Voicebot: Was er ist, was ihn vom Voice Agent unterscheidet und was er kostet

Ein Voicebot ist eine Software, die Anrufe oder Sprachanfragen selbstständig führt: Sie hört zu, erkennt das Anliegen, antwortet mit synthetischer Stimme und erledigt einfache Aufgaben wie eine Terminbuchung oder Statusauskunft. Technisch besteht ein Voicebot aus drei Bausteinen, die in Echtzeit zusammenarbeiten: Spracherkennung (Speech-to-Text), ein Sprachmodell oder Regelwerk für die Dialoglogik und Sprachausgabe (Text-to-Speech). Dazu kommen Telefonieanbindung und Übergabe an Menschen.

Im Markt heißt dasselbe auch Voice Bot, Sprachbot, Callbot oder KI-Voicebot. Wer heute „Voice Agent“ sagt, meint meist einen Voicebot, der mit einem großen Sprachmodell frei formulierte Anliegen versteht und selbst in Ihren Systemen handelt.

Zuletzt geprüft am 12. November 2026.

Das Wichtigste in Kürze

• Ein Voicebot nimmt Anrufe an, versteht frei gesprochene Anliegen, antwortet mit Stimme und übergibt an Menschen, wenn er nicht weiterkommt.
• Eine IVR (Sprachmenü mit „Drücken Sie die 1“) führt durch feste Optionen. Ein regelbasierter Voicebot versteht Sprache in einem festen Ablauf. Ein Voice Agent nutzt ein Sprachmodell, plant selbst und ruft Funktionen in Ihren Systemen auf.
• Anrufer bewerten drei Dinge: die Pause nach ihrem letzten Wort, ob sie den Bot unterbrechen können und ob Zahlen, Namen und Adressen stimmen.
• Vergleichen Sie Angebote pro erledigtem Anruf. Ein günstiger Minutenpreis hilft wenig, wenn der Bot jede dritte Kundennummer falsch versteht.
• Seit dem 2. August 2026 muss ein Voicebot nach Art. 50 EU AI Act zu Beginn sagen, dass er ein KI-System ist, sofern das nicht offensichtlich ist.

Was ist ein Voicebot?

Ein Voicebot ist ein Sprachdialogsystem, das ein Gespräch mit einem Menschen führt, im Kundenservice fast immer am Telefon. Frühere Voicebots arbeiteten mit festem Vokabular und einem Dialogbaum: Der Anrufer musste ungefähr das sagen, was der Entwickler vorgesehen hatte. Heute übernimmt in den meisten neuen Projekten ein großes Sprachmodell (LLM) die Dialoglogik. Es versteht frei formulierte Sätze, fragt bei Unklarheiten nach und kann über sogenannte Funktionsaufrufe in CRM, Ticketsystem oder Terminkalender nachsehen und schreiben. Statt Menüs zu pflegen, legen Sie dann fest, was der Bot sagen und tun darf und wann er übergibt.

Ein Voicebot ersetzt in der Regel nicht das Service-Team. Er nimmt ihm wiederkehrende, klar abgrenzbare Anrufe ab und sorgt dafür, dass die übrigen Anrufe mit vollständigen Angaben beim richtigen Menschen landen.

Voicebot, Voice Agent, Callbot oder IVR: Was ist der Unterschied?

Die Begriffe werden uneinheitlich verwendet. Hilfreicher als das Etikett ist die Frage, wie der Anrufer sprechen darf und was das System selbst erledigt. Callbot und Sprachbot sind meist nur andere Wörter für Voicebot.

Die IVR hat echte Stärken: Sie ist vorhersagbar, leicht testbar und für einfache Weiterleitungen oft günstiger. Ihre Schwäche zeigt sich, sobald ein Anliegen nicht ins Menü passt. Ein Voice Agent löst dieses Problem, braucht aber Leitplanken, Protokolle und Tests mit echten Formulierungen, weil seine Antworten nicht vollständig vorab festgelegt sind. Viele Unternehmen setzen ihn deshalb vor das bestehende Routing: Er klärt das Anliegen, erledigt einfache Fälle und übergibt den Rest mit Kontext an die richtige Warteschlange.

Den eng begrenzten Fall, also nur annehmen und zusammenfassen, beschreibt unser Leitfaden zum KI-Anrufbeantworter. Für Assistenten, die Anliegen vollständig erledigen, siehe den Leitfaden zum KI-Telefonassistenten.

Wie funktioniert ein Voicebot technisch?

Ein Voicebot ist eine Kette, durch die das Audio in beide Richtungen strömt. Jede Stufe beginnt mit ihrer Arbeit, bevor die vorige fertig ist, sonst entstehen lange Pausen.

Der Anruf kommt über einen SIP-Trunk (einen Telefonanschluss über das Internetprotokoll) oder einen Telefonieanbieter herein. Klassisches Telefonaudio ist schmalbandig und nach ITU-T G.711 kodiert. Spracherkennung und Stimme müssen deshalb mit Telefonqualität funktionieren, nicht nur mit Studioaufnahmen. Frameworks wie LiveKit Agents und Pipecat dokumentieren eigene Telefonieanbindungen über SIP und gängige Telefonieanbieter.

Die Spracherkennung wandelt das Gesagte fortlaufend in Text um; für deutsche Anrufe zählt, wie zuverlässig sie Eigennamen, Straßennamen und Kundennummern erkennt, auch bei Dialekt. Das Sprachmodell entscheidet, was als Nächstes passiert: nachfragen, Auskunft geben, eine Funktion in Ihrem System aufrufen oder übergeben. Die Sprachausgabe macht aus der Antwort Audio. Sie muss streamen, also sprechen, bevor der ganze Satz fertig ist, und Zahlen, Daten und Beträge korrekt vorlesen. Wie Text-to-Speech Ziffern, IBANs und Abkürzungen behandelt, erklärt unser Leitfaden zur Textnormalisierung und Aussprache.

Latenz: Die Pause nach dem letzten Wort

Menschen reagieren im Gespräch sehr schnell aufeinander. Eine Studie über zehn Sprachen fand, dass alle Sprecher Überlappungen vermeiden und die Stille zwischen den Sprecherwechseln möglichst kurz halten; die durchschnittlichen Pausen der einzelnen Sprachen lagen innerhalb von 250 Millisekunden um den gemeinsamen Mittelwert. Ein Voicebot, der deutlich länger braucht, wirkt deshalb schnell wie eine gestörte Leitung.

In diese Pause fließen mehrere Zeiten ein: die Erkennung, dass der Anrufer fertig ist, die Spracherkennung, die erste Antwort des Sprachmodells, das erste Audio der Sprachausgabe und der Weg durch das Telefonnetz. Herstellerangaben für einzelne Bausteine lassen sich nicht einfach addieren, weil sie an verschiedenen Stellen gemessen werden. Messen Sie die Zeit vom letzten Wort des Anrufers bis zur ersten hörbaren Silbe über die echte Telefonleitung und über viele Anrufe. Welche Werte Sie vor dem Livegang messen sollten, beschreibt unser Leitfaden zum Produktivstart von Voice AI.

Sprecherwechsel und Unterbrechungen

Der Bot muss erkennen, wann der Anrufer fertig ist. Einfache Systeme warten auf eine feste Stille. Das geht schief, wenn jemand eine Kundennummer diktiert und kurz Luft holt: Der Bot fällt ihm ins Wort. Neuere Systeme kombinieren die Stilleerkennung mit Modellen, die aus dem Gesagten abschätzen, ob ein Gedanke abgeschlossen ist. LiveKit dokumentiert dafür ein eigenes Turn-Detector-Modell und eine adaptive Unterbrechungserkennung, die echte Unterbrechungen von Rückmeldungen wie „mhm“ unterscheiden soll.

Umgekehrt muss der Anrufer den Bot unterbrechen können („Nein, nicht Dienstag“). Das heißt Barge-in: Die Sprachausgabe bricht sofort ab, bereits erzeugter Text wird verworfen, und der neue Satz wird verarbeitet. Testen Sie gezielt, was passiert, wenn jemand mitten in eine lange Antwort hineinspricht.

Wofür setzen Unternehmen Voicebots ein?

Gut eignen sich Anrufe, die häufig vorkommen, klar abgrenzbar sind und bei einem Fehler wenig Schaden anrichten. Typische Fälle im Kundenservice sind Terminbuchung, Verschiebung und Absage, Statusauskünfte zu Bestellung, Lieferung oder Antrag, Adress- und Stammdatenänderungen, das Erfassen von Zählerständen oder Schadensmeldungen sowie die Vorqualifizierung eines Anliegens, bevor der Anruf an die passende Warteschlange geht.

Hinzu kommen Anrufe außerhalb der Geschäftszeiten und bei Überlast, die sonst in der Mailbox oder Warteschleife enden, und ausgehende Anrufe wie Terminerinnerungen. Schlecht passt ein Voicebot dort, wo jeder Anruf eine Ermessensentscheidung verlangt, die nur ein Mensch treffen darf, oder wo Fehler teuer sind und sich nicht durch lautes Bestätigen absichern lassen.

Zählen Sie vor dem Start in Ihrer Telefonanlage, welche Anliegen wie oft vorkommen, wie lange sie dauern und wie viele Anrufer auflegen. Daran messen Sie später, ob der Voicebot etwas verbessert.

Was kostet ein Voicebot pro erledigtem Anruf?

Die Kosten setzen sich aus fünf Posten zusammen: Telefonie, Spracherkennung, Sprachmodell, Sprachausgabe und Betrieb samt Pflege. Fertige Angebote bündeln sie in einem Minutenpreis, einer Monatspauschale oder einem Preis pro Gespräch. Die entscheidende Zahl ist aber der Preis pro erledigtem Anruf: alle Kosten geteilt durch die Anrufe, die der Bot ohne Übergabe korrekt abgeschlossen hat. Legen Sie vorher fest, was als erledigt gilt, etwa „Termin gebucht und im Kalender bestätigt“.

Als Beispiel für eine gebündelte Plattform: Bei Kugel Agents von KugelAudio sind Spracherkennung, Sprachmodell und Stimme im Minutenpreis enthalten. Der Pro-Tarif kostet 49 € im Monat mit 980 Minuten, jede weitere Minute 0,05 € netto, sekundengenau abgerechnet und nur, solange ein Anruf verbunden ist. Telefonkosten auf KugelAudio-Nummern werden zum Selbstkostenpreis weitergegeben.

Ein Rechenbeispiel mit angenommenen Zahlen: 1.000 Anrufe im Monat zu je drei Minuten ergeben 3.000 Minuten. Davon deckt der Tarif 980 ab, die übrigen 2.020 kosten 101 €, zusammen also 150 € netto plus Telefonie. Erledigt der Bot 700 dieser Anrufe ohne Übergabe, kostet ein erledigter Anruf rund 21 Cent. Erledigt er nur 400, sind es rund 38 Cent, obwohl der Minutenpreis gleich geblieben ist. Die Anrufe, die er übergibt, kosten trotzdem Minuten und zusätzlich Zeit in Ihrem Team.

Wer die Bausteine einzeln einkauft, rechnet jeden Posten separat. Bei KugelAudio kostet die Sprachausgabe laut Preisseite 0,035 € (kugel-2-turbo) bis 0,07 € (kugel-3) pro Minute erzeugtem Audio, die Spracherkennung Kugel Ear 1 0,48 € pro Stunde Audio, jeweils netto. Sprachmodell, Telefonie und Betrieb kommen dann hinzu.

Die größte Stellschraube ist die Erledigungsquote, und die hängt oft an Zahlen: Kundennummern, Rückrufnummern, Geburtsdaten, IBANs und Adressen. Wir haben unsere Modelle gezielt auf genau diese Angaben trainiert. Unsere Stimme Kugel 3.5 hat in unserem eigenen Benchmark 97,1 % von 1.120 Absätzen mit Zahlen so vorgelesen, dass jede Ziffer stimmte, mehr als die anderen dort getesteten Modelle (KugelBench, 08.10.2026). Das ist eine Herstellerangabe, kein unabhängiger Test. Prüfen Sie jeden Anbieter mit Ihren eigenen Nummernformaten.

Wie wählen Sie den passenden Voicebot-Anbieter aus?

Die Wahl hängt davon ab, wie viel Kontrolle Sie über Ablauf, Daten und Komponenten brauchen und wie viel Entwicklungszeit Sie dauerhaft aufbringen können. Die Anbieter lassen sich in fünf Typen einteilen.

Unabhängig vom Typ sollten Sie vor dem Vertrag klären: ob Sie mit Ihren echten Anliegen testen können, welche Pause nach dem letzten Wort in echten Telefonaten gemessen wurde, ob Anrufer unterbrechen können, ob bei der Übergabe der Gesprächskontext mitkommt, wo Audio und Transkripte verarbeitet und wie lange gespeichert werden und ob Sie den Anbieter später wechseln können, ohne alles neu zu bauen.

Welche Fragen zu Datenresidenz und deutscher Sprache Sie stellen sollten, beschreibt unser Leitfaden zu Voice AI in Deutschland und der DACH-Region.

Was gilt rechtlich für einen Voicebot?

Vier Punkte betreffen jedes Voicebot-Projekt. Das ist technische Orientierung, keine Rechtsberatung; klären Sie die Umsetzung mit Ihrem Datenschutzbeauftragten.

Erstens der KI-Hinweis: Art. 50 Abs. 1 EU AI Act gilt seit dem 2. August 2026. Menschen müssen erfahren, dass sie mit einem KI-System sprechen, sofern das nicht offensichtlich ist, und zwar nach Auslegung der Europäischen Kommission klar und ab Beginn der ersten Interaktion. Am Telefon heißt das ein Satz in der Begrüßung.

Zweitens die Aufzeichnung: § 201 StGB stellt die unbefugte Aufnahme des nichtöffentlich gesprochenen Wortes unter Strafe. Die Datenschutzkonferenz hält Telefonaufzeichnungen in aller Regel nur mit einer Einwilligung für zulässig, die vorher erfragt und aktiv erklärt wird, etwa durch ein „Ja“ oder einen Tastendruck. Oft reicht eine strukturierte Zusammenfassung, und die Audioaufnahme entfällt.

Drittens die DSGVO: Anrufer müssen nach Art. 13 informiert werden, und mit jedem Dienstleister, der Anrufdaten verarbeitet, brauchen Sie einen Vertrag zur Auftragsverarbeitung nach Art. 28, einschließlich der Unterauftragsverarbeiter für Spracherkennung, Sprachmodell und Stimme. Kein Anbieter nimmt Ihnen ab, Zweck, Rechtsgrundlage und Löschfristen festzulegen.

Viertens besondere Daten: Praxen, Kanzleien und andere Berufsgeheimnisträger beachten zusätzlich Art. 9 DSGVO und § 203 StGB. Bei KugelAudio ist das nur über einen Enterprise-Vertrag abgedeckt, nicht über die Self-Service-Tarife. Beispieltexte für Begrüßung und Einwilligung finden Sie im Leitfaden zum KI-Anrufbeantworter.

Wie starten Sie mit einem Voicebot?

Beginnen Sie mit einem einzigen Anliegen, das häufig vorkommt und sich klar abgrenzen lässt. Schreiben Sie vorher die Abnahmekriterien auf, aus Sicht des Anrufers: Anteil der Anrufe, die ohne Übergabe korrekt erledigt werden, Anteil korrekt erfasster Kundennummern, gemessene Pause nach dem letzten Wort und Zahl der Gespräche, in denen der Bot etwas Falsches zusagt. Sammeln Sie dafür echte, anonymisierte Formulierungen Ihrer Kunden.

Testen Sie vor dem Livegang mit festen, realistischen Anrufen (diktierte Nummern mit Pausen, ungewöhnliche Namen, Dialekt, schlechter Mobilfunk, Anrufer, die sofort einen Menschen verlangen) und wiederholen Sie diese Tests nach jeder Änderung an Ansage oder Prompt.

Ein möglicher Weg ist Kugel Agents. Der Autor arbeitet bei KugelAudio; die folgenden Angaben sind Herstellerangaben von unserer Website, keine unabhängigen Testergebnisse. Sie beschreiben einem Coding-Agenten wie Claude Code, Cursor oder Codex, was der Voicebot tun soll. Er schreibt ihn mit dem Open-Source-Framework Curb.js, testet ihn mit simulierten Anrufern und stellt ihn live. Das Hosting läuft isoliert in der EU, und weil Curb.js offen ist, lässt sich der Voicebot auch auf eigenen Servern betreiben. Der Hobby-Tarif ist mit 100 Minuten im Monat kostenlos.

Wer ein anderes Framework oder eine Contact-Center-Plattform nutzt, kann einzelne Bausteine einbinden: die streamende Text-to-Speech-API mit Stimmen in 39 Sprachen, Barge-in und G.711-Ausgabe sowie die Spracherkennung Kugel Ear 1 für neun europäische Sprachen, die Pausen beim Diktieren von Nummern abwartet und unsichere Wörter mit möglichen Schreibweisen weitergibt. Integrationen sind für LiveKit Agents, Pipecat, Vapi und Cognigy dokumentiert. Die EU Sovereign Cloud ist für Kunden in EU und EWR in jedem Tarif enthalten, ohne Enterprise-Vertrag, und über den EU-Endpunkt api.eu.kugelaudio.com bleibt der Verkehr fest in Europa; Betrieb auf eigener Hardware ist als On-Premise-Option für Enterprise-Kunden möglich. Genauso gut können Sie mit Vapi, Cognigy, LiveKit Agents oder Pipecat starten; die Tabelle oben hilft bei der Wahl.

FAQ

Was ist der Unterschied zwischen Voicebot und Voice Agent?

Ein Voice Agent ist ein Voicebot, der mit einem großen Sprachmodell arbeitet. Er versteht frei formulierte Anliegen, plant die nächsten Schritte selbst und ruft Funktionen in Ihren Systemen auf. Ein klassischer Voicebot folgt dagegen einem festen Ablauf. Im Alltag werden beide Begriffe oft gleich verwendet.

Was ist der Unterschied zwischen Voicebot und Chatbot?

Ein Chatbot arbeitet mit geschriebenem Text, ein Voicebot mit gesprochener Sprache. Der Voicebot braucht zusätzlich Spracherkennung, Sprachausgabe und eine Erkennung der Sprecherwechsel in Echtzeit, und seine Antworten müssen für das Ohr formuliert sein: kurz, ohne Listen und ohne Formatierung.

Ersetzt ein Voicebot die IVR?

Nicht zwingend. Viele Unternehmen setzen den Voicebot vor das bestehende Routing, damit er das Anliegen erkennt und einfache Fälle löst, und behalten die IVR-Logik für die Weiterleitung. Für wenige, stabile Menüoptionen bleibt eine IVR oft die robustere Lösung.

Was kostet ein Voicebot?

Das hängt vom Modell ab. Mit Kugel Agents kostet eine Gesprächsminute über das Kontingent des Pro-Tarifs hinaus 0,05 € netto, Spracherkennung, Sprachmodell und Stimme inklusive, ein Anruf von drei Minuten also 15 Cent plus Telefonie. Vergleichen Sie Anbieter aber pro erledigtem Anruf, nicht pro Minute.

Muss ein Voicebot sagen, dass er eine KI ist?

Ja, sofern es nicht offensichtlich ist, und davon sollten Sie am Telefon nicht ausgehen. Art. 50 Abs. 1 EU AI Act gilt seit dem 2. August 2026 und verlangt die Information ab Beginn der ersten Interaktion.

Darf ein Voicebot Gespräche aufzeichnen?

Nur mit tragfähiger Rechtsgrundlage. § 201 StGB stellt unbefugte Aufnahmen unter Strafe, und die Datenschutzkonferenz erwartet in aller Regel eine aktiv erklärte Einwilligung. Oft genügt es, nur eine Zusammenfassung zu speichern.

Versteht ein Voicebot Dialekte?

Das hängt von der Spracherkennung ab und zeigt sich nur mit Ihren eigenen Anrufern. Testen Sie mit Sprechern aus Ihrer Region und über echte Telefonleitungen, und lassen Sie Nummern und Termine immer laut bestätigen.

Quellen

Abgerufen am 12. November 2026.

• EU AI Act, Verordnung (EU) 2024/1689, insbesondere Art. 50: https://eur-lex.europa.eu/eli/reg/2024/1689/oj/deu
• Europäische Kommission, Transparency obligations under Article 50 of the AI Act: https://digital-strategy.ec.europa.eu/en/faqs/transparency-obligations-under-article-50-ai-act
• Datenschutz-Grundverordnung, Verordnung (EU) 2016/679, insbesondere Art. 9, Art. 13 und Art. 28: https://eur-lex.europa.eu/eli/reg/2016/679/oj/deu
• § 201 StGB, Verletzung der Vertraulichkeit des Wortes: https://www.gesetze-im-internet.de/stgb/__201.html
• § 203 StGB, Verletzung von Privatgeheimnissen: https://www.gesetze-im-internet.de/stgb/__203.html
• Datenschutzkonferenz, Beschluss vom 23.03.2018 zur Aufzeichnung von Telefongesprächen: https://www.datenschutzkonferenz-online.de/media/dskb/20180323_dskb_aufzeichnung_telefon.pdf
• Stivers u. a., Universals and cultural variation in turn-taking in conversation, PNAS 2009: https://pubmed.ncbi.nlm.nih.gov/19553212/
• ITU-T G.711, Pulse code modulation (PCM) of voice frequencies: https://www.itu.int/rec/T-REC-G.711
• LiveKit Agents, Turn detection and interruptions: https://docs.livekit.io/agents/build/turns/
• LiveKit, Telephony: https://docs.livekit.io/telephony/
• Pipecat, Telephony overview: https://docs.pipecat.ai/pipecat/telephony/overview
• Vapi, Introduction: https://docs.vapi.ai/quickstart/introduction
• Cognigy, Voice Gateway: https://docs.cognigy.com/voice-gateway
• KugelAudio, Kugel Agents und Curb.js, Funktionen und Preise: https://www.kugelaudio.com/de/voice-agents
• KugelAudio, Preise für Sprachausgabe und Hosting in der EU: https://www.kugelaudio.com/de/pricing
• KugelAudio, Kugel 3.5, KugelBench-Ergebnisse zu Zahlen: https://www.kugelaudio.com/de/kugel-3-5
• KugelAudio, Kugel Ear 1, Funktionen und Preis: https://www.kugelaudio.com/de/kugel-ear-1
• KugelAudio-Dokumentation zu Spracherkennung, Barge-in, Audioformaten und Latenz: https://docs.kugelaudio.com/features/speech-to-text, https://docs.kugelaudio.com/streaming/barge-in, https://docs.kugelaudio.com/api-reference/tts/audio-formats und https://docs.kugelaudio.com/latency
• KugelAudio-Integrationen für LiveKit, Pipecat, Vapi und Cognigy: https://docs.kugelaudio.com/llms.txt