Sprachgestützte KI-Agenten

Was die Leistung Sprachagenten umfasst

Wir entwerfen und bauen einen sprachgestützten KI-Agenten, der die Datenbank selbst durchtelefoniert und eingehende Anrufe nach Ihrem Szenario entgegennimmt. Zur Arbeit gehören das Schreiben von Dialogszenarien und der Verzweigungslogik, die Auswahl und Einrichtung der Engines für Spracherkennung und Sprachsynthese, die Anbindung an die Telefonie über SIP und die Integration mit Ihrem CRM oder Ihrer Kontaktbasis. Die Kommunikationshardware selbst, die Telefonleitungen und die Server bleiben Ihre oder die des Anbieters, wir schreiben den Softwareteil, richten ihn auf Ihre Nummern und Kanäle ein und bringen ihn in den produktiven Zustand. Gesondert arbeiten wir die Behandlung von Ausfällen aus: was der Agent bei Nichterreichen, bei der Weiterleitung an einen Mitarbeiter oder bei einer nicht erkannten Antwort sagt. Am Ende erhalten Sie einen eingerichteten Sprachkreislauf mit Gesprächslogs und Erreichbarkeits-Kennzahlen und nicht eine abstrakte Demo.

Wie der Agent hört und spricht

Im Kern ist ein Sprachagent ein Verbund aus vier Blöcken, die in Echtzeit arbeiten. Der eingehende Ton von der Leitung geht in das Spracherkennungs-Modul (STT), das die Worte des Gegenübers in Text verwandelt, danach entscheidet das Sprachmodell (LLM) nach dem Szenario, was zu antworten ist, und die Sprachsynthese (TTS) gibt die Antwort wieder in die Leitung zurück. Das alles läuft über die SIP-Telefonie, die die Verbindung selbst hält und den Audiostrom zwischen Teilnehmer und System überträgt. Entscheidend ist die Latenz für den gesamten Zyklus: Kommt die Antwort später als eineinhalb Sekunden, fühlt sich das Gespräch wie ein Gespräch mit einem Roboter an, deshalb werden die Blöcke auf eine minimale Antwortzeit ausgewählt und eingestellt. Wir bauen diese Kette auf der Infrastruktur des Kunden oder des Anbieters und kalibrieren jede Schnittstelle, statt einfach fertige Dienste aufs Geratewohl zu verbinden.

Woraus die Sprachtechnologie erwachsen ist

Die maschinelle Sprachsynthese rechnet man ab dem Voder, einem Gerät, das Homer Dudley und sein Team in den Bell Labs auf der Weltausstellung 1939 zeigten; es ging aus Dudleys Arbeiten am Vocoder hervor, die seit 1926 liefen. Die Erkennung kam später: 1952 bauten dieselben Bell Labs das System Audrey, das gesprochene Ziffern anhand der Formanten unterschied, und 1962 zeigte IBM Shoebox, das 16 Wörter verstand. In den 1970er Jahren führte ein DARPA-Programm (1971-1976) zum System HARPY der Carnegie Mellon University, das 1976 dank eines Strahlsuche-Algorithmus bereits etwa tausend Wörter erkannte. Diese frühen Maschinen arbeiteten mit einem winzigen Wortschatz, bewiesen aber, dass ein Computer prinzipiell sowohl hören als auch sprechen kann. Der moderne sprachgestützte KI-Agent ist die direkte Fortsetzung dieser Linie, nur Wortschatz und Qualität sind um Größenordnungen gewachsen.

Warum Software und Einstellung entscheiden

Die Hardware für den Anruf ist für alle gleich zugänglich, und den Unterschied im Ergebnis macht genau der Softwareteil: das Szenario, die Genauigkeit der Erkennung und die Qualität der Stimme. Wenn STT "ja" und "nein" verwechselt oder Zahlen verliert, lenkt der Agent das Gespräch in die falsche Richtung, und keine Telefonie behebt das, der Fehler entsteht in der Software und in deren Anpassung an Ihren Wortschatz, an Akzente und an das Rauschen auf der Leitung. Auch die Synthese ist nicht neutral: Unnatürliche oder abgehackte Sprache bringt Menschen dazu, in den ersten Sekunden aufzulegen, deshalb wird die Stimme passend zur Aufgabe ausgewählt und feinjustiert und nicht standardmäßig gesetzt. Das Szenario muss die realen Gesprächszweige abdecken, einschließlich Unterbrechungen, Pausen und nicht standardmäßiger Antworten, sonst bricht der Agent schon beim ersten lebendigen Dialog ab. Wir behandeln das als technische Aufgabe: Wir messen den Anteil korrekter Erkennungen und die Durchwahlquote und vertrauen nicht einer Vorführung mit einer sauberen Studiostimme.

Mit welchen Werkzeugen wir arbeiten

Der Stack eines Sprachagenten baut auf vier Komponenten auf, und jede wählen wir passend zu Sprache, Budget und Last des Kunden. STT ist für die Umwandlung von Sprache in Text zuständig und wird auf die benötigten Sprachen, Fachbegriffe und die Telefonqualität des Tons eingestellt. TTS synthetisiert die Antwort mit einer Stimme, die passend zur Zielgruppe ausgewählt und auf Natürlichkeit und Verständlichkeit in der Leitung geprüft wird. Die SIP-Telefonie verbindet den Agenten mit echten Nummern und Betreibern, ermöglicht die Annahme und das Auslösen von Anrufen und koppelt sich an Ihre Telefonanlage oder Ihren Anbieter. Das LLM hält die Dialoglogik über dem Szenario, es versteht die Absicht des Gegenübers und formuliert Antworten im Rahmen der vorgegebenen Regeln. Die konkreten Engines in jedem Block sind austauschbar, und wir wählen die Kombination nach Latenz, Preis pro Minute und Genauigkeit an Ihrem Material, und die Infrastruktur richten wir auf der Seite des Kunden ein.

Wann die wichtigsten Standards entstanden sind

Das erste vollwertige System zur Sprachsynthese aus Text für das Englische baute das Team von Noriko Umeda im japanischen Electrotechnical Laboratory 1968. Den kommerziellen Umbruch brachte DECtalk der Digital Equipment Corporation 1984, mit dessen unverwechselbarer Stimme Stephen Hawking viele Jahre lang sprach. Die neuronale Ära der Synthese begann 2016 mit WaveNet von DeepMind, das erstmals die Schallwelle direkt erzeugte und die Messlatte für die Natürlichkeit der heutigen Stimmen setzte; die Erkennung wechselte früher zu neuronalen Netzen und stützte sich unter anderem auf das LSTM von Hochreiter und Schmidhuber aus dem Jahr 1997. Die telefonische Grundlage legte das Protokoll SIP: Die erste Version erschien als RFC 2543 im Jahr 1999, und die geltende Fassung RFC 3261 im Juni 2002. Auf diesen tragenden Daten beruht die gesamte moderne Sprachtelefonie mit künstlicher Intelligenz.

Warum Sie das uns anvertrauen können

Die gesammelte Erfahrung unseres Entwicklungsteams in der IT übersteigt 45 Jahre, und den Sprachkreislauf bauen wir als Ingenieure und nicht als Verkäufer fertiger Schachteln. Wir stellen keine Hardware her und sagen das ehrlich: Ihre Leitungen und Anlagen bleiben Ihre, unser Verantwortungsbereich sind Szenario, Erkennung, Synthese, SIP-Integration und die Anpassung an Ihre realen Anrufe. Vor dem produktiven Start durchläuft das System eine Prüfung an lebendigen Dialogen: Wir messen die Erkennungsgenauigkeit, die Durchwahlquote und das Verhalten des Agenten bei nicht standardmäßigen Antworten und korrigieren, bevor er den ersten Kunden anwählt. Logs und Kennzahlen sind offen, sodass sichtbar ist, wo der Agent funktioniert und wo das Szenario nachgearbeitet werden muss. Ein solcher Ansatz nimmt das Hauptrisiko eines sprachgestützten KI-Agenten, den Blindstart, der die Conversion und die Reputation schon bei den ersten Hunderten von Anrufen einbrechen lässt.