Das Latenzbudget eines Voice-AI-Anrufs
Anrufer bemerken Stille lange bevor sie schlechte Grammatik bemerken. Wohin die Millisekunden in einem Voice-AI-Gesprächsschritt gehen – und wie Sie sie zurückgewinnen.
In einem natürlichen Gespräch liegen zwischen zwei Redebeiträgen nur wenige hundert Millisekunden. Deutlich mehr, und Anrufer fallen Ihrem Agenten ins Wort – oder legen auf. Jeder Voice-AI-Anruf ist ein Wettlauf gegen dieses Budget.
Wohin die Zeit geht
Der Anrufer hört auf zu sprechen. Die Spracherkennung muss entscheiden, dass er fertig ist, das Modell muss mit der Antwort beginnen, Text-to-Speech muss das erste Audio erzeugen, und das Audio muss den Anrufer erreichen. Jeder Schritt kostet Zeit; das Netzwerk sogar doppelt.
Alles streamen
Streaming-Erkennung, gestreamte Modellausgabe und Sprachausgabe Satz für Satz bedeuten: Der Anrufer hört die ersten Worte, während der Rest noch generiert wird.
Barge-in behandeln
Wenn der Anrufer unterbricht, verwerfen Sie das eingereihte Audio sofort. Im dialpress SDK ist das ein einziger Aufruf: media.clear().
Den Pfad verkürzen
Halten Sie Gateway, Speech-Engine und Agent nah beieinander. Infrastruktur, die den gesamten Media-Pfad besitzt, kann Hops entfernen, die ein reines Modellprodukt nicht entfernen kann.
Praxisnotizen
Weiterlesen
Einen KI-Sprachbot bauen wie eine Express-App
Das dialpress Node SDK macht aus SIP Routen und Handler. Hier sind eine Telefonanlage und ein KI-Sprachbot, die sich ein Gateway teilen – und Anrufe untereinander übergeben.
SIP vs. WebRTC für KI-Sprachagenten
SIP erreicht jede Telefonnummer der Welt, WebRTC jeden Browser. Ein produktiver Sprachagent braucht beides – so passen sie zusammen.
Sprachagenten mit MCP Tools geben
Ihr Buchungssystem, Ihr CRM, Ihre Bestellabfrage – jede API kann zum Tool eines Sprachagenten werden, ohne eine Zeile Agenten-Code zu schreiben.
