Wer einen Sprachassistenten baut, denkt zuerst an das Modell: Welche Spracherkennung, welches Sprachmodell, welche Stimme? In der Praxis entscheidet aber oft etwas anderes über die Qualität eines Gesprächs – nämlich die Frage, wie schnell und stabil das Audio vom Mund des Anrufers zum Modell und zurück gelangt. Schwankende Mobilfunkverbindungen, Paketverluste, Echo, unterschiedliche Endgeräte, Telefonnetze mit eigenen Codecs: All das muss eine Echtzeit-Infrastruktur abfangen. Genau hier setzt LiveKit an. Die Plattform basiert auf WebRTC, dem offenen Standard für Echtzeit-Kommunikation, den alle modernen Browser und viele Apps unterstützen, und stellt darüber eine Server- und Entwicklerschicht bereit, die sich deutlich leichter nutzen lässt als die Rohtechnologie.
Mit dem LiveKit Agents-Framework kam die Komponente hinzu, die LiveKit für das Thema Voice AI so relevant macht. Ein Agent ist dort ein Programm, das wie ein weiterer Teilnehmer einem virtuellen Raum beitritt, zuhört, Sprache verarbeitet, Werkzeuge aufruft und antwortet. Ob der Gesprächspartner im Browser sitzt, in einer App spricht oder über das Telefonnetz anruft, ist für den Agenten nahezu gleichgültig – die Infrastruktur übersetzt alle Kanäle in denselben Raum.
Drei Eigenschaften prägen LiveKit:
LiveKit wurde als Unternehmen in den USA gegründet und hat sein Open-Source-Projekt rasch zu einer aktiven Entwicklergemeinschaft ausgebaut. Anfangs stand der klassische Anwendungsfall im Vordergrund: Videokonferenzen, Live-Streaming mit Interaktion, Telemedizin, Online-Unterricht oder Kundenberatung per Video in eigenen Anwendungen. Mit dem Aufkommen leistungsfähiger Sprachmodelle verschob sich der Schwerpunkt deutlich. Nach öffentlichen Angaben setzen inzwischen auch große KI-Anbieter LiveKit für ihre Sprachfunktionen ein, und zahlreiche Voice-AI-Startups bauen ihre Produkte darauf auf. Für Unternehmen bedeutet das: LiveKit ist keine Nischentechnologie, sondern eine in der Breite erprobte Basis.
Gleichzeitig ist die Entwicklungsgeschwindigkeit hoch. Neue Plugins, neue Funktionen in der Cloud, Änderungen an Programmierschnittstellen und neue Produktbausteine erscheinen in kurzen Abständen. Für jede Planung gilt daher: Den aktuellen Funktionsumfang, Lizenzbedingungen und Konditionen in der Dokumentation des Anbieters prüfen – nicht in älteren Tutorials oder Blogartikeln.
LiveKit richtet sich an Entwicklerteams, Softwareanbieter und Systemintegratoren. Typische Nutzer sind Produktunternehmen, die Sprach- oder Videofunktionen in eigene Anwendungen integrieren, Agenturen und Systemhäuser, die Voice Agents für Kunden umsetzen, sowie Anbieter von Voice-AI-Plattformen, die LiveKit als Unterbau nutzen. Für eine Fachabteilung, die ohne IT-Unterstützung einen Telefon-Assistenten konfigurieren möchte, ist LiveKit zu technisch. Hier sind Plattformen mit grafischer Oberfläche oder spezialisierte Voice-AI-Anbieter der passendere Einstieg – die im Hintergrund nicht selten selbst auf LiveKit oder vergleichbarer Technik aufsetzen.
Neben den vier Kernbausteinen gibt es Komponenten, die je nach Anwendungsfall wichtig werden. Egress zeichnet Räume oder einzelne Spuren auf, exportiert sie als Datei oder streamt sie weiter – relevant für Gesprächsprotokolle, Qualitätssicherung oder Dokumentationspflichten, aber auch datenschutzrechtlich sensibel. Ingress holt umgekehrt externe Quellen in einen Raum, etwa einen Live-Stream aus einer Streaming-Software. Für die Endgeräte stellt LiveKit Client-SDKs für Web, iOS, Android und plattformübergreifende Frameworks bereit, außerdem Server-SDKs für gängige Backend-Sprachen, mit denen Räume angelegt, Zugangstoken erzeugt und Teilnehmer verwaltet werden.
Diese Modularität ist eine Stärke, aber auch eine Herausforderung. Ein produktiver Voice Agent besteht schnell aus mehreren Diensten: Medienserver, SIP-Komponente, Agenten-Worker, gegebenenfalls Egress für Aufzeichnungen, dazu ein Zwischenspeicher für die Koordination mehrerer Server. Im Self-Hosting muss jeder davon installiert, abgesichert, überwacht und aktualisiert werden. In LiveKit Cloud übernimmt der Hersteller diesen Teil – mit den Konsequenzen für Datenflüsse, die Kapitel 09 beleuchtet.
Im Markt für Voice AI lassen sich grob drei Ebenen unterscheiden. Ganz unten stehen die Modellanbieter für Spracherkennung, Sprachmodelle, Sprachsynthese und Speech-to-Speech. Ganz oben stehen Plattformen und Fertiglösungen, die einen Telefon-Assistenten mit Oberfläche, Gesprächsdesign und Auswertung liefern. Dazwischen liegt die Infrastruktur- und Orchestrierungsschicht, die Kanäle anbindet, Audio transportiert, Gesprächsmechanik steuert und Modelle verschiedener Anbieter zusammenschaltet. LiveKit ist in dieser mittleren Schicht zu Hause – und dort einer der profiliertesten Anbieter, weil es sowohl den Medientransport als auch das Agenten-Framework aus einer Hand bietet.
Daraus folgt eine wichtige Einordnung: LiveKit konkurriert nicht direkt mit Modellanbietern, sondern bindet sie ein. Und es konkurriert nur bedingt mit Fertigplattformen, weil es eine Ebene tiefer ansetzt. Echte Wettbewerber sind andere Echtzeit-Infrastrukturen und Frameworks, etwa die Kombination aus Pipecat und Daily, kommerzielle Echtzeit-Plattformen wie Agora sowie Entwicklerplattformen für Voice Agents, die einen Teil der Infrastruktur verbergen. Kapitel 06 vertieft diese Abgrenzung.
Ein Raum ist eine virtuelle Sitzung, vergleichbar mit einem Besprechungsraum. Teilnehmer treten dem Raum mit einem Zugangstoken bei, das der eigene Server ausstellt und das festlegt, was der Teilnehmer darf: sprechen, Video senden, nur zuhören, Daten senden oder Metadaten ändern. Jeder Teilnehmer kann Spuren veröffentlichen – eine Audiospur vom Mikrofon, eine Videospur von der Kamera, eine Bildschirmfreigabe – und die Spuren anderer abonnieren. Ein Voice Agent ist in diesem Modell einfach ein weiterer Teilnehmer, der die Audiospur des Menschen abonniert und eine eigene Audiospur mit seiner Stimme veröffentlicht.
Dieses Modell hat praktische Vorteile. Es lassen sich ohne Umbau Szenarien abbilden, die über ein einfaches Zweiergespräch hinausgehen: ein Agent, der in einer Videokonferenz mitschreibt; ein Mitarbeiter, der sich in ein laufendes KI-Gespräch einschaltet, um zu übernehmen; ein Supervisor, der still mithört; oder mehrere Agenten mit unterschiedlichen Aufgaben im selben Raum. Neben Medien gibt es Datenkanäle für Textnachrichten und strukturierte Ereignisse sowie Mechanismen für entfernte Prozeduraufrufe zwischen Teilnehmern. Damit kann ein Agent etwa einer App mitteilen, dass ein Formular angezeigt werden soll, oder die App dem Agenten melden, dass der Nutzer eine Schaltfläche gedrückt hat.
Technisch arbeitet der LiveKit-Server als Selective Forwarding Unit (SFU). Statt alle Medienströme zu mischen, nimmt er die Ströme der Teilnehmer entgegen und leitet sie gezielt an jene weiter, die sie abonniert haben. Das spart Rechenleistung auf dem Server und erlaubt es, jedem Empfänger die passende Qualität zu liefern. Für Video unterstützt LiveKit Verfahren wie Simulcast und skalierbare Codecs, bei denen ein Sender mehrere Qualitätsstufen bereitstellt und der Server je nach Bandbreite des Empfängers auswählt. Für Audio kommt üblicherweise ein für Sprache optimierter Codec mit Fehlerkorrektur zum Einsatz.
Für Voice Agents ist besonders die Robustheit gegen schlechte Netzwerke wichtig. WebRTC basiert auf UDP und ist auf geringe Verzögerung ausgelegt, nicht auf vollständige Zustellung. Verloren gegangene Pakete werden durch Fehlerkorrektur und Verschleierungstechniken ausgeglichen, statt das Gespräch anzuhalten. Ist UDP blockiert, etwa in restriktiven Firmennetzen, kann auf TCP oder TLS-Tunnel über einen TURN-Server ausgewichen werden. Im Vergleich zu Lösungen, die Audio über einfache WebSocket-Verbindungen übertragen, ist das gerade bei mobilen Nutzern ein spürbarer Qualitätsunterschied. Im Self-Hosting müssen Ports, Firewall-Regeln und TURN-Konfiguration allerdings sorgfältig eingerichtet werden – eine der häufigsten Fehlerquellen in frühen Projekten.
Ein einzelner LiveKit-Server kann bereits eine beachtliche Zahl paralleler Gespräche bedienen; für höhere Last und Ausfallsicherheit werden mehrere Server zu einem Cluster verbunden, die sich über einen gemeinsamen Zwischenspeicher koordinieren. Räume werden dabei auf Knoten verteilt, und bei Ausfall eines Knotens können Verbindungen auf andere wechseln. LiveKit Cloud geht noch einen Schritt weiter und verbindet Rechenzentren in mehreren Regionen zu einem Netz, sodass Teilnehmer jeweils mit einem nahegelegenen Knoten verbunden werden. Wie sich das auf den Speicherort von Daten auswirkt, ist für europäische Unternehmen eine zentrale Frage.
Über Webhooks informiert der Server die eigene Anwendung über Ereignisse: Raum erstellt, Teilnehmer beigetreten oder gegangen, Aufzeichnung abgeschlossen. Daran lassen sich Prozesse koppeln – etwa ein CRM-Eintrag am Gesprächsende oder die Übergabe eines Transkripts an ein Ticketsystem. Aufzeichnungen über Egress können als zusammengesetzte Aufnahme des gesamten Raums oder als einzelne Spuren erfolgen und an einen Objektspeicher geschrieben werden. Im Self-Hosting entscheidet das Unternehmen selbst, wo dieser Speicher steht.
Ein LiveKit-Agent läuft als eigenständiger Prozess, der sich als Worker beim LiveKit-Server anmeldet und auf Aufträge wartet. Entsteht ein neuer Raum – etwa weil ein Anruf eingeht oder ein Nutzer auf der Website den Sprachassistenten startet –, wird ein Job an einen verfügbaren Worker vergeben, der daraufhin dem Raum beitritt. Dieses Verteilungsmodell sorgt dafür, dass Last auf mehrere Worker und Server verteilt wird, dass neue Versionen schrittweise ausgerollt werden können und dass ein abstürzender Prozess nicht alle Gespräche mitreißt. Über explizite Zuweisung lässt sich steuern, welcher Agent in welchem Raum aktiv wird, etwa abhängig von der gewählten Rufnummer.
Die größte Stärke des Frameworks liegt in der Gesprächsmechanik. Ob ein Voice Agent natürlich wirkt, hängt vor allem davon ab, wann er spricht und wann er schweigt. LiveKit kombiniert dafür eine klassische Sprachaktivitätserkennung, die anhand des Audiosignals erkennt, ob jemand spricht, mit einem eigenen, kompakten Modell zur Erkennung des Gesprächsendes. Dieses berücksichtigt zusätzlich den Inhalt des bisher Gesagten: Wer „Meine Adresse ist …“ sagt und kurz überlegt, ist erkennbar noch nicht fertig. Das reduziert die typischen Fälle, in denen ein Agent dem Anrufer ins Wort fällt. Unterstützte Sprachen und Qualität für Deutsch sind beim Anbieter und im eigenen Test zu prüfen.
Ebenso wichtig ist der Umgang mit Unterbrechungen. Spricht der Mensch, während der Agent redet, stoppt das Framework die Ausgabe und passt den Gesprächsverlauf so an, dass nur der tatsächlich gesprochene Teil der Antwort als gesagt gilt. Konfigurierbar ist, wie empfindlich der Agent reagiert – ein kurzes „Mhm“ soll ihn nicht aus dem Konzept bringen, ein „Nein, Moment!“ dagegen schon. Hinzu kommt Rauschunterdrückung: Hintergrundgeräusche, andere Stimmen im Raum oder Straßenlärm stören die Spracherkennung erheblich. In LiveKit Cloud stehen dafür nach unserem Kenntnisstand erweiterte, KI-gestützte Filter bereit, die auch Nebengespräche ausblenden sollen; im Self-Hosting sind Alternativen zu prüfen.
Damit ein Agent nicht nur redet, sondern Anliegen löst, werden Werkzeuge definiert – Funktionen im eigenen Code, die das Sprachmodell bei Bedarf aufruft: Lieferstatus abfragen, Termin buchen, Ticket anlegen. Das Framework kümmert sich darum, die Funktionsbeschreibungen an das Modell zu übergeben, Aufrufe auszuführen und Ergebnisse zurückzuspielen. Weil die Werkzeuge im eigenen Agenten-Prozess laufen, bleibt die Kontrolle beim Unternehmen: Parameter lassen sich prüfen, schreibende Aktionen absichern, Zugriffe protokollieren. Auch die Anbindung von Werkzeugservern über das Model Context Protocol wird unterstützt; Umfang und Reife sind beim Anbieter zu prüfen.
Für komplexere Abläufe lassen sich mehrere spezialisierte Agenten definieren, zwischen denen das Gespräch übergeben wird – etwa ein Empfangsagent, der das Anliegen klärt, und Fachagenten für Reklamationen oder Terminbuchungen mit jeweils eigenen Anweisungen und Werkzeugen. Besonders wertvoll ist die Möglichkeit, einen Menschen dazuzuholen: Weil alle Beteiligten Teilnehmer desselben Raums sind, kann ein Mitarbeiter per Telefon oder Browser hinzugeschaltet werden, während der Agent eine Zusammenfassung übergibt und sich zurückzieht. Diese sogenannte warme Übergabe ist im Kundenservice oft der Unterschied zwischen Akzeptanz und Frust.
Über die SIP-Komponente wird LiveKit zum Telefonie-fähigen System. Unternehmen richten einen eingehenden Trunk ein, über den Anrufe ihres Telefonie-Anbieters ankommen, und legen per Dispatch-Regeln fest, in welchen Raum ein Anruf geleitet wird und welcher Agent ihn annimmt – etwa abhängig von der gewählten Nummer. Über ausgehende Trunks kann ein Agent selbst anrufen, etwa für Terminerinnerungen oder Rückrufe, oder einen Mitarbeiter in ein laufendes Gespräch holen. Weiterleitungen an andere Rufnummern und das Senden von Tastentönen für Telefonmenüs gehören ebenfalls zum Funktionsumfang.
Für Sprachassistenten auf der Website oder in Apps liefert LiveKit Client-SDKs sowie fertige Oberflächen-Komponenten und Beispielanwendungen, mit denen sich ein sprechender Assistent vergleichsweise schnell in ein Kundenportal integrieren lässt. Über Datenkanäle können Agent und Oberfläche zusammenarbeiten – etwa, indem der Agent eine Produktkarte einblendet oder die Oberfläche Formulareingaben an den Agenten übergibt. Für den Betrieb wichtig sind Schnittstellen zur Beobachtbarkeit: Metriken zu Verzögerungen je Stufe, Nutzungsdaten der Modelle und Protokolle lassen sich an gängige Monitoring-Werkzeuge weitergeben. In LiveKit Cloud stehen zusätzlich Auswertungsoberflächen zur Verfügung; im Self-Hosting muss das Unternehmen diese Sicht selbst aufbauen.
In der Praxis entscheidet häufig die Teamkonstellation: Wer eine maximal flexible Pipeline in Python bauen und den Transport frei wählen möchte, fühlt sich in Pipecat oft wohl. Wer eine durchgängige, selbst betreibbare Infrastruktur inklusive Telefonie, Raumkonzept und Agentenverteilung sucht, findet bei LiveKit mehr aus einer Hand. Beide Projekte entwickeln sich schnell, und Funktionen gleichen sich an. Ein kurzer technischer Vergleich mit dem eigenen Kernszenario ist aussagekräftiger als jede Funktionsliste.
Twilio ist primär ein Kommunikationsanbieter mit Rufnummern, Telefonie-APIs und Contact-Center-Bausteinen. Twilio und LiveKit schließen sich nicht aus, sondern ergänzen sich häufig: Twilio liefert Rufnummern und den SIP-Trunk, LiveKit übernimmt Gesprächsraum und Agentenlogik. Twilio bietet daneben eigene Wege, Sprachmodelle an Telefonate anzubinden, etwa über Medienströme per WebSocket. Wer bereits stark in Twilio investiert ist, sollte prüfen, ob die zusätzliche Schicht LiveKit Mehrwert bringt – etwa durch bessere Gesprächsmechanik, Mehrkanalfähigkeit oder Self-Hosting.
Mit LiveKit Cloud entfällt der Aufbau eigener Infrastruktur. Der Hersteller betreibt Medienserver, SIP-Komponente und auf Wunsch die Agenten selbst, kümmert sich um Skalierung, Verfügbarkeit, Updates und globale Verteilung. Für Prototypen, Pilotprojekte und Anwendungen mit stark schwankender Last ist das attraktiv: Das Team konzentriert sich auf Gesprächslogik und Integration, nicht auf Server, Ports und Zertifikate. Zusatzfunktionen wie erweiterte Rauschunterdrückung, Auswertungen und gemanagtes Agenten-Hosting erhöhen den Komfort weiter.
Die Kehrseite: Audio, Transkripte und Metadaten fließen über die Infrastruktur eines US-Anbieters. Je nach Konfiguration kann ein Gespräch über Rechenzentren in verschiedenen Regionen geleitet werden. Ob und wie sich die Verarbeitung auf EU-Regionen beschränken lässt, welche Daten gespeichert werden und welche Vertragsbedingungen gelten, ist beim Anbieter zu prüfen und vertraglich festzuhalten. Für einen Pilot mit Testdaten ist die Cloud oft der pragmatische Einstieg; für den Produktivbetrieb mit Kundendaten sollte die Entscheidung bewusst und dokumentiert fallen.
Die quelloffenen Komponenten lassen sich in eigenen Umgebungen betreiben – auf virtuellen Servern, in Container-Plattformen oder in einem Kubernetes-Cluster bei einem deutschen oder europäischen Hoster. Für einfache Szenarien genügt ein einzelner Server; für Produktivbetrieb mit Ausfallsicherheit werden mehrere Knoten mit einem gemeinsamen Zwischenspeicher, ein TURN-Dienst für restriktive Netze, TLS-Zertifikate, Lastverteilung und Monitoring benötigt. Hinzu kommen SIP-Komponente, Agenten-Worker und gegebenenfalls Egress mit eigenem Objektspeicher.
Der Gewinn ist Kontrolle: Medienströme, Aufzeichnungen und Protokolle verbleiben in der eigenen Umgebung, Serverstandort und Zugriffe sind klar dokumentierbar, und es gibt keine Abhängigkeit vom Cloud-Dienst des Herstellers. Der Preis ist Betriebsverantwortung: Sicherheitsupdates, Kapazitätsplanung, Störungsbehebung, Netzwerktuning für UDP-Verkehr und die Pflege mehrerer Dienste. Für Unternehmen ohne eigenen Plattformbetrieb empfiehlt sich ein Hosting- oder Betriebspartner mit Erfahrung in Echtzeit-Medien. Wichtig: Self-Hosting von LiveKit allein reicht für Datenhoheit nicht aus – die angebundenen Modelle für Spracherkennung, Sprachmodell und Synthese müssen ebenfalls in der EU oder im eigenen Haus laufen, sonst verlassen die Gesprächsinhalte die Umgebung an anderer Stelle.
Wie bei jedem Voice Agent braucht auch ein LiveKit-basierter Agent eine Evaluierung: typische und schwierige Gesprächsszenarien, die regelmäßig durchgespielt werden – mit Bewertung von Lösungsquote, Werkzeugtreue, Einhaltung von Grenzen und Natürlichkeit. Das Agents-Framework bietet Hilfen für Tests, ersetzt aber keine durchdachte Testsuite. Wegen der hohen Entwicklungsgeschwindigkeit des Frameworks sind zudem Versionsupdates bewusst zu planen: Neue Versionen bringen Verbesserungen, können aber Schnittstellen ändern. Feste Versionsstände, ein Testlauf vor jedem Update und eine Staging-Umgebung sind Pflicht.
Rückfallebenen gehören in jede Architektur. Fällt ein Modellanbieter aus oder wird langsam, sollte ein alternativer Anbieter einspringen können – die Plugin-Architektur macht das vergleichsweise einfach. Fällt die Agenten-Infrastruktur aus, müssen Anrufe auf Mitarbeitende oder eine Ansage mit Rückrufangebot umgeleitet werden; das lässt sich häufig auf Ebene des SIP-Trunks oder der Telefonanlage regeln. Inhaltlich muss klar sein, wann der Agent aufgibt und mit Zusammenfassung an einen Menschen übergibt.
LiveKit passt zu Mittelständlern, die einen klaren Sprach- oder Video-Anwendungsfall mit relevantem Volumen haben, über eigene Entwicklung oder einen erfahrenen Umsetzungspartner verfügen und Wert auf Kontrolle legen – sei es wegen Datenschutz, wegen Integration in eigene Software oder um Abhängigkeiten von einzelnen KI-Anbietern zu vermeiden. Besonders gut passt LiveKit zu Softwareanbietern, die Sprachfunktionen in ihre Produkte einbauen, zu Unternehmen mit eigenem Rechenzentrum oder etabliertem Hosting-Partner und zu Organisationen mit strengen Vorgaben, etwa im Gesundheitswesen, bei Versicherungen oder in der öffentlichen Hand.
Bewährt hat sich ein zweistufiges Vorgehen. In der ersten Stufe entsteht ein Prototyp in LiveKit Cloud mit Testdaten, um Machbarkeit, Gesprächsqualität und Integrationsaufwand schnell zu bewerten – ohne Infrastruktur aufzubauen. Parallel werden Datenschutz-Anforderungen geklärt und Modellanbieter mit EU-Verarbeitung ausgewählt. In der zweiten Stufe wird die Lösung, sofern die Anforderungen es verlangen, auf eine selbst betriebene Instanz in einem EU-Rechenzentrum überführt. Weil Cloud und Open Source dieselben Schnittstellen nutzen, ist dieser Umzug in der Regel ohne Neuentwicklung der Agentenlogik möglich – Zusatzfunktionen, die nur in der Cloud verfügbar sind, müssen allerdings ersetzt werden. Der Pilot startet mit einem häufigen, risikoarmen Anliegen, etwa Rückrufwünschen oder Vorqualifizierung, und wird erst ausgebaut, wenn Qualität, Übergaben und Dokumentation stimmen.
Die Open-Source-Lizenz von LiveKit erlaubt die kommerzielle Nutzung ohne Lizenzgebühren. Das ist ein echter Vorteil gegenüber proprietären Plattformen, sollte aber nicht zu dem Fehlschluss führen, Self-Hosting sei automatisch günstiger. Server, Bandbreite – Echtzeit-Audio und vor allem Video erzeugen nennenswerten Datenverkehr –, Speicher für Aufzeichnungen, Monitoring und vor allem die Arbeitszeit für Betrieb und Updates summieren sich. Bei geringem oder stark schwankendem Volumen ist die Cloud oft wirtschaftlicher; bei hohem, gleichmäßigem Volumen und vorhandener Betriebskompetenz kann Self-Hosting günstiger werden. Die Grenze lässt sich nur mit realistischen Annahmen zu Gesprächszahl, Dauer und Betriebsaufwand bestimmen.
Unabhängig vom Betriebsmodell machen die Modellkosten einen großen Teil der variablen Kosten aus: Spracherkennung und Sprachsynthese werden meist nach Zeit oder Zeichen abgerechnet, Sprachmodelle nach Tokens, Speech-to-Speech-Modelle oft deutlich teurer als eine Kette. Hinzu kommen Telefoniekosten des SIP-Anbieters. Für die Wirtschaftlichkeit empfiehlt sich die Rechnung pro gelöstem Anliegen: Was kostet ein vollständig durch den Agenten erledigter Anruf inklusive Infrastruktur, Modellen, Telefonie und anteiligem Betrieb – und was kostet derselbe Anruf im eigenen Service? Belastbare Zahlen liefert erst ein Pilot.
LiveKit ist ein US-Unternehmen. Wird LiveKit Cloud genutzt, fließen Audio, gegebenenfalls Video, Transkripte und Metadaten über die Infrastruktur dieses Anbieters. Je nach Konfiguration und Standort der Teilnehmer können Daten über Rechenzentren in verschiedenen Regionen, auch außerhalb der EU, geleitet werden. Damit ist ein möglicher Drittlandtransfer zu bewerten, der eine tragfähige Grundlage benötigt – etwa das EU-US Data Privacy Framework, sofern der Anbieter zertifiziert ist, oder Standardvertragsklauseln mit ergänzender Risikobewertung. Ob Optionen zur Beschränkung auf EU-Regionen bestehen, für welche Tarife sie gelten und welche Daten trotzdem zentral verarbeitet werden, etwa für Abrechnung, Auswertung oder Support, ist beim Anbieter zu prüfen und vertraglich festzuhalten.
Hinzu kommt der CLOUD Act: US-Behörden können unter bestimmten Voraussetzungen von US-Unternehmen die Herausgabe von Daten verlangen, auch wenn diese auf Servern außerhalb der USA liegen. Eine Verarbeitung in einer EU-Region verringert damit das Risiko, beseitigt es bei einem US-Anbieter aber nicht vollständig. Für die Gesamtbewertung zählen auch die übrigen Bausteine: Ein selbst betriebener LiveKit-Server nützt wenig, wenn Spracherkennung und Sprachmodell bei einem US-Dienst ohne EU-Verarbeitung laufen. Wer konsequent auf Datenhoheit setzt, kombiniert Self-Hosting mit Modellanbietern, die in der EU verarbeiten, oder mit selbst gehosteten Modellen.
Der wesentliche Vorteil von LiveKit gegenüber vielen Voice-AI-Plattformen liegt darin, dass sich die gesamte Echtzeit-Schicht selbst in einem EU-Rechenzentrum betreiben lässt – bei einem europäischen Hoster ohne US-Mutterkonzern oder im eigenen Haus. Dann fließen Medienströme nicht über die Infrastruktur des Herstellers, ein Vertragsverhältnis mit LiveKit für die Datenverarbeitung entfällt, und Serverstandort, Zugriffsrechte, Aufzeichnungen und Löschfristen liegen in eigener Hand. Kombiniert mit EU-gehosteten oder selbst betriebenen Modellen für Spracherkennung, Sprachmodell und Synthese entsteht eine Architektur, in der Gesprächsinhalte die EU nicht verlassen müssen. Für Unternehmen mit hohen Anforderungen ist das in vielen Fällen die datenschutzfreundlichere Variante – auf Kosten höheren Betriebsaufwands.
Unabhängig vom Betriebsmodell gelten die Grundpflichten der DSGVO: Rechtsgrundlage, transparente Information der Anrufer, Datenminimierung, Löschkonzept sowie technische und organisatorische Maßnahmen. Besonders sensibel ist die Aufzeichnung von Gesprächen; hier sind Information, gegebenenfalls Einwilligung und die Vertraulichkeit des gesprochenen Wortes zu beachten. Bei systematischer Auswertung oder sensiblen Daten kann eine Datenschutz-Folgenabschätzung erforderlich sein, in Unternehmen mit Betriebsrat ist die Mitbestimmung zu berücksichtigen. Der EU AI Act verlangt für KI-Systeme, die direkt mit Menschen interagieren, Transparenz: Anrufer müssen erkennen können, dass sie mit einer KI sprechen – am Telefon durch einen klaren Hinweis zu Beginn.