Wie funktioniert ein Voicebot? Der ganze Anruf bleibt auf Ihren Servern

Der Anruf kommt über Ihren SIP-Anbieter oder Ihre TK-Anlage. Ab dort geschieht alles — Spracherkennung, Entscheidung über die Antwort, Sprachsynthese, Aufzeichnung — in Ihrer Infrastruktur.

Architektur

Illustration: Illustration: KI-Callcenter On-Premise — die Daten bleiben in Ihrem Haus IHR UNTERNEHMEN — DATEN BLEIBEN HIER AI Fortis-GPU-Server Spracherkennung · Stimme · Hub Sprachmodell lokal (optional) SIP-Trunk / TK-Anlage Ihr CRM / ERP Anrufer Ihr Anbieter (API) Illustration
Mit Ihrem LLM-Anbieter per API verlässt nur der Text der Gesprächsbeiträge Ihr Unternehmen; mit einem lokalen LLM nichts.

Die Komponenten

Telefonie-Gateway

Läuft auf Ihrem Server und verbindet sich mit Ihrem SIP-Trunk oder Ihrer TK-Anlage. Ein- und ausgehende Anrufe, Besetzterkennung, Weiterleitung an Mitarbeitende.

Spracherkennung

Unsere eigene Spracherkennung, die auf dem GPU-Server läuft und für Telefonaudio sowie für jede Sprache, die wir liefern, optimiert ist.

Stimme

Unsere eigenen neuronalen Stimmen, optimiert für Telefongespräche und korrekte Betonung. Eine eigene Stimme für Ihre Marke auf Anfrage.

Gesprächssteuerung

Wer wann spricht, Unterbrechung durch den Anrufer (Barge-in), Pausen, Wiederholungsschutz, KI-Hinweis und Aufzeichnungshinweis.

Sprachmodell

Formuliert die Antworten und entscheidet, wann ein Tool aufgerufen wird. Ihr bestehender Anbieter per API oder ein vollständig lokales Modell ohne Internet.

Leitstand

Agenten und Versionen, Kampagnen, Sperrliste, Anrufzeiten, Aufzeichnungen, Transkripte, Datenextraktion, Kundenportale, Rollen, Audit-Log.

Der Weg eines Gesprächsbeitrags — mit gemessenen Zeiten

Illustration: Illustration: ein Gesprächsbeitrag mit gemessenen Zeiten
Anrufer
SIP-Gateway
Spracherkennung
Sprachmodell + Tools
Stimme
angenommen in 0,14–0,31 s erster Ton 136 ms (Median) Sprechende → erster Ton 1,4 s (Median, Testanrufe) Illustration
  1. Der Anrufer spricht; das Audio kommt per SIP am Gateway auf Ihrem Server an.
  2. Die Spracherkennung wandelt Sprache in Text um, noch während der Anrufer den Satz beendet.
  3. Das Sprachmodell bestimmt die Antwort und ruft bei Bedarf ein Tool auf (z. B. Kontostandsabfrage im CRM).
  4. Die Stimme synthetisiert die Antwort in Teilen, sodass der erste Ton startet, bevor die ganze Antwort fertig ist.
  5. Gespräch, Transkript und extrahierte Felder werden im Hub gespeichert; ein Webhook benachrichtigt Ihre Systeme.

Die Zeiten sind Labor- und Testanrufmessungen (Oktober 2026). Die Gesamtzeit eines Gesprächsbeitrags hängt vor allem vom gewählten Sprachmodell ab.

Was während eines Anrufs auf Ihren Servern geschieht

Ein Anruf erreicht Ihr Telefonie-Gateway über Ihren bestehenden SIP-Trunk oder Ihre TK-Anlage. Von dort geht er an unsere eigene Spracherkennung, die die Worte des Anrufers in Ihrem Haus in Text umwandelt. Die Gesprächsschicht entscheidet, was als Nächstes geschieht, mit dem Sprachmodell Ihrer Wahl: Ihrem bestehenden Anbieter über eine API, wobei nur der Text der Gesprächsbeiträge gesendet wird, oder einem vollständig lokalen Modell ohne Internetverbindung.

Benötigt der Agent Daten, ruft er Ihre Systeme über HTTP-Tools auf und nutzt dabei nur die von Ihnen erlaubten Aktionen. Die Antwort geht dann an unsere eigenen Stimmmodelle, die sie im Anruf aussprechen. Aufzeichnungen, Transkripte und Logs bleiben auf Ihren Servern, mit der Aufbewahrungsdauer, die Sie je Mandant festlegen.

Da jeder Schritt innerhalb Ihrer Infrastruktur läuft, kann Ihr Sicherheitsteam Datenfluss, Netzwerkregeln und Audit-Log genauso prüfen wie bei jedem anderen internen System. Nichts am Anruf hängt von einem Cloud-Sprachdienst ab, sodass Sie die Kontrolle über die Daten und über die Kosten behalten.

Während eines Pilotprojekts messen wir diese Schritte auf Ihrer eigenen Hardware und mit Ihrem gewählten Sprachmodell, denn dieses Modell macht den größten Teil der Verzögerung aus. Sie erhalten die Zahlen für Ihre Umgebung, und Ihr Team sieht, wie sich der Agent bei echten Anrufen verhält, bevor etwas ausgerollt wird. Derselbe Kontrollraum zeigt dann Live-Anrufe, Kampagnen, Aufzeichnungen und das Audit-Log für jeden Agenten.

Hardware und Kapazität

Wir liefern Enterprise-GPU-Server, dimensioniert nach Ihrem Volumen. Das haben wir auf einem unserer Laborserver gemessen:

KonfigurationGleichzeitige GesprächeErster Ton der Stimme (Median / p95)
Enterprise-GPU-Server — Standardeinstellung50.000+136 / 178 ms
Enterprise-GPU-Server — Einstellung für maximale Genauigkeit16p95 156 ms
Reiner CPU-Server (kleine Installationen)697 / 179 ms

Gemessen mit echter Spracherkennung auf aufgezeichneter bulgarischer Sprache. Produktivserver werden für Ihr Volumen dimensioniert; mehr Volumen bedeutet mehr Server.

Hardwarestufen im Konfigurator ansehen →

Häufige Fragen

Läuft wirklich alles auf unseren Servern?

Ja: unsere eigene Spracherkennung und unsere Stimmmodelle, die Gesprächssteuerung, das Telefonie-Gateway, Kampagnen und Aufzeichnungen. Das Sprachmodell wählen Sie: Ihren bestehenden Anbieter per API (dann wird nur der Text der Gesprächsbeiträge übertragen) oder ein vollständig lokales Modell ohne Internet.

Welche Hardware wird benötigt?

Wir liefern Enterprise-GPU-Server, dimensioniert nach Ihrem Volumen. Zur Orientierung: Einer unserer Laborserver hat 50.000+ gleichzeitige Gespräche bewältigt. Siehe Schritt 2 im Konfigurator.

Wie schnell antwortet der Agent?

In unseren Testanrufen mit einem Cloud-Sprachmodell lag die mediane Zeit vom Ende des Satzes des Anrufers bis zum ersten Ton der Antwort bei 1,4 s; die Stimme selbst startet 136 ms, nachdem der Antworttext vorliegt. Den größten Anteil hat das Sprachmodell, deshalb messen wir es mit Ihrer Wahl im Pilotprojekt.

Mit welcher Telefonie funktioniert es?

Mit jedem Standard-SIP-Trunk und jeder TK-Anlage: Ihre bestehenden Rufnummern und Ihr Carrier bleiben erhalten.

Erleben Sie den Agenten mit Ihrem eigenen Szenario

Buchen Sie ein 20-Minuten-Gespräch, hören Sie den Agenten an oder lassen Sie uns einen kostenlosen Beispielagenten für einen Ihrer Anruftypen bauen. Unverbindlich.

  • DSGVO by Design
  • Läuft auf Ihren eigenen Servern
  • Betrieb und Support rund um die Uhr
  • Ein Team von 5 Personen in Sofia, EU

Bereits im Produktivbetrieb bei Organisationen in Bulgarien — Namen unter NDA.

So belegen wir es →