Vier Bausteine, ein flüssiges Gespräch

Wenn du mit einem KI-Telefonassistenten sprichst, fühlt es sich nach einem Gespräch an. Im Hintergrund arbeiten dafür vier Bausteine in Sekundenbruchteilen zusammen: Spracherkennung, Sprachverständnis, ein Sprachmodell und Sprachsynthese. Schauen wir uns die Kette einmal der Reihe nach an.

Schritt 1: Vom Gesprochenen zum Text (Speech-to-Text)

Zuerst muss aus deiner Stimme Text werden. Diese Komponente — oft STT oder ASR genannt — wandelt das Audiosignal in maschinenlesbaren Text um. Moderne Systeme erreichen dabei Erkennungsraten von über 95 Prozent, selbst bei Dialekten, Akzenten oder Hintergrundgeräuschen. Das ist wichtig, denn am Telefon ist die Tonqualität oft schlechter als im ruhigen Büro.

Schritt 2: Verstehen, was gemeint ist (NLU)

Text allein reicht nicht. Das System muss begreifen, was du willst. „Ich würde gern was ausmachen für nächste Woche" und „Hätten Sie kommenden Montag was frei?" meinen dasselbe — einen Termin. Diese Bedeutungsebene nennt man Sprachverständnis. Hier wird aus Worten eine Absicht: Termin buchen, Frage stellen, weiterverbinden.

Schritt 3: Die Antwort formulieren (das Sprachmodell)

Jetzt kommt das große Sprachmodell ins Spiel — derselbe Technologie-Typ, der auch hinter Chat-KIs steckt. Es formuliert eine passende Antwort, greift dabei auf das Wissen über deinen Betrieb zurück und entscheidet, was als Nächstes zu tun ist. Bei Vonda läuft dieser Schritt über Azure OpenAI in der EU, was für die Datenverarbeitung in Europa relevant ist.

Das Wissen, aus dem das Modell schöpft, stammt aus drei Quellen: den automatisch ausgelesenen Inhalten deiner Website, hochgeladenen Dokumenten und den FAQs, die du selbst hinterlegst.

Schritt 4: Vom Text zurück zur Stimme (Text-to-Speech)

Zum Schluss wird die Antwort wieder hörbar. Neuronale TTS-Systeme erzeugen heute Stimmen, die in Tonfall, Betonung und Rhythmus kaum von einem Menschen zu unterscheiden sind. Aus „Gerne, ich habe Montag um 14 Uhr frei" wird eine natürlich klingende Sprachausgabe.

Der Punkt, auf den es ankommt: Latenz

Diese vier Schritte müssen blitzschnell hintereinander laufen, sonst entstehen unangenehme Pausen. Gute Systeme schaffen Latenzen unter 300 Millisekunden. Das ist schnell genug, dass du die KI sogar mitten im Satz unterbrechen kannst — und sie reagiert darauf, statt stur weiterzureden. Genau dieses „Barge-in" trennt einen brauchbaren Assistenten von einem frustrierenden Sprachmenü.

Was nach dem Anruf passiert

Mit dem Auflegen ist es nicht vorbei. Der Assistent hält das Gespräch fest, erstellt eine Zusammenfassung und löst Folgeaktionen aus: eine E-Mail an dich, eine SMS an den Anrufer, ein Kalendereintrag über Cal.com. Datenübergaben an andere Systeme passieren bei Vonda als Post-Call-Request — also nach dem Anruf über eine Schnittstelle, nicht als native Live-Integration in jede Software.

Und es gibt eine Lernschleife: Erkennt das System, dass eine bestimmte Frage immer wieder kommt und noch nicht abgedeckt ist, schlägt es vor, sie ins Wissen aufzunehmen. So wird der Assistent über Wochen messbar besser.

Häufige Fragen

Läuft die KI auf meinem Telefon? Nein, in der Cloud. Dein Anschluss wird per Telefonie-Anbindung mit dem Assistenten verbunden — bei Vonda über Telnyx.

Wo werden die Daten verarbeitet? Bei Vonda in Deutschland und der EU; Anrufe werden aufgezeichnet und in Deutschland gespeichert. Ausnahme ist die Zahlungsabwicklung über Stripe in den USA.

Muss ich die Technik verstehen, um sie zu nutzen? Nein. Bei No-Code-Plattformen läuft das Setup automatisch ab — du gibst nur deine Website ein.

Kurz gefasst

Spracherkennung, Verständnis, Sprachmodell und Sprachsynthese greifen in Millisekunden ineinander — schnell genug für ein echtes Gespräch inklusive Unterbrechen. Das Wissen kommt aus deiner Website, Dokumenten und FAQs, und nach dem Anruf folgen Zusammenfassung und Folgeaktionen.

Willst du selbst hören, wie flüssig das klingt?

Assistenten jetzt erstellen — gib einfach deine Website ein, in wenigen Minuten ist dein Test-Assistent startklar.