Voice-KI-Agent mit GitHub-Zugriff
für 30 € im Monat

Du sammelst Sprachnotizen. Auf dem Weg zur Bahn, beim Spaziergang, im Auto. Aber dann landen sie in einer App, werden vielleicht transkribiert, und kein KI-Agent macht etwas damit. Die Brücke zwischen Sprach-Input und konkretem Output fehlt – und genau die füllt dieser Artikel.

Wir zeigen dir, wie du dir mit Hermes Agent (Nous Research, Open Source), DeepSeek V4 als günstigem Sprachmodell und einem Hetzner-VPS für rund 4 € im Monat einen Voice-First-Agenten baust, der deine Sprachnachrichten in deinem GitHub-Repository ablegt, recherchiert und auf Zuruf das Firmengedächtnis durchsucht. Mit ehrlichen Kosten, transparenten Limitationen und einer klaren Abgrenzung zu ChatGPT Voice.

Wenn du noch nicht weißt, warum man überhaupt mehrere KI-Agenten parallel laufen lässt, lies vorher unsere vier Wege im ehrlichen Vergleich. Und wenn dir das Konzept „Firmengedächtnis" noch fremd ist, fang mit der Übersicht der fünf Kategorien an. Hier wird's konkret.

1. Das Problem, das niemand löst

Wer Beratung oder Gründung macht, hat täglich gute Gedanken auf dem Weg. Beim Kaffee, im Bus, nach dem Mandantengespräch. Die meisten landen in einer Notiz-App, manche in einer Voice-Memo-Aufnahme. Die Hoffnung: „Ich kümmere mich später drum."

Das Später kommt selten. Voice-Memos liegen in der App, Transkriptionen werden nicht weiterverarbeitet, der gute Gedanke versickert. Solo-Gründer:innen verlieren so jeden Tag Substanz, die nie wieder hochkommt. Das ist nicht „Disziplin"-Problem, das ist ein Werkzeug-Problem.

Was wir brauchen: einen Agenten, der die Sprachnachricht entgegennimmt, transkribiert, versteht, klassifiziert und ins richtige Verzeichnis im Firmengedächtnis schreibt. Wenn ich frage „Was hatte ich letzte Woche zum Hochschul-Partnerprogramm überlegt?", soll er es wiederfinden und auf Deutsch antworten. Genau das bauen wir heute.

2. Die Architektur in einem Diagramm

Bevor wir in die Schritte gehen, der visuelle Überblick. Sechs Bausteine, drei davon kostenlos.

Der Clou ist die untere Hälfte: Statt jede Anfrage über das teure Claude-Opus-Modell laufen zu lassen, routet Hermes 90 Prozent der Aufgaben auf DeepSeek V4 (sehr günstig) und nur die qualitätssensiblen 10 Prozent auf Claude Sonnet. Mehr dazu in Sektion 5.

3. Drei Use Cases, mit denen du heute startest

Bevor wir Setup-Schritte aufzählen, hier drei konkrete Workflows aus der eigenen Beratungspraxis. Das ist, was du am Ende tatsächlich tun wirst – nicht abstrakte „Möglichkeiten".

4. Warum Hermes – und warum nicht OpenClaw

Beide sind Open-Source-Multi-Agent-Frameworks, beide laufen auf deinem eigenen VPS. Wir haben sie im großen Vergleichsartikel ausführlich gegenübergestellt, dort wird auch klar: OpenClaw ist architektonisch reifer, Hermes ist funktional moderner. Für den Voice-First-Use-Case kippt die Entscheidung zugunsten Hermes – und das hat einen konkreten Grund.

Hermes ist Voice-First-tauglich „out of the box"

Laut offizieller Hermes-Doku werden Sprachnachrichten in Telegram, Discord, WhatsApp, Slack und Signal automatisch transkribiert und als Text in die Konversation eingefügt – ohne dass du irgendwelche Plugins konfigurieren musst. Voice-Antworten kommen als native Telegram-Voice-Bubbles zurück (also die runden, inline-abspielbaren). Mit der gratis Edge-TTS-Stimme funktioniert das ohne API-Key. Wer Premium-Stimmen will, hängt OpenAI-TTS oder ElevenLabs dran.

OpenClaw hat aktuell einen dokumentierten Telegram-Voice-Bug

Im Februar 2026 wurde Issue #17101 im offiziellen OpenClaw-Repo aufgemacht: Telegram-Voice-Nachrichten (`.ogg` mit Opus-Codec) kommen zwar an, werden aber nicht automatisch transkribiert. Stattdessen sieht der Agent rohes `` ohne Text, obwohl `tools.media.audio.enabled` aktiviert ist. Das Issue ist mittlerweile geschlossen, aber es gab Folge-Probleme in mehreren späteren Versionen (Issues #59864, #62205). Wenn dein Hauptkanal Telegram-Voice sein soll, ist das kein Detail, sondern ein Show-Stopper.

5. Warum DeepSeek V4 – und der Modell-Routing-Trick

Ein KI-Agent ist nur so teuer wie das Modell, das er verwendet. Hier kommt der größte Hebel: nicht alles muss über Claude Opus laufen. DeepSeek V4 leistet für 90 Prozent der Aufgaben (Transkription verstehen, klassifizieren, ablegen, einfache Recherche-Anfragen) qualitativ vergleichbar – zu einem Bruchteil der Kosten.

Die offiziellen Preise (Stand Mai 2026, laut DeepSeek API Docs und Anthropic Pricing):

Bei gecachtem Input ist DeepSeek V4 Pro derzeit etwa 140-fach günstiger als Claude Opus 4.7. Bei nicht-gecachtem Input immer noch etwa 11-fach günstiger. Das ist keine Optimierung, das ist eine andere Größenordnung – und genau das macht 100 parallele Agenten oder einen den ganzen Tag laufenden Voice-Agenten finanzierbar.

6. Die Setup-Schritte in fünf Phasen

Wenn du am Wochenende loslegst, schaffst du Phase 0 und 1 in zwei Stunden. Die anderen Phasen sind Tagesthemen, keine Wochenend-Marathons.

ssh root@<ip-adresse>
apt update && apt upgrade -y
apt install -y nodejs npm git docker.io ufw
ufw allow OpenSSH && ufw enable

7. Die echten Kosten – transparent

Zwei realistische Szenarien. Solo-Gründer mit moderater Nutzung kommen unter 30 €/Monat, wer Premium-Voice will, landet bei rund 60 €.

Zum Vergleich: Dasselbe Setup mit Claude Opus als Daily Driver würde 100–200 € pro Monat kosten. Der Faktor liegt also im Modell-Routing, nicht im Framework.

8. Was funktioniert gut – und was nicht

Was wirklich gut funktioniert

• Deutsche Voice-Eingabe via Telegram: Whisper unterstützt laut Hermes-Doku zahlreiche Sprachen, deutsche Erkennung ist sehr stabil, auch mit Umgangssprache und Dialekt-Einschlag
• Async-Workflow: Du schickst eine Nachricht, gehst in den Termin, Antwort liegt nachher im Telegram
• Modell-Routing: Hermes kann pro Skill ein anderes Modell definieren – sauber konfigurierbar
• GitHub-Schreibzugriff: Commit-Messages werden automatisch sinnvoll generiert, Versionierung ist gratis dabei
• Privacy: Daten liegen auf deinem VPS und in deinem Repo, nicht bei einem US-Hyperscaler (sofern du europäisches Hosting wählst)

Was Du wissen musst

• Latenz: 10–30 Sekunden pro Austausch – kein flüssiges Gespräch wie bei ChatGPT Advanced Voice. Eher wie WhatsApp-Voice-Memos zurück und vor
• TTS-Qualität bei der gratis Edge-TTS: klingt etwas roboterhaft. Wer „natürliche Stimme" braucht, muss ElevenLabs zubuchen
• Reifegrad von Hermes: drei Monate alt (seit Februar 2026), weniger Code-Review-Augen als bei OpenClaw. Bugs sind möglich
• Wartung: Linux-Updates, Hermes-Updates, Token-Rotation – das passiert nicht von alleine

9. Der Unterschied zu ChatGPT Voice

OpenAI hat im Mai 2026 mit GPT-Realtime-2 eine sehr beeindruckende neue Generation an Voice-Modellen vorgestellt. Sub-Sekunden-Latenz, GPT-5-Class-Reasoning, natürliche Stimmen, flüssige Konversation. Laut offizieller OpenAI-Ankündigung ist es das aktuell führende Voice-Modell.

Die Kosten allerdings: $32 pro Million Audio-Input-Tokens, $64 pro Million Audio-Output-Tokens. Da Audio Token nach Dauer berechnet werden (Eingabe ca. 1 Token / 100 ms, Ausgabe 1 Token / 50 ms), kommt man laut Praxis-Analysen auf typische Real-Kosten zwischen 0,18 $ und 0,46 $ pro Minute. Eine intensive Stunde am Tag kostet damit 5–15 $, im Monat 150–450 $.

Beide haben ihre Daseinsberechtigung. Hermes plus DeepSeek ist die Werkbank für asynchrone Voice-Workflows, Firmengedächtnis-Zugriff und Recherche-Aufträge – günstig, datensouverän, integrierbar. GPT-Realtime-2 ist die Premium-Lösung, wenn du tatsächlich Konversationen führen willst (z. B. Mock-Interviews, Sprachtraining, mündliche Strategie-Sparring).

Für die meisten Solo-Gründer:innen empfehlen wir, mit Hermes anzufangen. Erst nach vier bis sechs Wochen Praxiserfahrung weißt du, ob du wirklich Echtzeit-Konversation brauchst – oder ob asynchrone Voice-Memos reichen.

10. Konkrete erste Schritte

Nicht alles am ersten Wochenende. Hier der realistische Pfad: