> ## Documentation Index
> Fetch the complete documentation index at: https://docs.varios-ai.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Voice-Modelle

> Konfiguration von Voice-Modellen für Transkription und Sprachausgabe

Voice-Modelle ermöglichen Sprach-zu-Text (Transkription) und Text-zu-Sprache (Sprachausgabe) in VARIOS AI. Jedes Voice-Modell wird einem **Modelltyp** zugewiesen, der die verfügbaren Konfigurationsoptionen und Kostenfelder bestimmt.

## Modelltypen

| Modelltyp         | Beschreibung                                                                                 |
| ----------------- | -------------------------------------------------------------------------------------------- |
| **Transkription** | Wandelt gesprochene Sprache in Text um (Speech-to-Text). Beispiel: `gpt-4o-mini-transcribe`. |
| **Sprache**       | Wandelt Text in gesprochene Sprache um (Text-to-Speech). Beispiel: `gpt-4o-mini-tts`.        |

## Grunddaten (beide Typen)

| Feld             | Pflicht | Beschreibung                                                                  |
| ---------------- | ------- | ----------------------------------------------------------------------------- |
| **Bild / Titel** | Ja      | Anzeigename und optionales Profilbild des Modells.                            |
| **Modellname**   | Ja      | Technischer Modellname (z. B. `gpt-4o-mini-transcribe`).                      |
| **Zugangsdaten** | Ja      | Hinterlegte Zugangsdaten für den gewählten Provider (Dropdown-Auswahl).       |
| **Modelltyp**    | Ja      | Typ des Voice-Modells: **Transkription** oder **Sprache** (Dropdown-Auswahl). |

## Kosten nach Modelltyp

### Transkriptions-Modell Kosten

Transkriptionsmodelle verarbeiten Audio-Eingaben und erzeugen Text-Ausgaben.

| Feld                                             | Pflicht | Beschreibung                                            |
| ------------------------------------------------ | ------- | ------------------------------------------------------- |
| **Kosten in \$ pro Millionen Text-Input-Token**  | Nein    | Kosten für textbasierte Eingaben (z. B. Prompt).        |
| **Kosten in \$ pro Millionen Text-Output-Token** | Nein    | Kosten für die generierte Text-Ausgabe (Transkription). |
| **Kosten in \$ pro Millionen Audio-Input-Token** | Nein    | Kosten für die Audio-Eingabe (gesprochene Sprache).     |

### Sprach-Modell Kosten

Sprachmodelle verarbeiten Text-Eingaben und erzeugen Audio-Ausgaben.

| Feld                                              | Pflicht | Beschreibung                                                   |
| ------------------------------------------------- | ------- | -------------------------------------------------------------- |
| **Kosten in \$ pro Millionen Text-Input-Token**   | Nein    | Kosten für die Text-Eingabe (zu sprechender Text).             |
| **Kosten in \$ pro Millionen Audio-Output-Token** | Nein    | Kosten für die generierte Audio-Ausgabe (gesprochene Sprache). |

<Tip>
  Die Token-Kosten für Voice-Modelle unterscheiden sich je nach Modelltyp.
  Transkriptionsmodelle haben drei Kostenfelder (Text-Input, Text-Output,
  Audio-Input), während Sprachmodelle nur zwei Kostenfelder benötigen
  (Text-Input, Audio-Output).
</Tip>

<Note>
  Voice-Modelle verfügen nicht über DLP-Sicherheitseinstellungen, da die
  Datenverarbeitung über die zugehörigen Chat- und Embedding-Modelle abgesichert wird.
</Note>