Sprachaktivitätserkennung: Wann der Anrufer fertig ist
Wie VAD am Telefon Sprache von Stille trennt, warum das Timing scheitert und wie Sie die Stillezeit einstellen, damit der Agent weder unterbricht noch zögert.
Wenn zwei Menschen telefonieren, denken sie selten darüber nach, wer als Nächstes spricht. Ein Voice Agent muss es berechnen. Der erste Schritt ist eine überraschend einfache Frage, die viele Male pro Sekunde gestellt wird: Spricht gerade jemand? Die Komponente, die sie beantwortet, heißt Sprachaktivitätserkennung, kurz VAD.

Dieser Leitfaden erklärt, was VAD tut, warum sie auf einer Telefonleitung schwieriger ist als in einem ruhigen Raum, was die Einstellungen bedeuten und wie Sie sie abstimmen. Das Gesamtbild, wie ein Voice Agent funktioniert, beschreibt So funktioniert Voice AI im Telefongespräch.
Was Sprachaktivitätserkennung tut
VAD betrachtet einen Audiostrom in sehr kurzen Abschnitten und kennzeichnet jeden als Sprache oder Nicht-Sprache. Einfache Varianten messen nur die Lautstärke. Bessere sind trainierte Modelle, die das Muster menschlicher Sprache erkennen und Tastaturklicks, einen vorbeifahrenden Lkw oder einen Fernseher im Hintergrund ignorieren.
Die Kennzeichnungen fließen in drei Entscheidungen eines Voice Agents ein:
- Sprechbeginn: Der Anrufer hat zu sprechen begonnen; der Agent sollte zuhören und, falls er gerade spricht, erwägen aufzuhören.
- Sprechende: Der Anrufer ist lange genug still, dass sein Redebeitrag wahrscheinlich beendet ist; der Agent kann antworten.
- Nichts zu transkribieren: Ist das Audiosignal nur Geräusch, muss die Spracherkennung keine Wörter raten.
Weil alles nach der VAD von ihr abhängt, lässt eine schlechte VAD einen guten Agenten schlecht aussehen. Eine Antwort, die kommt, während der Anrufer noch spricht, ist selten ein Sprachproblem, sondern meist ein Timingproblem.
Warum Telefonanrufe es schwieriger machen
Eine Telefonleitung ist ein schmaler, komprimierter Kanal, der oft Anrufende auf der Straße, im Auto oder im Geschäft überträgt. Diese Kombination verwischt die Grenze zwischen Sprache und Geräusch. Warum Telefonaudio für die Spracherkennung schwierig ist betrachtet das Audiosignal selbst; hier geht es um die Auswirkungen auf die VAD.
Was einen Detektor verwirrt
- HintergrundgeräuscheVerkehr, Wind und Café-Gemurmel können für Sprache gehalten werden und den Redebeitrag offen halten.
- Leise SprechendeEine leise Stimme kann als Stille eingestuft werden, sodass der Agent dem Anrufer ins Wort fällt.
- Pausen mitten im SatzMenschen halten inne, um nachzudenken, einen Namen zu buchstabieren oder eine Nummer in der Tasche zu suchen.
- Echo und RückhörenDie eigene Stimme des Agenten, die zurückkommt, kann wie Sprache des Anrufers wirken.
- Atemzüge und FüllwörterLaute wie „hm“ oder ein Seufzer können als Redebeitrag zählen oder nicht.
Der Zielkonflikt bei der Stilleschwelle
Die wichtigste Einstellung ist, wie lange Stille dauern muss, bevor das System entscheidet, dass der Anrufer fertig ist. Nennen wir sie Stilleschwelle. Es ist ein Zielkonflikt ohne perfekten Wert.
Kurze oder lange Stilleschwelle
| Kurze Wartezeit | Lange Wartezeit | |
|---|---|---|
| Wirkung des Gesprächs | Schnell und lebendig | Langsamer, bedächtiger |
| Risiko | Fällt ins Wort, während der Anrufer nachdenkt oder eine Nummer vorliest | Funkstille nach jeder Antwort; Anrufende wiederholen sich |
| Passend für | Kurze Ja-Nein-Wechsel | Namen, Adressen, Kontodaten, ältere oder zögernde Anrufende |
Denken Sie an den Inhalt des Gesprächs. Stellen Sie vor allem Ja-Nein-Fragen, funktioniert eine kurze Wartezeit. Müssen Anrufende eine E-Mail-Adresse oder Referenznummer nennen, verhindert eine längere Wartezeit, dass der Agent in einer Pause zwischen Ziffern dazwischengeht.
Unterschiedliche Geschwindigkeiten für unterschiedliche Fragen
Manche Systeme erlauben es, die Geduld je Frage zu variieren. Seien Sie schnell, wenn Sie fragen, ob der Anrufer einen Rückruf möchte, und geduldig, wenn Sie nach einer Postleitzahl fragen. Unterstützt Ihre Plattform das nicht, wählen Sie die Einstellung, die zu Ihrer schwierigsten Frage passt, denn ein abgeschnittener Anrufer ärgert sich mehr als über eine kurze Pause.
VAD-Einstellungen in Call abstimmen
In Call hat jeder KI-Agent einen Bereich Transkription, in dem Sie die Sprache wählen, auf die er hört, oder ihn die Sprache automatisch erkennen lassen. Zwei Schieberegler bestimmen, wie er entscheidet, dass der Anrufer fertig ist. Die Stilleschwelle ist die Anzahl an Sekunden Stille, bevor der Redebeitrag des Anrufers endet, einstellbar zwischen 0 und 1,5 Sekunden; niedriger bedeutet schnelleren Sprecherwechsel, höher erlaubt längere Pausen. Der Regler Geräuschempfindlichkeit macht den Agenten mehr oder weniger empfindlich für Hintergrundgeräusche. Ein Hinweisbanner auf dieser Seite zeigt, welche dieser Einstellungen Live-Anrufe derzeit nutzen – prüfen Sie es, bevor Sie Zeit in Anpassungen investieren.
Ein einfacher Abstimmungskreislauf
- Mit den Standardwerten beginnenFühren Sie eine Reihe von Testanrufen als Ausgangswert durch, bevor Sie etwas ändern.
- Die schwierigen Fälle testenRufen Sie von einem lauten Ort an, sprechen Sie langsam, pausieren Sie mitten in einer Nummer, sprechen Sie leise.
- Eine Einstellung ändernPassen Sie entweder die Stille oder die Geräuschempfindlichkeit an, nicht beides gleichzeitig.
- Erneut testen und vergleichenVerwenden Sie dasselbe Skript, damit Unterschiede auf die Einstellung zurückgehen.
- Echte Anrufe prüfenLesen Sie Transkripte auf abgeschnittene Anrufende oder lange Lücken und passen Sie erneut an.
Nehmen Sie einen fiktiven Anrufer, der eine Buchungsreferenz nennt. Er sagt die ersten vier Zeichen, schaut in seine Bestätigungs-E-Mail und fährt nach zwei Sekunden fort. Bei kurzer Wartezeit hat der Agent schon geantwortet, der Anrufer beginnt von vorn, und beide reden durcheinander. Bei längerer Wartezeit nennt derselbe Anrufer die Referenz in einem Zug. Stellen Sie sich nun einen Anrufer vor, der nur Ja sagen muss. Die längere Wartezeit kostet ihn bei jedem Wechsel eine Sekunde Stille. Die richtige Einstellung hängt davon ab, welche dieser Anrufe Sie am häufigsten erwarten.
Anrufe vom Handy bringen eine weitere Besonderheit. Telefone mit aggressiver Geräuschunterdrückung schneiden manchmal die erste Silbe eines Satzes ab, sodass der Sprechbeginn verspätet erkannt wird. Scheinen Anrufende oft zu sprechen zu beginnen und ignoriert zu werden, probieren Sie die empfindlichere Geräuscheinstellung und testen Sie erneut mit einem Mobiltelefon.
Die Symptome deuten
Oft erkennen Sie beim Anhören von Anrufen, in welche Richtung eine Einstellung falsch ist.
| Was Sie hören | Wahrscheinliche Ursache | Was Sie ausprobieren sollten |
|---|---|---|
| Der Agent redet dem Anrufer dazwischen | Stillezeit zu kurz oder leise Sprache überhört | Stilleschwelle erhöhen, Geräuschempfindlichkeit erhöhen |
| Lange Pausen vor jeder Antwort | Stillezeit zu lang | Schwelle etwas senken |
| Der Agent reagiert auf gar nichts | Geräusch wird als Sprache gewertet, sodass der Redebeitrag nie endet | Geräuschempfindlichkeit verringern |
| Der Agent ignoriert einen leise sprechenden Anrufer | Sprache wird als Geräusch gewertet | Geräuschempfindlichkeit erhöhen |
| Antworten wirken trotz kurzer Wartezeit langsam | Verzögerung an anderer Stelle der Verarbeitungskette | Siehe den Leitfaden zur Latenz |
Verzögerung hat neben der VAD mehrere Quellen. Latenz bei Voice AI: Warum Antworten langsam wirken trennt sie auf, und Barge-in und Unterbrechungen behandelt, was passiert, wenn der Anrufer spricht, während der Agent redet.
Über Stille hinaus: klügere Entscheidungen zum Sprecherwechsel
Stille allein ist ein grobes Signal. Neuere Ansätze berücksichtigen auch, was gesagt wurde: Ein Satz, der mit „und“ oder einer halb ausgesprochenen Nummer endet, bedeutet wahrscheinlich, dass noch etwas kommt, eine vollständige Frage eher nicht. Diese Methoden werden ausführlicher beschrieben in Sprecherwechsel bei Voice Agents. Unabhängig von der Technik: Behandeln Sie Herstellerversprechen als Hypothesen und prüfen Sie sie mit Ihren eigenen Anrufen.
Vor dem Livegang bestätigen
- Der Agent unterbricht nicht, wenn Anrufende Nummern vorlesen
- Eine Pause von ein oder zwei Sekunden wird nicht als Ende des Redebeitrags gewertet
- Ein Anrufer auf einer lauten Straße wird trotzdem verstanden
- Die eigene Stimme des Agenten löst den Detektor nicht aus
- Sie haben Anrufe von Mobiltelefonen angehört, nicht nur von Tischtelefonen
- Sie wissen, wo Sie die Einstellungen ändern, falls echte Anrufe ein Problem zeigen
Nächste Schritte in Call
Öffnen Sie die Stimmeinstellungen des Agenten, prüfen Sie den Bereich Transkription und führen Sie einen Testanruf durch, der über die Leitung Ihr eigenes Telefon klingeln lässt. Öffnen Sie den Anruf dann im Anrufverlauf, wo eine Führungskraft sehen kann, wie lange jeder gesprochene Beitrag gedauert hat, und vergleichen Sie das mit Ihrem Eindruck vom Gespräch. Kleine Änderungen der Stilleschwelle lassen sich im direkten Hörvergleich leichter beurteilen als aus dem Gedächtnis.
Häufig gestellte Fragen
Wofür steht VAD?
Für Voice Activity Detection, auf Deutsch Sprachaktivitätserkennung. Sie ist der Teil eines Sprachsystems, der Sprache von Stille und Hintergrundgeräuschen unterscheidet.
Ist VAD dasselbe wie Spracherkennung?
Nein. VAD entscheidet nur, ob jemand spricht. Die Spracherkennung wandelt die Sprache in Text um. Beide arbeiten zusammen, und die VAD entscheidet zudem, wann das Zuhören endet und die Antwort beginnt.
Warum unterbricht mich der Agent manchmal?
Die Stillezeit ist für Ihre Sprechweise wahrscheinlich zu kurz, oder eine Pause wurde als Ende Ihres Redebeitrags gewertet. Eine höhere Stilleschwelle hilft meist.
Warum gibt es eine lange Pause, bevor der Agent antwortet?
Die Wartezeit auf Stille ist vielleicht lang, oder die Verzögerung liegt an anderer Stelle, etwa beim Erzeugen der Antwort. Prüfen Sie zuerst die Einstellungen und sehen Sie sich dann die Antwortzeiten im Anrufverlauf an.
Beeinflussen Hintergrundgeräusche das Ergebnis?
Ja. Geräusche können für Sprache gehalten werden und den Redebeitrag offen halten, und leise Sprache kann für Geräusch gehalten werden. Einstellungen zur Geräuschempfindlichkeit und Testanrufe von realistischen Orten helfen, die Balance zu finden.
Kann eine Einstellung für alle Anrufenden passen?
Selten. Wählen Sie einen Wert, der zu Ihren anspruchsvollsten Fragen passt, und prüfen Sie echte Anrufe, denn geduldige und schnelle Anrufende verhalten sich unterschiedlich.