Die kurze Antwort
Der Sprachmodus ist ein Gespräch mit KI in Echtzeit: Du sprichst, das Modell antwortet laut, und du kannst es unterbrechen. Jeder bezahlte Plan enthält Sprachminuten: 10 pro Monat im Starter, 80 im Pro und 500 im Powerhouse.
Die Sitzung erzeugt ein Transkript, das in deinem Chatverlauf landet, sodass ein gesprochenes Gespräch danach genauso nachlesbar ist wie ein getipptes. Sprachminuten werden über einen eigenen Zähler erfasst und verbrauchen keine Credits.
Eine Sitzung starten und steuern
Öffne den Sprachmodus im Chat, und die Sitzung verbindet sich und beginnt zuzuhören. Es gibt keinen Push-to-Talk-Schritt: du fängst einfach an zu sprechen. Antworten kommen in einer voreingestellten Stimme, einer warmen Stimme namens Sulafat, und die Sprachfunktion läuft über die Gemini Live API: Whizi erstellt ein kurzlebiges Sitzungstoken, und dein Browser streamt Audio direkt an Google, sodass kein Audio über Whizi-Server läuft.
Die Steuerung während einer Sitzung ist bewusst minimal gehalten. Du kannst das Mikrofon stummschalten, wodurch es dich nicht mehr hört, ohne die Sitzung zu beenden, und du kannst die Sitzung komplett beenden. Die Statusanzeige zeigt, ob Whizi gerade zuhört oder spricht, was wichtiger ist, als es klingt, denn zu wissen, ob man gehört wurde, macht einen Großteil davon aus, ob eine Sprachoberfläche erträglich ist.
Weil das Gespräch in Echtzeit statt abwechselnd verläuft, kannst du dazwischenreden, während das Modell noch spricht, genau wie bei einer Person. Ohne das müsste eine lange, falsche Antwort erst abgewartet werden, bevor du sie umlenken kannst.
Das Transkript lässt sich jederzeit im Chat öffnen, auch mitten in der Sitzung. Das ist der Ausweg, wenn etwas genau stimmen muss: lies nach, was tatsächlich erfasst wurde, statt es anzunehmen. Spracherkennung bei Namen, Zahlen und Fachbegriffen ist der schwächste Teil jeder Sprachoberfläche, daher ist ein Blick ins Transkript mitten in der Sitzung der schnellste Weg, ein Missverständnis zu erkennen, bevor es die nächste Antwort beeinflusst.
Wie die Minuten gezählt werden
Die Minuten zählen die Sitzungszeit, und das Kontingent wird pro Konto gezählt und setzt sich mit deinem Abrechnungszeitraum zurück. Eine einzelne Sitzung läuft höchstens 15 Minuten: Der Startaufruf reserviert Zeit aus deinem Kontingent und teilt der Sitzung mit, wie lange sie laufen darf, sodass die Sitzung verkürzt wird, wenn deine verbleibenden Minuten geringer sind.
Das Kontingent richtet sich nach dem Plan: 10 Minuten pro Monat im Starter, 80 im Pro und 500 im Powerhouse. Kostenlose Konten erhalten keine. Powerhouse entspricht etwas mehr als acht Stunden pro Monat, also ungefähr zwanzig Minuten an jedem Arbeitstag. Sprachgespräche sind naturgemäß kurz, das Format eignet sich eher für fünfminütige Austausche als für stundenlange Sitzungen, sodass die höheren Stufen selten eine bindende Grenze sind.
Das Stummschalten des Mikrofons stoppt die Uhr nicht. Das Beenden der Sitzung schon. Wenn du kurz weggehst, beende die Sitzung, statt sie nur stummzuschalten.
Sprachminuten sind ein eigenes Kontingent und greifen auf nichts anderes zu. Sprachminuten, Credits und Bildgenerierungen sind getrennte Zähler, die sich keinen Pool teilen, sodass ein langes Sprachgespräch nicht die Anzahl der Claude- oder GPT-Nachrichten verringert, die du in diesem Monat senden kannst. Das bedeutet auch, dass ein Konto, das seine Credits aufgebraucht hat, weiterhin über seine Sprachminuten verfügt, und ein Konto, das sein Sprachkontingent vollständig verbraucht hat, trotzdem noch tippen kann.
Das Transkript, das eine Sitzung hinterlässt, ist ein gewöhnlicher Chat, sodass es nichts weiter kostet, es aufzubewahren, und es landet in deinem Verlauf neben allem, was du getippt hast.
Wobei Sprache wirklich besser ist
Sprache ist keine schnellere Version des Tippens, und sie so zu nutzen ist enttäuschend. Drei Fälle, in denen sie wirklich gewinnt:
Laut nachdenken. Ein Problem durchzusprechen, das du noch nicht strukturiert hast, ist gesprochen deutlich leichter als geschrieben, weil du dich nicht auf einen Satz festlegen musst, bevor du weißt, wo er endet. Das Transkript danach ist meist eine bessere Beschreibung des Problems, als du sie getippt hättest.
Hände beschäftigt oder Augen woanders. Kochen, Autofahren, Spazierengehen oder das Erledigen von etwas Körperlichem. Das ist der offensichtliche Fall, und er ist real.
Ein Gespräch üben. Antworten auf ein Vorstellungsgespräch, eine schwierige Nachricht an eine Kundin, ein Pitch. Es laut auszusprechen und eine Reaktion zu hören, bringt die unbeholfene Formulierung zum Vorschein, die auf dem Papier gut wirkt.
Wo sie verliert: bei allem, was Code, exakte Zahlen, schwer zu buchstabierende Namen oder lange strukturierte Ausgaben betrifft, die du kopieren möchtest. Tippe das.
| Was du gerade tust | Gesprochen oder getippt | Warum |
|---|---|---|
| Ein Problem durchdenken, das du noch nicht strukturiert hast | Gesprochen | Du musst dich nicht auf einen Satz festlegen, bevor du weißt, wo er endet |
| Kochen, Autofahren, Spazierengehen oder etwas Körperliches erledigen | Gesprochen | Hände sind beschäftigt und Augen sind woanders, und das Transkript landet danach in deinem Verlauf |
| Antworten für ein Vorstellungsgespräch, eine schwierige Nachricht oder einen Pitch üben | Gesprochen | Es laut auszusprechen bringt die unbeholfene Formulierung zum Vorschein, die auf dem Papier gut wirkt |
| Code, exakte Zahlen, schwer zu buchstabierende Namen, lange Ausgaben, die du kopieren wirst | Getippt | Die Spracherkennung ist bei Namen, Zahlen und Fachbegriffen am schwächsten |
- Jeder bezahlte Plan enthält Sprache: 10 Minuten im Starter, 80 im Pro, 500 im Powerhouse
- Eine einzelne Sitzung läuft höchstens 15 Minuten
- Sprache verbraucht keine Credits, sie hat ihren eigenen Zähler
- Stummschalten stoppt die Uhr nicht, das Beenden der Sitzung schon
- Das Transkript landet im Chatverlauf und bleibt nachlesbar
- Nutze Tippen für Code, exakte Zahlen und alles, was du kopieren wirst
Häufige Fragen
Welcher Plan enthält den Sprachmodus?
Jeder bezahlte Plan enthält den Sprachmodus, kostenlose Konten erhalten überhaupt keine Sprachminuten. Was sich mit der Stufe ändert, ist das Kontingent: Starter enthält 10 Sprachminuten pro Monat, Pro 80 und Powerhouse 500, die sich mit dem Abrechnungszeitraum zurücksetzen.
Werden Sprachminuten von meinen Credits abgezogen?
Nein. Sprache hat ihren eigenen Minutenzähler und verbraucht keine Credits, sodass ein langes Sprachgespräch die Anzahl der Claude- oder GPT-Nachrichten, die du senden kannst, nicht verringert. Sprachminuten, Credits und Bildgenerierungen sind getrennte Kontingente, die sich keinen Pool teilen.
Kann ich sehen, was ich in einer Sprachsitzung gesagt habe?
Ja. Jede Sitzung erzeugt ein Transkript, das in deinen Chatverlauf gelangt, und du kannst es sowohl während als auch nach der Sitzung öffnen. Dieser Blick mitten in der Sitzung lohnt sich immer, wenn Genauigkeit wichtig ist: Namen, Zahlen und Fachbegriffe sind das, was die Spracherkennung am häufigsten falsch versteht.
Kann ich das Modell unterbrechen, während es spricht?
Ja, das Gespräch verläuft in Echtzeit statt abwechselnd, sodass du dazwischenreden kannst wie bei einer Person, und das Modell hält an, statt eine lange, falsche Antwort zu Ende zu bringen, die du sonst hättest abwarten müssen.