STT-Fehler korrigieren, Werte normalisieren, Anliegen erkennen
Ein nützlicher Voice-Agent hält ein Transkript nicht für die reine Wahrheit. Er verbindet Sprache, Kontext und Workflow-Regeln, bevor er entscheidet, was der Anrufer meint.
Speech-to-Text ist eine starke Schnittstelle, aber ein Transkript ist nicht das Gespräch selbst. Hintergrundgeräusche, Akzente, Unterbrechungen, Namen, Zahlen, Produktcodes und unvollständige Sätze können Fehler erzeugen. Gibt ein Voice-Agent das rohe Transkript direkt an ein Tool oder das CRM weiter, kann aus einem kleinen Erkennungsfehler eine falsche Aktion werden, ein verwirrender Datensatz oder eine unnötige Übergabe an einen Menschen.
Voice-KI im Produktivbetrieb braucht einen Verständnisweg in Schichten: Sprache erkennen, Unsicherheit bemerken, Entitäten normalisieren, das Anliegen im Kontext deuten, Richtlinien anwenden und den nächsten Schritt wählen. Der Technologieansatz, die Agenten-Ebene und der Qualitätsprozess von DRING verbinden diese Schritte, statt sie als einen einzigen Prompt zu behandeln.
Wissen, welche Art von Fehler vorliegt
Nicht jede Abweichung im Transkript ist wichtig. Ein Füllwort oder ein Satzzeichen ändert am Ergebnis womöglich nichts. Ein Produktname, ein Betrag, ein Datum, eine Kundennummer oder eine Verneinung kann alles ändern. Ordnen Sie Fehler nach ihren Folgen für den Betrieb ein: harmlose Formulierung, falsche Entität, fehlende Einschränkung, falsches Anliegen, unbegründete Sicherheit oder verlorener Kontext.
Nutzen Sie die Konfidenz als Signal, nicht als Urteil. Ein Transkript mit hoher Konfidenz kann bei einem seltenen Namen trotzdem falsch sein. Ein Fragment mit niedriger Konfidenz wird vielleicht klar, wenn man es mit dem vorigen Redebeitrag und dem erwarteten Ablauf zusammennimmt. Der Agent sollte nachfragen können, wenn die mögliche Folge groß ist.
Entitäten normalisieren, ohne den Anrufer zu verlieren
Normalisierung ordnet verschiedene Ausdrucksformen einem strukturierten Begriff zu. „Morgen halb drei“, „morgen um 14:30 Uhr“ und eine regionale Datumsangabe können denselben Termin meinen. Ein Produktname hat vielleicht einen Spitznamen, eine falsche Schreibweise und eine gesprochene Abkürzung. Speichern Sie den strukturierten Wert für die Systeme und behalten Sie den Originalwortlaut, damit alles nachvollziehbar bleibt.
Nutzen Sie Entitätstypen und Kontext. Eine Zahl kann eine Bestellnummer sein, eine Durchwahl, eine Menge oder ein Datum. Ein Name kann einen Kunden, einen Händler oder einen Ort bezeichnen. Der Agent sollte nicht allein nach Muster normalisieren, wenn der Workflow mehrere Deutungen zulässt. Eine gezielte Rückfrage ist besser als eine Vermutung.
Fachsprache und Terminologie gezielt einbinden
Seltene und fachspezifische Begriffe verdienen ein gepflegtes Vokabular. Die Dokumentation von Google zur Modellanpassung in Speech-to-Text beschreibt Phrasensätze und benutzerdefinierte Klassen für Begriffe, die häufig vorkommen, in der Alltagssprache selten sind oder bei Störgeräuschen schwer zu erkennen sind. Das Prinzip gilt unabhängig davon, ob Google oder ein anderer Sprachdienst dahintersteht: Geben Sie der Erkennung ein Vokabular mit Kontext und messen Sie, ob es den vorgesehenen Workflow verbessert.
Lösen Sie Erkennungsprobleme nicht, indem Sie jeden Begriff in jede Sprache aufnehmen. Priorisieren Sie Wörter, die mit Identität, Weiterleitung, Geld, Sicherheit, Produktwahl und Aktionen zu tun haben. Prüfen Sie falsch positive Treffer und verknüpfen Sie das Vokabular mit dem Aussprachewörterbuch, damit der Agent einen Begriff einheitlich erkennt und ausspricht.
Das Anliegen aus dem ganzen Gespräch ableiten
Das Anliegen steckt nicht immer in einem einzigen Satz. Ein Kunde beginnt vielleicht mit einem Symptom, beantwortet eine Frage mit einem Datum und nennt erst dann den eigentlichen Grund des Anrufs. Der Agent sollte den Gesprächsstand führen: was bekannt ist, was unsicher ist, was gefragt wurde, was sich geändert hat und welches Ergebnis noch offen ist.
Nutzen Sie eine Hierarchie der Anliegen. Die oberste Ebene kann Service, Vertrieb, Buchung, Betrieb oder Recruiting sein. Die nächste Ebene kann Retoure, Bestellstatus, Qualifizierung, Terminänderung oder Ausnahme beim Fahrer sein. Die letzte Ebene ist die Aktion oder der Grund für die Übergabe. Diese Struktur gibt der Leitung einen nützlichen Bericht und dem Agenten einen sicheren Weg, ohne so zu tun, als passe die Welt in ein einziges Label.
Verneinung, Zeitangaben und Gewissheit absichern
Erkennungsfehler löschen oft gerade die Wörter, die die Bedeutung ändern: „nicht“, „noch“, „schon“, „nur“, „morgen“ oder „außer“. Nehmen Sie diese Wörter in das Schema für die Extraktion auf. Sagt ein Kunde „Ich habe die Erstattung noch nicht bekommen“, darf das nicht als erledigte Erstattung eingestuft werden. Sagt eine Anruferin „Donnerstag geht, Dienstag nicht“, darf sie nicht für Dienstag gebucht werden.
Stellen Sie Gewissheit ausdrücklich dar. „Kunde glaubt“, „System bestätigt“ und „Agent schlägt vor“ sind verschiedene Zustände. Das CRM und die nächste Kollegin müssen wissen, welcher gerade gilt. Das Modell für das Rückschreiben ins CRM und die Reporting-Ebene von DRING können diesen Unterschied erhalten.
Korrektur als natürlichen Gesprächsschritt gestalten
Vermutet der Agent einen Erkennungsfehler, sollte er nicht das ganze Transkript vorlesen. Er bestätigt den kleinsten riskanten Wert: „Ich habe Donnerstag um 15 Uhr verstanden. Stimmt das?“ Bei einem Namen hilft Buchstabieren oder eine Auswahl. Bei einem Produkt wiederholt er den vollständigen Standardbegriff. Bei einer Zahlung oder einer Aktion zur Identität folgt er dem freigegebenen Prüfweg, bevor er den nächsten Schritt macht.
Auch eine Korrektur hat einen Ton. Eine ruhige, kurze Frage erhält das Vertrauen. Wer den Anrufer wiederholt bittet, von vorn zu beginnen, signalisiert, dass das System den Faden verloren hat. Speichern Sie die Korrektur, damit der Qualitätsprozess später Vokabular, Prompt oder Weiterleitungsregel verbessern kann.
Die ganze Verarbeitungskette testen, nicht nur das Modell
Bauen Sie Testfälle mit Störgeräuschen, Akzenten, Sprachwechseln mitten im Satz, Unterbrechungen, unvollständigen Antworten, mehrdeutigen Zahlen, ähnlichen Namen, Korrekturen durch den Kunden und wechselnden Anliegen. Bewerten Sie Transkript, Normalisierung der Entitäten, Anliegen, Richtlinie, Tool-Parameter, gesprochene Bestätigung und abschließenden Datensatz getrennt.
Taucht ein Fehler in einem echten Anruf auf, ordnen Sie ihn einer Ebene zu. Hat die Erkennung den falschen Begriff gehört, überarbeiten Sie Modellanpassung oder Vokabular. War das Transkript brauchbar, aber der Agent hat das falsche Anliegen gewählt, ändern Sie Kontext oder Richtlinie. War die Aktion richtig, aber der Datensatz falsch, reparieren Sie die Integration. Die Agent Factory, mit der DRING Agenten baut, testet und verbessert, macht aus dieser Diagnose gezielte Regressionstests.
Checkliste für das Sprachverständnis
- Entitäten mit großen Folgen und Wörter wie Verneinungen und Zeitangaben kennzeichnen.
- Vokabular mit Kontext für Namen, Marken, Produkte und Branchenbegriffe nutzen.
- Den Originalwortlaut bewahren und normalisierte Werte in die Systeme schreiben.
- Gezielt nachfragen, wenn Unsicherheit das Ergebnis verändern könnte.
- Aussage des Anrufers, Systemfakt und Schlussfolgerung des Agenten trennen.
- Fehler bei Erkennung, Anliegen, Tool, Datensatz und Übergabe als eigene Klassen prüfen.
Gute Spracherkennung ist kein Wettlauf um das perfekte Transkript. Es ist die Disziplin, aus unvollkommener Sprache einen sicheren, nützlichen und prüfbaren nächsten Schritt zu machen. Genau dort wirkt ein Voice-KI-System wie eine fähige Fachkraft und nicht wie eine bloße Diktierfunktion.
Bereinigung des Transkripts und Konfidenz beim Anliegen trennen
Normalisierung und Anliegenerkennung lösen verschiedene Probleme. Die Normalisierung kann eine Rufnummer, ein Datum, einen Produktcode oder eine gängige Schreibweise vereinheitlichen und das rohe Transkript für die Prüfung erhalten. Die Anliegenerkennung entscheidet, was der Anrufer erreichen will und wie sicher das System dabei ist. Halten Sie beide Ergebnisse sichtbar. Ein sauber wirkender Wert darf ein unsicheres Anliegen nicht verlässlich erscheinen lassen, und ein Anliegen mit niedriger Konfidenz darf den Originalwortlaut des Anrufers nicht überschreiben.
Testen Sie diese Grenze mit Unterbrechungen, Akzenten, Hintergrundgeräuschen, Sprachwechseln, regionalen Abkürzungen und Anrufern, die sich selbst korrigieren. Prüfen Sie Transkript, normalisiertes Feld, gewähltes Anliegen, gesprochene Bestätigung und Datensatz im Folgesystem gemeinsam. Widersprechen sich die Signale, stellen Sie eine kurze Rückfrage oder leiten an einen Menschen weiter. Die Agent Factory kann aus solchen Widersprüchen wiederholbare Testfälle machen, damit Verbesserungen über Sprachen und Workflows hinweg gemessen werden.
Weiterlesen
Jede Korrektur zählt
Bringen Sie die Namen, Zahlen und Missverständnisse mit, die bei Ihren Anrufern immer wieder vorkommen. Wir ordnen jedem Fall die richtige Qualitätsebene zu.