Sprach-KI-Technologie

Warum Telefonaudio die Spracherkennung erschwert – und was hilft

Warum schmalbandiges, komprimiertes und verrauschtes Telefonaudio die Spracherkennung stört, woran Sie es erkennen und was Sie in Einrichtung und Skript verbessern.

Redaktion von Call · Veröffentlicht · 5 Min. Lesezeit

Ein Sprachassistent, der in einer Demo einwandfrei funktioniert, kann bei einem echten Anruf ins Straucheln geraten. Der Grund liegt selten im Sprachmodell, sondern meist im Audio. Eine Telefonleitung ist ein feindliches Umfeld für Spracherkennung, und wer weiß, warum, kann realistische Erwartungen setzen und die behebbaren Probleme beheben.

Ein Anrufer spricht auf einer belebten Straße in sein Mobiltelefon
Symbolbild

Dieser Leitfaden verfolgt den Klang vom Mund des Anrufers bis zur Spracherkennung und zeigt, wo Qualität verloren geht. Er ergänzt Spracherkennung bei Telefonanrufen und Sprachaktivitätserkennung.

Der Weg des Audios bei einem Telefonanruf

Wo der Klang Schaden nehmen kann

  1. MikrofonEin Telefon oder Headset nimmt die Stimme auf – samt Raum.
  2. Verarbeitung im EndgerätRauschunterdrückung und Pegelregelung formen den Klang um.
  3. NetzAudio wird komprimiert und in Paketen über Mobilfunk- und Internetverbindungen übertragen.
  4. TelefonieplattformDer Anruf wird durchgeschaltet, umgewandelt und manchmal gemischt.
  5. SpracherkennungDas Audio wird in Text umgewandelt, mit der Qualität, die noch übrig ist.

Jede Stufe kann Qualität nur erhalten oder verlieren; keine kann zurückholen, was bereits verloren ist. Deshalb begrenzt ein schlechter erster Abschnitt, etwa eine Freisprecheinrichtung im Auto, alles Weitere.

Schmalband-Audio: die grundlegende Grenze

Klassisches Telefonaudio ist schmalbandig: Es überträgt einen begrenzten Frequenzbereich, weit weniger als ein Studiomikrofon aufnimmt. Die Folge: Hohe Frequenzen, die Laute wie s, f und sch unterscheiden, werden geschwächt. Zwischen s und f oder p und t lässt das Telefon wenig Anhaltspunkte. Menschen helfen sich mit dem Kontext. Software hat weniger Kontext, besonders bei einzelnen Wörtern wie einem buchstabierten Namen.

Manche Anrufe nutzen Breitband-Codecs, die mehr Details übertragen, was hilft. Ob ein Anruf davon profitiert, hängt davon ab, dass jedes Glied der Kette sie unterstützt, und Anrufe zwischen verschiedenen Netzen fallen oft auf das kleinste gemeinsame Format zurück.

Laute, die am meisten leiden

  • Buchstaben in buchstabierten WörternB, D, P, T, S und F verschwimmen, was das Buchstabieren per Sprache unzuverlässig macht.
  • ZiffernZwei und drei oder sechzehn und sechzig lassen sich ohne gutes Audio verwechseln.
  • Weiche KonsonantenLeise Laute am Wortende gehen im Rauschen unter.
  • Kurze WörterWenig Kontext bedeutet mehr Fehler, etwa bei Ja und Nein in lauter Umgebung.

Weitere Ursachen für schlechtes Audio

Kompression und Paketverluste

Um Bandbreite zu sparen, wird Audio komprimiert. Verzögern sich Netzwerkpakete oder gehen verloren, entstehen kurze Lücken oder verzerrte Fetzen. Ein Mensch ergänzt eine fehlende Silbe; eine Spracherkennung liefert womöglich ein falsches Wort oder gar keines.

Hintergrundgeräusche und Verarbeitung

Anrufende telefonieren von der Straße, aus der Küche, aus Fahrzeugen und Geschäften. Die Rauschunterdrückung im Endgerät kann Geräusche entfernen, aber auch den Wortanfang abschneiden oder leise Sprache abflachen. Das Ergebnis kann Sprache sein, die für Menschen sauber klingt, für Software aber schwerer zu verarbeiten ist.

Echo und Freisprechen

Gelangt der Lautsprecher des Anrufers in sein Mikrofon, kann die Stimme des Agenten als Echo zurückkommen, was sowohl die Erkennung als auch die Feststellung, wer spricht, durcheinanderbringen kann. Es hilft, Anrufende zu ermutigen, bei wichtigen Gesprächen den Hörer oder ein Headset zu nutzen.

Unpassende Trainingsdaten

Viele Spracherkenner wurden größtenteils mit saubereren oder breitbandigeren Aufnahmen trainiert. Telefonaudio klingt anders, also sinkt die Genauigkeit. Manche Anbieter haben auf Telefonie abgestimmte Modelle; fragen Sie danach und testen Sie.

Wie es im Transkript aussieht

SymptomMögliche Ursache im Audio
Falsche Buchstaben in buchstabierten NamenSchmalbandige Unschärfe zwischen ähnlich klingenden Buchstaben
Ziffern vertauscht oder ausgelassenPaketverluste, Rauschen oder schnelles Sprechen
Fehlende Wörter am AnfangRauschunterdrückung im Endgerät schneidet den Anfang ab
Seltsame Wörter, die nicht gesagt wurdenEcho oder Gespräche im Hintergrund
Gute Genauigkeit am Tischtelefon, schlechte am HandyRauschen und Kompression im Mobilfunk
Lange Lücken ohne TextStilleerkennung versagt bei leiser Stimme

Sehen Sie sich die Aufnahme an, nicht nur das Transkript. Beim Anhören zeigt sich, ob das Problem im Audio oder in der Erkennung liegt. Hören Sie es deutlich und die Spracherkennung konnte es nicht, ist die Erkennung das schwache Glied; tun Sie sich selbst schwer, verbessern Sie das Audio.

Das Problem messen, bevor Sie es beheben

Es ist verlockend, jeden Fehler der Spracherkennung anzulasten. Verlässlicher ist es, eine Stichprobe problematischer Anrufe nach Ursache zu sortieren. Nehmen Sie zwanzig Anrufe, bei denen der Agent etwas missverstanden hat. Hören Sie sich jede Aufnahme an und entscheiden Sie: War das Audio schlecht, sprach der Anrufer ungewöhnlich schnell oder leise, lag die Erkennung bei klarer Sprache einfach falsch, oder entstand das Missverständnis im Sprachmodell trotz korrektem Text?

Die Verteilung überrascht oft. Ein Unternehmen mit vielen Anrufen vom Handy stellt vielleicht fest, dass die meisten Fehler am Audio liegen; eines mit speziellem Vokabular wie Produktcodes findet die Schwachstelle womöglich in der Erkennung. Jede Ursache hat ein anderes Gegenmittel, und das falsche zu beheben, kostet Wochen.

Achten Sie auch auf Muster nach Uhrzeit und Verbindungsweg. Häufen sich Fehler zu einer bestimmten Stunde, liegt die Ursache vielleicht in einer Netzüberlastung auf Ihrer Seite. Häufen sie sich bei Anrufen aus einer Region oder von einem Netzbetreiber, ist womöglich der Audioweg schuld. Notieren Sie das Muster, bevor Sie eine Einstellung ändern, damit Sie danach erkennen, ob die Änderung gewirkt hat.

Halten Sie die Stichprobe ehrlich, indem Sie auch Anrufe aufnehmen, die gut liefen. Prüfen Sie nur Fehlschläge, können Sie nicht erkennen, ob eine Änderung, die sie behebt, unbemerkt Anrufe verschlechtert, die bisher funktionierten. Ein Vorher-nachher-Vergleich mit derselben gemischten Auswahl ist die einfachste Absicherung.

Was Sie tun können

Das Gespräch für schlechtes Audio gestalten

Die Techniken für Namen und Nummern vertieft Namen, Nummern und Adressen per Sprache richtig erfassen.

Beheben, was Sie in der Hand haben

Audio und Erkennung in Call

In Call hat jeder KI-Agent Transkriptionseinstellungen: die Sprache, auf die er hört (auch automatische Erkennung), eine Stilleschwelle und einen Regler für die Geräuschempfindlichkeit. Für Mitarbeitende, die das Browser-Telefon nutzen, kann ein Live-Transkript beide Seiten eines Anrufs während des Gesprächs mitschreiben, gekennzeichnet als Sie und Gegenüber, und mit dem Anruf speichern. Dafür braucht es die Netzbetreiber-Anbindung und eine öffentliche Adresse; fehlen sie, zeigt das Panel den Grund an. Transkripte werden nur begrenzt aufbewahrt. Nutzen Sie sie zur Diagnose: Ist der Live-Text bei einem bestimmten Anruf schlecht, spielen Sie die Aufnahme ab und entscheiden Sie, ob Audio oder Erkennung schuld ist. Das Telefonieren im Browser selbst erklärt So funktioniert Telefonieren im Browser: WebRTC erklärt.

Häufig gestellte Fragen

Warum ist Telefonaudio schlechter als eine Sprachnachricht auf meinem Smartphone?

Telefonanrufe nutzen schmalbandiges, komprimiertes Audio, das auf Verständlichkeit für Menschen ausgelegt ist, nicht für Software. Eine Sprachnachrichten-App nimmt meist reichhaltigeres Audio direkt auf dem Gerät auf.

Kann Spracherkennung am Telefon jemals perfekt sein?

Nein. Selbst Menschen verhören sich bei schlechten Leitungen. Ziel ist, Fehler zu verringern und das Gespräch so zu gestalten, dass Fehler durch Bestätigung auffallen.

Hilft ein besseres Mikrofon dem KI-Agenten?

Ja, bei Ihren eigenen Mitarbeitenden und bei Anrufenden mit Headset – aber die Geräte der Anrufenden können Sie nicht steuern. Gestalten Sie für das schlechteste realistische Audio.

Warum sind buchstabierte Namen so schwierig?

Viele Buchstaben klingen auf einer schmalbandigen Leitung ähnlich, und ein einzelner Buchstabe hat keinen Kontext, der hilft. Eine andere Möglichkeit, die Angabe zu erfassen, oder das Vorlesen der Buchstaben verringert Fehler.

Sollte ich die Erkennung auf Telefonie abstimmen?

Bietet Ihre Plattform telefonieoptimierte Modelle oder Geräuscheinstellungen, testen Sie sie mit echten Anrufen. Vergleichen Sie die Ergebnisse, denn die richtige Einstellung hängt von Ihren Anrufenden ab.

Wie erkenne ich, ob ein Fehler am Audio oder an der Erkennung liegt?

Hören Sie sich die Aufnahme an. Hört ein Mensch die Wörter deutlich und das Transkript ist falsch, liegt es vermutlich an der Erkennung. Klingt das Audio auch für einen Menschen schlecht, verbessern Sie den Audioweg.

Transkripte und Audio von Anrufen in Call prüfen

In der Demo-Konsole können Sie eingehende Anrufe in einer Simulation ausprobieren.

Verwandte Ratgeber