# Konfiguration im aiStudio

Die Phonebot-Konfiguration erreichen Sie im aiStudio unter Konfiguration > Telefonbot-Konfiguration. Die Einstellungen sind auf drei Tabs aufgeteilt: Sprachausgabe, Spracheingabe und Hintergrundgeräusche.

# Sprachausgabe

Der Tab Sprachausgabe steuert, wie der Bot mit Anrufenden spricht.

# Text-to-Speech

TTS-Provider: Wählen Sie die Text-to-Speech-Engine aus, die für die Generierung der Sprachantworten verwendet wird. Zur Auswahl stehen Kugelaudio, Azure AI Speech und ElevenLabs. Jede Kachel zeigt eine kurze Beschreibung des Anbieters und die Anzahl der verfügbaren Stimmen.

Die Anbieter unterscheiden sich darin, was sich zusätzlich einstellen lässt:

TTS-Provider	Stimmen	Sprechgeschwindigkeit	Ausspracheregeln	Nicht aufgeführte Stimme
Kugelaudio	deutsche Stimmen auf der Infrastruktur von sipgate	0.8 bis 1.2	–	–
Azure AI Speech	ausgewählte neuronale Stimmen	0.5 bis 2	✓	✓
ElevenLabs	sehr realistische Stimmen, teils mehrsprachig	–	–	–

Wenn Sie von Azure AI Speech zu Kugelaudio oder ElevenLabs wechseln, bleiben Ihre Ausspracheregeln gespeichert. Sie werden wieder aktiv, sobald Sie zurück zu Azure AI Speech wechseln. Kugelaudio und ElevenLabs unterstützen kein SSML, auf dem die Ausspracheregeln beruhen.

# Stimme auswählen

Die Stimme wählen Sie aus einem Stimmenkatalog des gewählten TTS-Providers aus. Oben sehen Sie die Ausgewählte Stimme mit Name, Geschlecht und ID.

Suchen und filtern: Suchen Sie nach Name oder Beschreibung einer Stimme und grenzen Sie die Liste über die Filter nach Sprache und Geschlecht ein. Über der Liste steht, wie viele Stimmen Ihren Filtern entsprechen.
Stimmen vergleichen: Jede Stimme zeigt eine kurze Beschreibung, das Geschlecht und die unterstützten Sprachen. Über die Schaltflächen mit dem Sprachkürzel (z. B. DE) spielen Sie eine Hörprobe in der jeweiligen Sprache ab. Die Standardstimme eines Anbieters ist mit Standard markiert.
Stimme übernehmen: Klicken Sie auf eine Stimme, um sie auszuwählen. Die Auswahl wird automatisch gespeichert.

Der Stimmenkatalog wird von sipgate bereitgestellt. Ist er gerade nicht erreichbar, zeigt das aiStudio eine Offline-Kopie an. Das erkennen Sie am Hinweis Quelle: sipgate-Stimmenkatalog (Offline-Kopie) über der Liste.

Nicht aufgeführte Stimme verwenden (nur Azure AI Speech): Der Katalog enthält eine Auswahl der Azure-Stimmen. Azure bietet aber über 400 Stimmen in mehr als 140 Sprachen. Um eine Stimme zu nutzen, die nicht in der Liste steht, klicken Sie auf Eine nicht aufgeführte Stimme verwenden und geben Sie den Namen der Stimme ein, z. B. de-DE-SeraphinaMultilingualNeural. Eine vollständige Liste finden Sie in der Azure-Dokumentation.

# Sprechgeschwindigkeit

Passen Sie die Geschwindigkeit der Sprachausgabe über den Schieberegler an. Der Wert 1× entspricht der Standardgeschwindigkeit. Der mögliche Bereich hängt vom TTS-Provider ab (siehe Tabelle oben). Für ElevenLabs ist die Sprechgeschwindigkeit nicht einstellbar.

# Ausspracheregeln

Ausspracheregeln stehen nur für Azure AI Speech zur Verfügung.

Definieren Sie Ausspracheregeln, die auf jede generierte Sprachantwort angewendet werden. Dies ist nützlich für Produktnamen, Abkürzungen oder Begriffe, die eine andere Sprache als die umgebende Textsprache erfordern.

Die Tabelle zeigt alle vorhandenen Regeln mit Begriff und zugewiesener Sprache. Über die Icons am Ende jeder Zeile können Sie einen Eintrag bearbeiten oder löschen.

Klicken Sie auf + Ausspracheregel hinzufügen, um einen neuen Begriff mit der zugehörigen Aussprachesprache zu hinterlegen.

# Spracheingabe

Der Tab Spracheingabe steuert, wie der Bot die gesprochene Eingabe der Anrufenden versteht.

# Speech-to-Text

Benutzerdefinierte Terminologie: Hinterlegen Sie hier domänenspezifische Begriffe, die die Speech-to-Text-Engine (STT) zuverlässig erkennen soll – z. B. Produktnamen, Fachbegriffe oder Eigennamen.

Geben Sie einen oder mehrere durch Komma getrennte Begriffe in das Eingabefeld ein und klicken Sie auf Hinzufügen. Es können bis zu 100 Einträge mit jeweils bis zu 200 Zeichen hinterlegt werden. Der aktuelle Zähler (z. B. 0 / 100) zeigt an, wie viele Einträge bereits vorhanden sind.

# Hintergrundgeräusche

Im Tab Hintergrundgeräusche legen Sie fest, ob während eines Anrufs eine leise Geräuschkulisse zu hören ist.

Hintergrundgeräusche aktivieren: Ist der Schalter aktiv, läuft während des gesamten Anrufs leise Büroatmosphäre im Hintergrund. Standardmäßig ist die Option ausgeschaltet.

Lautstärke: Sobald die Hintergrundgeräusche aktiv sind, stellen Sie über den Schieberegler ein, wie laut sie zu hören sind. Der Bereich reicht von 5 % bis 100 %, voreingestellt sind 15 %. Wählen Sie die Lautstärke so, dass die Sprachausgabe gut verständlich bleibt.

# Automatisches Gesprächsverhalten

Einige Verhaltensweisen sorgen am Telefon automatisch für einen natürlicheren Gesprächsfluss. Sie müssen dafür nichts konfigurieren.

Überbrückungsansagen: Der Bot überbrückt die Pause mit einer kurzen Ansage. Diese passt zu dem, was im Hintergrund gerade passiert:

bei der Suche nach Informationen, z. B. „Okay, ich schau mal eben nach …“
beim Ausführen einer Aktion über ein Tool, z. B. „Alles klar, ich kümmere mich drum …“
in allen anderen Fällen, z. B. „Okay, einen Moment …“

Pro Antwort gibt es höchstens eine Überbrückungsansage. Überbrückungsansagen gibt es auf Deutsch, Englisch, Französisch und Italienisch. In anderen Sprachen bleibt die Pause ohne Ansage.

Diktieren von Nummern und Namen: Bittet der Bot Anrufende, etwas zu diktieren oder zu buchstabieren (z. B. eine Kunden-, Vertrags- oder Telefonnummer), wartet er vor der nächsten Antwort eine längere Sprechpause ab. So werden Zahlenfolgen nicht abgeschnitten, wenn Anrufende zwischen den Ziffern kurz absetzen.

# Basisantworten im Themenkatalog

Im Themenkatalog stehen zwei phonebot-spezifische Basisantworten zur Verfügung, die Sie anpassen können:

Noch da? – Diese Antwort wird ausgespielt, wenn der Bot keine Reaktion der anrufenden Person erkennt und nachfragt, ob die Verbindung noch besteht. Standardtext: "Sind Sie noch da?"
Verabschiedung – Diese Antwort wird ausgespielt, wenn seitens der anrufenden Person keine Reaktion erfolgt und der Bot die Verbindung trennt. Standardtext: "Ich beende nun das Gespräch. Einen schönen Tag noch!"

Passen Sie die Texte beider Basisantworten an den Ton Ihres Bots an.

Die Begrüßung pflegen Sie wie beim Chatbot über die gleichnamige Basisantwort, siehe Erste Begrüßung und Basisantworten .

Nennen Sie den KI-Einsatz in der Begrüßung

Nach Art. 50 Abs. 1 KI-VO müssen Personen erfahren, dass sie mit einem KI-System sprechen. Am Telefon gibt es dafür keinen sichtbaren Kanal: Das Label „generiert mit KI ✨", das im Chat an jeder generierten Antwort steht, existiert hier nicht. Die gesprochene Begrüßung ist die einzige Stelle, an der der Hinweis erfolgen kann.

Formulieren Sie sie deshalb so, dass Anrufende es sofort erfahren, zum Beispiel: „Hallo, ich bin der KI-Telefonassistent von [Unternehmen]. Wie kann ich Ihnen helfen?"

Die Ausnahme für offensichtliche Fälle greift am Telefon kaum. Wer eine Servicenummer wählt, erwartet zunächst einen Menschen. Mehr dazu unter EU AI Act: Kennzeichnung .

# Agenten & Prompt-Konfiguration

Da der Phonebot vollständig im aiStudio konfiguriert wird, gelten folgende Empfehlungen:

Anzahl der Agenten minimieren: Beschränken Sie sich möglichst auf einen einzigen Agenten, um die Latenz gering zu halten. Wenn keine Wissensdatenbank (RAG) zwingend erforderlich ist, verwenden Sie einen Custom Agent – dieser überspringt den Retrieval-Schritt und reduziert die Latenz weiter.
Leichtgewichtige Modelle verwenden: Wählen Sie ausschließlich schlanke Sprachmodelle, um niedrige Latenz und angemessene Kosten sicherzustellen. Empfohlene Modelle sind z. B. GPT-5.6 Luna oder DeepSeek V4 Flash.
Kurze Antworten: Der Bot wird im Systemprompt angewiesen, kurze und prägnante Antworten zu geben. Lange Sprachantworten erhöhen die wahrgenommene Wartezeit und verschlechtern die Gesprächsqualität am Telefon.
Gesprächsende steuern: Nach der Verabschiedung durch den Bot wird das Gespräch automatisch beendet. Da die Dauer der Sprachausgabe geschätzt wird, kann es nach der Verabschiedung noch einige Sekunden dauern, bis die Verbindung getrennt wird. Dies verhindert, dass der Bot vorzeitig unterbrochen wird. Das automatische Auflegen lässt sich gezielt über das Markup [END_CALL] im Prompt steuern. Platzieren Sie dieses Markup an der Stelle im Prompt, an der der Bot das Gespräch beenden soll.

# Gesprächslogik im Text testen

Sie müssen den Telefonbot nicht jedes Mal anrufen, um Änderungen zu testen. Die Gesprächslogik Ihres Phonebots können Sie auch über die Chat-Vorschau in der Seitenleiste des aiStudio prüfen, also über dieselbe Textoberfläche wie bei einem Chatbot. Das eignet sich gut, um Prompt, Agentenauswahl, Basisantworten und Toolaufrufe durchzuspielen.

Für die endgültige Abnahme bleibt der Anruf nötig, denn einige Dinge verhalten sich am Telefon anders:

Mehrsprachigkeit ist am Telefon anders umgesetzt als im Chat, unter anderem über Sprachpräfixe.
Sprachausgabe und Spracherkennung fallen im Texttest komplett weg, damit auch Aussprache, Erkennungsfehler und Barge-In .
Latenz und Gesprächsfluss lassen sich nur im echten Anruf beurteilen.