Cognigy TTS: Eine eigene deutsche Stimme im Voice Gateway einbinden

Cognigy ist eine Enterprise-Plattform für KI-gestützte Dialogsysteme, und das Cognigy Voice Gateway verbindet diese Bots mit dem Telefonnetz. Die Sprachausgabe kommt dort aus einem der vorinstallierten Anbieter, etwa Microsoft Azure, Google oder ElevenLabs. Sobald ein Team eine bestimmte deutsche Stimme, eine eigene Markenstimme oder einen anderen Datenstandort für die Sprachausgabe braucht, stellt sich die Frage, wie ein TTS-Anbieter außerhalb dieser Liste ins Voice Gateway kommt. Dieser Leitfaden zeigt die zwei dokumentierten Wege am Beispiel von KugelAudio, erklärt, warum der eingebaute ElevenLabs-Anbieter dafür nicht genügt, und beschreibt, was Sie vor dem ersten echten Anruf auf Deutsch prüfen sollten.

Wenn Sie noch grundsätzlicher entscheiden, wie Ihr Sprachbot aufgebaut sein soll, lesen Sie zuerst unseren Leitfaden Voicebot im Kundenservice. Hier geht es um die konkrete Einbindung der Sprachausgabe in Cognigy.

Das Wichtigste in Kürze

• Das Cognigy Voice Gateway unterstützt neben vorinstallierten TTS-Anbietern auch eigene Anbieter (Custom Vendors). Sie werden im Self-Service Portal unter Speech angelegt und im Flow über ihren Namen ausgewählt.
• Der eingebaute ElevenLabs-Anbieter bietet nur Modell, Region und API-Schlüssel, aber kein Feld für eine eigene Basis-URL. Eine ElevenLabs-kompatible Schnittstelle lässt sich darüber nicht anbinden.
• KugelAudio lässt sich auf zwei gleichwertige Arten registrieren: als Custom Speech Vendor mit der URL https://api.kugelaudio.com/v1/cognigy oder über den eingebauten Microsoft-Azure-Anbieter im Container-Modus mit https://api.kugelaudio.com/v1/azure.
• Die Registrierung allein ändert nichts. Erst wenn der Anbietername in den Knoten des Flows steht, spricht der Bot mit der neuen Stimme.
• Vor dem Livebetrieb zählen TTS-Streaming, das 8-kHz-Telefonieformat, die Aussprache von Zahlen und Beträgen sowie das Limit für gleichzeitige Erzeugungen.

Wie wählt das Cognigy Voice Gateway eine TTS-Stimme aus?

Die Sprachausgabe wird an zwei Stellen festgelegt: im Self-Service Portal des Voice Gateways, wo Sie Sprachdienste mit Zugangsdaten registrieren, und im Flow, wo Knoten wie Set Session Config, Say, Question oder Optional Question den Anbieter, die Sprache und die Stimme für die Ausgabe bestimmen. Cognigy nennt als vorinstallierte TTS-Anbieter unter anderem AWS, Deepgram, ElevenLabs, Google, Microsoft Azure, Nuance und Speechmatics. Dazu kommen eigene Anbieter.

Für einen Anbieter außerhalb der Auswahlliste gibt es im Knoten das Feld Custom. Laut Cognigy tragen Sie dort für eigene Anbieter den Namen ein, den Sie auf der Speech-Service-Seite vergeben haben. Das Feld Custom (Voice) nimmt eine Stimme auf, die nicht in der Liste steht. Ihr Format hängt vom jeweiligen Anbieter ab.

Ein weiteres Detail bestimmt die Wartezeit am Telefon. Cognigy unterscheidet zwischen Anbietern mit und ohne TTS-Streaming. Mit Streaming beginnt die Wiedergabe, während der Satz noch erzeugt wird, ohne Streaming erst nach der vollständigen Synthese. Laut Cognigy unterstützen AWS, Google, Nuance, Speechmatics und Deepgram Flux kein TTS-Streaming. Bei einem eigenen Anbieter aktivieren Sie es in der Registrierung.

Warum lässt sich der ElevenLabs-Anbieter in Cognigy nicht umleiten?

Weil ihm das dafür nötige Feld fehlt. Der eingebaute ElevenLabs-Anbieter im Voice Gateway fragt ein Modell aus einer festen Liste, eine Region (Global oder Europa) und einen API-Schlüssel ab. Ein Feld für eine eigene Basis-URL gibt es nicht. Die Anfragen gehen deshalb immer an ElevenLabs selbst.

Das ist wichtig, weil mehrere TTS-Anbieter, darunter KugelAudio, eine ElevenLabs-kompatible Schnittstelle anbieten. In Werkzeugen mit einstellbarer Basis-URL reicht es, diese umzustellen. Wie das funktioniert und wo die Grenzen liegen, beschreibt unser Artikel zur Migration über eine ElevenLabs-kompatible Schnittstelle. Im Cognigy Voice Gateway führt dieser Weg nicht zum Ziel. Hier registrieren Sie den Anbieter stattdessen als Custom Vendor oder als Azure-Container.

Wer bei ElevenLabs bleiben möchte und vor allem einen europäischen Datenstandort sucht, findet im Anbieter die Region Europa. Cognigy weist darauf hin, dass die Datenresidenz bei ElevenLabs eine Enterprise-Funktion ist.

Custom Speech Vendor oder Azure-Container: welcher Weg passt?

Beide Wege führen zum selben Ergebnis, einer KugelAudio-Stimme im Flow. Sie unterscheiden sich darin, welche Cognigy-Funktion Sie nutzen und wie Sie die Stimme angeben. Der Custom Speech Vendor ist der Standard. Der Azure-Container-Weg ist die Alternative, wenn Ihr Cognigy-Vertrag keine eigenen Anbieter vorsieht oder Ihre Umgebung auf den Anbieter Microsoft Azure Speech Services festgelegt ist.

Wie richten Sie KugelAudio als Custom Speech Vendor ein?

Sie brauchen einen KugelAudio-API-Schlüssel und die ID einer deutschen Stimme, beides aus dem KugelAudio-Dashboard. Danach legen Sie im Self-Service Portal des Voice Gateways unter Speech einen neuen Sprachdienst an und wählen als Vendor Custom.

1. Vergeben Sie einen Namen, zum Beispiel kugelaudio. Über diesen Namen wählen Sie den Anbieter später im Flow aus.
2. Tragen Sie als TTS HTTP URL https://api.kugelaudio.com/v1/cognigy ein, ohne weiteren Pfad. Cognigy hängt /synthesize/<Anbietername> selbst an.
3. Fügen Sie den KugelAudio-API-Schlüssel als Authentication Token ein. Cognigy sendet ihn als Bearer-Token mit jeder Anfrage.
4. Tragen Sie die Voice-ID ein und aktivieren Sie Use for text-to-speech. Lassen Sie Use for speech-to-text aus, denn dieser Endpunkt liefert nur Sprachausgabe.
5. Aktivieren Sie Enable text-to-speech streaming, damit die Wiedergabe beginnt, bevor die ganze Äußerung erzeugt ist.
6. Legen Sie fest, welche Cognigy-Accounts den Anbieter nutzen dürfen, und speichern Sie.

Der entscheidende letzte Schritt findet im Flow statt. Tragen Sie den Anbieternamen im Feld Custom der relevanten Knoten ein, etwa in Set Session Config, Say, Question, Optional Question oder Session Speech Parameters Config. Fehlt dieser Schritt, nutzt der Flow weiter den bisherigen Anbieter, und scheinbar ändert sich nichts.

Schlägt die Synthese fehl, prüfen Sie zuerst den Schlüssel unabhängig von Cognigy:

curl "https://api.kugelaudio.com/v1/voices?limit=1" \
  -H "X-API-Key: IHR_KUGELAUDIO_API_KEY"

Ein 200 bestätigt den Schlüssel. Ein 401 Invalid API key bedeutet meist, dass der lange Schlüssel beim Kopieren abgeschnitten wurde.

Wie steuern Sie Stimme, Stil und Normalisierung aus dem Flow?

Über das Feld Custom (Voice). Cognigy leitet an eigene TTS-Anbieter keine beliebigen Optionsobjekte weiter, deshalb liest KugelAudio seine Einstellungen aus diesem einen Feld. Eine reine Voice-ID genügt. Zusätzlich können Sie einen Stil und die Textnormalisierung angeben, getrennt durch Semikolon:

voice=1887;style=expressive;normalize=false

Für style stehen consistent, natural und expressive zur Wahl, Standard ist das natürliche Verhalten. normalize ist standardmäßig true. Unbekannte, doppelte oder fehlerhafte Optionen führen zu einem 400 VALIDATION_ERROR, statt stillschweigend auf Standardwerte zurückzufallen. So fällt ein Tippfehler im Test auf und nicht erst im Live-Anruf.

Die Normalisierung ist für deutsche Anrufe wichtig. Sie wandelt Zahlen, Daten, Uhrzeiten und Beträge vor der Synthese in gesprochene Wörter um. Die Sprache übernimmt KugelAudio aus der Anfrage von Cognigy, die ein BCP-47-Tag wie de-DE enthält. Ausgewertet wird nur der Sprachteil, de-DE und de-AT wählen also beide Deutsch. Abschalten sollten Sie die Normalisierung nur, wenn Ihr Flow Zahlen bereits selbst ausschreibt. Für Codes und IBANs lohnt ein Blick auf unseren Leitfaden zu Voice AI in Banken und Versicherungen, der beschreibt, wie kritische Werte bestätigt werden.

Was ändert sich beim Azure-Speech-Container-Weg?

Microsoft bietet Speech-Dienste auch als Container für den Betrieb in eigener Umgebung an, darunter Neural Text to Speech. Der Azure-Anbieter im Cognigy Voice Gateway kann deshalb statt des gehosteten Azure-Dienstes eine Container-URL ansprechen. KugelAudio beantwortet dasselbe Protokoll. Es läuft dabei nichts bei Microsoft, die URL zeigt direkt auf KugelAudio.

Wählen Sie unter Speech den Vendor Microsoft Azure Speech Services, lassen Sie Use hosted Azure service aus und aktivieren Sie Use Azure Docker container (on-prem). Tragen Sie in beide Felder, Container URL for TTS und Container URL for STT, https://api.kugelaudio.com/v1/azure ein. Cognigy verlangt beide Felder, auch wenn Sie keine Spracherkennung nutzen. Der STT-Teil von KugelAudio ist an dieser Stelle nur ein Platzhalter, der immer NoMatch zurückgibt. Lassen Sie Use for speech-to-text deshalb aus. Den KugelAudio-Schlüssel tragen Sie als Subscription key ein, und Sie aktivieren TTS und TTS-Streaming.

Die Stimme verlangt Aufmerksamkeit. Die Azure-Stimmliste in Cognigy kennt nur Microsoft-Stimmen, Sie tragen die KugelAudio-Voice-ID deshalb von Hand ein, entweder direkt als 1887, mit derselben Optionssyntax wie beim Custom Vendor oder in Microsofts Namensform als de-DE-1887Neural. Bleibt eine echte Microsoft-Stimme wie de-DE-KatjaNeural eingestellt, antwortet jeder Anruf mit einer KugelAudio-Standardstimme, weil es keine Entsprechung gibt. Das verhindert einen Abbruch im Live-Anruf, klingt aber nicht nach der gewählten Stimme.

Ein Sicherheitsdetail gehört in die Abnahme: Mit aktiviertem Streaming kann das Microsoft Speech SDK beim WebSocket-Aufbau keine Header setzen und übergibt den Schlüssel in der URL. KugelAudio entfernt ihn aus den eigenen Logs, ein vorgeschalteter Proxy oder Load Balancer kann die vollständige URL aber protokollieren. Prüfen Sie dessen Log-Konfiguration vor dem Livebetrieb.

Was sollten Sie vor dem ersten Live-Anruf testen?

Testen Sie über die Telefonleitung und mit Ihren echten Texten, nicht im Browser mit Demosätzen. Das Voice Gateway fordert beim Streaming Audio mit 8 kHz an. KugelAudio liefert dann eine WAV-Kopfzeile gefolgt von 16-Bit-Linear-PCM in dieser Abtastrate, ohne Streaming eine vollständige WAV-Datei. Hören Sie deshalb die Stimme in 8 kHz ab, denn eine Stimme, die im Breitband überzeugt, kann am Telefon anders wirken.

Prüfen Sie außerdem vier Punkte gezielt. Erstens die Aussprache von Kundennummern, Beträgen, Datumsangaben und Adressen in Ihren tatsächlichen Formulierungen. Zweitens die hörbare Pause nach dem letzten Wort des Anrufers bei aktiviertem Streaming, gemessen über viele Anrufe und nicht als einzelner Demowert. Drittens die Fehlerfälle: Ein 400 mit Hinweis auf type bedeutet, dass SSML statt Klartext gesendet wird, ein 404 Voice not found eine falsche oder nicht freigegebene Stimme. Viertens die Last. Jede Organisation hat bei KugelAudio ein Ratenlimit und eine Obergrenze für gleichzeitige Erzeugungen. Wird die Obergrenze überschritten, lehnt KugelAudio die Synthese mit 429 RATE_LIMITED ab, und der Anrufer hört nichts. Prüfen Sie Ihr Limit im Dashboard und lassen Sie es vor dem Livebetrieb passend zu Ihren parallelen Gesprächen anheben.

Wo werden die Daten verarbeitet?

Das hängt von beiden Plattformen ab, und beide Seiten sollten Sie getrennt bewerten. Auf der KugelAudio-Seite wählen Sie mit dem Host den Weg: Soll die Sprachausgabe in der EU verarbeitet werden, verwenden Sie https://api.eu.kugelaudio.com/v1/cognigy beziehungsweise https://api.eu.kugelaudio.com/v1/azure. Eine Null-Speicherung in der Cloud sagen wir nicht zu.

Auf der Cognigy-Seite gilt: Laut Dokumentation bietet Cognigy keine neuen On-Premise-Installationen mehr an, bestehende werden weiter betrieben. Neue Projekte laufen daher in der Regel in Cognigy SaaS. Soll die Sprachsynthese selbst in Ihrer Infrastruktur laufen, lässt sich KugelAudio als Enterprise-Option per Kubernetes und Helm selbst betreiben. Die Synthese läuft dann bei Ihnen, die Installation ruft für Lizenzprüfung, Authentifizierung der API-Schlüssel, Nutzungsmeldung und Stimmenabfragen aber weiterhin die gehostete KugelAudio-API auf. Klären Sie mit KugelAudio, wie eine solche Installation im Voice Gateway angebunden wird. Die Optionen und ihre Voraussetzungen beschreibt unser Leitfaden zu Voice AI On-Premise.

Welche Einschränkungen hat dieser Leitfaden?

Der Autor arbeitet für KugelAudio, und die Angaben zu KugelAudio sind Herstellerangaben, keine unabhängigen Testergebnisse. Die Beschreibung der Cognigy-Oberfläche folgt der öffentlichen Cognigy-Dokumentation mit Stand 29. September 2026. Feldnamen und verfügbare Optionen können sich je nach Version und Vertrag unterscheiden. Der Leitfaden bewertet keine Klangqualität und ersetzt keine Prüfung der Datenverarbeitung durch Ihre Datenschutz- und Sicherheitsverantwortlichen.

FAQ

Kann ich in Cognigy eine eigene TTS-Stimme verwenden?

Ja. Das Voice Gateway unterstützt eigene TTS-Anbieter als Custom Vendor. Sie registrieren den Anbieter im Self-Service Portal unter Speech und tragen seinen Namen im Feld Custom der Flow-Knoten ein.

Warum kann ich den ElevenLabs-Anbieter in Cognigy nicht auf KugelAudio umstellen?

Der eingebaute ElevenLabs-Anbieter hat kein Feld für eine eigene Basis-URL, sondern nur Modell, Region und API-Schlüssel. Er spricht deshalb immer ElevenLabs an. Binden Sie KugelAudio stattdessen als Custom Vendor oder über den Azure-Container-Weg ein.

Custom Vendor oder Azure-Container: was sollte ich wählen?

Den Custom Vendor, sofern Ihr Cognigy-Vertrag ihn erlaubt. Er ist der Standardweg mit allen Stimmoptionen. Den Azure-Container-Weg nutzen Sie, wenn keine Custom-Vendor-Option zur Verfügung steht oder Ihre Umgebung auf den Azure-Anbieter festgelegt ist.

Warum ändert sich nach dem Speichern des Anbieters nichts?

Weil der Flow noch den bisherigen Anbieter verwendet. Tragen Sie den Namen des neuen Anbieters im Feld Custom der Knoten ein, etwa in Set Session Config, Say oder Question.

Welches Audioformat erwartet das Cognigy Voice Gateway?

Mit TTS-Streaming fordert das Voice Gateway 16-Bit-Linear-PCM mit 8 kHz an, das als WAV-Stream mit Kopfzeile geliefert wird. Ohne Streaming liefert KugelAudio eine vollständige WAV-Datei, standardmäßig mit 24 kHz.

Übernimmt KugelAudio in Cognigy auch die Spracherkennung?

Nein. Beide Cognigy-Wege von KugelAudio liefern nur Sprachausgabe. Die STT-Adresse im Azure-Container-Weg ist ein Platzhalter, der immer NoMatch zurückgibt. Nutzen Sie für die Spracherkennung weiter einen der Cognigy-Anbieter.

Warum hört der Anrufer bei vielen gleichzeitigen Gesprächen nichts?

Vermutlich ist die Obergrenze für gleichzeitige Erzeugungen Ihrer Organisation erreicht. KugelAudio lehnt dann mit 429 RATE_LIMITED ab. Prüfen Sie das Limit im Dashboard und lassen Sie es vor dem Livebetrieb anheben.

Bleiben die Daten der Sprachausgabe in der EU?

Die KugelAudio-Dokumentation empfiehlt dafür den regionalen Host api.eu.kugelaudio.com, um Datenverkehr und Daten in der EU zu halten. Wo Cognigy selbst Audio, Transkripte und Protokolle verarbeitet, bestimmt Ihre Cognigy-Umgebung und muss gesondert geprüft werden.

Quellen

• Cognigy Dokumentation, Speech Services (Voice Gateway): https://docs.cognigy.com/voice-gateway/webapp/speech-services
• Cognigy Dokumentation, TTS and STT Vendors: https://docs.cognigy.com/voice-gateway/references/tts-and-stt-vendors
• Cognigy Dokumentation, TTS Streaming: https://docs.cognigy.com/voice-gateway/streaming
• Cognigy Dokumentation, Voice Gateway Parameter Details: https://docs.cognigy.com/ai/build/node-reference/voice/voice-gateway/parameter-details/
• Cognigy Dokumentation, Installation: https://docs.cognigy.com/ai/administer/installation/about
• Cognigy, custom-speech-example auf GitHub: https://github.com/Cognigy/custom-speech-example
• Microsoft Learn, Speech containers overview: https://learn.microsoft.com/en-us/azure/ai-services/speech-service/speech-container-overview
• KugelAudio Dokumentation, Cognigy Integration: https://docs.kugelaudio.com/integrations/cognigy
• KugelAudio Dokumentation, Text normalization: https://docs.kugelaudio.com/features/text-processing
• KugelAudio Dokumentation, Regions: https://docs.kugelaudio.com/guides/regions
• KugelAudio Dokumentation, On-Premise Deployment: https://docs.kugelaudio.com/guides/self-hosted