Wissensdatenbank · Voice & Conversational AI · Echtzeit-Infrastruktur

LiveKit – Echtzeit-Infrastruktur für Voice- und Video-Agenten, offen und selbst betreibbar.

LiveKit ist eine Open-Source-Plattform für Echtzeit-Kommunikation auf Basis von WebRTC – ergänzt um ein Agents-Framework, mit dem sich sprechende und zuhörende KI-Agenten in Gespräche, Videokonferenzen und Telefonate einbinden lassen. Hinter dem Projekt steht ein US-Unternehmen, das mit LiveKit Cloud einen gemanagten Dienst anbietet. Der entscheidende Unterschied zu vielen Voice-AI-Plattformen: Die Kernkomponenten lassen sich vollständig selbst betreiben – auch in einem deutschen oder europäischen Rechenzentrum. Für den Mittelstand ist LiveKit damit ein Baustein, der Kontrolle und Datenhoheit ermöglicht, dafür aber Engineering-Kompetenz verlangt.

Dieser Artikel wurde mithilfe künstlicher Intelligenz erstellt und redaktionell geprüft.

30 Min. Lesezeit
Aktualisiert · Oktober 2026
Fachartikel · Expertenbeitrag
LiveKit
LiveKit, Inc. · USA (Open Source, Apache 2.0)
Typ
WebRTC-Infrastruktur & Agents-Framework
Bausteine
Server, Cloud, Agents, SIP, Egress
Betrieb
LiveKit Cloud oder Self-Hosting
KI-Anbindung
Plugins für STT, LLM, TTS, Realtime-Modelle
Datenhoheit
Cloud: US-Anbieter prüfen; Self-Hosting in EU möglich
Hauptwettbewerb
Pipecat/Daily, Vapi, Twilio, Agora
INAGRO Eignung Mittelstand mit Entwicklungspartner
★★★★★
Kapitel 01 · Überblick

Was ist LiveKit?

LiveKit ist eine Plattform für Audio-, Video- und Datenübertragung in Echtzeit. Ursprünglich als quelloffene Alternative zu proprietären Videokonferenz-Infrastrukturen gestartet, hat sich LiveKit zu einer der meistgenutzten Grundlagen für sprachbasierte KI-Agenten entwickelt. Die Plattform kümmert sich um das, was bei Voice Agents technisch am schwierigsten ist: Audio mit möglichst geringer Verzögerung zuverlässig zwischen Menschen, Geräten, Telefonnetz und KI-Modellen zu transportieren.

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:
  • Open Source als Kern – Der Medienserver, das Agents-Framework, die SIP-Komponente und die meisten Client-Bibliotheken stehen unter einer permissiven Open-Source-Lizenz. Unternehmen können den Code prüfen, anpassen und selbst betreiben. Das ist für Datenhoheit und Unabhängigkeit ein erheblicher Unterschied zu geschlossenen Plattformen.
  • Infrastruktur statt fertiges Produkt – LiveKit liefert Transport, Raumverwaltung, Telefonie-Anbindung und ein Gerüst für Agenten. Gesprächslogik, Modellwahl, Anbindung an CRM oder ERP, Tests und Betrieb bleiben Aufgabe des Unternehmens oder seines Umsetzungspartners.
  • Modell-agnostisch – LiveKit legt sich nicht auf einen KI-Anbieter fest. Spracherkennung, Sprachmodell und Sprachsynthese werden über Plugins eingebunden und lassen sich austauschen – ebenso wie Speech-to-Speech-Modelle verschiedener Hersteller.

Vom Videokonferenz-Baukasten zum Rückgrat für Voice Agents

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.

Für wen LiveKit gedacht ist

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.
INAGRO-Einschätzung

LiveKit ist aus unserer Sicht eine der strategisch interessantesten Grundlagen für Voice Agents, weil es zwei Dinge verbindet, die selten zusammenkommen: ausgereifte Echtzeit-Technik und die Möglichkeit, alles selbst zu betreiben. Wer Datenhoheit ernst nimmt und Modelle austauschbar halten will, findet hier einen soliden Unterbau. Der Preis ist Engineering-Aufwand – ohne erfahrenes Entwicklerteam oder Partner sollte niemand mit LiveKit starten.

Kapitel 02 · Produktfamilie & Positionierung

Server, Cloud, Agents und SIP – die Bausteine im Überblick

LiveKit ist kein einzelnes Produkt, sondern eine Familie zusammenspielender Komponenten. Manche davon sind für jeden Einsatz Pflicht, andere nur für bestimmte Szenarien relevant. Wer die Rollen kennt, kann besser entscheiden, welche Teile selbst betrieben und welche als Dienst bezogen werden. Bezeichnungen und Zuschnitt der Angebote ändern sich gelegentlich – maßgeblich ist der aktuelle Stand beim Anbieter.

LiveKit Server
Open Source

Der Medienserver, der Räume verwaltet und Audio, Video und Daten zwischen Teilnehmern verteilt. Er arbeitet als Selective Forwarding Unit und lässt sich als einzelner Knoten oder verteiltes Cluster betreiben.

RolleMedientransport
BetriebSelf-Hosted oder Cloud
StärkeKontrolle, Skalierung
EinsatzBasis jedes Projekts
LiveKit Cloud
Managed

Der gemanagte Dienst des Herstellers: global verteilte Server, Betrieb, Skalierung und Monitoring aus einer Hand, ergänzt um Zusatzfunktionen wie Agenten-Hosting, verbesserte Rauschunterdrückung und Auswertungen.

RolleBetrieb als Service
BetriebHersteller (USA)
StärkeSchneller Start
EinsatzPrototyp, Skalierung
LiveKit Agents
Framework

Das Framework zum Bau von KI-Agenten, die als Teilnehmer in Räumen agieren. Es bündelt Sprechererkennung, Unterbrechungslogik, Plugins für Modelle, Werkzeugaufrufe und die Verteilung von Agenten auf Worker-Prozesse.

RolleAgentenlogik
SprachenPython, Node.js (prüfen)
StärkeModellfreiheit
EinsatzVoice- und Video-Agenten
LiveKit SIP
Telefonie

Die Brücke ins Telefonnetz: eingehende und ausgehende Anrufe über SIP-Trunks werden zu Teilnehmern in einem Raum. So landet ein klassischer Telefonanruf beim selben Agenten wie ein Gespräch im Browser.

RolleTelefonie-Gateway
BetriebSelf-Hosted oder Cloud
StärkeEin Agent, alle Kanäle
EinsatzHotline, Outbound

Ergänzende Komponenten: Egress, Ingress und Client-SDKs

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.

Positionierung: Infrastruktur-Schicht zwischen Kanal und Modell

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.
Open Source ist nicht gleich Cloud-Funktionsumfang

Einige Funktionen sind nach unserem Kenntnisstand nur oder bevorzugt in LiveKit Cloud verfügbar – etwa bestimmte Rauschunterdrückungsmodelle, gemanagtes Agenten-Hosting, Auswertungsoberflächen oder gebündelter Modellzugang. Prüfen Sie vor einer Self-Hosting-Entscheidung, welche Funktionen Ihr Anwendungsfall tatsächlich benötigt und ob diese in der quelloffenen Variante enthalten sind.

Kapitel 03 · Funktionsumfang

Räume, Medientransport und Echtzeit-Mechanik

Der Funktionsumfang von LiveKit erschließt sich am besten über das zentrale Konzept des Raums. Alles, was in einem Gespräch passiert – Sprache, Video, Textnachrichten, Statusinformationen – findet in einem Raum statt, in dem Menschen und Agenten gleichberechtigte Teilnehmer sind. Darauf baut die gesamte Plattform auf.

Räume, Teilnehmer und Spuren

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.

SFU-Architektur, Codecs und Netzwerkrobustheit

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.

Skalierung, Aufzeichnung und Webhooks

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.
Latenz entsteht an vielen Stellen

LiveKit sorgt für einen schnellen Medientransport, aber die wahrgenommene Reaktionszeit eines Voice Agents setzt sich aus vielen Teilen zusammen: Netzwerk, Sprechererkennung, Spracherkennung, Sprachmodell, Werkzeugaufrufe, Sprachsynthese. Messen Sie die Verzögerung je Stufe, statt sich auf Gesamtangaben zu verlassen – und platzieren Sie Agenten-Worker und Modelle möglichst nah beieinander.

Kapitel 04 · KI- & Agentenfunktionen

Das Agents-Framework: Gesprächsmechanik, Werkzeuge, Übergaben

Das Agents-Framework ist der Teil von LiveKit, der aus einer Echtzeit-Infrastruktur eine Plattform für sprechende KI macht. Es nimmt Entwicklern die mühsame Gesprächsmechanik ab, bindet Modelle über einheitliche Schnittstellen an und regelt, wie Agenten gestartet, verteilt und überwacht werden.

Worker, Jobs und Agenten-Sitzungen

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.
Im Inneren eines Jobs steuert eine Agenten-Sitzung das Gespräch. Sie verbindet die Audiospur des Nutzers mit der gewählten Verarbeitungskette, verwaltet den Gesprächsverlauf, führt Werkzeugaufrufe aus und gibt die Antwort als Audiospur aus. Dabei unterstützt das Framework zwei Architekturen: die verkettete Pipeline aus Spracherkennung, Sprachmodell und Sprachsynthese sowie Speech-to-Speech-Modelle, die Audio direkt verarbeiten, beispielsweise die OpenAI Realtime API oder vergleichbare Angebote anderer Hersteller. Auch Mischformen sind möglich, etwa ein Speech-to-Speech-Modell mit separater Sprachsynthese für eine markenspezifische Stimme.

Sprecherwechsel, Unterbrechungen und Rauschunterdrückung

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.

Werkzeuge, Multi-Agenten-Workflows und Übergabe an Menschen

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.
Empfehlung aus der Praxis

Nutzen Sie die Standardeinstellungen des Frameworks für Sprecherwechsel und Unterbrechungen als Ausgangspunkt und optimieren Sie mit echten Telefonaten. Halten Sie Werkzeuge schlank, prüfen Sie jeden Parameter serverseitig und planen Sie die Übergabe an Menschen von Anfang an als festen Bestandteil des Gesprächsdesigns ein – nicht als Notlösung.

Kapitel 05 · Integrationen & Ökosystem

Plugins für STT, LLM und TTS – und der Weg ins Telefonnetz

Der praktische Wert von LiveKit hängt stark am Ökosystem. Ein großer Katalog an Plugins bindet Modelle zahlreicher Anbieter an, SIP verbindet mit Telefonanlagen und Carriern, und Client-SDKs bringen den Agenten in Website, App und Endgerät. Die folgende Übersicht ordnet die wichtigsten Integrationswege ein.

Integration Typischer Einsatz Aufwand Hinweis
STT-Plugins Spracherkennung, z. B. Deepgram, AssemblyAI, Whisper-basierte Dienste, Cloud-Anbieter Gering Deutsch-Qualität und Serverstandort je Anbieter prüfen
LLM-Plugins Sprachmodelle großer Anbieter, Cloud-Plattformen, selbst gehostete Modelle Gering Antwortgeschwindigkeit wichtiger als maximale Intelligenz
TTS-Plugins Sprachsynthese, z. B. ElevenLabs, Cartesia, Cloud-Anbieter Gering Markenstimme, Aussprache von Zahlen und Namen testen
Speech-to-Speech Realtime-Modelle verschiedener Hersteller Gering bis mittel Weniger Kontrolle über Text, Datenfluss prüfen
SIP-Trunk / Carrier Rufnummern, Telefonanlage, Contact Center Mittel Weiterer Auftragsverarbeiter, Codecs und Rufnummernformate
CRM, ERP, Ticketing Werkzeuge im Agenten-Code oder über MCP Mittel Saubere Schnittstellen der Kernsysteme vorausgesetzt

Modell-Plugins: freie Wahl entlang der Sprachkette

LiveKit stellt für das Agents-Framework eine große Zahl an Plugins bereit, die Modelle verschiedener Anbieter über einheitliche Schnittstellen ansprechen. Für die Spracherkennung gehören spezialisierte Anbieter wie Deepgram oder AssemblyAI ebenso dazu wie die Sprachdienste der großen Cloud-Plattformen. Für Sprachmodelle lassen sich die Angebote führender Modellhersteller, Cloud-Plattformen mit EU-Regionen und – über kompatible Schnittstellen – auch selbst gehostete Modelle einbinden. Für die Sprachsynthese stehen Anbieter wie ElevenLabs oder Cartesia sowie Cloud-Dienste zur Verfügung. Welche Plugins aktuell gepflegt werden und welchen Reifegrad sie haben, ändert sich laufend und ist im Repository und der Dokumentation zu prüfen.
Der strategische Vorteil liegt in der Austauschbarkeit. Wer heute mit einer bestimmten Spracherkennung startet, kann sie später gegen eine günstigere, bessere oder datenschutzfreundlichere Variante tauschen, ohne die Anwendung neu zu bauen. Ebenso lassen sich Kombinationen testen: dieselbe Gesprächslogik mit verschiedenen Sprachmodellen oder Stimmen, gemessen an Verständnis, Antwortqualität und Kosten. Einige Plugins unterstützen auch Rückfallmechanismen, bei denen ein zweiter Anbieter einspringt, wenn der erste nicht antwortet. Für Unternehmen mit Datenhoheitsanspruch eröffnet das eine Option, die geschlossene Plattformen selten bieten: eine Sprachkette, deren Bausteine vollständig in europäischen Rechenzentren oder sogar im eigenen Haus laufen. Eine Einführung in die Kette liefert unser Artikel zu STT, TTS und Voice Agents.

Telefonie: SIP-Trunks, Telefonanlagen und Carrier

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.
Als SIP-Gegenstelle kommen klassische Carrier, Cloud-Telefonie-Anbieter wie Twilio oder europäische Anbieter infrage, aber auch die eigene Telefonanlage oder Contact-Center-Software, sofern sie SIP-Trunks unterstützt. Für den deutschen Mittelstand ist das ein wichtiger Punkt: Rufnummern können bei einem deutschen Anbieter verbleiben, und der Anruf wird über SIP an eine selbst betriebene LiveKit-Instanz in einem EU-Rechenzentrum übergeben. In der Praxis kosten Details wie Codecs, Rufnummernformate, Verschlüsselung der Signalisierung und das Verhalten bei Weiterleitungen Zeit und sollten früh mit dem Telefonie-Anbieter getestet werden. Nach unserem Kenntnisstand bietet LiveKit in der Cloud inzwischen auch eigene Telefonie-Bausteine an; Verfügbarkeit für deutsche Rufnummern und Konditionen sind beim Anbieter zu prüfen.

Clients, Frontends und Beobachtbarkeit

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.
Kapitel 06 · Abgrenzung

LiveKit im Vergleich zu Alternativen

LiveKit bewegt sich in einem dichten Umfeld aus Frameworks, Echtzeit-Plattformen, Entwicklerplattformen für Voice Agents, Telefonie-Anbietern und Modell-Schnittstellen. Die folgende Einordnung ist herstellerneutral und qualitativ – sie ersetzt keinen Vergleich mit eigenen Anforderungen und Testgesprächen.

Aspekt LiveKit Pipecat + Daily Vapi Twilio Voice OpenAI Realtime
Grundansatz Open-Source-Infrastruktur plus Agents-Framework Open-Source-Framework plus Transport-Plattform Entwicklerplattform für Voice Agents Telefonie- und Kommunikations-API Speech-to-Speech-Modell-API
Self-Hosting Vollständig möglich Framework ja, Transport je nach Wahl In der Regel nein Nein Nein
Modellfreiheit Sehr hoch Sehr hoch Hoch Über Integrationen Eigene Modelle
Eigener Medientransport Ja, inkl. SIP Über Daily oder andere Gekapselt Telefonnetz WebRTC, SIP
Benötigte Skills Entwicklung & Betrieb Entwicklung Mittel Mittel Entwicklung
Sweet Spot Datenhoheit, Skalierung, eigene Produkte Flexible Pipelines, Python-Teams Schneller Start ohne Infrastruktur Telefonie-Funktionen, Rufnummern Natürliche Dialoge mit einem Modell

LiveKit vs. Pipecat und Daily

Der naheliegendste Vergleich ist Pipecat, ein ebenfalls quelloffenes Framework für Echtzeit-Sprachagenten, das maßgeblich vom Echtzeit-Anbieter Daily vorangetrieben wird. Beide Frameworks verfolgen ähnliche Ziele: Spracherkennung, Sprachmodell und Sprachsynthese verschiedener Anbieter zu einer reaktionsschnellen Pipeline zu verbinden und Gesprächsmechanik bereitzustellen. Unterschiede liegen vor allem in der Architektur und im Unterbau. Pipecat denkt stark in Verarbeitungsketten aus Bausteinen, durch die Audio- und Textrahmen fließen, und ist beim Transport offen – Daily, andere WebRTC-Dienste, Telefonie-Websockets oder sogar LiveKit selbst können als Transportschicht dienen. LiveKit bringt dagegen Medienserver, SIP und Agents-Framework als integriertes Gesamtpaket mit, das sich vollständig selbst betreiben lässt.
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.

LiveKit vs. Vapi und Twilio

Vapi und vergleichbare Entwicklerplattformen setzen eine Ebene höher an. Sie kapseln Medientransport, Telefonie und Gesprächsmechanik und bieten Programmierschnittstellen sowie Oberflächen, mit denen sich Voice Agents konfigurieren lassen, ohne eigene Infrastruktur zu betreiben. Das beschleunigt den Start erheblich, bindet aber an die Plattform: Datenflüsse, Serverstandorte und Funktionsumfang bestimmt der Anbieter. LiveKit ist das Gegenmodell – mehr Aufwand, dafür volle Kontrolle und die Möglichkeit, alles selbst zu hosten. Für einen schnellen Machbarkeitstest kann eine Plattform sinnvoll sein; für ein strategisches Produkt mit hohen Datenschutzanforderungen eher LiveKit.
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.

LiveKit vs. direkte Modell-APIs wie OpenAI Realtime

Speech-to-Speech-Schnittstellen wie die OpenAI Realtime API bieten eigene Verbindungswege per WebRTC, WebSocket und SIP. Auf den ersten Blick scheint eine Infrastruktur wie LiveKit damit überflüssig. Tatsächlich ist die Frage eher: Will man direkt an ein Modell eines Herstellers koppeln oder eine Schicht dazwischen, die Modelle austauschbar macht? LiveKit unterstützt solche Realtime-Modelle als Plugin, ergänzt sie um Telefonie, Mehrparteien-Gespräche, Übergabe an Menschen, Aufzeichnung und eigene Werkzeugausführung – und ermöglicht den Wechsel auf ein anderes Modell oder eine europäisch gehostete Kette, ohne den Rest neu zu bauen. Wer nur einen schnellen Prototyp mit einem Modell braucht, kommt direkt schneller ans Ziel; wer eine langfristig tragfähige Architektur plant, profitiert von der Zwischenschicht.
Wann LiveKit gewinnt – und wann nicht
LiveKit gewinnt, wenn Datenhoheit, Self-Hosting in der EU, Modellfreiheit, Mehrkanalfähigkeit oder hohe Skalierung gefragt sind und ein Entwicklungsteam vorhanden ist. LiveKit verliert gegen Plattformen wie Vapi oder Fertiglösungen, wenn ohne eigene Entwicklung schnell ein Telefon-Assistent entstehen soll, und gegen direkte Modell-APIs, wenn nur ein kurzlebiger Prototyp mit einem einzigen Modell gebaut wird.
Kapitel 07 · Einführung & Betrieb

Cloud oder Self-Hosted – vom Prototyp zum stabilen Betrieb

Ein erster LiveKit-Agent läuft dank Beispielprojekten und Vorlagen oft schon nach wenigen Tagen. Der Weg in den Produktivbetrieb erfordert dagegen Entscheidungen zu Betriebsmodell, Telefonie, Modellwahl, Tests und Überwachung. Die zentrale Weichenstellung ist die Frage nach Cloud oder Self-Hosting.

01
Use Case und Anforderungen
Welche Anliegen, welche Kanäle, welches Volumen, welche Datenschutzanforderungen? Daraus ergibt sich, ob Cloud, Self-Hosting oder ein Hybrid infrage kommt und welche Modelle zulässig sind.
02
Architektur- und Betriebsentscheidung
LiveKit Cloud oder eigene Instanz im EU-Rechenzentrum? Welche STT-, LLM- und TTS-Anbieter mit welchem Serverstandort? Welcher SIP-Trunk? Diese Fragen bestimmen Verträge, Datenflüsse und Kosten.
03
Prototyp mit Kernszenario
Ein Agent, zwei bis drei Werkzeuge, echte Telefonverbindungen. Ziel ist eine belastbare Aussage zu Verständnis, Reaktionszeit, Gesprächsfluss und Aufwand – zunächst gern in der Cloud, sofern nur Testdaten fließen.
04
Testsuite und Evaluierung
Sammlung von Testgesprächen mit erwarteten Ergebnissen, automatisierte Simulationen und Hörproben. Jede Änderung an Anweisungen, Plugins oder Modellen wird dagegen geprüft.
05
Pilot mit begrenztem Volumen
Start in einem Zeitfenster oder für einen Teil der Anrufe, mit warmer Übergabe an Mitarbeitende, engem Monitoring und klarer Eskalation. Fehler aus echten Gesprächen werden zu Testfällen.
06
Skalierung und Betrieb
Ausbau auf weitere Anliegen, Kapazitätsplanung, Updates von Server und Framework, Monitoring von Qualität, Kosten und Verfügbarkeit sowie ein festes Team mit Produktverantwortung.

LiveKit Cloud: schneller Start, geteilte Verantwortung

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.

Self-Hosting im EU-Rechenzentrum: Kontrolle mit Betriebsaufwand

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.

Qualitätssicherung, Updates und Rückfallebenen

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.
Realistische Zeitplanung

Ein überzeugender Prototyp ist mit erfahrenem Team in wenigen Wochen machbar. Für einen stabilen Produktivbetrieb mit Telefonie, Werkzeugen, Testsuite, Monitoring und – im Self-Hosting – eigener Infrastruktur sollten Sie mehrere Monate einplanen. Engpässe liegen erfahrungsgemäß bei Telefonie-Details, Schnittstellen zu Kernsystemen und Freigaben durch Datenschutz und Betriebsrat.

Kapitel 08 · Einsatz im Mittelstand

LiveKit im DACH-Mittelstand

Für mittelständische Unternehmen ist LiveKit selten das erste Wort, das in einem Voice-AI-Projekt fällt – aber häufig das Fundament, auf dem ein tragfähiges Projekt steht. Besonders dort, wo Datenhoheit, Integration in eigene Software oder mehrere Kanäle gefragt sind, spielt die Plattform ihre Stärken aus.

Telefon-Assistent mit EU-Hosting

Eingehende Anrufe werden über den bestehenden SIP-Trunk an eine selbst betriebene LiveKit-Instanz geleitet, ein Agent klärt das Anliegen und übergibt mit Zusammenfassung an das zuständige Team.

Datenhoheit plus Entlastung
Erreichbarkeit außerhalb der Geschäftszeiten

Abends und am Wochenende nimmt der Agent Störungsmeldungen auf, beantwortet Standardfragen und vereinbart Rückrufe – mit direkter Ticketanlage im Servicesystem.

Weniger verpasste Anrufe
Sprachassistent im Kundenportal

Ein sprechender Assistent im Webportal oder in der App beantwortet Produktfragen, führt durch Konfiguratoren und zeigt passende Inhalte per Datenkanal direkt in der Oberfläche an.

Neues Serviceerlebnis
Video-Fernservice mit KI-Begleitung

Servicetechniker unterstützen Kunden per Video bei Wartung und Störungsbehebung, während ein Agent mitschreibt, Ersatzteilnummern erkennt und den Einsatzbericht vorbereitet.

Weniger Vor-Ort-Einsätze
Sprachfunktionen im eigenen Produkt

Softwarehäuser integrieren Sprachsteuerung und sprechende Assistenten in Branchenlösungen – für Lager, Außendienst oder Fertigung, wo die Hände nicht frei sind.

Produktdifferenzierung
Training und Gesprächssimulation

Vertrieb, Service und Ausbildung üben schwierige Gespräche mit simulierten Kunden – im Browser, jederzeit verfügbar und ohne echte Kundendaten.

Schneller eingearbeitet

Wer zu LiveKit passt – und wer nicht

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.
Weniger gut passt LiveKit, wenn keine Entwicklungskapazität vorhanden ist und schnell ein fertiger Telefon-Assistent entstehen soll; wenn das Volumen so gering ist, dass sich der Aufbau einer eigenen Architektur nicht lohnt; oder wenn niemand die Verantwortung für den laufenden Betrieb übernehmen kann. In solchen Fällen sind Fertigplattformen oder Entwicklerplattformen mit gekapselter Infrastruktur der pragmatischere Weg. Einen Überblick über die Optionen bietet unser Grundlagenartikel zu Voice AI.

Ein typischer Einstiegspfad

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.
Kapitel 09 · Kosten & DSGVO

Kosten, DSGVO und Datenhoheit

Bei LiveKit setzen sich die Kosten aus mehreren Schichten zusammen, und die Datenschutzbewertung hängt maßgeblich vom Betriebsmodell ab. Die Open-Source-Komponenten sind lizenzkostenfrei, aber nicht kostenlos im Betrieb. LiveKit Cloud wird nutzungsabhängig abgerechnet. Konkrete Preise nennen wir nicht; sie sind beim Anbieter zu prüfen.

LiveKit Cloud
Variabel / beim Anbieter prüfen
Nutzungsabhängig, z. B. nach Verbindungs- und Agentenminuten, Datenvolumen, Zusatzfunktionen
  • Einstiegs- und Enterprise-Modelle möglich. Telefonie, Aufzeichnung und Zusatzfunktionen gesondert prüfen.
Self-Hosting
€–€€ / laufend
Server, Bandbreite, Speicher, Hosting im EU-Rechenzentrum
  • Keine Lizenzkosten für Open-Source-Komponenten, dafür Infrastruktur und Betriebsaufwand.
Modelle & Telefonie
€–€€ / nutzungsabhängig
STT, LLM, TTS oder Speech-to-Speech, SIP-Trunk, Rufnummern
  • Häufig der größte variable Block je Gesprächsminute – stark abhängig von Modellwahl und Gesprächslänge.
Team & Betrieb
€€€ / laufend
Entwicklung, Gesprächsdesign, Tests, Plattformbetrieb
  • Oft der größte Gesamtposten, im Self-Hosting zusätzlich mit Verantwortung für Infrastruktur und Updates.

Kosten verstehen: Lizenzfreiheit ist nicht Kostenfreiheit

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.
Datenschutz-Stack im Detail

Bei einem LiveKit-basierten Voice Agent werden Stimme, Gesprächsinhalte und Metadaten durch mehrere Dienste verarbeitet. Stimmen sind personenbezogene Daten, Gesprächsinhalte häufig ebenfalls. Folgende Punkte sind für die Bewertung besonders relevant:

Serverstandort Cloud
Globales Netz eines US-Anbieters – Regionenbindung und Datenflüsse beim Anbieter prüfen
Self-Hosting
Betrieb im EU-Rechenzentrum oder im eigenen Haus – Medien bleiben in eigener Umgebung
Modellanbieter
STT, LLM, TTS mit eigenem Serverstandort – jeder ist eigener Auftragsverarbeiter
AVV
Mit LiveKit (bei Cloud), Hoster, Modell- und Telefonie-Anbietern abschließen
Aufzeichnung
Egress nur bei Bedarf, Information, ggf. Einwilligung, Speicherfristen
CLOUD Act
Zugriffsrisiko bei US-Anbietern auch bei EU-Servern in die Bewertung einbeziehen

US-Anbieter, Drittlandtransfer und CLOUD Act

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.

Self-Hosting als DSGVO-konformere Option – und die übrigen Pflichten

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.
Keine Rechtsberatung

Die Hinweise in diesem Kapitel sind eine allgemeine fachliche Einordnung aus IT- und Projektsicht und keine Rechtsberatung. Die Bewertung des konkreten Einsatzes – insbesondere zu Drittlandtransfer, CLOUD Act, Serverstandorten, Sprachaufzeichnung, Einwilligung und den Pflichten aus dem EU AI Act – sollte mit dem eigenen Datenschutzbeauftragten oder fachkundiger rechtlicher Begleitung erfolgen. Die Verantwortung im Sinne der DSGVO bleibt beim einsetzenden Unternehmen.

Kapitel 10 · Häufige Fragen

Häufig gestellte Fragen zu LiveKit

Die wichtigsten Antworten für Entscheider, Projektverantwortliche und IT-Teams im Überblick.

Was ist LiveKit?
LiveKit ist eine quelloffene Plattform für Audio-, Video- und Datenübertragung in Echtzeit auf Basis von WebRTC. Mit dem Agents-Framework lassen sich KI-Agenten bauen, die in Gesprächen zuhören, sprechen und Werkzeuge nutzen. Hinter dem Projekt steht ein US-Unternehmen, das zusätzlich den gemanagten Dienst LiveKit Cloud anbietet. Die Kernkomponenten lassen sich auch selbst betreiben.
Ist LiveKit ein fertiger Voice Agent?
Nein. LiveKit ist Infrastruktur und Framework. Es übernimmt Medientransport, Telefonie-Anbindung, Gesprächsmechanik und die Verteilung von Agenten. Gesprächslogik, Modellwahl, Anbindung an CRM oder ERP, Tests und Betrieb müssen das Unternehmen oder ein Umsetzungspartner gestalten. Wer ohne Entwicklung starten will, ist mit einer Fertigplattform besser beraten.
Kann ich LiveKit selbst hosten?
Ja. Medienserver, SIP-Komponente, Agents-Framework und weitere Bausteine sind Open Source und lassen sich auf eigenen Servern, in Container-Umgebungen oder Kubernetes betreiben – etwa bei einem deutschen Hoster. Dafür sind Kenntnisse in Netzwerk, Echtzeit-Medien und Plattformbetrieb nötig. Einige Komfortfunktionen gibt es nach unserem Kenntnisstand nur in LiveKit Cloud; das ist im Einzelfall zu prüfen.
Welche KI-Modelle kann ich mit LiveKit nutzen?
LiveKit ist modell-agnostisch. Über Plugins lassen sich Spracherkennung, Sprachmodelle und Sprachsynthese zahlreicher Anbieter einbinden, ebenso Speech-to-Speech-Modelle wie die OpenAI Realtime API. Über kompatible Schnittstellen sind auch selbst gehostete Modelle möglich. Welche Plugins aktuell gepflegt werden, ist in der Dokumentation zu prüfen.
Wie binde ich LiveKit an meine Telefonanlage an?
Über die SIP-Komponente. Eingehende Anrufe gelangen über einen SIP-Trunk Ihres Telefonie-Anbieters oder Ihrer Telefonanlage zu LiveKit und werden per Regel einem Agenten zugeordnet. Ausgehende Anrufe und Weiterleitungen an Mitarbeitende sind ebenfalls möglich. Codecs, Rufnummernformate und Verschlüsselung sollten früh mit dem Telefonie-Anbieter getestet werden.
Was kostet LiveKit?
Die Open-Source-Komponenten sind lizenzkostenfrei, verursachen aber Kosten für Infrastruktur und Betrieb. LiveKit Cloud wird nutzungsabhängig abgerechnet. Hinzu kommen Kosten für Modelle, Telefonie sowie Entwicklung und Betrieb, die oft den größten Anteil ausmachen. Aktuelle Preise sind beim Anbieter zu prüfen; belastbare Kosten je Anliegen liefert erst ein Pilot.
Ist LiveKit DSGVO-konform nutzbar?
Das hängt vom Betriebsmodell ab. Bei LiveKit Cloud verarbeitet ein US-Anbieter die Daten; Drittlandtransfer, Regionenbindung, Auftragsverarbeitung und der CLOUD Act sind zu bewerten. Beim Self-Hosting in einem EU-Rechenzentrum bleiben die Medienströme in eigener Hand – sofern auch die angebundenen Modelle in der EU verarbeiten. Dies ist eine fachliche Einordnung und keine Rechtsberatung.
LiveKit oder Pipecat – was passt besser?
Beide sind quelloffene Frameworks für Echtzeit-Sprachagenten mit großer Modellfreiheit. Pipecat ist beim Transport offen und denkt stark in flexiblen Verarbeitungsketten; LiveKit bringt Medienserver, Telefonie und Agentenverteilung als selbst betreibbares Gesamtpaket mit. Welche Lösung passt, hängt von Team, Infrastruktur und Anforderungen ab – ein kurzer Vergleich mit dem eigenen Kernszenario schafft Klarheit.
Wie lange dauert die Einführung?
Ein Prototyp ist mit erfahrenem Team in wenigen Wochen machbar, oft zunächst in LiveKit Cloud mit Testdaten. Für einen stabilen Produktivbetrieb mit Telefonie, Werkzeugen, Testsuite, Monitoring und gegebenenfalls eigener Infrastruktur sollten mehrere Monate eingeplant werden. Engpässe liegen meist bei Schnittstellen, Telefonie-Details und Freigaben.
Was verlangt der EU AI Act von einem LiveKit-Agenten?
Die Pflichten hängen nicht von der Infrastruktur, sondern vom Einsatz ab. Für Systeme, die direkt mit Menschen interagieren, gelten Transparenzpflichten: Gesprächspartner müssen erkennen können, dass sie mit einer KI sprechen. Typische Service-Anwendungen sind meist nicht hochriskant, die Einstufung ist aber im Einzelfall zu bewerten.

Voice AI souverän einsetzen

Brauchen Sie eine tragfähige Voice-Agent-Strategie?

Wir prüfen herstellerunabhängig, ob LiveKit zu Ihren Anforderungen passt: Use-Case-Auswahl, Architektur, Betriebsmodell zwischen LiveKit Cloud und Self-Hosting im EU-Rechenzentrum, Telefonie-Anbindung, Modellwahl, Datenschutz mit Blick auf Drittlandtransfer und CLOUD Act sowie Betrieb – pragmatisch auf den Mittelstand zugeschnitten und mit ehrlichem Blick auf Pipecat, Vapi und Fertigplattformen als Alternativen.

Seit 2006 am Markt

Erfahrung aus über 100 Digitalprojekten

DSGVO & Souveränität

Datenschutz von Anfang an mitgedacht

Rückmeldung in 24 h

Schnell, direkt, unverbindlich