Multimodale Echtzeit-Sprache

Die Orga-Plattform

Agenten,diesehen,hörenundsprechen

Multimodale Echtzeit-Agenten, die die Kamera lesen, Sprache verstehen und mit einer Stimme antworten, die menschlich klingt. Plus eine eigenständige Text-to-Speech-Engine in über 40 Sprachen, auf einer API.

Demo buchenKostenlos starten
Live sessionconnected
95 ms
bracket · 0.97
Vision
The lower mount is cracked along the weld. I'd flag it for replacement.
Die Engine

Ein Modell. Jede Dimension der Stimme.

Derselbe Orga-Alondra-Kern liefert Ausdruck, Steuerung, Sprache und Bild, damit Ihr Produkt nie vier Anbieter zusammenfügen muss.

Ausdrucksstark

Lacht, flüstert und pausiert zum Nachdenken.

Orga Alondra liefert Sprache mit echter Intonation, Atem und Emotion — das Uncanny Valley überquert. Zuhörer merken nicht, dass es keine Person ist.

API erkunden

[warmly] Of course — let me check that for you. <break/> [laughs] found it!

Steuerbar

Steuern Sie jede Nuance mit einem einzigen Tag.

Inline-Steuer-Tags justieren Ton, Tempo und Emotion in Echtzeit, vom ruhigen Support bis zur energiegeladenen Erzählung, ohne Re-Recording oder Fine-Tuning.

API erkunden
calmexcitedwhispernarration+ pause
Mehrsprachig

Nativ in über 40 Sprachen, nicht übersetzt.

Jede Sprache wird mit lokalem Rhythmus und Akzent gesprochen — ein spanischer Satz klingt spanisch, nicht wie vorgelesenes Englisch mit Filter darüber.

API erkunden
🇪🇸Hola
Multimodal

Sieht, worüber sie spricht.

Geben Sie Bilder und Live-Video zusammen mit Audio ein. Orga Alondra verankert ihre Antworten in dem, was sie wahrnimmt — kontextbewusste Stimme, durchgängig.

API erkunden
object

Die vollständige Schleife

Ein Agent, jede Fähigkeit

Bild, Sprache, Ausdruck, Aktionen, Telefonie und Analytik auf einer API — nichts zusammengestückt, nichts nachträglich angeflanscht.

Vision

Sehen

Liest Kamera, geteilten Bildschirm oder ein Bild und schließt über den Inhalt.

Sprache

Hören

Erfasst Ton, Zögern und Unterbrechungen in der Sprache — nicht nur die Wörter.

Ausdruck

Sprechen

Antwortet mit ausdrucksstarker Stimme, die lacht, pausiert und den Ton wechselt. Erstes Audio in rund 95 ms.

Aktionen

Handeln

Ruft Ihre eigenen Tools und Funktionen mitten im Gespräch auf, um echte Arbeit zu erledigen.

Telefonie

Anrufen

Nimmt Anrufe an und tätigt sie, leitet sie weiter und fängt sie ab — über SIP und die großen Anbieter.

Analytik

Messen

Live-Analytik für Latenz, Tokens und Fehler jedes Agenten und jeder Stimme, die Sie betreiben.

In der Produktion gemessen

~95ms

Zeit bis zum ersten Audio, per WebSocket gestreamt, noch bevor der Satz endet.

40+Native Sprachen, mit lokalen Akzenten
99,9 %Streaming-Verfügbarkeit, Produktions-SLA
SOC 2 Type II, EU-Datenresidenz

Treibt jede Art von Agent

Kundensupport

Löst Anfragen, verwaltet Bestellungen, bereitet Tickets in Echtzeit vor.

Versicherung & Banking

Bewertet Schäden, beantwortet Fragen, automatisiert Prozesse.

E-Commerce

Sprach-Shopping-Assistent, der das Produkt sieht und sofort antwortet.

Gesundheit & Wellness

Proaktiver Support, der zuhört, versteht und handelt.

Was ist neu

Wir liefern jede Woche

Neue Versionen, Modell-Upgrades und Fehlerbehebungen — der aktuelle Stand der Plattform.

  1. 2.4.0Aktuell

    Echtzeit-Unterbrechung und Barge-in

    Neue Version

    Oct 8, 2026

    Sprachagenten können jetzt mitten in der Antwort unterbrochen werden, mit einem abgestimmten End-of-Turn-Detektor, der die vorherige Antwort in unter 80 ms abschneidet.

    Neu
    • Barge-in im Realtime-SDK — Agenten hören sofort auf zu sprechen, sobald der Nutzer beginnt.
    • End-of-Turn-Detektor als `vad.aggressiveness` verfügbar, zur Abstimmung zwischen Support und Erzählung.
    Verbessert
    • Latenz bis zum ersten Audio bei langen Antworten von 140 ms auf 95 ms im Median gesenkt.
    Behoben
    • Reconnect-Schleife bei instabilen WebSocket-Proxies.
  2. 2.3.2Sep 20, 2026

    Visuelle Verankerung in Echtzeit

    Senden Sie einen Videoframe zusätzlich zu Audio und das Modell antwortet auf das, was es sieht — nützlich für Support-Flows, die eine UI durchgehen.

    Neu
    • Parameter `frames` auf `/v1/realtime/session` akzeptiert Base64-JPEGs oder eine signierte URL.
    Verbessert
    • Spanische und portugiesische Stimmen erhalten neue Atem- und Pausenprofile.
    Behoben
    • Audioaussetzer beim Wechsel des Eingabegeräts mitten in der Session.
  3. 2.3.0Sep 4, 2026

    Orga Alondra 1.5

    Neues Modell mit stärkerer Prosodie, weniger Halluzinationen bei Zahlen und 30% Latenzverbesserung auf dem `/v1/speak`-Endpunkt.

    Neu
    • Alondra 1.5 ist Standard für neue Konten; pro Anfrage mit `model: alondra-1` deaktivierbar.
    • Steuer-Tag `<laugh/>` funktioniert nun in Spanisch, Französisch und Deutsch.
    Verbessert
    • Streaming-Chunkgröße verdoppelt — weniger Netzwerk-Events bei gleicher Audioqualität.
    Behoben
    • SSML `<break/>` wurde bei langen Eingaben verworfen.
In Minuten bereit

Mit Orga bauen noch heute

Holen Sie sich einen API-Schlüssel und senden Sie Ihre erste Anfrage in Minuten.

Kostenlos startenMit dem Vertrieb sprechen