Ratgeber
Was ein KI-Voice-Agent pro Minute kostet
Ein KI-Telefonagent ist eine Pipeline aus vier nutzungsbasiert abgerechneten Diensten, die in einer Schleife laufen: Speech-to-Text (STT) transkribiert den Anrufer, ein LLM entscheidet, was gesagt wird, Text-to-Speech (TTS) spricht die Antwort, und ein Telefonie-Anbieter stellt die Verbindung her. Jeder Dienst wird anders abgerechnet (pro Audiominute, pro Token, pro Zeichen und pro Gesprächsminute), weshalb sich Voice-AI-Preise kaum auf einen Blick vergleichen lassen. Der Rechner rechnet alles in Kosten pro Minute um. Mit den Standardwerten oben (500 Anrufe pro Tag, je 4 Minuten) kostet der Stack etwa $0.0381 pro Minute bzw. $2,318 im Monat.
Speech-to-Text (STT)
STT wird pro Audiominute abgerechnet, und der gesamte Anruf wird transkribiert, egal ob der Anrufer spricht oder nicht. Die Preise in diesem Rechner reichen von $0.001 bis $0.0077 pro Minute. Streaming ist wichtiger als der Preis: Batch-Transkription ist günstiger, aber ein Live-Agent braucht Teiltranskripte innerhalb weniger hundert Millisekunden, um reaktionsschnell zu wirken.
LLM
Das LLM ist meist der kleinste Posten, weil gesprochene Antworten kurz sind, doch es verhält sich wie jeder Multi-Turn-Agent: Jeder Turn sendet den System-Prompt und das bisherige Gespräch erneut. Bei 4 Turns pro Minute macht ein Anruf von 4 Minuten 16 LLM-Aufrufe und liest 42.000 Input-Tokens erneut. Prompt Caching hält das günstig. Lange Anrufe mit großen System-Prompts und ohne Caching sind der Punkt, an dem die LLM-Kosten steigen. Der LLM-Kostenrechner bildet dasselbe Kontextwachstum für Text-Agents ab, und die LLM-Preistabelle listet die Token-Preise hinter der LLM-Auswahl.
Text-to-Speech (TTS)
TTS wird pro erzeugtem Zeichen abgerechnet, und zwar nur für den Teil des Anrufs, in dem der Agent spricht. Bei etwa 825 Zeichen pro gesprochener Minute und einem Sprechanteil des Agents von 45 % braucht eine Gesprächsminute ~371 Zeichen. Damit liegt TTS je nach Stimme zwischen $0.00556 und $0.0371 pro Gesprächsminute, und Premium-Stimmen sind oft der größte Einzelposten im Stack.
Telefonie- und Plattformgebühren
Anbieter wie Twilio und Telnyx verlangen $0.007–$0.014 pro Minute für US-Telefonie, und ein WebRTC-Agent im Browser oder in einer App spart diesen Posten ganz. Managed-Plattformen wie Vapi und Retell schlagen eine Orchestrierungsgebühr von $0.05–$0.07 pro Minute auf die zugrunde liegenden Anbieter auf. Diese Gebühr bezahlt Turn-Taking, Umgang mit Unterbrechungen, Anrufweiterleitung und Analytics, deren Entwicklung echten Engineering-Aufwand erfordert. Mit dem Feld für die Plattformgebühr vergleichen Sie einen Managed-Stack mit einer Eigenentwicklung.
Latenz und Kosten von Voice Agents optimieren
Voice ist der eine LLM-Anwendungsfall, bei dem Latenz genauso zählt wie der Preis. Anrufer erwarten eine Antwort innerhalb von etwa 800 ms, nachdem sie einen Satz beendet haben, und dieses Budget teilen sich die STT- Finalisierung, die Time to First Token des LLM und die Time to First Audio der TTS. Die günstigsten Optionen sind oft auch die schnellsten:
- Ein schnelles Mittelklasse- oder Budget-LLM wählen. Flagship- und Reasoning-Modelle fügen Sekunden an Denkzeit hinzu und kosten pro Token ein Vielfaches, bei geringem Nutzen für Gespräche nach Skript.
- Alles streamen. Streaming-STT, Token-Streaming vom LLM und Streaming-TTS lassen die Stufen überlappen, statt sie nacheinander auszuführen.
- System-Prompt kurz halten und cachen. Weniger Input-Tokens pro Turn bedeuten ein schnelleres erstes Token und eine niedrigere LLM-Rechnung.
- Die Stimme zum Anruf passend wählen. Nutzen Sie Premium-TTS-Stimmen für Vertrieb und markensensible Gespräche und günstigere Stimmen für Erinnerungen, Umfragen und Routine-Support.
- Anrufe sauber beenden. Erkennen Sie Mailbox und Stille früh und legen Sie auf, wenn die Aufgabe erledigt ist; jede Leerlaufminute kostet trotzdem STT und Telefonie.
- Bei Volumen verhandeln. Ab etwa 100.000 Minuten pro Monat bieten STT-, TTS- und Plattformanbieter Rabatte für zugesagte Mindestmengen.
Bei sehr hohem Volumen kann es günstiger sein, das LLM oder ein Whisper-Modell selbst auf einer dedizierten GPU zu hosten, als pro Token oder pro Minute zu zahlen. Der Break-Even-Rechner für API vs. Self-Hosting zeigt, wo dieser Schnittpunkt liegt, und der LLM-VRAM-Rechner sagt Ihnen, welche GPU Sie bräuchten.