KI-Stimme für die Telefonansage: Wer prüft, was sie sagt?

Wer hört zu, wenn eine KI für deine Firma spricht?

Bei den meisten, die eine einsetzen: niemand. Man hört die ersten drei Aufnahmen an, findet sie gut und schaltet die Stimme live. Danach hört nur noch einer zu — der Kunde.

Im KI-Backoffice gilt eine andere Regel: Was eine Maschine erledigt, prüft eine zweite Maschine, bevor es hinausgeht. Dieses LAB zeigt die Regel an einem Beispiel, das man hören kann — unseren vorgelesenen Blogbeiträgen.

Der Aufbau

Jeder Satz wird einzeln gesprochen. Danach schreibt ein zweites Modell — die offene Spracherkennung Whisper — die Aufnahme wieder in Text um, und ein Programm vergleicht diesen Text mit dem Drehbuch. Stimmt er nicht überein, wird der Satz neu gesprochen. Höchstens zehn Mal; die beste Aufnahme gewinnt.

Jeder dieser Vorgänge steht in einem Protokoll: der Satz, die Zahl der Anläufe, die Abweichung zum Drehbuch und die Wörter, die der Prüfer nicht wiedergefunden hat.

Die Zahlen

Zeitraum 28. August bis 3. Oktober 2026, direkt aus dem Protokoll:

• 7’708 Sätze geprüft, 3’786 deutsche und 3’922 englische — zusammen 9,4 Stunden Ton.
• 79,0 Prozent sitzen beim ersten Anlauf. Jeden fünften Satz hat der Prüfer zurückgeschickt, bevor ihn jemand gehört hat.
• Für alle Sätze zusammen brauchte es 12’457 Anläufe, im Schnitt 1,62 pro Satz — gesprochen und geprüft, ohne dass ein Mensch eingreifen musste.
• Bei 77,7 Prozent der Sätze weicht der zurückgehörte Text am Ende um höchstens fünf Prozent der Zeichen vom Drehbuch ab.

Drei Erkenntnisse

Kurze Sätze brauchen mehr Prüfung als lange. Sätze mit höchstens drei Wörtern sitzen zu 66,4 Prozent beim ersten Anlauf, Sätze ab zwanzig Wörtern zu 92,1 Prozent. Ein einzelnes Wort ohne Satzmelodie verrutscht eher als ein ganzer Gedanke.

Ein Prüfer braucht eine Namensliste. Am häufigsten fehlt dem Prüfer ein Eigenname — unser Firmenname. Gesprochen ist er richtig, der Prüfer schreibt ihn nur anders. Ohne Liste der eigenen Namen schlägt er falschen Alarm, und einem Prüfer, der ständig falschen Alarm schlägt, glaubt nach einer Woche niemand mehr.

Gemessen wird jeder Satz, nicht eine Stichprobe. Wer nur die Aufnahmen anhört, die er zufällig anklickt, weiss nichts über die anderen. Der Prüfer hört alle — auch die neun Stunden, die kein Mensch am Stück anhören würde.

Was das für dein Büro heisst

Telefonansagen, Vorlesefunktionen, Sprachbots am Kundentelefon: Sobald eine Maschine für deine Firma spricht, stellt sich dieselbe Frage. Nicht «klingt sie gut?», sondern «wer hört zu, wenn ich nicht zuhöre?». Im KI-Backoffice gilt das für jede Aufgabe: Was automatisch läuft, wird automatisch geprüft — und ein Mensch sieht nur noch, was die Prüfung nicht klären konnte.

Wer hört bei dir zu, wenn deine Telefonansage läuft?