Sprachtechnologie gibt es seit Jahrzehnten. Sprachdialogsysteme mit starren Menüs („Drücken Sie die Eins“) und grammatikbasierter Erkennung kennt jeder, der schon einmal eine Hotline angerufen hat. Neu ist nicht die Technik an sich, sondern ihre Qualität und Kombinierbarkeit: Neuronale Spracherkennung versteht auch freie, umgangssprachliche Formulierungen, große Sprachmodelle interpretieren Anliegen im Kontext, und moderne Sprachsynthese klingt so natürlich, dass Anrufer mitunter nicht mehr sicher sind, ob sie mit einem Menschen sprechen. Aus Einzeltechnologien ist ein Baukasten geworden, aus dem sich Gesprächsagenten zusammensetzen lassen.
Für die Planung hilft eine klare Begriffstrennung:
Klassische IVR-Systeme (Interactive Voice Response) arbeiten mit vordefinierten Menübäumen und erkennen nur erwartete Schlüsselwörter oder Ziffern. Die nächste Generation ergänzte Intent-Erkennung: Der Anrufer durfte frei formulieren, das System ordnete die Äußerung einer von mehreren Absichten zu. Ein Voice Agent im heutigen Sinn geht einen Schritt weiter. Er führt einen offenen Dialog, stellt Rückfragen, merkt sich Kontext über mehrere Gesprächsschritte, ruft Daten aus Kernsystemen ab und schreibt Ergebnisse zurück – etwa einen Termin in den Kalender oder ein Ticket ins Servicesystem.
Der Begriff „Agent“ ist dabei bewusst gewählt: Das System handelt, statt nur zu antworten. Genau das macht Voice Agents wertvoll und zugleich anspruchsvoll. Je mehr ein Agent selbstständig ausführen darf, desto wichtiger werden Leitplanken, Protokollierung und eine saubere Übergabe an Menschen, wenn er an seine Grenzen kommt.
Wer bereits einen Text-Chatbot betreibt, unterschätzt Voice häufig. Drei Unterschiede sind entscheidend. Erstens die Zeit: Im Chat toleriert ein Nutzer einige Sekunden Wartezeit, im Telefonat wirkt schon eine kurze Pause irritierend. Zweitens die Fehlerfortpflanzung: Ein falsch erkanntes Wort im Transkript führt zu einer falschen Interpretation, die ein Text-Chat nie gehabt hätte. Drittens die Gesprächsdynamik: Menschen unterbrechen, zögern, sprechen gleichzeitig, sagen „äh“ und „Moment“, korrigieren sich mitten im Satz. Ein Voice Agent muss all das in Echtzeit bewerten – ohne Tastatur, ohne Bildschirm, oft über eine schmalbandige Telefonleitung mit Hintergrundlärm.
Hinzu kommt: Was der Agent sagt, kann der Anrufer nicht nachlesen. Antworten müssen kürzer, klarer und gesprochen formuliert sein. Ein Sprachmodell, das im Chat eine gut strukturierte Liste mit fünf Punkten liefert, ist am Telefon eine Zumutung. Voice-Design ist deshalb eine eigene Disziplin und nicht bloß Chat mit Audio.
Die kaskadierte Architektur ist der heutige Standard für produktive Voice Agents mit Prozessbezug. Ihr größter Vorteil ist Transparenz: Zu jedem Zeitpunkt existiert ein Transkript dessen, was der Anrufer gesagt hat, und ein Text dessen, was der Agent antworten wird. Beides lässt sich protokollieren, filtern, prüfen und auswerten. Ein Unternehmen kann die beste deutsche Spracherkennung mit einem selbst gehosteten Sprachmodell und einer separat lizenzierten Markenstimme kombinieren und jede Komponente später austauschen, ohne das Gesamtsystem neu zu bauen.
Der Preis dafür ist Latenz und Informationsverlust. Jede Stufe braucht Zeit, und die Verzögerungen addieren sich. Moderne Pipelines arbeiten deshalb durchgängig im Streaming: STT liefert Zwischenergebnisse, das Sprachmodell beginnt zu antworten, sobald ein Sprecherwechsel erkannt ist, und TTS spricht den ersten Satzteil, während der Rest noch generiert wird. Was bei der Umwandlung in Text verloren geht, sind paraverbale Signale – Ironie, Unsicherheit, Ärger in der Stimme. Für Prozess-Agenten, die Termine buchen oder Zählerstände aufnehmen, ist das meist verschmerzbar.
Realtime- oder Speech-to-Speech-Modelle verarbeiten Audio nativ. Sie können auf Tonfall reagieren, mit natürlicher Prosodie antworten und Unterbrechungen eleganter handhaben, weil keine Übergabe zwischen getrennten Systemen nötig ist. Die gefühlte Gesprächsqualität kann dadurch deutlich höher sein. Gleichzeitig verliert man Steuerbarkeit: Die Antwort wird nicht als prüfbarer Text vorab erzeugt, Aussprache und Stimme lassen sich nur begrenzt beeinflussen, und die Wahl des Modells bestimmt gleichzeitig Erkennung, Logik und Stimme. Anbieterbindung und Datenfluss konzentrieren sich auf einen einzigen Dienst.
Hinzu kommen praktische Fragen: Wie gut ist die Funktion-Aufruf-Fähigkeit im Audiomodus? Wie verlässlich hält sich das Modell an Anweisungen über lange Gespräche? Wie werden Protokolle erzeugt, wenn kein Transkript-Zwischenschritt existiert? Viele Realtime-Dienste liefern zusätzlich Transkripte, deren Qualität und Verfügbarkeit man aber beim Anbieter prüfen sollte, statt sie vorauszusetzen.
Statt einer pauschalen Empfehlung helfen einige Leitfragen. Muss jede Aussage des Agenten vorab prüfbar und regelkonform sein, etwa in Finanz- oder Gesundheitskontexten? Dann spricht viel für Cascaded mit klarer Dialoglogik. Steht ein möglichst menschlich wirkendes, offenes Gespräch im Vordergrund – Terminvorqualifizierung, Vertriebsgespräch, Sprachtraining? Dann lohnt ein Blick auf Speech-to-Speech. Ist Datenhoheit bis hin zum Self-Hosting gefordert? Dann ist die kaskadierte Kette mit offenen Modellen heute der realistischere Weg. Und gibt es kein eigenes Entwicklerteam? Dann ist eine gemanagte Plattform oft wirtschaftlicher als jede Eigenarchitektur.
Batch-Transkription verarbeitet abgeschlossene Aufnahmen und kann dabei den gesamten Kontext nutzen – ideal für Gesprächsprotokolle, Qualitätsanalysen oder die Auswertung von Diktaten. Ein Voice Agent braucht dagegen Streaming: Audio wird in kleinen Paketen übertragen, die Erkennung liefert laufend vorläufige Hypothesen und setzt bei Satz- oder Äußerungsende ein finales Ergebnis. Vorläufige Ergebnisse können sich noch ändern; die Orchestrierung muss entscheiden, wann sie damit arbeitet.
Besonders kritisch ist das sogenannte Endpointing: Wann hat der Anrufer zu Ende gesprochen? Wer nur auf eine feste Stillezeit wartet, unterbricht entweder Menschen, die kurz nachdenken, oder reagiert träge. Neuere Ansätze kombinieren akustische Pausen mit semantischer Analyse („Ist dieser Satz inhaltlich vollständig?“). Ob ein STT-Dienst so etwas mitbringt oder ob es in der Orchestrierung gelöst werden muss, ist eine wichtige Architekturfrage – darauf gehen wir in Kapitel 05 ein.
Viele Erkennungsmodelle sind primär auf Englisch optimiert. Für den DACH-Raum zählt, wie gut sie mit Hochdeutsch, regionalen Färbungen, Schweizerdeutsch oder österreichischen Varianten umgehen – und mit dem Wechsel zwischen Deutsch und englischen Fachbegriffen, der in vielen Branchen Alltag ist. Herstellerangaben zur Fehlerrate sind meist auf öffentlichen Datensätzen gemessen und sagen wenig über die eigenen Anrufer aus. Verlässlich ist nur eine Messung mit eigenen, anonymisierten Testaufnahmen.
Die zweite Hürde ist Domänenvokabular: Produktbezeichnungen, Kundennummern, Straßennamen, Medikamente, Maschinentypen. Hier helfen Funktionen wie Keyword-Boosting oder eigene Vokabellisten, bei manchen Anbietern auch Modellanpassung. Bei Zahlen- und Buchstabenfolgen lohnt zusätzlich eine Plausibilisierung in der Dialoglogik: Eine Kundennummer mit Prüfziffer lässt sich validieren und gezielt nachfragen, statt blind dem Transkript zu vertrauen. Für Buchstabierungen empfiehlt sich eine eigene Behandlung, etwa die Unterstützung der deutschen Buchstabiertafel.
Offene Modelle wie Whisper und seine optimierten Varianten haben die Spracherkennung demokratisiert: Sie lassen sich auf eigener GPU-Hardware betreiben, sodass Audio das eigene Rechenzentrum nicht verlassen muss. Ihre Schwäche lag historisch im echten Streaming-Betrieb, der zusätzlichen Engineering-Aufwand erfordert. Spezialisierte API-Anbieter bieten dagegen optimierte Echtzeit-Erkennung, Endpointing, Diarisierung und Vokabelanpassung als fertigen Dienst – mit dem Nachteil, dass Audio an einen Dritten fließt.
Die Wahl ist weniger eine Glaubens- als eine Abwägungsfrage: Volumen, Datenschutzanforderung, verfügbares Know-how und gewünschte Zusatzfunktionen. Für viele Mittelständler ist eine API mit EU-Datenverarbeitung und klarer Auftragsverarbeitung der pragmatische Start; Self-Hosting wird interessant, wenn Volumen oder Schutzbedarf steigen.
Neuronale TTS-Systeme erzeugen heute Stimmen mit natürlicher Betonung, Atempausen und Satzmelodie. Unterschiede zwischen Anbietern zeigen sich weniger in kurzen Beispielsätzen als in längeren Passagen, bei Zahlen, Datumsangaben, Rückfragen und emotionalen Nuancen. Für Voice Agents zählt zudem die Zeit bis zum ersten hörbaren Audio: Ein System, das erst nach Berechnung des ganzen Absatzes zu sprechen beginnt, ist für Dialoge ungeeignet. Gute Pipelines streamen Text satzweise oder sogar in kleineren Einheiten in die Synthese und spielen Audio ab, sobald es vorliegt.
Prosodie – Betonung, Tempo, Tonhöhe – entscheidet, ob eine Rückfrage als Frage erkannt wird und ob eine Information verständlich ankommt. Manche Systeme leiten Prosodie aus dem Kontext ab, andere erlauben explizite Steuerung über Stil-Parameter oder Anweisungen. Für ernste Anliegen wie Schadensmeldungen braucht es einen anderen Ton als für eine Terminbestätigung. Diese Variabilität sollte in der Evaluation gezielt getestet werden.
Viele Anbieter ermöglichen es, aus Sprachaufnahmen eine eigene Stimme zu erzeugen – von einer schnellen Klonung aus kurzen Samples bis zu einer professionell trainierten Markenstimme aus längeren Studioaufnahmen. Für Unternehmen ist das attraktiv: Die Stimme der Hotline kann der Stimme aus Werbung und Imagefilm entsprechen. Gleichzeitig entstehen rechtliche und ethische Fragen. Die Stimme eines Menschen ist Ausdruck seiner Persönlichkeit; ihre Nachbildung braucht eine klare, dokumentierte Einwilligung und vertragliche Regeln zu Nutzungsumfang, Dauer, Vergütung und Widerruf. Was passiert mit der Stimme, wenn die Sprecherin das Unternehmen verlässt? Wer darf welche Inhalte mit ihr erzeugen?
Hinzu kommt das Missbrauchsrisiko. Geklonte Stimmen lassen sich für Betrugsanrufe nutzen. Seriöse Anbieter verlangen Nachweise der Einwilligung und setzen Erkennungs- oder Wasserzeichenverfahren ein. Bei der Auswahl sollte geprüft werden, wem die erzeugte Stimme gehört, ob sie exportierbar ist und ob der Anbieter sie für eigene Zwecke nutzen darf.
Die Speech Synthesis Markup Language (SSML) ist ein Standard, mit dem sich Pausen, Betonung, Sprechgeschwindigkeit und die Lesart von Zahlen, Daten oder Abkürzungen steuern lassen – etwa über Elemente wie <break>, <say-as> oder <phoneme>. Nicht jeder Anbieter unterstützt SSML vollständig; manche moderne Systeme setzen eher auf Aussprachelexika oder textbasierte Hinweise. Für den Praxisbetrieb ist entscheidend, dass es überhaupt einen verlässlichen Mechanismus gibt.
Typische Stolpersteine im deutschsprachigen Raum: Firmen- und Produktnamen mit englischen Bestandteilen, Ortsnamen wie Löhne, Soest oder Oeynhausen, Abkürzungen wie „GmbH“ oder „Kfz“, Telefonnummern, Uhrzeiten und Beträge. Ein Agent, der den eigenen Firmennamen falsch ausspricht, verspielt Vertrauen in der ersten Sekunde. Bewährt hat sich eine Textnormalisierung vor der Synthese – Zahlen, Einheiten und Abkürzungen werden in sprechbare Form gebracht – kombiniert mit einem gepflegten Aussprachelexikon für Eigennamen.
Menschen wechseln im Gespräch fließend die Rolle. Ein Voice Agent muss diesen Wechsel technisch nachbilden. Die Voice Activity Detection ist dafür die Basis, reicht aber allein nicht aus: Ein Husten, ein Hund im Hintergrund oder ein bestätigendes „mhm“ darf nicht als Unterbrechung gewertet werden. Moderne Orchestrierungen kombinieren akustische Erkennung mit Turn-Detection-Modellen, die anhand von Inhalt und Intonation einschätzen, ob ein Redebeitrag abgeschlossen ist.
Barge-in bezeichnet die Fähigkeit, sich unterbrechen zu lassen. Klingt einfach, ist aber anspruchsvoll: Die Audiowiedergabe muss sofort stoppen, bereits gepufferte Audiodaten müssen verworfen werden, und das Sprachmodell muss wissen, welcher Teil seiner Antwort tatsächlich gehört wurde. Sonst bezieht es sich später auf Informationen, die der Anrufer nie gehört hat. Am Telefon kommt Echo hinzu: Ohne gute Echounterdrückung hört der Agent seine eigene Stimme und unterbricht sich selbst.
Ein Voice Agent wird erst wertvoll, wenn er handeln kann. Über Function Calling bzw. Tool Use erhält das Sprachmodell definierte Werkzeuge – Kundensuche, Terminabfrage, Ticketanlage, Weiterleitung. Für Sprache gelten dabei Besonderheiten: Werkzeugaufrufe kosten Zeit, die der Anrufer als Stille erlebt. Bewährt haben sich kurze Überbrückungen („Einen Moment, ich schaue nach“), parallele Ausführung und schnelle, gut definierte Schnittstellen. Zudem sollten kritische Aktionen nicht allein vom Sprachmodell entschieden werden: Bestätigungsschritte, Validierungen und feste Prozessbausteine – wie sie Frameworks mit strukturierter Dialoglogik bieten – erhöhen die Verlässlichkeit erheblich.
Auch der Kontext muss gesteuert werden. Lange Gespräche erzeugen lange Transkripte; ohne Zusammenfassung oder Kontextmanagement steigen Latenz und Kosten je Gesprächsschritt. Systemanweisungen für Voice sollten explizit kurze, gesprochene Antworten verlangen, Markdown und Aufzählungen verbieten und klare Regeln zur Übergabe an Menschen enthalten.
Für die Orchestrierung haben sich Open-Source-Frameworks etabliert. Pipecat etwa beschreibt einen Voice Agent als Pipeline aus austauschbaren Verarbeitungsschritten; LiveKit stellt eine WebRTC-Infrastruktur mit Agenten-Framework bereit. Beide nehmen Teams viel Grundlagenarbeit bei Streaming, Unterbrechungen und Anbieter-Anbindung ab, setzen aber Entwickler-Know-how voraus. Alternativ bieten gemanagte Plattformen die Orchestrierung als Dienst.
Der Transportweg prägt die Architektur. Im Telefonnetz kommt Audio meist schmalbandig an und wird über SIP-Trunks oder Telefonie-APIs angebunden; Media Streams werden dann per Websocket oder RTP an die Orchestrierung geleitet. Im Browser oder in Apps bietet WebRTC Breitbandaudio, integrierte Echounterdrückung und geringere Übertragungsverzögerung. Viele Unternehmen brauchen beides: Telefonie für die Hotline, WebRTC für den Sprachassistenten auf der Website. Wichtig ist, die bestehende Telefonanlage und das Contact Center früh einzubeziehen – Weiterleitungen, Rufnummern, Warteschleifen und Übergaben an Mitarbeitende müssen technisch und organisatorisch funktionieren.
Die großen Cloud-Anbieter bieten Spracherkennung, Sprachsynthese, Sprachmodelle und zunehmend Realtime-Schnittstellen aus einer Hand. Vorteil: ein Vertrag, eine Abrechnung, etablierte Sicherheitszertifizierungen, oft wählbare EU-Regionen. Nachteil: Die einzelnen Dienste sind nicht immer die besten ihrer Klasse, und die Integration ins eigene Ökosystem erzeugt Bindung. Für Unternehmen mit bestehender Cloud-Strategie ist der Weg dennoch naheliegend.
Spezialisten konzentrieren sich auf eine Stufe der Kette. Im STT-Bereich stehen Anbieter wie Deepgram oder AssemblyAI für Echtzeit-Erkennung mit umfangreichen Zusatzfunktionen; im TTS-Bereich setzen Anbieter wie ElevenLabs oder Cartesia auf besonders natürliche Stimmen und kurze Reaktionszeiten. Realtime-Modelle wie die OpenAI Realtime API bieten Speech-to-Speech als Dienst. Der Vorteil liegt in der Qualität je Baustein, der Preis in mehreren Verträgen, mehreren Auftragsverarbeitungen und mehr Integrationsarbeit. Ob ein Spezialist Daten in der EU verarbeitet, ist individuell zu prüfen.
Open-Source-Bausteine – offene STT-Modelle wie Whisper, offene TTS-Modelle, offene Sprachmodelle und Orchestrierungs-Frameworks wie Pipecat oder LiveKit – erlauben einen vollständig selbst betriebenen Voice Agent. Das ist die souveränste Variante, verlangt aber GPU-Infrastruktur, MLOps-Kompetenz und die Bereitschaft, Qualität und Wartung selbst zu verantworten. Die Lizenzbedingungen offener Modelle unterscheiden sich; kommerzielle Nutzung und Weitergabe sollten je Modell geprüft werden.
Daneben haben sich im deutschsprachigen und europäischen Raum Plattformen etabliert, die komplette Voice Agents für den Kundenservice anbieten, oft mit Fokus auf deutsche Sprache, Contact-Center-Integration und europäische Datenverarbeitung. Für Unternehmen ohne eigenes Entwicklungsteam sind sie häufig der schnellste Weg zu einem produktiven Agenten. Die Architekturentscheidung wird dann teilweise an die Plattform delegiert – umso wichtiger ist es, gezielt nachzufragen, welche STT-, LLM- und TTS-Dienste im Hintergrund arbeiten und wo diese betrieben werden.
Die wahrgenommene Reaktionszeit ist die Summe vieler kleiner Verzögerungen: Audio-Transport vom Telefonnetz, Pufferung, Erkennung des Äußerungsendes, finale Transkription, Zeit bis zum ersten Token des Sprachmodells, eventuelle Werkzeugaufrufe, Zeit bis zum ersten Audio der Synthese und der Rückweg. Der größte Hebel liegt oft nicht in einem schnelleren Modell, sondern in der Architektur: konsequentes Streaming, geografische Nähe der Dienste zueinander, warm gehaltene Verbindungen, ein kleineres Modell für einfache Dialogschritte und ein gut abgestimmtes Endpointing. Konkrete Zielwerte sollten anhand eigener Tests mit echten Nutzern festgelegt werden; Herstellerangaben beziehen sich meist auf Idealbedingungen.
Wichtig ist auch die Varianz. Ein Agent, der meistens schnell, gelegentlich aber mehrere Sekunden still ist, wirkt unzuverlässiger als ein gleichmäßig etwas langsamerer. Monitoring sollte daher Perzentile und Ausreißer zeigen, nicht nur Mittelwerte.
Die Bewertung eines Voice Agents braucht mehrere Ebenen. Auf Komponentenebene wird gemessen, wie gut STT transkribiert und wie verständlich TTS spricht. Auf Dialogebene geht es darum, ob Aufgaben erfüllt und Regeln eingehalten wurden. Auf Geschäftsebene zählen Automatisierungsquote, Erreichbarkeit und Kundenzufriedenheit. Für die Dialogebene haben sich Testläufe mit simulierten Anrufern bewährt, bei denen ein zweites Sprachmodell Kundenrollen spielt. Sie ersetzen keine echten Gespräche, decken aber Regressionen nach Änderungen zuverlässig auf.
Im Betrieb gehören ein Dashboard mit Gesprächsvolumen, Latenzen, Fehlerraten und Übergaben sowie eine Stichprobenprüfung echter Gespräche zum Standard. Dabei gilt: Aufzeichnungen und Transkripte sind personenbezogene Daten; Zugriff, Speicherdauer und Pseudonymisierung müssen geregelt sein.
Bei API-Nutzung skalieren die Kosten linear mit dem Gesprächsvolumen – jede Minute Audio, jedes Token und jedes synthetisierte Zeichen wird berechnet. Sparpotenziale liegen in kurzen Antworten, effizientem Kontextmanagement, Zwischenspeichern wiederkehrender Ansagen als Audiodatei und dem Einsatz kleinerer Modelle, wo sie ausreichen. Speech-to-Speech-Modelle haben eigene Preismodelle, die bei langen Gesprächen spürbar ins Gewicht fallen können – genaue Konditionen sind beim Anbieter zu prüfen.
Self-Hosting auf eigener GPU-Hardware verschiebt die Rechnung von variablen zu fixen Kosten. Es lohnt sich typischerweise bei hohem, planbarem Volumen oder hohen Datenschutzanforderungen. Einzuplanen sind Hardware oder GPU-Mietkapazität, Lastspitzen, Redundanz, Modell-Updates, Sicherheitspatches und Personal mit entsprechender Erfahrung. Ein Zwischenweg sind europäische GPU-Clouds oder Hoster, die offene Modelle betreiben, ohne dass das Unternehmen selbst Hardware beschaffen muss.
Die besten Einstiegsszenarien haben drei Eigenschaften: ein hohes Volumen gleichartiger Anliegen, eine klare Datenbasis und eine überschaubare Zahl an Prozessschritten. Terminvereinbarung, Statusauskünfte und Anliegensaufnahme erfüllen diese Kriterien. Weniger geeignet sind emotional aufgeladene Gespräche, komplexe Beratung oder Anliegen, bei denen Fehler gravierende Folgen haben. Hier ist ein Agent sinnvoller als Assistent, der vorqualifiziert und mit Kontext an einen Menschen übergibt.
Ein häufig übersehener Nutzen liegt in der Erreichbarkeit: Viele Mittelständler verlieren Anfragen, weil Anrufe in Stoßzeiten oder nach Feierabend ins Leere laufen. Schon ein Agent, der Anliegen sauber aufnimmt und strukturiert weitergibt, schafft hier messbaren Mehrwert – ohne dass er selbst Probleme lösen muss.
Bewährt hat sich ein stufenweises Vorgehen. Zunächst wird mit reiner Transkription Erfahrung mit Sprachdaten, Erkennungsqualität und Datenschutzprozessen gesammelt. Danach folgt ein eng begrenzter Agent für ein einzelnes Anliegen, idealerweise zunächst in Randzeiten oder als Überlaufkanal. Erst wenn Qualität, Übergabe und Betrieb stabil sind, wird der Umfang erweitert. Parallel sollte die Architekturentscheidung bewusst getroffen werden: gemanagte Plattform für schnelle Ergebnisse oder eigene Kette mit Framework für maximale Kontrolle. Beides kann richtig sein – falsch ist nur, die Frage gar nicht zu stellen.
Organisatorisch braucht es eine verantwortliche Person aus dem Fachbereich, die den Agenten als Produkt begreift, Gespräche auswertet und Verbesserungen priorisiert. Ebenso wichtig ist die frühe Einbindung von Betriebsrat und Datenschutz, wenn Mitarbeitergespräche oder interne Telefonie betroffen sind.
Die Kosten je Gesprächsminute sind nur ein Teil der Wahrheit. Für eine belastbare Betrachtung zählen Einmalaufwände für Konzeption, Integration und Tests, laufende Kosten für Dienste und Telefonie sowie der dauerhafte Pflegeaufwand. Dem stehen eingesparte Bearbeitungszeit, verbesserte Erreichbarkeit und gegebenenfalls zusätzliche Umsätze gegenüber. Ein realistisches Szenario rechnet mit einer Automatisierungsquote, die im Pilot gemessen und nicht vom Anbieter versprochen wurde, und berücksichtigt, dass ein Teil der Gespräche weiterhin an Menschen übergeben wird.
Aufzeichnungen und Transkripte von Gesprächen sind personenbezogene Daten im Sinne der DSGVO. Werden Stimmen gezielt genutzt, um Personen eindeutig zu identifizieren – etwa zur Authentifizierung per Stimmprofil –, kann es sich um biometrische Daten und damit um eine besondere Kategorie personenbezogener Daten handeln, für die erhöhte Anforderungen gelten. Auch Emotionserkennung aus der Stimme ist regulatorisch sensibel. Für reine Spracherkennung zur Gesprächsführung ist diese Schwelle in der Regel nicht erreicht, die Abgrenzung sollte aber im Einzelfall bewertet werden. Zudem stellt sich die Frage, ob und wie lange Audio überhaupt gespeichert werden muss; häufig genügt ein pseudonymisiertes Transkript.
Beim Voice Cloning kommen Persönlichkeits- und Stimmrechte hinzu. Wer die Stimme einer realen Person nachbildet, braucht deren informierte Einwilligung und klare vertragliche Regelungen. Drittlandtransfer ist ein weiterer Kernpunkt: Viele Spezialanbieter und Modellbetreiber haben ihren Sitz außerhalb der EU. Optionen sind Anbieter mit EU-Region und belastbaren Übermittlungsgrundlagen, europäische Plattformen oder Self-Hosting offener Modelle in eigener oder europäischer Infrastruktur.
Der EU AI Act sieht für KI-Systeme, die direkt mit Menschen interagieren, Transparenzpflichten vor: Betroffene müssen erkennen können, dass sie mit einer KI sprechen, sofern es nicht offensichtlich ist. Für Voice Agents bedeutet das praktisch einen klaren, gesprochenen Hinweis zu Beginn des Gesprächs. Synthetisch erzeugte Audioinhalte unterliegen zudem Kennzeichnungsanforderungen, die sich vor allem an Anbieter der Systeme richten. Kundenservice-Agenten fallen in der Regel nicht in die Hochrisiko-Kategorie; Anwendungen etwa im Personalbereich, bei Kreditwürdigkeitsprüfungen oder mit Emotionserkennung können jedoch strengere Regeln auslösen. Die konkreten Fristen und Pflichten sollten mit Blick auf den eigenen Einsatzzweck geprüft werden.