Produktivbetrieb mit Telefonie, Werkzeugen, Testsuite, Monitoring und vollständiger Datenschutz-Dokumentation vergehen typischerweise mehrere Monate. Bei Hume kommt die rechtliche Klärung der Ausdrucksfunktionen hinzu, die erfahrungsgemäß mehr Zeit braucht als die Technik.

Kapitel 08 · Einsatz im Mittelstand

Hume im DACH-Mittelstand

Für mittelständische Unternehmen ist Hume weniger ein Werkzeug zur Emotionsanalyse als ein Baustein für Sprachanwendungen, die menschlicher klingen. Die folgenden Szenarien zeigen, wo der Einsatz realistisch Wert stiften kann – und sie sind bewusst so gewählt, dass Emotionserkennung nicht im Mittelpunkt steht.

Natürlich klingender Telefon-Assistent

Ein Voice Agent für Rückrufwünsche, Terminanfragen oder Vorqualifizierung, der mit ruhiger, angenehmer Stimme spricht. Octave als Sprachausgabe, Gesprächslogik und Werkzeuge in der eigenen Anwendung.

Höhere Akzeptanz am Telefon
E-Learning und Produktschulung

Lernmodule, Erklärvideos und Schulungsinhalte mit ausdrucksstarken Sprecherstimmen statt monotoner Vorlesestimme – schneller aktualisierbar als Studioaufnahmen.

Geringere Produktionskosten
Ansagen und Sprachmenüs

Warteschleifen, Ansagen und Hinweise in einheitlicher Markenstimme, die sich bei Änderungen sofort neu erzeugen lassen – mit passender Tonalität je Situation.

Einheitlicher Markenauftritt
Sprachfunktionen im eigenen Produkt

Softwareanbieter integrieren einen sprechenden Assistenten mit natürlicher Stimme in ihre Anwendung – etwa für Kundenportale, Gesundheits- oder Beratungs-Apps.

Produktdifferenzierung
Gesprächssimulation für Kunden-Trainings

Ein simulierter Kunde mit realistischer Sprechweise für Übungsgespräche. Wichtig: keine Auswertung der Emotionen der übenden Mitarbeitenden – das wäre am Arbeitsplatz unzulässig.

Realistisches Üben
Barrierearme Sprachausgabe

Vorlesefunktionen für Webseiten, Dokumente und Portale mit angenehmer, gut verständlicher Stimme – hilfreich für Menschen mit Sehbeeinträchtigung oder Leseschwierigkeiten.

Mehr Barrierefreiheit

Deutsch-Unterstützung: der entscheidende Prüfpunkt

Für den DACH-Markt steht und fällt jeder Einsatz mit der Qualität im Deutschen. Hume hat seine Sprachunterstützung über die Produktgenerationen ausgebaut, die Reife ist aber nicht in allen Sprachen und Produkten gleich. Vor einer Entscheidung sollten mindestens folgende Punkte mit eigenen Tests geprüft werden: Klingen deutsche Stimmen natürlich oder hörbar übersetzt? Werden Umlaute, zusammengesetzte Wörter, Abkürzungen, Zahlen, Datumsangaben, Kundennummern und Produktnamen korrekt gesprochen? Wie gut versteht EVI deutsche Sprecher mit regionaler Färbung – etwa aus Bayern, Sachsen, Österreich oder der Schweiz? Und funktioniert die Steuerung von Sprechweise und Emotion im Deutschen so fein wie im Englischen?
Ebenso wichtig ist der Unterschied zwischen Sprachausgabe und Dialog. Es ist möglich, dass Octave Deutsch in guter Qualität spricht, während die jeweils aktuelle EVI-Generation Deutsch im Gespräch nur eingeschränkt oder gar nicht unterstützt – oder umgekehrt. Der aktuelle Stand ist in der Dokumentation des Anbieters zu prüfen und in einem kurzen Pilot zu verifizieren, bevor Budgets fest eingeplant werden.

Wer zu Hume passt – und wer nicht

Hume passt zu Mittelständlern und Softwareanbietern, denen ausdrucksstarke, natürlich klingende Sprachausgabe einen echten Mehrwert bringt, die über eigene Entwicklung oder einen erfahrenen Partner verfügen und die bereit sind, Datenschutz und Rechtsrahmen aktiv zu klären. Besonders interessant ist der Einsatz als Sprachausgabe in einer modularen Architektur, bei der Spracherkennung und Sprachmodell nach eigenen Kriterien gewählt werden.
Weniger gut passt Hume, wenn ein fertiger Telefon-Assistent ohne Entwicklung gesucht wird, wenn Gesprächsdaten die EU unter keinen Umständen verlassen dürfen oder wenn das eigentliche Ziel die Überwachung von Stimmung in Gesprächen ist. Letzteres ist am Arbeitsplatz verboten und gegenüber Kunden mit erheblichen Pflichten verbunden. Wer die Grundlagen vertiefen möchte, findet sie in unserem Überblicksartikel zu Voice AI.
Kapitel 09 · Kosten & DSGVO

Kosten, DSGVO, EU AI Act und Datenhoheit

Hume wird nutzungsabhängig abgerechnet und ist das Angebot eines US-Anbieters. Bei kaum einem anderen Voice-Anbieter ist die rechtliche Bewertung zudem so vielschichtig: Neben Drittlandtransfer und Sprachaufzeichnung spielen besondere Kategorien personenbezogener Daten und die Verbote des EU AI Act zur Emotionserkennung eine Rolle. Konkrete Preise nennen wir nicht; sie sind beim Anbieter zu prüfen.

Plattformnutzung
Variabel / beim Anbieter prüfen
Tarifstufen mit Kontingenten, nutzungsabhängige Abrechnung
  • EVI typischerweise nach Gesprächszeit, Octave nach Textmenge oder Audiolänge, Analyse nach Datenmenge. Enterprise-Konditionen individuell.
Sprachmodell
€–€€ / je nach Modell
Externe oder eigene Sprachmodelle
  • Bei Anbindung eigener oder externer Modelle können deren Kosten zusätzlich anfallen. Abrechnungsweg beim Anbieter prüfen.
Telefonie & Infrastruktur
€–€€ / laufend
Rufnummern, Minuten, Server, Orchestrierung
  • Telefonie-Anbieter, eigene Anwendungsserver, Protokollierung und Monitoring kommen zur Plattformnutzung hinzu.
Team, Recht & Betrieb
€€€ / laufend
Entwicklung, Gesprächsdesign, Datenschutz, Qualitätssicherung
  • Häufig der größte Block – bei Hume inklusive rechtlicher Bewertung der Ausdrucksfunktionen und Datenschutz-Folgenabschätzung.

Kosten verstehen und steuern

Hume bietet nach unserem Kenntnisstand gestaffelte Tarife von einem kostenlosen Einstieg für Tests bis zu individuellen Enterprise-Vereinbarungen. Die Abrechnung erfolgt nutzungsabhängig und unterscheidet sich je Produkt. Für die Wirtschaftlichkeitsbetrachtung empfiehlt sich eine Rechnung pro erledigtem Anliegen oder pro produzierter Inhaltsminute statt pro Gesprächsminute: Was kostet ein vollständig erledigter Anruf inklusive Plattform, Sprachmodell, Telefonie und anteiligem Betrieb – und was kostet derselbe Vorgang heute? Bei Octave lohnt der Vergleich mit Studioaufnahmen und anderen Sprachsynthese-Anbietern. Aktuelle Preise, Kontingente und Rabatte sind beim Anbieter zu prüfen; belastbare Zahlen liefert erst ein Pilot.
Datenschutz-Stack im Detail

Bei Hume werden Stimme, Gesprächsinhalte und gegebenenfalls Ausdruckswerte an einen Cloud-Dienst in den USA übertragen. Stimmen sind personenbezogene Daten, Ausdruckswerte können besonders sensibel sein. Folgende Punkte sind für die Bewertung besonders relevant:

Serverstandort
Verarbeitung nach unserem Kenntnisstand in den USA – Drittlandtransfer ausdrücklich bewerten
CLOUD Act
US-Behörden können Zugriff auf Daten von US-Anbietern verlangen – unabhängig vom Speicherort
EU-Optionen
EU-Region oder Datenresidenz beim Anbieter erfragen; alternativ EU-gehostete oder selbst betriebene Bausteine
Datenspeicherung
Gesprächsprotokolle, Ausdruckswerte, Trainingsnutzung, Abschaltung der Speicherung – vertraglich klären
Art. 9 DSGVO
Biometrie-, Gesundheits- oder sonstige sensible Rückschlüsse aus der Stimme prüfen
EU AI Act
Emotionserkennung am Arbeitsplatz und in Bildung verboten; sonst Hochrisiko- und Transparenzpflichten prüfen

Drittlandtransfer, CLOUD Act und EU-Optionen

Hume ist ein US-Anbieter, und die Verarbeitung findet nach unserem Kenntnisstand in Rechenzentren in den USA statt. Damit liegt ein Drittlandtransfer vor, der eine tragfähige Grundlage benötigt – etwa das EU-US Data Privacy Framework, sofern der Anbieter zertifiziert ist, oder Standardvertragsklauseln mit einer ergänzenden Bewertung des Transferrisikos. Zu prüfen sind außerdem Auftragsverarbeitungsvertrag, Liste der Unterauftragsverarbeiter, technische und organisatorische Maßnahmen sowie die Frage, ob Daten zur Verbesserung der Modelle genutzt werden. Hinzu kommt der CLOUD Act: US-Behörden können unter bestimmten Voraussetzungen Zugriff auf Daten verlangen, die von US-Unternehmen verarbeitet werden, auch wenn diese außerhalb der USA gespeichert sind. Wie sich die Rechtslage zum Datentransfer weiterentwickelt, sollte laufend beobachtet werden.
Ob Hume eine Verarbeitung in der EU, Datenresidenz oder eine dedizierte Bereitstellung anbietet, ist beim Anbieter zu erfragen und vertraglich festzuhalten. Die DSGVO-konformere Alternative ist häufig eine modulare Architektur: Spracherkennung und Sprachmodell europäisch gehostet oder selbst betrieben, etwa mit Whisper auf eigener Infrastruktur, und nur dort, wo die Ausdrucksstärke wirklich gebraucht wird, eine Sprachausgabe wie Octave. Bei reiner Sprachausgabe gehen in der Regel nur die zu sprechenden Texte an den Anbieter, keine Stimmen der Anrufer – das senkt das Risiko erheblich. Wo auch das nicht in Frage kommt, bleiben selbst gehostete Sprachsynthese-Modelle, die bei Ausdruck und Natürlichkeit allerdings meist nicht ganz mithalten.

EU AI Act: Verbote und Pflichten bei Emotionserkennung

Der EU AI Act regelt Emotionserkennung ausdrücklich und streng. Als Emotionserkennungssystem gilt dabei ein KI-System, das Emotionen oder Absichten natürlicher Personen auf Grundlage ihrer biometrischen Daten – etwa Stimme oder Gesichtsausdruck – erkennt oder ableitet. Für den Einsatz von Hume ergeben sich daraus drei zentrale Prüfpunkte:
  • Verbot am Arbeitsplatz und in Bildungseinrichtungen – Nach Art. 5 des EU AI Act ist der Einsatz von KI-Systemen zur Ableitung von Emotionen einer natürlichen Person am Arbeitsplatz und in Bildungseinrichtungen verboten; das Verbot gilt seit Februar 2025. Ausnahmen bestehen nur für medizinische Zwecke oder Sicherheitsgründe. Praktisch heißt das: keine Stimmungsanalyse von Mitarbeitenden im Contact Center, keine Emotionsauswertung in Bewerbungsgesprächen, keine Analyse von Schülern, Studierenden oder Teilnehmenden in Schulungen.
  • Hochrisiko-Einstufung – Emotionserkennungssysteme, die nicht verboten sind, werden im Anhang III des EU AI Act grundsätzlich als Hochrisiko-Systeme eingeordnet. Damit verbunden sind umfangreiche Pflichten, unter anderem zu Risikomanagement, Datenqualität, Dokumentation, menschlicher Aufsicht und, für Betreiber, zu Nutzung gemäß Gebrauchsanweisung und Überwachung. Die Anwendungsfristen für diese Pflichten und mögliche Verschiebungen sind aktuell zu prüfen.
  • Transparenzpflicht – Wer ein Emotionserkennungssystem betreibt, muss die betroffenen Personen über dessen Betrieb informieren. Unabhängig davon gilt für jeden Voice Agent die Pflicht, dass Menschen erkennen können, mit einer KI zu sprechen, und synthetische Inhalte sind gegebenenfalls zu kennzeichnen.
Ob eine konkrete Anwendung von Hume unter die Definition der Emotionserkennung fällt, hängt von der Ausgestaltung ab: Werden Ausdruckswerte nur flüchtig zur Steuerung der Sprechweise genutzt, oder werden Emotionen identifiziert, gespeichert und ausgewertet? Die Leitlinien der EU-Kommission zu den verbotenen Praktiken geben hierzu Auslegungshinweise. Für einen Kunden-Voice-Agent ohne Arbeitsplatzbezug ist das Verbot in der Regel nicht einschlägig, die übrigen Pflichten können es aber sein. Sobald Mitarbeitende Teil des Gesprächs sind – etwa bei Live-Unterstützung von Servicekräften –, ist besondere Vorsicht geboten.

Stimme als besonders sensibles Datum: Art. 9 DSGVO

Stimmdaten sind personenbezogen. Werden sie mit speziellen technischen Verfahren verarbeitet, die eine eindeutige Identifizierung ermöglichen, handelt es sich um biometrische Daten, die nach Art. 9 DSGVO zu den besonderen Kategorien personenbezogener Daten gehören. Auch ohne Identifizierungszweck können Analysen von Stimme und Ausdruck Rückschlüsse auf Gesundheitszustand, psychische Verfassung oder andere sensible Merkmale zulassen. Für solche Verarbeitungen ist eine Ausnahme nach Art. 9 Abs. 2 DSGVO erforderlich, in der Praxis häufig eine ausdrückliche Einwilligung, die freiwillig, informiert und widerrufbar sein muss. Im Beschäftigungsverhältnis ist Freiwilligkeit regelmäßig fraglich.
Darüber hinaus gelten die Grundpflichten: Rechtsgrundlage, transparente Information, Datenminimierung, Löschkonzept und technische sowie organisatorische Maßnahmen. Eine Datenschutz-Folgenabschätzung ist bei Ausdrucksanalyse in aller Regel angezeigt. Für Sprachaufzeichnungen ist zudem die Vertraulichkeit des gesprochenen Wortes zu beachten, in Unternehmen mit Betriebsrat die Mitbestimmung bei technischen Einrichtungen, die zur Überwachung geeignet sind. Beim Klonen von Stimmen braucht es die ausdrückliche Zustimmung der Sprecherin oder des Sprechers und klare Regeln zu Nutzung und Widerruf.
Keine Rechtsberatung

Die Hinweise in diesem Kapitel sind eine allgemeine fachliche Einordnung aus IT- und Projektsicht und keine Rechtsberatung. Die Bewertung des konkreten Einsatzes – insbesondere zu Drittlandtransfer, CLOUD Act, Art. 9 DSGVO, Sprachaufzeichnung, Einwilligung und der Einordnung nach EU AI Act – sollte mit dem eigenen Datenschutzbeauftragten und fachkundiger rechtlicher Begleitung erfolgen. Die Verantwortung bleibt beim einsetzenden Unternehmen.

Kapitel 10 · Häufige Fragen

Häufig gestellte Fragen zu Hume AI

Was ist Hume AI?
Hume AI ist ein US-Anbieter aus New York für empathische Sprach-KI. Zum Angebot gehören das Empathic Voice Interface (EVI) für Sprachdialoge in Echtzeit, die ausdrucksstarke Sprachsynthese Octave und eine API zur Messung von Ausdrucksmerkmalen in Stimme, Gesicht und Text. Die Produkte richten sich vor allem an Entwickler, die diese Fähigkeiten in eigene Anwendungen einbauen.
Erkennt Hume, was Menschen fühlen?
Nein, nicht im Sinne einer verlässlichen Diagnose. Die Modelle schätzen, wie ein Ausdruck in Stimme oder Gesicht von Menschen typischerweise wahrgenommen würde. Ob eine Person tatsächlich so empfindet, lässt sich daraus nicht sicher ableiten, weil Ausdruck stark von Kontext, Kultur und Persönlichkeit abhängt. Entscheidungen über Menschen sollten deshalb niemals auf solchen Werten beruhen.
Unterstützt Hume Deutsch?
Hume hat die Sprachunterstützung schrittweise ausgebaut, Englisch ist aber die am weitesten entwickelte Sprache. Der Stand für Deutsch kann sich zwischen Octave und EVI sowie zwischen Modellgenerationen unterscheiden. Vor jeder Entscheidung sollten deutsche Stimmen, Fachbegriffe, Zahlen und regionale Färbungen mit eigenen Hörproben und Testgesprächen geprüft werden.
Darf ich mit Hume die Stimmung meiner Mitarbeitenden analysieren?
In aller Regel nein. Der EU AI Act verbietet den Einsatz von KI-Systemen zur Ableitung von Emotionen am Arbeitsplatz und in Bildungseinrichtungen, mit engen Ausnahmen für medizinische oder Sicherheitszwecke. Hinzu kommen Datenschutz und Mitbestimmung des Betriebsrats. Die Analyse von Servicekräften im Contact Center oder von Bewerbern ist damit ausgeschlossen. Im Einzelfall rechtlich prüfen lassen.
Und bei Kundengesprächen?
Gegenüber Kunden greift das Arbeitsplatzverbot in der Regel nicht. Wird jedoch Emotionserkennung im Sinne des EU AI Act betrieben, gelten Informationspflichten und grundsätzlich die Pflichten für Hochrisiko-Systeme. Zudem können Stimm- und Ausdrucksdaten besondere Kategorien nach Art. 9 DSGVO berühren. Die risikoärmste Variante ist, Ausdruckssignale nur flüchtig für den Gesprächsfluss zu nutzen und nicht zu speichern.
Kann ich nur die Sprachausgabe Octave nutzen?
Ja. Octave lässt sich unabhängig von EVI als reine Sprachsynthese einsetzen, etwa für Ansagen, Lerninhalte oder als Ausgabe in einem Voice Agent, dessen übrige Bausteine von anderen Anbietern stammen. Das ist für viele Unternehmen der pragmatischste und rechtlich einfachste Einstieg, weil keine Stimmen der Anrufer an Hume übertragen werden müssen.
Ist Hume DSGVO-konform nutzbar?
Das hängt von der Ausgestaltung ab. Hume ist ein US-Anbieter, die Verarbeitung findet nach unserem Kenntnisstand in den USA statt, sodass Drittlandtransfer und CLOUD Act zu bewerten sind. Zu prüfen sind Auftragsverarbeitungsvertrag, Transfergrundlage, Datenspeicherung und mögliche EU-Optionen. Dies ist eine fachliche Einordnung und keine Rechtsberatung.
Was kostet Hume?
Hume rechnet nutzungsabhängig ab, mit Tarifstufen von einem kostenlosen Einstieg bis zu Enterprise-Vereinbarungen. EVI wird typischerweise nach Gesprächszeit, Octave nach Textmenge oder Audiolänge abgerechnet. Hinzu kommen gegebenenfalls Sprachmodell, Telefonie, Infrastruktur sowie Entwicklung und Betrieb. Aktuelle Preise sind beim Anbieter zu prüfen.
Hume, ElevenLabs oder OpenAI Realtime – was passt besser?
Hume passt, wenn Ausdruck und Empathie den Kern der Anwendung bilden oder ein eigenes Sprachmodell angebunden werden soll. ElevenLabs ist stark bei Stimmenvielfalt, Sprachen und fertigen Plattform-Bausteinen. Die OpenAI Realtime API bietet ein einheitliches Modell mit großem Ökosystem. Ein Vergleichstest mit eigenen deutschsprachigen Szenarien schafft Klarheit.
Welche Alternativen gibt es für maximale Datenhoheit?
Eine modulare Kette aus europäisch gehosteten oder selbst betriebenen Bausteinen: Spracherkennung wie Whisper auf eigener Infrastruktur, ein Sprachmodell in einer EU-Region und eine selbst gehostete Sprachsynthese. Frameworks wie LiveKit oder Pipecat verbinden diese Bausteine. Bei Ausdrucksstärke und Natürlichkeit sind Abstriche möglich, dafür bleiben Datenflüsse vollständig kontrollierbar.

Voice AI souverän einsetzen

Brauchen Sie eine tragfähige Voice-AI-Strategie?

Wir prüfen herstellerunabhängig, ob Hume zu Ihren Anforderungen passt: Use-Case-Auswahl, Stimm- und Hörtests auf Deutsch, Architektur, Telefonie-Anbindung, Datenschutz mit Blick auf Drittlandtransfer, Art. 9 DSGVO und EU AI Act sowie Betriebsmodell – pragmatisch auf den Mittelstand zugeschnitten und mit ehrlichem Blick auf OpenAI Realtime, ElevenLabs, Cartesia und europäische Alternativen.

Seit 2006 am Markt

Erfahrung aus über 100 Digitalprojekten

DSGVO & Souveränität

Datenschutz von Anfang an mitgedacht

Rückmeldung in 24 h

Schnell, direkt, unverbindlich