Wie ein Voicebot wirklich funktioniert – einfach erklärt für Nicht-Techniker
Hinter jedem Voicebot stecken drei Technologien. Wer versteht wie sie zusammenarbeiten, kann besser entscheiden – und bewertet Anbieter realistisch.
„Das klingt ja fast wie ein Mensch" – dieser Satz fällt häufig, wenn jemand zum ersten Mal mit einem modernen KI-Telefonassistenten spricht. Dahinter steckt keine Magie, sondern drei Technologien, die in Millisekunden zusammenarbeiten.
Wer versteht, wie das funktioniert, kann Anbieter besser bewerten – und weiß, was er erwarten darf und was nicht.
Die drei Bausteine
1. Spracherkennung (Speech-to-Text, STT)
Wenn ein Anrufer spricht, wird seine Stimme in Echtzeit in Text umgewandelt. Das klingt simpel – ist es aber nicht. Gute Spracherkennungssysteme müssen mit Dialekten umgehen, Hintergrundgeräuschen trotzen und auch dann funktionieren, wenn jemand schnell spricht oder undeutlich formuliert.
Hier liegt einer der größten Qualitätsunterschiede zwischen Anbietern. Günstige Systeme scheitern bei Dialekt oder schlechter Verbindungsqualität. Professionelle Systeme – wie die, die ich für meine Kunden nutze – erreichen auch bei rheinhessischem Dialekt eine Erkennungsrate von über 95 %.
2. Sprachmodell (Large Language Model, LLM)
Der umgewandelte Text landet in einem KI-Sprachmodell – dem eigentlichen „Gehirn" des Voicebots. Hier entscheidet sich, ob die Antwort intelligent klingt oder wie ein Skript.
Das Modell versteht den Kontext. Wenn jemand sagt „ich ruf wegen dem Angebot von letzter Woche an", weiß es, dass es kein neues Angebot erklären, sondern nachfragen soll. Es kann Absichten erkennen, kategorisieren und passend reagieren.
Wichtig: Das Modell kann nur so gut antworten, wie es konfiguriert wurde. Ein schlecht konfigurierter Voicebot wirkt roboterhaft – nicht weil die KI schlecht ist, sondern weil die Einrichtung nachlässig war. Das ist einer der Hauptgründe, warum ich bei jedem Kunden die Konfiguration individuell aufbaue.
3. Sprachausgabe (Text-to-Speech, TTS)
Die Antwort des Modells wird wieder in gesprochene Sprache umgewandelt. Hier hat sich in den letzten zwei Jahren das meiste getan. Moderne TTS-Systeme sind für viele Anrufer nicht mehr von einer menschlichen Stimme zu unterscheiden.
Die Wahl der Stimme, das Sprechtempo, natürliche Pausen – all das ist konfigurierbar. Für Handwerksbetriebe empfehle ich in der Regel eine ruhige, kompetente Stimme ohne regionale Färbung.
Der Ablauf in der Praxis
Anrufer spricht → STT wandelt in Text um (< 500ms)
→ LLM versteht und formuliert Antwort (< 800ms)
→ TTS wandelt in Sprache um (< 300ms)
→ Anrufer hört Antwort (Gesamtverzögerung: ~1,5 Sekunden)
1,5 Sekunden klingt wenig – ist in einem Telefongespräch aber spürbar. Die besten Systeme liegen inzwischen unter einer Sekunde. Bei den günstigeren Anbietern kann es 2 bis 3 Sekunden werden – das nervt.
Was das für die Auswahl eines Anbieters bedeutet
Wenn Sie Anbieter vergleichen, fragen Sie gezielt:
- Welche Spracherkennung wird eingesetzt — und wie gut kommt sie mit Dialekt zurecht?
- Wie hoch ist die Latenz? (Messbare Millisekunden, nicht „schnell")
- Wo werden die Daten verarbeitet? (Deutschland, EU oder USA?)
- Kann der Voicebot auf Branchenspezifika trainiert werden? (Fachbegriffe, Abläufe)
Wenn ein Anbieter diese Fragen nicht klar beantworten kann, ist Vorsicht angebracht.
Ich beantworte diese Fragen für jeden meiner Kunden – und erkläre auch, warum ich für welchen Betrieb welche Technologie empfehle. Das kostenlose Erstgespräch gibt es hier:
Ulli Albrecht ist KI-Berater aus Mettenheim in Rheinhessen, TÜV-zertifiziert (KI-Manager), und berät Handwerker, Arztpraxen und KMU beim Einsatz von KI-Technologie.