Sprachgesteuerte Assistenten waren lange ein Thema für Konzerne mit eigenem Forschungsbudget. Das ändert sich gerade an der Preisseite: Google Deepmind hat mit Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking zwei Audio-Modelle für Entwicklerinnen und Entwickler vorgestellt. Die Variante mit Extended Thinking führt laut der Analysefirma Artificial Analysis das Speech-to-Speech-Leaderboard an — also die Rangliste jener Modelle, die gesprochene Eingaben direkt in gesprochene Antworten übersetzen, ohne den Umweg über einen separaten Text-Zwischenschritt.

Preislich nennt Google 1,38 Dollar pro Stunde Sprachkonversation. Rechnerisch sind das gut zwei Cent pro Gesprächsminute. Damit liegt das Angebot deutlich unter GPT-Live-1 von OpenAI. Dessen Stärke liegt an anderer Stelle: Full-Duplex-Betrieb, bei dem Modell und Mensch gleichzeitig sprechen und einander unterbrechen können, dürfte natürlichere Gespräche ermöglichen.

Warum der Preis die Diskussion verändert

Ein Telefonat mit einem Support-Anliegen dauert selten mehr als ein paar Minuten. Bei Kosten im niedrigen Cent-Bereich pro Minute verschiebt sich die Frage weg von „Können wir uns das leisten?“ hin zu „Wo bringt es tatsächlich etwas?“. Das ist ein anderer Projekttyp: Nicht mehr ein Leuchtturmvorhaben mit eigenem Businesscase, sondern ein Baustein, der sich in bestehende Prozesse einfügen lässt — Terminvereinbarung, Statusauskunft zu einer Bestellung, Vorqualifizierung von Anfragen außerhalb der Bürozeiten.

Wichtig bleibt die Unterscheidung zwischen Modellkosten und Gesamtkosten. Die Gesprächsminute ist nur ein Posten. Dazu kommen Telefonie-Anbindung, Hosting, Monitoring, das Pflegen der Wissensbasis und — meist unterschätzt — der Aufwand für Tests und Nachjustierung. Ein günstiges Modell macht ein Projekt nicht automatisch günstig, es senkt aber die Schwelle, überhaupt zu beginnen.

Latenz ist das eigentliche Qualitätsmerkmal

In Textchats verzeiht man eine Sekunde Verzögerung. Am Telefon nicht. Menschen interpretieren Pausen als Unsicherheit, Desinteresse oder als Signal, selbst weiterzusprechen. Speech-to-Speech-Architekturen setzen genau hier an: Wer Sprache erst in Text umwandelt, diesen durch ein Sprachmodell schickt und das Ergebnis anschließend wieder vertont, sammelt an jeder Station Verzögerung ein. Der direkte Weg von Audio zu Audio spart diese Etappen.

Die Full-Duplex-Fähigkeit gehört in dieselbe Kategorie. Ein Gespräch, in dem man den Gegenüber nicht unterbrechen kann, wirkt wie ein Sprachmenü mit besserer Stimme. Wer mit Sprach-Agenten plant, sollte Modelle deshalb nicht nur nach Benchmark-Position auswählen, sondern im eigenen Anwendungsfall testen: mit realen Hintergrundgeräuschen, mit Dialekt, mit Menschen, die mitten im Satz ihre Meinung ändern.

Gesprächsführung ist Konzeptarbeit, keine Modellfrage

Ein gutes Modell führt kein gutes Gespräch. Es liefert nur die Sprachfähigkeit. Was gesagt wird, wann nachgefragt wird und wann an einen Menschen übergeben wird, ist Konzeptarbeit. Dabei haben sich einige Punkte als tragfähig erwiesen:

  • Klarer Zuständigkeitsbereich: Ein Agent, der nur Termine bucht, das aber verlässlich, ist wertvoller als einer, der alles halb kann.
  • Definierte Ausstiege: Es braucht Regeln, wann das Gespräch an Mitarbeitende übergeben wird — bei Beschwerden, bei wiederholtem Missverstehen, auf Wunsch der anrufenden Person.
  • Bestätigungsschritte bei verbindlichen Aktionen: Bevor ein Termin fix gebucht oder eine Bestellung geändert wird, sollte der Agent zusammenfassen und rückfragen.
  • Transparenz: Anrufende sollten wissen, dass sie mit einem System sprechen. Das ist nicht nur eine rechtliche, sondern auch eine Erwartungsfrage.

Integration in bestehende Web- und CMS-Systeme

Der technisch spannendste Teil liegt selten beim Sprachmodell, sondern an den Schnittstellen. Ein Sprach-Agent ist nur so gut wie die Daten, auf die er zugreifen darf. Für Auskünfte zu Öffnungszeiten, Produkten oder Leistungen ist das oft der bestehende Content im CMS — bei TYPO3 etwa strukturiert über Seiten, Inhaltselemente und eigene Datensätze.

Daraus ergibt sich eine Anforderung, die viele Projekte ohnehin verbessert: Inhalte müssen maschinell abrufbar und eindeutig sein. Wo Öffnungszeiten in drei Varianten auf drei Seiten stehen, wird ein Agent zuverlässig die falsche finden. Eine saubere Quelle der Wahrheit, sinnvoll modellierte Datensätze und eine API, die den Redaktionsstand widerspiegelt, sind die eigentliche Vorarbeit.

Für Aktionen — Termin anlegen, Bestellstatus abfragen, Rückruf notieren — braucht es definierte Funktionsaufrufe gegen die Fachsysteme, mit Berechtigungsprüfung und Protokollierung. Und es braucht eine Antwort auf die Frage, was passiert, wenn das Zielsystem gerade nicht erreichbar ist. Ein Agent, der in diesem Fall höflich einen Rückruf zusagt, ist besser als einer, der eine Buchung erfindet.

Datenschutz und Protokollierung

Sprachdaten sind personenbezogen, oft deutlich sensibler als Formulareingaben. Vor dem Start gehören drei Fragen geklärt: Wo werden Audiodaten verarbeitet, wie lange werden Mitschnitte und Transkripte aufbewahrt, und wer im Unternehmen darf sie einsehen. Für die Qualitätssicherung braucht man Gesprächsprotokolle — für den Datenschutz braucht man Löschfristen. Beides lässt sich vereinbaren, aber nicht nachträglich improvisieren.

Ein realistischer Einstieg

Sinnvoll ist ein eng geschnittener Pilot: ein Anwendungsfall, eine Zielgruppe, ein messbares Kriterium. Etwa die Terminvereinbarung außerhalb der Servicezeiten, gemessen an der Zahl erfolgreich abgeschlossener Buchungen und der Übergabequote an Mitarbeitende. Aus diesen Zahlen lässt sich seriös ableiten, ob eine Ausweitung lohnt — und welche Gesprächssituationen das Modell noch nicht beherrscht.

Für Web- und Softwareprojekte bedeutet die Entwicklung vor allem eines: Sprache wird zu einem weiteren Kanal auf denselben Inhalten und Fachdaten, nicht zu einem separaten Produkt. Wer seine Inhalte im CMS sauber strukturiert und seine Fachsysteme über belastbare Schnittstellen zugänglich macht, kann Sprach-Agenten später ohne Umbau ergänzen. Und weil sich Modelle und Preise erkennbar schnell bewegen, sollte die Anbindung austauschbar bleiben — die Investition steckt in Datenqualität und Gesprächskonzept, nicht im Modell des jeweiligen Quartals.

Quellen