Hume AI ist eine auf Emotionen spezialisierte Voice-AI-Plattform, deren Kern die Text-to-Speech-Engine Octave bildet: Statt SSML-Tags nutzt man einfache, natürlichsprachige "Acting Instructions", um Tonfall, Tempo, Betonung und Stimmung einer Zeile gezielt zu steuern. Die Plattform richtet sich an Entwickler:innen, Produktteams und Creator, die ausdrucksstarke, kontrollierbare Stimmen für Apps, Games, Hörbücher und Voice-Agenten brauchen, ergänzt um ein Speech-to-Speech-Interface (EVI) und eine Emotionsmessungs-API. Die Preise laufen über ein gestaffeltes Monats-Guthaben-Modell vom kostenlosen Plan bis Enterprise, abgerechnet nach enthaltenen Zeichen bzw. Minuten statt nach fixer Sitzplatzgebühr.
Wer steckt dahinter
Hume AI ist ein Voice- und Emotion-AI-Forschungsunternehmen, gegründet 2021 von CEO Alan Cowen, einem Emotionsforscher, der zuvor die Affective-Computing-Forschung bei Google leitete. Der typische Workflow: eine Stimme auswählen oder neu designen, ein Skript schreiben, optional eine natürlichsprachige "Acting Instruction" zur Steuerung der Vortragsweise ergänzen, und die Sprache entweder über Octave (TTS) generieren oder über EVI (Speech-to-Speech) live im Gespräch verwenden — beide bauen auf Humes Emotionsforschung auf.
Kernfunktionen
- Octave TTS mit Acting Instructions — Tonfall, Tempo, Betonung und Stimmung pro Zeile per natürlichsprachiger Anweisung statt SSML steuern.
- Voice Cloning und Voice Design — eine Stimme aus nur 15 Sekunden Beispielaudio klonen, oder eine komplett neue Stimme aus einer Textbeschreibung erzeugen.
- Mehrsprachige Generierung — Octave 2 (Launch Oktober 2025) erzeugt Sprache in 11 Sprachen (Englisch, Spanisch, Französisch, Deutsch, Italienisch, Portugiesisch, Russisch, Arabisch, Hindi, Japanisch, Koreanisch), Octave 1 unterstützt dagegen nur Englisch und Spanisch.
- Niedrige Latenz beim Streaming — Octave 2 zielt auf rund 100 ms Modell-Latenz, mit unidirektionalem HTTP- und bidirektionalem WebSocket-Streaming für Echtzeitanwendungen.
- EVI Speech-to-Speech — ein separates empathisches Voice-Interface, das in Echtzeit auf Tonfall und Prosodie des Gegenübers reagiert, für Voice-Agenten und Assistenten.
- Zeitstempel auf Wort-/Phonem-Ebene und flexible Formate — Ausgabe als MP3, WAV oder PCM, Geschwindigkeitsregelung von 0,25x bis 4x.
Preise
Hume berechnet nach enthaltenen Zeichen pro Monat (Octave) und EVI-Minuten, nicht nach Stimmenanzahl:
- Free (0 $/Monat): 10.000 TTS-Zeichen (~10 Minuten), 5 EVI-Minuten, 15 Anfragen/Minute, unbegrenztes Voice Cloning, nur nicht-kommerzielle Nutzung.
- Starter (3 $/Monat Einführungspreis): 30.000 Zeichen (~30 Minuten), 40 EVI-Minuten — ebenfalls nur nicht-kommerziell.
- Creator (7 $/Monat Einführungspreis, 14 $/Monat regulär): rund 140.000 Zeichen und 200 EVI-Minuten; erste Stufe mit kommerzieller Lizenz.
- Pro (70 $/Monat): 1.000.000 Zeichen (~1.000 Minuten), 1.200 EVI-Minuten, 10 gleichzeitige Verbindungen.
- Scale (200 $/Monat): 3.300.000 Zeichen (~3.300 Minuten).
- Business (500 $/Monat): 10.000.000 Zeichen (~10.000 Minuten), 12.500 EVI-Minuten, 5 Plätze.
- Enterprise: individuelle Preise mit unbegrenzten Plätzen, individuellen Rate-Limits und Compliance-Funktionen.
Bezahlte Stufen können zusätzliches Volumen zu einem festen Preis pro 1.000 Zeichen nachkaufen; bei Free und Starter geht das nicht.
Für wen
Hume AI passt zu Entwickler:innen und Produktteams, die Voice-Agenten, Spiele oder interaktive Inhalte mit emotional gesteuerter statt flacher Sprachausgabe bauen, sowie zu Forschenden und Hobbyist:innen, die Octave und EVI günstig testen wollen. Free und Starter reichen zum Prototyping und für Qualitätstests, sind aber auf nicht-kommerzielle Nutzung mit kleinen Monatskontingenten beschränkt; wer ein kommerzielles Produkt ausliefert, braucht mindestens Creator, und wer große Volumina fährt (lange Hörbücher, groß angelegte Voice-Agenten), landet eher bei Pro, Scale oder Business.