ich habe vor meinem Haus eine Kamera und lasse, wenn jemand das Grundstück betritt, lasse ich mir das Bild analysieren. Ich teste derzeit gemini und openai. Bei letzterem habe ich mir auch ein bisschen Geld aufgeladen.
Als Prompt verwende ich folgendes:
Beschreibe mit maximal 20 Wörtern das Vorne Personen Mann, Frau, Kind erkannt wurden. Wenn ein Postbote, Paketbote, Kurier oder ähnliches erkannt wurde, dann erwähne es. Sollten diese Berufe nicht erkannt werden, dann erwähne es nicht. Schreibe auf keinen Fall Sätze wie: “Keine Postbotin” oder “Sie ist keine Paketbotin”
Bei Gemini funktioniert das so ganz ok. Ausgabe: “Vorne wurde eine Frau erkannt” Dauer 8,15 Sekunden
Bei OpenAi mit GPT 5.2 oder auch 4o-mini mit gleichem Bild und gleichem Prompt:
Eine Frau und ein Kind wurden erkannt. Kein Postbote oder ähnliches gesehen.
Dauer 5,4 Sekunden.
Auf dem Bild ist aber überhaupt kein Kind zu sehen. Und zudem hält sich OpenAI nicht an meinen Prompt, es soll ja nicht erwähnen, dass kein Postbote erkannt wurde.
Interessanterweise ist die Ausgabe von Chatgpt deutlich besser:
Vorne ist eine erwachsene Frau mit roter Jacke auf dem Gehweg zu sehen.
Welche Erfahrungen habt ihr gemacht und welche KIs nutzt ihr?
Danke für eure Antworten, leider am Thema vorbei. Ein Bild zuschicken hilft nicht, wenn ich es mir auf meinen Audiogeräten im Haus ausgeben lassen möchte.
Für denselben Anwendungsfall verwende seit einiger Zeit gemini-2.5-flash-lite. Bin eigentlich zufrieden damit. Leider wurde die Anzahl der API-Aufrufe pro Tag im Free-Tier seit Dezember drastisch beschränkt. Jetzt sind nur noch 20 pro Tag möglich.
An die Bezahlversion bei Google habe ich mich noch nicht herangewagt. Ich habe keine Möglichkeit gefunden, ein Kostenlimit zu setzen. Wenn irgendwas schief läuft und unzählige API Calls ausgeführt werden, kann es ganz schön teuer werden.
Eine Alternative wäre wahrscheinlich die Gemini Modelle über OpenRouter zu nutzen. Da gibt es die Möglichkeit ein Kostenlimit einzustellen. Eine Home Assistant Integration gibt es ja dafür. Das habe ich aber noch nicht ausprobiert.
ich wollte eigentlich komplett auf openai gehen, um ein Text to Speech und Speech to Text abbilden zu können und nicht verschiedene Varianten zu wählen.
Was ich gerade herausgefunden habe, wenn man den temperature Wert herabsetzt, wird die Aussage genauer.Temperature auf 0,1 und tot_p auf 0,9
Dein Prompt ist etwas unscharf formuliert, von daher fallen die Ergebnisse vage aus. Ich würde den Prompt stärker strukturieren und zusätzliche Details ergänzen – zum Beispiel trägt Uniform, hat einen Scanner in der Hand oder ein Lieferwagen im Hintergrund. Auch “negative” Details einbauen hilft, z.B. “igoriere Personen mit Einkaufstaschen” usw.
Für Tests würde ich zudem eher eine lokale Umgebung nutzen (lmstudio, openwebui,..)
Ich hab mal $ 2 zum Rumspielen aufgeladen. Man hat über 600 Modelle zur Auswahl. Darunter auch fast alle von Google und OpenAI. Ein tägliches Limit lässt sich aktivieren. Damit kann man prima testen, welches Modell am besten geeignet ist und wieviel Kosten eine Bildanalyse verursacht.
Ein 640x360 grosses Bild kostet z.B. bei Gemini-2.5-flash-lite nur $ 0,000204. Zudem liefert es bessere Ergebnisse als GPT 4o mini, das ähnlich viel kostet.
Just to clarify this: Du willst ein und dasselbe Modell für Text to Speech, Speech to Text und Picture Analyse verwenden? Ich nutze Tonnen an KIs, das in einer zu bündeln wird zwar gehen, aber erwarte da keine Glanzleistungen. Was nicht heißt, dass das nicht trotzdem bei Deinem Use Case funktionieren könnte.
Du suchst also eine KI zum Fixpreis, aber mit einer API, korrekt?
ich möchte nicht das selbe Modell verwenden, aber den selben Hersteller. Also gern alles openai.
Aber eben für unterschiedliche Aufgaben, unterschiedliche Modelle. Hintergrund, ist die Abrechnung.
Ja, eine andere Alternative wäre sicherlich openrouter.
