Wer heute einen Voice Agent entwickelt, steht vor einer Fülle von Bausteinen. Es gibt Dutzende Anbieter für Spracherkennung, viele leistungsfähige Sprachmodelle, eine wachsende Zahl von Sprachsynthese-Diensten und mehrere Wege, wie Audio überhaupt zum Agenten gelangt – über den Browser, eine App oder das Telefonnetz. Jeder dieser Bausteine hat eigene Schnittstellen, Audioformate und Eigenheiten. Die eigentliche Herausforderung liegt im Zusammenspiel: Daten müssen in Bruchteilen von Sekunden durch die Kette fließen, und jede Komponente muss wissen, was die anderen gerade tun.
Genau hier setzt Pipecat an. Das Framework bietet ein einheitliches Modell, in dem alle Bausteine als Prozessoren in einer Pipeline angeordnet werden. Zwischen ihnen fließen kleine Datenpakete, sogenannte Frames – Audiofragmente, erkannter Text, Antworten des Sprachmodells, Steuersignale. Wer Pipecat nutzt, beschreibt, welche Bausteine in welcher Reihenfolge arbeiten sollen, und das Framework übernimmt die Echtzeit-Mechanik. Ein Anbieterwechsel bedeutet dann oft nur den Austausch eines einzelnen Prozessors statt eines Neubaus.
Drei Eigenschaften prägen Pipecat:
Pipecat richtet sich an Entwicklerteams, Softwarehäuser, Digitalagenturen und Produktunternehmen, die Voice Agents mit voller Kontrolle über Architektur, Datenflüsse und Anbieterwahl bauen wollen. Typische Nutzer sind Unternehmen mit eigener Python-Kompetenz, Systemintegratoren, die Sprachlösungen für Kunden umsetzen, und Softwareanbieter, die Sprachfunktionen in ihr Produkt integrieren. Für eine Fachabteilung, die ohne IT-Unterstützung einen Telefon-Assistenten aufsetzen möchte, ist Pipecat dagegen nicht der richtige Einstieg – hier sind gehostete Plattformen mit grafischer Oberfläche oder spezialisierte Voice-AI-Anbieter passender.
Das Kern-Framework ist eine Python-Bibliothek, die als Paket installiert und um optionale Erweiterungen für einzelne Anbieter ergänzt wird. Wer etwa eine bestimmte Spracherkennung und eine bestimmte Sprachsynthese nutzen möchte, installiert die passenden Zusatzpakete und konfiguriert die Zugangsdaten. Dieser modulare Ansatz hält die Abhängigkeiten schlank und erleichtert es, Bausteine auszutauschen. Rund um das Framework gibt es Beispielprojekte, Vorlagen für typische Szenarien wie Telefon-Assistenten oder Web-Chats sowie Werkzeuge für die lokale Entwicklung und Fehlersuche.
Pipecat Flows adressiert ein Grundproblem freier Sprachmodelle: Sie sind flexibel, aber nicht immer vorhersagbar. In geschäftlichen Abläufen – Identität prüfen, Anliegen erfassen, Termin vorschlagen, bestätigen – ist ein klar strukturierter Ablauf oft wichtiger als maximale Freiheit. Flows gliedert ein Gespräch in Abschnitte, sogenannte Knoten. Jeder Knoten hat eigene Anweisungen und eigene Funktionen, und definierte Übergänge legen fest, wann das Gespräch zum nächsten Abschnitt wechselt. So entsteht ein Mittelweg zwischen starren Sprachdialogsystemen und völlig freien Agenten. Abläufe lassen sich je nach Version auch statisch beschreiben oder dynamisch zur Laufzeit erzeugen; der aktuelle Stand ist beim Projekt zu prüfen.
Ein Voice Agent braucht immer eine Gegenstelle: einen Browser, eine App oder ein Telefon. Für Browser und Apps stellt das Projekt Client-SDKs bereit, die auf einem gemeinsamen Nachrichtenprotokoll aufbauen. Dieses Protokoll – ursprünglich unter der Bezeichnung RTVI für Real-Time Voice Inference entstanden – regelt, wie Client und Agent Statusmeldungen, Transkripte, Funktionsaufrufe und Konfigurationsänderungen austauschen. Für Entwickler heißt das: Die Oberfläche kann anzeigen, ob der Agent gerade zuhört, nachdenkt oder spricht, und sie kann Live-Untertitel oder Zusatzinformationen darstellen, ohne dass für jeden Anbieter eigene Logik nötig ist. Ergänzend gibt es Bausteine für Benutzeroberflächen, die den Einstieg beschleunigen.
Pipecat Cloud ist der kommerzielle Betriebsbaustein. Statt eigene Server, Container-Orchestrierung und Skalierung aufzubauen, wird der Agent als Container-Image bei Daily bereitgestellt. Die Plattform startet für jedes Gespräch eine Instanz, hält bei Bedarf Reserven vor, um Startverzögerungen zu vermeiden, und bündelt Protokolle und Betriebsdaten. Wichtig: Der Code des Agenten bleibt derselbe – ein Wechsel zwischen Self-Hosting und Pipecat Cloud ist grundsätzlich möglich. Welche Regionen, Leistungszusagen und Vertragsbedingungen gelten, ist beim Anbieter zu prüfen.
Man kann sich eine Pipecat-Pipeline wie ein Fließband vorstellen. Am Anfang kommt Audio vom Anrufer an – über das Telefon, den Browser oder eine App. Dieses Audio wird in kleine Stücke zerlegt und als Frames auf das Band gelegt. Die erste Station ist meist die Spracherkennung: Sie hört die Audio-Frames ab und legt erkannte Wörter als Text-Frames aufs Band. Die nächste Station sammelt den Text und den bisherigen Gesprächsverlauf und übergibt beides dem Sprachmodell. Das Modell antwortet nicht am Stück, sondern Wort für Wort, und jedes Stück wandert sofort weiter zur Sprachsynthese, die daraus wieder Audio-Frames erzeugt. Am Ende des Bandes werden diese an den Anrufer zurückgespielt.
Der entscheidende Punkt ist das Streaming: Keine Station wartet, bis die vorherige komplett fertig ist. Die Sprachsynthese beginnt bereits zu sprechen, während das Sprachmodell den Rest der Antwort noch formuliert. So addieren sich die Verzögerungen nicht vollständig, und das Gespräch wirkt flüssig. Neben Audio- und Text-Frames gibt es Steuer-Frames, die Ereignisse signalisieren – etwa dass der Nutzer zu sprechen beginnt, dass eine Antwort abgebrochen werden soll oder dass das Gespräch endet. Diese Signale können in beide Richtungen laufen, also auch von hinten nach vorne, damit etwa die Sprachsynthese erfährt, dass sie verstummen muss.
Weil jede Station ein austauschbarer Prozessor ist, lassen sich Pipelines leicht erweitern: ein Filter, der personenbezogene Daten im Transkript maskiert, bevor sie ans Sprachmodell gehen; ein Protokollierer, der Gespräche mitschreibt; eine Station, die Hintergrundgeräusche reduziert; oder eine Logik, die Wartemusik einspielt, während ein langsames System abgefragt wird. Pipecat erlaubt auch parallele Zweige, etwa um ein Bild aus einem Video-Stream gleichzeitig mit dem Gesprochenen auszuwerten. Statt der klassischen Kette kann zudem ein Speech-to-Speech-Modell eingesetzt werden, das Audio direkt versteht und erzeugt – die Pipeline wird dann kürzer, die Mechanik drumherum bleibt gleich.
Die schwierigste Frage im Sprachdialog ist banal klingend: Wann darf der Agent antworten? Menschen machen Pausen, holen Luft, zögern bei Zahlen oder denken mitten im Satz nach. Antwortet ein Agent zu früh, unterbricht er; antwortet er zu spät, entsteht peinliche Stille. Pipecat setzt dafür mehrere Ebenen ein. Die erste ist eine Voice Activity Detection (VAD), die lokal erkennt, ob gerade gesprochen wird; häufig kommt dafür ein kleines, offenes Modell zum Einsatz, das ohne Cloud-Aufruf läuft. Pausendauer und Empfindlichkeit lassen sich einstellen.
Die zweite Ebene ist eine semantische Turn-Erkennung. Ein Satz wie „Meine Kundennummer ist …“ deutet darauf hin, dass noch etwas kommt, auch wenn kurz Stille herrscht. Rund um Pipecat ist dafür ein eigenes, offenes Modell zur Erkennung von Gesprächsenden entstanden, das neben der Stille auch Sprachmelodie und Inhalt berücksichtigt. Daneben können je nach Konfiguration Turn-Signale von Spracherkennungsdiensten oder von Speech-to-Speech-Modellen genutzt werden. Welche Variante für deutsche Sprache und Telefonqualität am besten funktioniert, ist eine typische Frage für den Pilotbetrieb – Sprachunterstützung und Reifegrad der jeweiligen Modelle sind beim Projekt zu prüfen.
Ebenso wichtig wie das richtige Timing ist der Umgang mit Unterbrechungen, im Fachjargon Barge-in. Fängt der Anrufer an zu sprechen, während der Agent redet, muss dieser sofort verstummen und zuhören. In Pipecat löst die erkannte Nutzersprache ein Unterbrechungssignal aus, das durch die Pipeline läuft: Die Audioausgabe stoppt, noch nicht gesprochene Textteile werden verworfen, und das Sprachmodell erfährt, dass seine Antwort nicht vollständig angekommen ist. Pipecat führt den Gesprächsverlauf so, dass nur das in den Kontext übernommen wird, was tatsächlich gesprochen wurde – sonst würde der Agent später auf Informationen Bezug nehmen, die der Anrufer nie gehört hat.
Unterbrechungen sind aber nicht immer erwünscht. Ein kurzes „mhm“ oder „ja“ während einer Erklärung ist meist Zustimmung, keine Unterbrechung. Pipecat erlaubt Strategien, um solche Einwürfe zu filtern, etwa eine Mindestzahl von Wörtern, bevor eine Unterbrechung ausgelöst wird. Auch einzelne Passagen – etwa ein gesetzlich vorgeschriebener Hinweis zu Beginn – können als nicht unterbrechbar markiert werden. Hintergrundgeräusche, Freisprecheinrichtungen und Echo bleiben dennoch die häufigsten Störquellen und gehören in jeden Test.
Pipecat unterstützt das Function Calling der angebundenen Sprachmodelle. Die Anwendung beschreibt dem Modell, welche Funktionen zur Verfügung stehen – etwa „Lieferstatus abfragen“ mit dem Parameter Auftragsnummer – und hinterlegt im Python-Code, was beim Aufruf passieren soll. Erkennt das Modell im Gespräch den Bedarf, ruft es die Funktion mit den gesammelten Parametern auf, der Code fragt das ERP oder CRM ab, und das Ergebnis fließt zurück in das Gespräch. Weil die Ausführung im eigenen Code stattfindet, bleibt die Kontrolle beim Unternehmen: Parameter werden geprüft, Berechtigungen durchgesetzt, kritische Aktionen abgesichert.
Für den Sprachkanal sind einige Muster wichtig. Werkzeugaufrufe dauern, und Stille am Telefon wirkt wie ein Verbindungsabbruch. Pipecat erlaubt es, während eines Aufrufs eine kurze Ansage oder ein dezentes Wartegeräusch abzuspielen und Funktionen asynchron auszuführen. Zudem lassen sich Werkzeuge über offene Standards wie das Model Context Protocol (MCP) anbinden, sofern das Projekt dies in der eingesetzten Version unterstützt. Das beschleunigt die Integration, verlangt aber eine sorgfältige Auswahl vertrauenswürdiger Server und eine klare Begrenzung der freigegebenen Werkzeuge.
Viele Unternehmensprozesse folgen festen Schritten. Eine Reklamation braucht Kundennummer, Artikel, Fehlerbeschreibung und gegebenenfalls ein Foto; eine Terminbuchung braucht Anliegen, Zeitfenster und Bestätigung. Ein einzelner, langer Systemprompt mit allen Regeln stößt hier schnell an Grenzen: Das Modell vergisst Schritte, mischt Themen oder nutzt Werkzeuge im falschen Moment. Mit Pipecat Flows wird ein solcher Ablauf in Knoten zerlegt. Im Knoten „Identifikation“ stehen nur die Anweisungen und Funktionen für die Kundenprüfung zur Verfügung; erst nach erfolgreicher Prüfung wechselt das Gespräch in den Knoten „Anliegen“. Das reduziert Fehler, macht das Verhalten testbarer und erleichtert die Dokumentation.
Flows eignet sich auch, um zwischen spezialisierten Rollen zu wechseln – etwa von einem Empfangsagenten, der das Anliegen klärt, zu einem Fachagenten für Reklamationen. Kontext kann dabei gezielt mitgenommen, zusammengefasst oder zurückgesetzt werden. Für die Übergabe an Menschen lassen sich Knoten definieren, die das Gespräch zusammenfassen und über die Telefonie an Mitarbeitende weiterleiten, damit der Anrufer nichts wiederholen muss.
Pipecat ist nicht auf Audio beschränkt. Über Video-fähige Transports kann ein Agent Bilder aus einer Kamera oder einer Bildschirmfreigabe erhalten und an ein multimodales Sprachmodell übergeben. Das eröffnet Szenarien wie Fernunterstützung im Service („Zeigen Sie mir das Typenschild“), Videoberatung oder sprechende Avatare, deren Video ebenfalls in der Pipeline erzeugt wird. Gleichzeitig lässt sich die klassische Kette durch Speech-to-Speech-Modelle großer Anbieter ersetzen, die Audio direkt verarbeiten. Pipecat abstrahiert diese Varianten so weit, dass Transport, Werkzeuge und Gesprächslogik weitgehend gleich bleiben.
Für Schutzmechanismen bietet die Pipeline-Architektur einen echten Vorteil: Zwischen Spracherkennung und Sprachmodell oder zwischen Sprachmodell und Sprachsynthese lassen sich eigene Prozessoren einfügen, die Inhalte prüfen, maskieren oder blockieren. So kann etwa ein Filter verhindern, dass Kontonummern ins Protokoll gelangen, oder eine Prüfung Antworten zu Themen außerhalb des Auftrags abfangen, bevor sie gesprochen werden. Diese Möglichkeiten müssen allerdings selbst implementiert und getestet werden – Pipecat liefert die Ansatzpunkte, nicht fertige Compliance-Regeln.
Ein Transport ist in Pipecat die Schicht, die Audio und Video zwischen Nutzer und Agent bewegt. Mit dem Daily-Transport nutzt der Agent die WebRTC-Infrastruktur von Daily, einschließlich Räumen mit mehreren Teilnehmern, Aufzeichnung und Telefon-Einwahl. Der LiveKit-Transport erlaubt es, einen Pipecat-Agenten in die Infrastruktur von LiveKit einzubinden – auch in eine selbst betriebene. Daneben gibt es einen schlanken WebRTC-Transport für direkte Verbindungen zwischen Browser und Agent ohne zusätzlichen Medienserver, der sich gut für Prototypen und einfache Self-Hosting-Szenarien eignet, sowie WebSocket-Transports für Server-zu-Server-Verbindungen.
Die Wahl des Transports entscheidet über Latenz, Robustheit und Datenweg. WebRTC ist für Echtzeit-Audio über das Internet optimiert und federt Paketverluste und schwankende Bandbreite ab. WebSocket ist einfacher, aber bei instabilen Verbindungen empfindlicher und eher für Verbindungen zwischen Rechenzentren geeignet. Für Datenschutzfragen gilt: Ein gehosteter Transport bedeutet einen weiteren Dienstleister, durch dessen Infrastruktur Audio läuft; ein selbst betriebener Transport hält diesen Weg in eigener Hand.
Für mittelständische Unternehmen ist häufig die Integration in die bestehende Telefonanlage die eigentliche Aufgabe. Ob Cloud-Telefonanlage, klassischer SIP-Trunk oder Contact-Center-Software: Es muss geklärt werden, wie Anrufe zum Agenten gelangen, wie sie mit Kontext zurück an Menschen übergeben werden und welche Dienstleister dabei Daten verarbeiten. Je weniger Zwischenstationen, desto geringer Latenz und Abstimmungsaufwand – aber desto höher die Anforderungen an das eigene Know-how.
In der Praxis sind beide Ansätze ausgereift. Entscheidend sind oft weiche Faktoren: Welche Architektur liegt dem Team näher – ein explizites Pipeline-Modell mit Frames oder ein Agenten-Modell, das stärker auf die Infrastruktur ausgerichtet ist? Welche Integrationen werden konkret benötigt? Welche gehostete Option passt besser zu den Anforderungen an Region und Vertrag? Wer bereits eine eigene LiveKit-Infrastruktur betreibt, hat einen natürlichen Startpunkt; wer maximale Flexibilität beim Transport oder Multimodalität in den Vordergrund stellt, findet in Pipecat einen starken Kandidaten.
Beim Self-Hosting betreibt das Unternehmen oder sein Partner die Pipecat-Agenten selbst – auf eigenen Servern, in einem europäischen Rechenzentrum oder in einer EU-Region eines Cloud-Anbieters. Üblich ist die Bereitstellung als Container, orchestriert über eine Container-Plattform, die je Gespräch eine Agenten-Instanz startet. Davor sitzt ein kleiner Dienst, der eingehende Anrufe oder Browser-Sitzungen entgegennimmt und den passenden Agenten zuweist. Kommen lokale Modelle für Spracherkennung oder Sprachsynthese hinzu, werden je nach Modell auch GPU-Ressourcen benötigt.
Der Vorteil liegt auf der Hand: Code, Protokolle und – bei lokalen Modellen – auch Audio und Transkripte bleiben vollständig in der eigenen Infrastruktur. Der Preis ist Betriebsverantwortung. Echtzeit-Anwendungen reagieren empfindlich auf Lastspitzen, Netzwerkprobleme und Kaltstarts. Skalierung, Kapazitätsreserven, Monitoring, Sicherheitsupdates und Hochverfügbarkeit müssen geplant werden. Für ein mittelständisches Unternehmen ohne eigene Plattform-Erfahrung ist das ein ernstzunehmender Aufwand, den ein Betriebspartner abfedern kann.
Mit Pipecat Cloud übernimmt Daily das Hosting. Der Agent wird als Container-Image hochgeladen, die Plattform skaliert die Instanzen, hält bei Bedarf vorgewärmte Reserven bereit und stellt Protokolle sowie Betriebskennzahlen zur Verfügung. Transport und Telefon-Einwahl lassen sich aus derselben Hand beziehen. Das verkürzt den Weg in den Produktivbetrieb erheblich und ist besonders für Teams attraktiv, die sich auf die Gesprächslogik konzentrieren wollen.
Die Kehrseite: Ein US-Anbieter wird zum Auftragsverarbeiter für Laufzeit, Audio und Protokolle. Welche Regionen für Agenten und Medien verfügbar sind, welche Daten wo gespeichert werden und welche Verträge gelten, muss vor der Entscheidung geprüft werden. Weil der Agent-Code identisch bleibt, ist ein hybrider Weg möglich: Prototyp und Pilot in Pipecat Cloud, späterer Umzug in eine eigene EU-Infrastruktur – oder umgekehrt.
Wie jeder Voice Agent braucht auch ein Pipecat-Agent eine Evaluierung: wiederholbare Testgespräche mit erwarteten Ergebnissen, automatisierte Simulationen und Stichproben echter Gespräche. Pipecat unterstützt die Observability, etwa durch Metriken zur Verarbeitungszeit einzelner Stufen und durch die Anbindung an verbreitete Tracing-Standards; Details sind beim Projekt zu prüfen. Daraus lässt sich ablesen, welcher Baustein die Antwort verzögert oder wo Fehler entstehen. Im laufenden Betrieb kommen Kennzahlen wie Lösungsquote, Übergaben, Abbrüche und Kosten pro Gespräch hinzu.
Ein oft unterschätzter Punkt ist das Update-Management. Pipecat entwickelt sich schnell, und neue Versionen bringen Verbesserungen, gelegentlich aber auch Änderungen an Schnittstellen. Gleiches gilt für die angebundenen Anbieter, die Modelle abkündigen oder Parameter ändern. Versionen sollten daher fest gepinnt, Updates bewusst eingespielt und vor jedem Rollout gegen die Testsuite geprüft werden. Rückfallebenen – etwa ein alternativer Anbieter für Spracherkennung oder die Weiterleitung an einen Menschen – gehören in jedes Betriebskonzept.
Pipecat passt zu Mittelständlern, die einen klar umrissenen Sprach-Anwendungsfall mit spürbarem Volumen haben und Wert auf Unabhängigkeit legen: von einzelnen Modellanbietern, von Plattform-Preismodellen und von Datenflüssen außerhalb der EU. Voraussetzung ist Zugang zu Python-Entwicklung und Betriebskompetenz – im eigenen Haus oder über einen Partner. Besonders gut passt Pipecat zu Softwareanbietern, die Sprachfunktionen in eigene Produkte einbauen, zu Unternehmen mit eigener Cloud- oder Rechenzentrumsinfrastruktur und zu Projekten mit multimodalen Anforderungen.
Weniger gut passt es, wenn keine Entwicklungskapazität vorhanden ist und ein fertiger Telefon-Assistent gesucht wird; wenn Fachabteilungen Dialoge ohne Code selbst pflegen sollen; oder wenn ein sehr schneller Start mit minimalem Risiko wichtiger ist als langfristige Kontrolle. In diesen Fällen sind gehostete Plattformen oder Contact-Center-Lösungen die pragmatischere Wahl – gegebenenfalls als Zwischenschritt, bevor später auf eine eigene Lösung gewechselt wird.
Weil Pipecat lizenzfrei ist, verschiebt sich die Kostenfrage auf die Bausteine. In der klassischen Kette zahlt man typischerweise für Minuten Spracherkennung, für Tokens des Sprachmodells und für Zeichen oder Minuten der Sprachsynthese. Speech-to-Speech-Modelle werden meist nach Audio-Tokens abgerechnet und sind bei langen Gesprächen spürbar teurer, weil der Kontext immer wieder verarbeitet wird. Hinzu kommen Telefonie, Hosting und gegebenenfalls Transport-Dienste. Der große Vorteil eines Frameworks: Jeder Kostenblock lässt sich einzeln optimieren, etwa durch ein günstigeres Modell für einfache Abschnitte, kürzere Prompts, begrenzten Gesprächskontext oder lokal betriebene Modelle bei hohem Volumen.
Für die Wirtschaftlichkeitsbetrachtung empfiehlt sich eine Rechnung pro gelöstem Anliegen: Was kostet ein vollständig erledigter Anruf inklusive aller Dienste, Infrastruktur und anteiligem Betrieb – und was kostet derselbe Anruf im eigenen Service? Zu berücksichtigen ist auch der Eigenaufwand: Gegenüber gehosteten Plattformen spart Pipecat Plattformgebühren, verlangt aber mehr Entwicklungs- und Betriebszeit. Belastbare Zahlen liefert erst ein Pilot.
Die größte Stärke von Pipecat aus Datenschutzsicht ist die Wahlfreiheit. Das Framework kann vollständig in einer EU-Infrastruktur betrieben werden, und der offene Quellcode lässt sich prüfen. Werden zusätzlich lokal betriebene Modelle für Spracherkennung, Sprachmodell und Sprachsynthese eingesetzt, kann ein Gespräch im Idealfall die eigene Infrastruktur nie verlassen. Das ist ein Szenario, das gehostete Plattformen in dieser Form selten bieten, und für Branchen mit hohen Anforderungen an Vertraulichkeit ein starkes Argument.
Die Einschränkung ist ebenso wichtig: Open Source bedeutet nicht automatisch DSGVO-konform. In vielen Projekten werden leistungsstarke Cloud-Modelle angebunden, oft von US-Anbietern. Sobald Audio oder Transkripte an einen solchen Dienst gehen, ist dessen Verarbeitungsort, Datenspeicherung und Transfergrundlage zu bewerten – genauso wie bei jeder anderen Lösung. Gleiches gilt für Pipecat Cloud und für gehostete Transports, da Daily ebenfalls ein US-Anbieter ist. Die Datenschutzbewertung muss daher den gesamten Datenfluss abbilden: welcher Dienst welche Daten erhält, wo er sie verarbeitet, wie lange er sie speichert und auf welcher Vertragsgrundlage. Europäische Anbieter oder EU-Regionen großer Cloud-Anbieter können Alternativen sein; Verfügbarkeit und Qualität für Deutsch sind im Einzelfall zu prüfen.
Unabhängig von der Architektur gelten die Grundpflichten der DSGVO: Rechtsgrundlage, transparente Information der Anrufer, Datenminimierung, Löschkonzept sowie technische und organisatorische Maßnahmen. Besonders sensibel ist die Aufzeichnung von Gesprächen. Eine Verarbeitung in Echtzeit ist anders zu bewerten als die dauerhafte Speicherung von Audio; für Aufzeichnungen kann eine Einwilligung erforderlich sein, und die Vertraulichkeit des gesprochenen Wortes ist zu beachten. Pipecat-Pipelines erlauben es, Protokolle gezielt zu steuern – etwa nur Transkripte statt Audio zu speichern oder sensible Angaben vorab zu maskieren. Bei systematischer Auswertung kann eine Datenschutz-Folgenabschätzung nötig sein, und bei Betroffenheit von Mitarbeitenden ist der Betriebsrat einzubinden.
Der EU AI Act sieht für KI-Systeme, die direkt mit Menschen interagieren, Transparenzpflichten vor: Anrufer müssen erkennen können, dass sie mit einer KI sprechen. Am Telefon heißt das ein klarer, gesprochener Hinweis zu Beginn, der sich in Pipecat als nicht unterbrechbare Ansage umsetzen lässt. Auch Kennzeichnungsfragen zu synthetischen Stimmen sind zu beachten. Die meisten Service-Anwendungen fallen nicht in die Hochrisiko-Kategorie; je nach Einsatzzweck kann das aber anders sein.