So haben wir geprüft: Humes Abschaltmitteilung und die alten Preise stammen aus Humes eigenem Changelog und der Preisseite, wie sie von der Wayback Machine archiviert wurden, da beide Live-Seiten inzwischen auf Humes neues Produkt weiterleiten. Alle anderen Preise stammen von der jeweiligen Preisseite des Anbieters, abgerufen am 11. November 2026. Wir haben die Text-to-Speech-Preise in Kosten pro Stunde Audio umgerechnet, damit sie vergleichbar sind. Wir haben diese APIs nicht selbst getestet; die einzigen Latenzwerte hier sind Herstellerangaben (gekennzeichnet) und ein unabhängiger Benchmark.
Was Hume angekündigt hat und was bleibt#
Am 2. Oktober 2026 veröffentlichte Hume in seinem Entwickler-Changelog eine „TTS and EVI API sunset notice“: „Hume is sunsetting the TTS and EVI APIs. Access ends November 13, 2026 at 12:01 a.m. EST, and both APIs remain fully supported until then.“ Laut derselben Mitteilung werden alle Daten in Ihrem Konto nach diesem Datum dauerhaft gelöscht (Hume changelog, archived October 3, 2026).
Das Unternehmen Hume wird nicht geschlossen. Auf der Startseite wird jetzt eine Audio Decisions API angeboten, die Fragen zu einer Aufnahme beantwortet (welche Emotion ein Anrufer zeigt, welche Sprache gesprochen wird, wie viele Personen sprechen) – ohne Transkript. Die Entwicklerdokumentation und der Changelog behandeln nur noch dieses Produkt, und die alten URLs der Octave-Dokumentation leiten dorthin weiter. Wenn Sie Hume also genutzt haben, um Emotionen in Anrufen zu messen, lebt dieser Teil von Hume in anderer Form weiter. Wenn Sie Hume über Octave oder EVI zum Sprechen verwendet haben, benötigen Sie einen neuen Anbieter.
Zwei Migrationen, nicht eine#
Hume bot zwei unterschiedliche Produkte an, für die es jeweils andere Alternativen gibt:
- EVI (Empathic Voice Interface) war eine Speech-to-Speech-API: Audio hinein, Audio heraus, mit dem Sprachmodell im Ablauf. Als Ersatz kommen Realtime-Voice-APIs und verwaltete Voice-Agent-Plattformen in Frage, die pro Gesprächsminute abgerechnet werden.
- Octave war eine Text-to-Speech-API: Sie senden Text und erhalten Sprache, mit Kontrolle über die Sprechweise. Als Ersatz kommen TTS-APIs in Frage, die pro Zeichen oder pro Audiominute abgerechnet werden.
EVI-Alternativen: Realtime-Voice-APIs im Vergleich#
Zur Orientierung: Humes letzte öffentliche Preisseite (archiviert am 30. September 2026) enthielt EVI-Minuten in den Tarifen zu 0,07 $ bis 0,04 $ pro Minute, zusätzliche EVI-3-Minuten kosteten 0,06 $ bis 0,04 $. Das berechnen die Realtime-Alternativen heute:
| API | How it is priced | Per minute, as published | What is included |
|---|---|---|---|
| OpenAI Realtime (gpt-realtime-2.1) | Per token | Not published per minute: $32 per 1M audio input tokens, $64 per 1M audio output tokens (mini: $10 / $20) | Speech in, model, speech out |
| Gemini 3.8 Live (Google) | Per token, with Google's per-minute estimates | $0.005 per minute of audio in, $0.018 per minute of audio out, plus text and thinking tokens | Speech in, model, speech out |
| ElevenLabs Realtime v1 Mini / Max | Per minute | $0.08 per minute plus LLM usage | Speech-to-speech model; LLM billed separately |
| Ultravox (now owned by Inworld) | Per minute | $0.05 per minute after 30 free minutes; Pro $100 a month | Speech-native model and hosted agent platform |
| Deepgram Voice Agent API | Per minute of connection | $0.075 Standard; $0.065 if you bring your own LLM; $0.050 bringing your own LLM and TTS | Speech-to-text, a managed LLM and text-to-speech in one rate |
| Rime Prism | Per minute | $0.080 (Flex); $0.064 on the $100-a-month Scale plan | Speech-to-speech model |
| Cartesia Managed Agents | Per minute | $0.03 agent fee (cut from $0.06), plus $0.014 a minute for a Cartesia phone number; LLM billed separately | Agent runtime on Cartesia's own speech models |
Welcher EVI-Ersatz passt#
- Sie möchten dieselbe Struktur wie bei EVI, eine Verbindung mit dem Modell darin: OpenAI Realtime oder Gemini Live. Google veröffentlicht Schätzungen pro Minute für Gemini Live (0,005 $ pro Minute Audio-Eingang, 0,018 $ Ausgang); OpenAI veröffentlicht für seine Realtime-Modelle nur Preise pro Token, was die Prognose einer Monatsrechnung erschwert. ElevenLabs' Realtime v1 gibt an, mit OpenAI Realtime kompatibel zu sein, was eine Portierung verkürzen kann, wenn Sie bereits dieses Protokoll verwenden.
- Sie möchten eine pauschale Minutenabrechnung für einen Telefon- oder Web-Agenten: Ultravox berechnet nach 30 kostenlosen Minuten pauschal 0,05 $ pro Minute. Inworld hat Ultravox am 30. September 2026 übernommen; laut Ankündigung von Inworld funktionieren bestehende Voice-IDs weiter. Der Standard-Tarif von Deepgram für 0,075 $ deckt nach Deepgrams eigener Beschreibung Speech-to-Text, ein verwaltetes LLM und Text-to-Speech in einem Preis ab.
- Sie haben die Emotionserkennung von EVI genutzt: Keine der hier genannten Alternativen erkennt die Emotion des Anrufers so, wie Hume es für EVI vermarktet hat. Für diesen Teil können Sie Hume über die Audio Decisions API weiter nutzen oder Ihr LLM den Tonfall aus dem Transkript ableiten lassen. Betrachten Sie jede Herstellerangabe zu „empathischer“ oder „emotionaler“ Stimme als Marketing, bis Sie sie in Ihren eigenen Anrufen gehört haben.
- Sie möchten die Pipeline selbst besitzen: Open-Source-Orchestratoren wie Pipecat und LiveKit Agents erlauben es Ihnen, Speech-to-Text-, LLM- und TTS-Anbieter selbst auszutauschen, sodass die nächste Abschaltung nur eine Konfigurationsänderung statt einer Neuentwicklung kostet. Verwaltete Plattformen wie Vapi und Retell AI setzen auf diesen Modellen auf; unser Leitfaden zu Voice-Agent-Plattformen vergleicht sie.
Octave-Alternativen: Text-to-Speech-APIs im Vergleich#
Die archivierten Octave-Preise betrugen 0,15 $ bis 0,05 $ pro 1.000 Zeichen über das Kontingent des jeweiligen Tarifs hinaus, und der Business-Tarif für 500 $ im Monat enthielt 10 Millionen Zeichen, also 50 $ pro Million. Um Anbieter, die pro Zeichen abrechnen, mit solchen zu vergleichen, die pro Minute abrechnen, haben wir alles in Kosten pro Stunde erzeugtes Audio umgerechnet, bei 800 Zeichen pro Minute (48.000 Zeichen pro Stunde). Cartesias eigene Schätzung liegt bei 750 bis 800 Zeichen pro Minute; Inworld und Rime gehen von etwa 1.000 aus, wodurch Anbieter mit Abrechnung pro Zeichen etwa 25 % teurer erscheinen würden als hier dargestellt.
| TTS API | Published price | Per hour of audio (our conversion) | Languages (vendor) | Voice cloning |
|---|---|---|---|---|
| Hume Octave (ending Nov 13) | $0.15 to $0.05 per 1K chars overage | $7.20 to $2.40 | n/a | Yes, until shutdown |
| Inworld TTS-2 Flash | $15 per 1M chars on demand; $7 on Growth | $0.72; $0.34 on Growth | 200+ (pricing page) | Instant and professional clones |
| Inworld TTS-2 | $25 per 1M chars on demand; $12.50 on Growth | $1.20; $0.60 on Growth | 200+ (pricing page) | Instant and professional clones |
| OpenAI tts-1 / tts-1-hd | $15 / $30 per 1M chars | $0.72 / $1.44 | Not compared | Not offered on the pricing page |
| Deepgram Aura-2 / Flux TTS | $30 / $45 per 1M chars (Aura-2 $27 on Growth) | $1.44 / $2.16 | Aura-2: 7 | Not offered on the pricing page |
| Rime Mist v3 / Coda v2 | $0.030 / $0.050 per minute of audio (20% off on Scale) | $1.80 / $3.00 | Mist v3: 4; Coda: 10 | Custom cloning on Enterprise only |
| Cartesia Sonic-3.6 | Plan credits, 1 credit per character: Pro $5 for 100K, Startup $49 for 1.25M, Scale $299 for 8M | $2.40 (Pro) to $1.79 (Scale) | 44 | Instant on Pro; professional from Startup |
| ElevenLabs Flash v2.5 / v4 Turbo | $0.04 per 1K chars ($40 per 1M) | $1.92 | v4 Turbo: 90+; Flash: 32 | Yes |
| ElevenLabs v4 | $0.08 per 1K chars ($80 per 1M) | $3.84 | 90+ | Yes |
| MiniMax speech-2.8 Turbo / HD | $60 / $100 per 1M chars | $2.88 / $4.80 | 40 | Rapid cloning $1.50 per voice; voice design $3 |
Latenz, unabhängig gemessen: Coval, das Tests für Voice Agents an viele dieser Anbieter verkauft, misst bei jedem Modell die Zeit vom Senden des Texts bis zum ersten hörbaren Ton. In den 30 Tagen bis zum 28. Oktober 2026 lag auf dem Board Inworld TTS Flash 2 bei 81 ms, Inworld TTS 2 bei 166 ms, ElevenLabs v4 Turbo bei 194 ms und Flash v2.5 bei 198 ms, Deepgram Flux TTS bei 203 ms, Cartesia Sonic 3.6 bei 292 ms, Deepgram Aura 2 bei 300 ms sowie Rime Mist v3 bei 319 ms und Coda bei 339 ms (Coval-TTFA-Benchmark). Die Angaben der Anbieter sind niedriger, weil die meisten die Zeit beim ersten Byte stoppen; Coval zählt auch führende Stille mit.
Inworld TTS-2: in dieser Gruppe am günstigsten und am schnellsten#
Inworld TTS-2 Flash hat den niedrigsten Preis pro Zeichen in dieser Liste und ist in Covals Benchmark der schnellste dieser Anbieter. TTS-2 ergänzt die Steuerung von Tempo und Tonfall in natürlicher Sprache, was hier dem Nächsten zu Octaves Schauspielanweisungen kommt, und die Preisseite umfasst Voice Design und Klonen. Schwächen: Die angezeigten Preise hängen von der Tarifstufe ab, kalkulieren Sie also Ihr Volumen, bevor Sie vergleichen; professionelle Klone im kostenlosen On-Demand-Tarif erfordern eine hinterlegte Karte; und Inworld veröffentlicht keinen Minutenpreis für sein Speech-to-Speech-Produkt, sodass EVI-Nutzer diesen Weg anhand der Seite nicht kalkulieren können. Stork erhält über die Links auf dieser Seite eine Provision für Anmeldungen bei Inworld.
ElevenLabs: die meisten Sprachen und ausdrucksstarke Steuerung, zu einem höheren Preis#
ElevenLabs v4 listet über 90 Sprachen und Audio-Tags für feine Steuerung des Vortrags, und Flash sowie v4 Turbo sind auf niedrige Latenz ausgelegt (laut ElevenLabs' eigenen Angaben etwa 75 ms und 100 ms). Das Unternehmen verkauft außerdem eine Speech-to-Speech-API und eine vollständige Agentenplattform (ElevenLabs Agents, 0,08 $ pro Minute zuzüglich LLM). Schwächen: Mit 40 bis 80 $ pro Million Zeichen kostet es pro Audiostunde das Zwei- bis Fünffache von Inworld, und bei Agents-Preisen kommt das LLM noch hinzu. Stork erhält über Links auf dieser Seite eine Provision für Anmeldungen bei ElevenLabs.
Cartesia Sonic: der fertige Migrationspfad#
Cartesia veröffentlicht einen Migrationsleitfaden für Hume Octave, der Humes Anfragefelder auf die eigene API abbildet und Hume hinter einem Flag belässt, bis Sie umschalten. Das ist die Seite eines Wettbewerbers, lesen Sie sie also als Vertriebsinstrument; es ist aber die konkreteste Portierungshilfe, die wir gefunden haben. Sonic-3.6 deckt 44 Sprachen ab. Schwächen: Die Preise basieren auf Plan-Credits, sodass Nutzer mit geringem Volumen den Pro-Satz von rund 2,40 $ pro Stunde zahlen; und Coval stellte fest, dass 45 % der Zeit bis zum ersten Audio bei Sonic 3.5 auf führende Stille entfielen. Keine Affiliate-Beziehung.
Deepgram, Rime, OpenAI und MiniMax#
- Deepgram Aura-2 passt gut, wenn Sie Deepgram bereits für Speech-to-Text nutzen: 30 $ pro Million Zeichen, sieben Sprachen, und Deepgram empfiehlt für Neuentwicklungen nun sein neueres Flux TTS (45 $). Es ist kein Stimmklonen aufgeführt. Keine Affiliate-Beziehung.
- Rime rechnet pro Audiominute ab, was die Kosten leicht prognostizierbar macht, und der kostenlose Tarif bietet 50 $ Nutzung pro Monat. Mist v3 deckt 4 Sprachen ab, Coda 10. In Covals Benchmark zeigte Coda eine Wortfehlerrate von 10,7 %, gegenüber 1,5 % bis 3,1 % bei jedem anderen Modell auf dem Board; testen Sie es daher mit Ihren eigenen Skripten. Keine Affiliate-Beziehung.
- OpenAI tts-1 ist gleichauf mit Inworld Flash der günstigste Anbieter pro Zeichen, und gpt-4o-mini-tts wird pro Audio-Token abgerechnet (12 $ pro Million Ausgabe-Token). Es ist kein Self-Service-Stimmklonen aufgeführt. Keine Affiliate-Beziehung.
- MiniMax speech-2.8 deckt 40 Sprachen ab und bietet Voice Design aus einer Textbeschreibung (3 $) sowie schnelles Klonen (1,50 $ pro Stimme), was Octaves Voice-Design-Funktion am nächsten kommt. Pro Zeichen ist es in dieser Liste am teuersten. Keine Affiliate-Beziehung.
Einen Blick wert
ElevenLabs
Realistische KI-Sprecher, Synchronisation und Voice Cloning in Dutzenden Sprachen. Kostenlos starten.
ElevenLabs testenGefällt Ihnen der Artikel? Erhalten Sie jeden Morgen einen wie diesen per E-Mail.
eine E-Mail pro Tag · Abmeldung mit zwei Klicks · kein Tracking durch Dritte
Empfehlungen nach Anwendungsfall#
| If you used Hume for | Start with | Why |
|---|---|---|
| An EVI voice agent on the phone | Ultravox or Deepgram Voice Agent | Flat per-minute rates; Deepgram's includes the LLM |
| An EVI-style single realtime API | Gemini Live or OpenAI Realtime | Speech in and out over one connection; Google publishes per-minute estimates, OpenAI only per-token prices |
| Octave in a latency-sensitive agent | Inworld TTS-2 Flash | Lowest price per hour here and 81 ms in Coval's benchmark |
| Octave with acting direction or voice design | ElevenLabs v4, Inworld TTS-2 or MiniMax | Audio tags, natural-language steering, or voice design from a prompt |
| Octave in many languages | ElevenLabs v4 or Inworld | 90+ and 200+ languages by the vendors' own counts |
| The least porting work | Cartesia Sonic | Publishes a Hume-specific field mapping |
| Emotion detection in calls | Hume's Audio Decisions API | The part of Hume that continues |
Eine Migrations-Checkliste#
- Heute: Laden Sie erzeugtes Audio herunter, das Sie benötigen, sowie die Quellaufnahmen jeder geklonten Stimme. Notieren Sie, welche Hume-Stimmen und Einstellungen die einzelnen Funktionen nutzen.
- Aufrufe finden: Durchsuchen Sie Ihren Code nach api.hume.ai und der Variable Ihres Hume-API-Schlüssels. Octave-Aufrufe gehen an /v0/tts; EVI nutzt einen WebSocket.
- Den neuen Anbieter hinter ein Flag legen, damit Sie einen Tag lang zurückwechseln können, falls eine Stimme falsch klingt. Nach dem 13. November gibt es nichts mehr, wohin Sie zurückwechseln könnten, testen Sie also nach Möglichkeit vorher.
- Stimmen neu erstellen aus dem gesicherten Quellaudio beim neuen Anbieter, und hören Sie sie mit Ihren echten Skripten an, nicht mit Demosätzen.
- Preise bei Ihrem tatsächlichen Volumen erneut prüfen. Tarifstufen senken den Satz bei Inworld um die Hälfte oder mehr, bei Rime um 20 % und bei Deepgram um 10 %.
- Für die nächste Abschaltung planen. Auch PlayHT und LMNT wurden im vergangenen Jahr eingestellt; siehe unsere Liste von Voice-APIs, die abgeschaltet wurden, und ihrer Nachfolger. Ein Orchestrator wie Pipecat oder LiveKit macht den Anbieter zu einem Konfigurationswert.
Häufig gestellte Fragen#
Wann werden die EVI- und Octave-TTS-APIs von Hume abgeschaltet?#
Der Zugriff endet laut der Changelog-Mitteilung von Hume vom 2. Oktober 2026 am 13. November 2026 um 12:01 Uhr EST (a.m.). Beide APIs werden bis dahin unterstützt, und Hume gibt an, dass die Kontodaten nach diesem Datum dauerhaft gelöscht werden.
Stellt Hume AI den Betrieb vollständig ein?#
Nein. Hume beendet seine Text-to-Speech-API (Octave) und seine Speech-to-Speech-API (EVI), das Unternehmen macht aber mit einer neuen Audio Decisions API weiter, die Fragen zu Audio beantwortet, etwa welche Emotion ein Anrufer zeigt.
Was ist der beste Ersatz für Hume EVI?#
Für dieselbe Struktur mit einer einzigen API: OpenAI Realtime oder Gemini Live. Für einen Telefon-Agenten mit pauschalem Minutenpreis: Ultravox (0,05 $ pro Minute) oder die Voice Agent API von Deepgram (0,075 $ pro Minute inklusive verwaltetem LLM). Preise von der Seite des jeweiligen Anbieters am 11. November 2026.
Was ist die günstigste Alternative zu Hume Octave TTS?#
Inworld TTS-2 Flash und OpenAI tts-1 listen beide 15 $ pro Million Zeichen on demand, etwa 0,72 $ pro Audiostunde bei 800 Zeichen pro Minute. Der Growth-Tarif von Inworld senkt Flash auf 7 $ pro Million.
Kann ich meine geklonten Stimmen von Hume zu einem anderen Anbieter übertragen?#
Nicht direkt: Stimm-IDs lassen sich nicht zwischen Anbietern übertragen. Bewahren Sie die Originalaufnahmen auf, mit denen Sie die jeweiligen Klone erstellt haben, und erstellen Sie die Stimme beim neuen Anbieter neu, bevor Hume nach dem 13. November 2026 die Kontodaten löscht.
Welche TTS-API hat nach Hume die geringste Latenz?#
Im unabhängigen Benchmark von Coval (30 Tage bis zum 28. Oktober 2026) lag Inworld TTS Flash 2 im Durchschnitt bei 81 ms bis zum ersten Audio, ElevenLabs v4 Turbo bei 194 ms, Deepgram Flux TTS bei 203 ms und Cartesia Sonic 3.6 bei 292 ms. Coval verkauft Testdienstleistungen an Anbieter von Sprachlösungen.