Eine KI nimmt den Anruf entgegen, versteht das Anliegen, beantwortet es und legt am Ende einen Termin oder einen Bewerber-Eintrag an. Wir zerlegen die Kette aus Telefonie-Webhook, Speech-to-Text, Sprachmodell und Text-to-Speech und sagen, wo die echten Stolperfallen liegen.
Warum Telefon noch immer zählt
Viele Branchen leben am Telefon: Handwerk, Pflege, Praxen, Personaldienstleister. Wer nicht abnimmt, verliert den Auftrag an den, der abnimmt. Ein verpasster Anruf ist kein neutrales Ereignis, sondern oft ein verlorener Kunde, der beim Nächsten in der Liste anruft und dort bleibt.
Gleichzeitig kann niemand rund um die Uhr ein Telefon besetzen. Abends, am Wochenende, wenn alle Mitarbeiter im Einsatz sind, klingelt es ins Leere. Genau hier setzt eine KI-Anrufannahme an. Sie nimmt jeden Anruf entgegen, auch nachts, auch wenn alle gerade beschäftigt sind, und sorgt dafür, dass das Anliegen nicht verloren geht.
Das Ziel ist nicht, Menschen zu ersetzen, sondern den Anruf zu strukturieren, der sonst verloren ginge. Die KI nimmt das Anliegen auf, beantwortet Standardfragen, prüft Termine und übergibt komplexe Fälle an einen Menschen. Das Ergebnis ist ein sauberer Eintrag im System statt eines verpassten Anrufs und eines verärgerten Anrufers. Gerade bei wiederkehrenden Standardanliegen, etwa Öffnungszeiten, Terminwünsche oder einfache Rückfragen, nimmt das deinem Team spürbar Last ab, ohne dass jemand am Telefon kleben muss.
Der Telefonie-Webhook
Twilio ist die Brücke zwischen dem Telefonnetz und deinem Code. Du hinterlegst eine Nummer, und wenn dort jemand anruft, schickt Twilio einen Webhook an deinen Server. Du antwortest mit Anweisungen, was passieren soll: einen Text vorlesen, zuhören, die Aufnahme weiterleiten, das Gespräch verbinden.
Für einen einfachen Ablauf reichen diese statischen Anweisungen. Für einen echten Dialog brauchst du aber eine bidirektionale Verbindung, über die Audio in beide Richtungen fließt, in der Regel ein Media-Stream über WebSocket. Auf der einen Seite kommt das gesprochene Wort des Anrufers an, auf der anderen schickst du die synthetisierte Antwort zurück.
Dieser Webhook ist das Fundament, alles andere hängt daran. Er entscheidet auch über die Ausfallsicherheit: Fällt dein Server aus, muss Twilio den Anruf sauber auf eine Mailbox oder eine echte Nummer umleiten, statt den Anrufer ins Nichts laufen zu lassen. Diesen Notfallpfad bauen wir von Anfang an mit ein, weil ein toter Anruf schlimmer ist als gar keine KI.
Speech-to-Text
Das gesprochene Wort muss zu Text werden, bevor das Sprachmodell es versteht. Diese Stufe heißt Speech-to-Text oder Transkription. Sie läuft idealerweise im Stream, also Wort für Wort, während der Anrufer noch spricht, nicht erst wenn er fertig ist. Das spart die Zeit, die ein natürliches Gespräch verlangt.
Die größte Stolperfalle hier ist die Erkennung des Sprechendes. Wann hat der Anrufer ausgeredet? Erkennst du das zu früh, fällst du ihm ins Wort. Erkennst du es zu spät, entsteht eine peinliche Pause. Gute Voice-Systeme stecken viel Arbeit in genau diese Frage, oft mit einer kurzen Wartezeit nach der letzten Silbe, die lang genug ist, um Denkpausen zu erlauben, und kurz genug, um nicht träge zu wirken.
Dazu kommen die üblichen Realitäten am Telefon: Dialekt, Nebengeräusche, schlechte Verbindung, Leute, die nuscheln. Eine gute Transkription ist robust gegen all das, eine schlechte produziert Kauderwelsch, mit dem auch das beste Sprachmodell nichts anfangen kann.
Ein praktischer Hebel ist, der Transkription ein wenig Kontext mitzugeben: typische Fachbegriffe, Produktnamen oder Ortsnamen aus deinem Betrieb. Damit verwechselt sie seltener ähnlich klingende Wörter und trifft genau die Begriffe, auf die es bei dir ankommt. Wie wir das lösen, steht unter Voice-AI.
Das Sprachmodell im Gespräch
Der Transkript-Text geht ans Modell, zusammen mit dem bisherigen Gesprächsverlauf und einem System-Prompt, der die Rolle definiert: Wer bist du, was darfst du sagen, was nicht, wann eskalierst du. Das Modell antwortet mit dem nächsten Satz und, wenn nötig, mit einem Tool-Aufruf, etwa um einen Termin zu prüfen.
Für Voice gilt eine eigene Regel: Antworten müssen kurz sein. Ein Modell, das im Chat einen schönen Absatz schreibt, klingt am Telefon unerträglich, weil niemand einem zwanzigsekündigen Monolog zuhören will. Wir weisen das Modell an, in ein, zwei Sätzen zu antworten und konkret nachzufragen, ganz so, wie es ein Mensch am Telefon täte.
Die Tool-Use-Schleife funktioniert genau wie bei einem Text-Agenten, nur dass die Ein- und Ausgabe gesprochen ist. Das Modell kann mitten im Gespräch ein Tool aufrufen, das Ergebnis abwarten und dann weiterreden, ohne dass der Anrufer merkt, dass im Hintergrund eine Datenbank befragt wurde. Dauert die Abfrage einen Moment, hilft ein kurzer Füllsatz wie "einen Augenblick, ich schaue nach", damit keine unangenehme Stille entsteht. Mehr zur Modellseite unter Claude im Stack.
Text-to-Speech und der Eintrag am Ende
Die Antwort des Modells wird über Text-to-Speech zu hörbarer Sprache und geht zurück über den Twilio-Stream an den Anrufer. Auch hier zählt Streaming: Du beginnst zu sprechen, sobald das erste Satzfragment fertig ist, nicht erst wenn der ganze Satz steht. Jede gesparte Zehntelsekunde macht das Gespräch natürlicher.
Die Wahl der Stimme ist mehr als Kosmetik. Eine Stimme, die zu deinem Betrieb passt, ruhig und deutlich, entscheidet darüber, ob Anrufer dranbleiben oder genervt auflegen. Wir testen das mit echten Beispielsätzen aus deinem Alltag, nicht mit Werbedemos, denn ein Satz klingt am Telefon oft anders als im stillen Büro.
Der eigentliche Wert entsteht am Schluss. Hat das Modell alle nötigen Informationen, ruft es ein Tool auf, das den Termin im Kalender oder den Bewerber im ATS anlegt. Aus einem flüchtigen Anruf wird ein strukturierter Datensatz, ohne dass ein Mensch ihn abtippen muss. Welche Zielsysteme wir anbinden, steht unter Integrationen.
Ehrliche Grenzen und wie wir bauen
Voice-AI ist anspruchsvoller als ein Chatbot. Latenz, Hintergrundgeräusche, Dialekte und Leute, die mitten im Satz das Thema wechseln, all das macht die Sache schwer. Wir versprechen keine perfekte Maschine, die jeden Anruf meistert. Wir bauen ein System, das die häufigen Fälle sauber abwickelt und den Rest ehrlich an einen Menschen übergibt.
Die Eskalation ist dabei kein Notnagel, sondern Teil des Designs. Lieber ein sauberer Rückruf mit allen wichtigen Daten als ein Bot, der sich verrennt und den Anrufer im Kreis dreht. Wir definieren vorab klare Grenzen, ab denen die KI nicht mehr selbst antwortet, sondern weiterleitet.
Wir starten meist mit einem eng umrissenen Anwendungsfall, etwa der reinen Terminannahme, und erweitern erst, wenn dieser im Alltag sauber läuft. So siehst du früh echte Ergebnisse, statt monatelang auf ein großes System zu warten, das alles können soll. Wir bauen Voice-AI zum Festpreis als Modul, der Code gehört dir, und du bist an keinen Anbieter gebunden. Du behältst die Telefonnummer, die Konfiguration und die Logs. Schau dir die Preise an oder buch ein Gespräch über Kontakt.