Akzent- und Stimmkonvertierung in Echtzeit für Callcenter-Agenten

Offshore- und mehrsprachige Contact Center kämpfen mit der gegenseitigen Verständlichkeit: Kunden verstehen Agenten falsch, Agenten werden nach ihrem Akzent beurteilt, und die Personalgewinnung ist auf wenige Sprachmärkte beschränkt. Streaming-Modelle zur Sprache-zu-Sprache-Konvertierung schreiben das ausgehende Audio des Agenten live um (rund 200 ms zusätzliche Latenz sind die Größenordnung, die Anbieter nennen), ändern den Akzent oder übersetzen und erhalten dabei das eigene Timbre des Agenten, kombiniert mit Rauschunterdrückung. Es ist ein ethisch umstrittener Anwendungsfall: Die Technik ist reif genug für den Einsatz, aber die Fragen zu Transparenz und Beschäftigtenethik sind die eigentlichen Gestaltungsgrenzen.

Problem & Nutzen

• Heute: BPOs schulen Agenten in Akzentneutralisierung, Skriptklarheit und „Stimm- und Akzent“-Coaching und prüfen Bewerber nach ihrem Akzent. Kunden müssen sich wiederholen, die Bearbeitungszeit steigt, und es folgen Eskalationen an „muttersprachliche“ Agenten.
• KI-Nutzen: bessere Verständlichkeit schon im ersten Anruf, größerer Bewerberkreis (Agenten an mehr Standorten oder in mehr Sprachmärkten), weniger akzentbezogene Schulung und Fluktuation sowie schnelleres Onboarding für neue Sprachlinien.
• Belege: Sanas ist die Marktreferenz, laut Anbieter genutzt von über 30.000 Agenten und 12 der 20 größten BPOs, mit einer Series B über 65 Mio. USD (angekündigt Feb. 2025) und einem Start der Echtzeitübersetzung (2025) [1]. Unabhängige, begutachtete Ergebnisdaten zu Bearbeitungszeit oder CSAT sind rar; behandeln Sie Herstellerangaben als ungeprüft und pilotieren Sie mit eigener A/B-Messung.
• Umstritten: Kritiker argumentieren, dass Akzentkonvertierung Akzentvorurteile verstärkt, statt sie infrage zu stellen, und dass Kunden nicht informiert werden, dass die Stimme synthetisch ist.

Varianten

• Akzentangleichung (gleiche Sprache): z. B. indisches, philippinisches oder nigerianisches Englisch auf ein General-American-, britisches oder irisches Ziel für englischsprachigen Support.
• Sprachübersetzung in Echtzeit: Der Agent spricht eine Sprache, der Kunde hört eine andere im Timbre des Agenten (überschneidet sich mit SPEECH-003; hier ist der Agent die einzige konvertierte Partei).
• Konvertierung des eingehenden Audios („den Kunden klar hören“): den Akzent des Kunden für das Ohr des Agenten konvertieren; dies verarbeitet die Stimme des Kunden und braucht daher eine strengere Rechtsgrundlage und Information.
• Nur Unterdrückung von Rauschen und Hintergrundstimmen: die risikoarme Teilvariante, siehe SPEECH-008.
• Private Nutzung / Gaming: Stimmverfremder für Kreative; hier nicht Gegenstand.

So funktioniert es

1. Agenten-Mikrofon
2. VAD + Rauschunterdrückung
3. Streaming-Inhalts-/Prosodie-Encoder (akzentinvariant)
4. Ziel-Akzent-Decoder / neuronaler Vocoder mit Sprecher-Embedding des Agenten (Timbre bleibt erhalten)
5. (optional) Streaming-Übersetzungskopf
6. Softphone / SBC / CCaaS-Medienpfad
7. Ohr des Kunden; paralleler Abgriff
8. Aufzeichnung, ASR, Analytik, Kennzeichnung

• Kernmodell: ein latenzarmes Streaming-Sprache-zu-Sprache-Netz (Encoder-Decoder mit Sprecher- Embedding), trainiert auf gepaarter oder synthetisch gepaarter akzentbehafteter/Zielsprache. Erforderlich sind Inferenz in Blöcken, ein Budget von ca. 100-300 ms und eine Laufzeit auf GPU oder NPU im Gerät.
• Einsatzort: auf dem PC des Agenten als virtuelles Audiogerät (hält das Audio lokal und verringert Netzwerksprünge) oder in der Cloud als Hop im Medienserver (SIP/WebRTC).
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Agent kann die Konvertierung abschalten, Vorgesetzte prüfen Qualitätsstichproben, und ein Rückfall auf das Rohaudio greift, wenn die Latenz das Budget überschreitet.
• Fehlerbehandlung: Konvertierungsfehler können Phoneme und damit die Bedeutung von Zahlen, Namen und Adressen verändern; kritische Angaben sollten per Text/SMS bestätigt werden.

Datenaufbereitung

Klassische Datenaufbereitung ist kaum nötig, weil das Produkt mit dem Live-Audiostrom arbeitet. Entscheidend ist das Umfeld: die Telefonieplattform (Softphone, CCaaS, SIP-Trunk), Headsets und Netzwerkqualität sowie Einwilligung und Information von Agenten und Anrufern.

Typische Lücken: unbekanntes Latenzbudget, uneinheitliche Headsets, keine Liste der betroffenen Warteschlangen und Standorte, unklare Einwilligung der Agenten, keine erfasste Ausgangsbasis für Kundenzufriedenheit und Bearbeitungszeit. - Pilotaufnahmen: Vorher-/Nachher-Proben freiwilliger Agenten (mit Einwilligung) als Testset mit Fachleuten sammeln (PREP-018). - Ausgangsbasis: Bearbeitungszeit, Qualitätswerte und Beschwerden aus dem CCaaS oder CRM exportieren (PREP-005). - Stimmdaten: Stimme ist ein personenbezogenes und möglicherweise biometrisches Datum; Aufbewahrung festlegen, kein Modelltraining mit Agentenstimmen ohne Grundlage (PREP-025). - Werkzeuge: der Testmodus des Anbieters, Softphone-Protokolle, MOS- oder Latenzmessung.

Der Aufwandsanteil ist gering (etwa 10-15 %); der größte Teil der Arbeit sind Integration, Einwilligung und Veränderungsmanagement.

Datenaufbereitung

Klassische Datenaufbereitung ist kaum nötig, weil das Produkt mit dem Live-Audiostrom arbeitet. Entscheidend ist das Umfeld: die Telefonieplattform (Softphone, CCaaS, SIP-Trunk), Headsets und Netzwerkqualität sowie Einwilligung und Information von Agenten und Anrufern.

Typische Lücken: unbekanntes Latenzbudget, uneinheitliche Headsets, keine Liste der betroffenen Warteschlangen und Standorte, unklare Einwilligung der Agenten, keine erfasste Ausgangsbasis für Kundenzufriedenheit und Bearbeitungszeit. - Pilotaufnahmen: Vorher-/Nachher-Proben freiwilliger Agenten (mit Einwilligung) als Testset mit Fachleuten sammeln (PREP-018). - Ausgangsbasis: Bearbeitungszeit, Qualitätswerte und Beschwerden aus dem CCaaS oder CRM exportieren (PREP-005). - Stimmdaten: Stimme ist ein personenbezogenes und möglicherweise biometrisches Datum; Aufbewahrung festlegen, kein Modelltraining mit Agentenstimmen ohne Grundlage (PREP-025). - Werkzeuge: der Testmodus des Anbieters, Softphone-Protokolle, MOS- oder Latenzmessung.

Der Aufwandsanteil ist gering (etwa 10-15 %); der größte Teil der Arbeit sind Integration, Einwilligung und Veränderungsmanagement.

Datenaufbereitung

Klassische Datenaufbereitung ist kaum nötig, weil das Produkt mit dem Live-Audiostrom arbeitet. Entscheidend ist das Umfeld: die Telefonieplattform (Softphone, CCaaS, SIP-Trunk), Headsets und Netzwerkqualität sowie Einwilligung und Information von Agenten und Anrufern.

Typische Lücken: unbekanntes Latenzbudget, uneinheitliche Headsets, keine Liste der betroffenen Warteschlangen und Standorte, unklare Einwilligung der Agenten, keine erfasste Ausgangsbasis für Kundenzufriedenheit und Bearbeitungszeit. - Pilotaufnahmen: Vorher-/Nachher-Proben freiwilliger Agenten (mit Einwilligung) als Testset mit Fachleuten sammeln (PREP-018). - Ausgangsbasis: Bearbeitungszeit, Qualitätswerte und Beschwerden aus dem CCaaS oder CRM exportieren (PREP-005). - Stimmdaten: Stimme ist ein personenbezogenes und möglicherweise biometrisches Datum; Aufbewahrung festlegen, kein Modelltraining mit Agentenstimmen ohne Grundlage (PREP-025). - Werkzeuge: der Testmodus des Anbieters, Softphone-Protokolle, MOS- oder Latenzmessung.

Der Aufwandsanteil ist gering (etwa 10-15 %); der größte Teil der Arbeit sind Integration, Einwilligung und Veränderungsmanagement.

Umsetzungswege

Welcher Weg für wen

• Unternehmen: Weg A. Echtzeit-Stimmkonvertierung braucht sehr niedrige Latenz und abgestimmte Modelle; ausgereifte Anbieterprodukte lassen sich in das Softphone oder Headset integrieren, daher ist Kaufen schneller und sicherer.
• Entwickler: Weg B. Cloud-Stimm- und Streaming-APIs erlauben eigene Prototypen; Selbst betreiben erfordert Hardware der Klasse HW3 bei geringem Mehrwert.

Welcher Weg für wen

• Unternehmen: Weg A. Echtzeit-Stimmkonvertierung braucht sehr niedrige Latenz und abgestimmte Modelle; ausgereifte Anbieterprodukte lassen sich in das Softphone oder Headset integrieren, daher ist Kaufen schneller und sicherer.
• Entwickler: Weg B. Cloud-Stimm- und Streaming-APIs erlauben eigene Prototypen; Selbst betreiben erfordert Hardware der Klasse HW3 bei geringem Mehrwert.

Welcher Weg für wen

• Unternehmen: Weg A. Echtzeit-Stimmkonvertierung braucht sehr niedrige Latenz und abgestimmte Modelle; ausgereifte Anbieterprodukte lassen sich in das Softphone oder Headset integrieren, daher ist Kaufen schneller und sicherer.
• Entwickler: Weg B. Cloud-Stimm- und Streaming-APIs erlauben eigene Prototypen; Selbst betreiben erfordert Hardware der Klasse HW3 bei geringem Mehrwert.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• Spezialisierte Anbieter: Sanas (US, Akzentübersetzung und Echtzeitübersetzung) [1]; Krisp (Akzentkonvertierung plus Geräuschunterdrückung, US/in Armenien gegründet) [2]; Tomato.ai (Akzent- abschwächung) sowie vergleichbare Angebote von CCaaS-/Telefonieanbietern wie Genesys, NICE und Five9 über Partner. Optionen mit Sitz in der EU sind begrenzt; Verarbeitungsort und Unterauftragsverarbeiter-Liste ausdrücklich prüfen.
• A wählen, wenn: Sie Produktionsqualität und Integration in den Agenten-Desktop innerhalb von Wochen bis Monaten brauchen; einen Stimmkonvertierungs-Stack unter 300 ms selbst zu bauen lohnt sich selten.
• Prüfen: Ende-zu-Ende-Latenz in Ihrem Netz, unterstützte Akzente und Sprachen, ob Audio die EU verlässt, Aufbewahrung der Stimm-Embeddings, eine Funktion zur Kennzeichnung sowie betriebsratsfähige Dokumentation.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Cloud-APIs liefern meist Teilbausteine, keine Akzentkonvertierung: Echtzeit-Sprache-zu-Sprache-APIs wie OpenAI Realtime und Google Gemini Live sowie die Stimm- und Agenten-APIs von ElevenLabs, die eine Stimme erzeugen, statt das Timbre des Agenten mit niedriger Latenz zu erhalten. Mistrals Voxtral bietet Sprachverständnis eines EU-Anbieters.
• Akzentkonvertierung über eine Kaskade (ASR → Text → TTS in geklonter Stimme) erhöht die Latenz spürbar und verliert Prosodie; sie eignet sich für asynchrone oder wenig interaktive Nutzung, nicht für natürliche Gespräche.

Weg C — Selbst betreiben (Open Source)

• Bausteine: offene Werkzeuge zur Stimmkonvertierung wie RVC und OpenVoice, Seed-VC (Zero-Shot, streamingfähig), Sprecher-Embedding-Encoder, Whisper oder Parakeet für ASR zur Überwachung, RNNoise/DeepFilterNet zum Entrauschen und die offenen Streaming-Sprachmodelle von Kyutai (Moshi, Unmute) als Forschungsbasis eines EU-Labors [3].
• Hardware: HW3 für einen gemeinsamen Inferenzserver; Inferenz im Gerät je Agent braucht einen aktuellen NPU- oder GPU-Laptop. Qualität, Stabilität und Latenz unter Last liegen in der Regel unter kommerziellen Produkten.
• Betriebsaufwand: hoch; Echtzeit-Medientechnik (Jitter, Paketverlust, Barge-in) ist der schwierige Teil.

Weg D — Eigenes Training

Lohnt sich nur für einen Anbieter oder ein sehr großes BPO mit bestimmten Akzentpaaren oder ressourcenarmen Sprachen. Erfordert eingewilligte, hochwertige, beschriftete Aufnahmen der Agentenpopulation (Hunderte Stunden) und passende Sprache im Zielakzent; alle Trainingsdaten sind nahezu biometrische personenbezogene Daten und brauchen eine ausdrückliche Einwilligung sowie einen Löschprozess.

Stand der Technik (2026)

• Streaming-Sprache-zu-Sprache-Modelle mit rund 200 ms zusätzlicher Latenz sind für die wichtigsten englischen Akzente produktionsreif; die Timbre-Erhaltung ist gut, die Erhaltung von Prosodie und Emotion nur teilweise.
• Übersetzung in der Stimme des Sprechers hat sich von der Demo zum Produkt entwickelt (z. B. Sanas, 2025) [1], doch Genauigkeit und Sprecherwechsel in verrauschter Telefonie (8 kHz Schmalband) bleiben hinter sauberem Audio zurück.
• Grenzen und Fehlerbilder: falsch wiedergegebene Eigennamen, Ziffern und Codes; Artefakte bei überlappender Sprache; geringere Genauigkeit bei stark akzentbehafteter oder codewechselnder Sprache und bei Akzenten außerhalb der Trainingsdaten; zusätzliche Latenz, die den Gesprächsrhythmus stört; unheimlich wirkende oder roboterhafte Ausgabe auf schlechten Leitungen; nachgelagerte ASR/Analytik, die konvertiertes statt Originalaudio sieht.
• Verzerrung (Bias): Der Ziel-Akzent ist ein Werturteil; die Leistung unterscheidet sich zwischen Sprechergruppen und sollte je Akzent gemessen werden.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (speech-to-speech + tts + streaming): SPEECH-007 (Stimmklonen und Synchronisation, offline), SPEECH-003 (Echtzeit-Dolmetschen), CONV-002 (Sprachagenten), SPEECH-008 (Entrauschen).
• Contact-Center-Stack: SPEECH-002 (Anrufanalytik, auf Original- und konvertiertem Audio ausführen), SPEECH-010 (Stimmbiometrie; die Konvertierung kann die Stimmauthentifizierung auf beiden Seiten stören).
• Gegenseitige Nutzung: Dieselbe Technik treibt Stimmbetrug und Identitätsimitation an; siehe ANOM-025.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für einen Pilot mit 20-50 Agenten; monatliche Lizenzen je Agent; Hauptkosten sind Integration, Netzwerktests und Veränderungsmanagement.
• Weg C/D: viele Monate und ein spezialisiertes Echtzeit-Audio-Team; GPU-Server.
• Kennzahlen: zusätzliche Ende-zu-Ende-Latenz (p95), Mean Opinion Score und Wortfehlerrate von konvertiertem im Vergleich zu rohem Audio, Verständlichkeit für Kunden („Konnten Sie den Agenten verstehen?“), Quote wiederholter Rückfragen, durchschnittliche Bearbeitungszeit, CSAT/NPS, Eskalationsquote, Zufriedenheit und Fluktuation der Agenten, Beschwerden über nicht gekennzeichnete synthetische Stimmen.

Menschen & Veränderung

Beziehen Sie vor jedem Pilot die Geschäftsleitung und die Fachbereichsleitung (Contact Center), den Betriebsrat und HR ein, danach die Endnutzer, die IT, Recht/Compliance und die/den Datenschutzbeauftragte(n). Dieser Anwendungsfall verändert, wie Beschäftigte klingen, und ist aus Gründen der Diskriminierung und Transparenz sensibel; die Einbindung muss daher früh und ehrlich erfolgen.

Betriebsrat: ja. Das System verarbeitet Stimme und Aktivität der Agenten und ist objektiv geeignet, das Verhalten zu überwachen (§87 Abs. 1 Nr. 6 BetrVG, laut BAG); der Betriebsrat muss zudem über KI-gestützte Arbeitsprozesse informiert werden (§90 Abs. 1 Nr. 3) und kann einen Sachverständigen hinzuziehen (§80 Abs. 3). Vereinbaren Sie eine Betriebsvereinbarung zu Zweck, Freiwilligkeit, keiner Leistungsbewertung und keiner Aufzeichnung (GUIDE-004). Öffentlicher Dienst: Personalrat.

Eine DSFA ist wahrscheinlich (Stimmdaten von Beschäftigten, systematische Verarbeitung); siehe GUIDE-005. Transparenz nach Art. 50: prüfen, ob Anrufer über synthetische Stimmelemente informiert werden müssen. Maßnahmen zur KI-Kompetenz: Schulung für Agenten und Teamleitungen (GUIDE-006). Zuerst mit Freiwilligen pilotieren, Agenten den Ausstieg ermöglichen und klar kommunizieren, dass das Ziel Verständlichkeit ist, nicht das Verbergen von Identität (GUIDE-008). Der Mensch behält die Kontrolle: Der Agent kann die Konvertierung jederzeit abschalten.

Menschen & Veränderung

Beziehen Sie vor jedem Pilot die Geschäftsleitung und die Fachbereichsleitung (Contact Center), den Betriebsrat und HR ein, danach die Endnutzer, die IT, Recht/Compliance und die/den Datenschutzbeauftragte(n). Dieser Anwendungsfall verändert, wie Beschäftigte klingen, und ist aus Gründen der Diskriminierung und Transparenz sensibel; die Einbindung muss daher früh und ehrlich erfolgen.

Betriebsrat: ja. Das System verarbeitet Stimme und Aktivität der Agenten und ist objektiv geeignet, das Verhalten zu überwachen (§87 Abs. 1 Nr. 6 BetrVG, laut BAG); der Betriebsrat muss zudem über KI-gestützte Arbeitsprozesse informiert werden (§90 Abs. 1 Nr. 3) und kann einen Sachverständigen hinzuziehen (§80 Abs. 3). Vereinbaren Sie eine Betriebsvereinbarung zu Zweck, Freiwilligkeit, keiner Leistungsbewertung und keiner Aufzeichnung (GUIDE-004). Öffentlicher Dienst: Personalrat.

Eine DSFA ist wahrscheinlich (Stimmdaten von Beschäftigten, systematische Verarbeitung); siehe GUIDE-005. Transparenz nach Art. 50: prüfen, ob Anrufer über synthetische Stimmelemente informiert werden müssen. Maßnahmen zur KI-Kompetenz: Schulung für Agenten und Teamleitungen (GUIDE-006). Zuerst mit Freiwilligen pilotieren, Agenten den Ausstieg ermöglichen und klar kommunizieren, dass das Ziel Verständlichkeit ist, nicht das Verbergen von Identität (GUIDE-008). Der Mensch behält die Kontrolle: Der Agent kann die Konvertierung jederzeit abschalten.

Menschen & Veränderung

Beziehen Sie vor jedem Pilot die Geschäftsleitung und die Fachbereichsleitung (Contact Center), den Betriebsrat und HR ein, danach die Endnutzer, die IT, Recht/Compliance und die/den Datenschutzbeauftragte(n). Dieser Anwendungsfall verändert, wie Beschäftigte klingen, und ist aus Gründen der Diskriminierung und Transparenz sensibel; die Einbindung muss daher früh und ehrlich erfolgen.

Betriebsrat: ja. Das System verarbeitet Stimme und Aktivität der Agenten und ist objektiv geeignet, das Verhalten zu überwachen (§87 Abs. 1 Nr. 6 BetrVG, laut BAG); der Betriebsrat muss zudem über KI-gestützte Arbeitsprozesse informiert werden (§90 Abs. 1 Nr. 3) und kann einen Sachverständigen hinzuziehen (§80 Abs. 3). Vereinbaren Sie eine Betriebsvereinbarung zu Zweck, Freiwilligkeit, keiner Leistungsbewertung und keiner Aufzeichnung (GUIDE-004). Öffentlicher Dienst: Personalrat.

Eine DSFA ist wahrscheinlich (Stimmdaten von Beschäftigten, systematische Verarbeitung); siehe GUIDE-005. Transparenz nach Art. 50: prüfen, ob Anrufer über synthetische Stimmelemente informiert werden müssen. Maßnahmen zur KI-Kompetenz: Schulung für Agenten und Teamleitungen (GUIDE-006). Zuerst mit Freiwilligen pilotieren, Agenten den Ausstieg ermöglichen und klar kommunizieren, dass das Ziel Verständlichkeit ist, nicht das Verbergen von Identität (GUIDE-008). Der Mensch behält die Kontrolle: Der Agent kann die Konvertierung jederzeit abschalten.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act, VO 2024/1689): Ein typischer Einsatz ist begrenztes Risiko mit Transparenz- pflichten nach Art. 50. Anbieter von Systemen, die synthetisches Audio erzeugen, müssen Ausgaben maschinenlesbar kennzeichnen (Art. 50 Abs. 2); Betreiber von Audio, das einer realen Person ähnelt und authentisch wirken könnte („Deepfake“), müssen dies offenlegen (Art. 50 Abs. 4); Personen müssen informiert werden, wenn sie mit KI interagieren (Art. 50 Abs. 1). Ob die Akzentkonvertierung eines realen Agenten als „Deepfake“ gilt, ist ungeklärt; der vorsichtige Weg ist ein kurzer Hinweis an Kunden und eine dokumentierte rechtliche Bewertung [4].
• Verbot nach Art. 5 (Hinweis): den Sprachstrom nicht mit Emotionserkennung von Beschäftigten am Arbeitsplatz kombinieren (Art. 5 Abs. 1 Buchst. f); dies betrifft die Bewertung von Stimmung oder Stress von Agenten anhand der Stimme. Auch Analysen der Kundenemotion erfordern eine sorgfältige Prüfung.
• Hochrisiko-Grenzfall (Anhang III, Beschäftigung): Wird die Konvertierung oder ihre Qualitätswerte für die Bewertung, Beförderung oder Kündigung von Agenten genutzt, könnte das System als Hochrisiko-KI einzustufen sein.
• DSGVO: Stimme ist ein personenbezogenes Datum; Stimm-Embeddings, die zur Identifizierung einer Person genutzt werden, können biometrische Daten (Art. 9) sein, wenn sie zur eindeutigen Identifizierung verarbeitet werden. Vermeiden Sie daher dauerhafte Stimmabdrücke, stützen Sie sich nur nach einer DSFA auf eine einwilligungsunabhängige Rechtsgrundlage und informieren Sie Kunden über Aufzeichnung und Verarbeitung durch Dritte. Die Konvertierung des eingehenden Kundenaudios braucht eine eigene Rechtsgrundlage.
• Arbeitsrecht: In Deutschland hat der Betriebsrat Mitbestimmungsrechte bei technischen Systemen, die die Leistung überwachen (BetrVG §87 Abs. 1 Nr. 6); Agenten müssen ohne Nachteile aussteigen können.
• Verbraucher/Ethik: Bedenken wegen Diskriminierung und Akzentvorurteilen, Täuschung von Kunden und betrügerischem Missbrauch; Regeln gegen Telefonbetrug und nationales Verbraucherrecht können eine klare Identifizierung verlangen.
• Gegenmaßnahmen: Hinweis an Anrufer, Verarbeitung im Gerät, keine Speicherung von Stimmabdrücken, Ausstiegsrecht der Agenten, Bias-Tests je Akzent, DSFA und Protokollierung des Konvertierungsstatus je Anruf.

Erste Schritte

1. Das eigentliche Problem definieren (Verständlichkeit oder Personalgewinnung) und die Ausgangswerte für AHT, Quote wiederholter Rückfragen und CSAT erfassen.
2. Die rechtliche und betriebsrätliche Prüfung durchführen: DSFA, Formulierung des Hinweises nach Art. 50, Ausstiegsrecht der Agenten.
3. Zwei Anbieter auf dem eigenen Telefoniepfad (8 kHz, VPN, Softphone) pilotieren und p95-Latenz sowie Fehler bei Angaben wie Namen und Zahlen messen.
4. A/B-Test mit und ohne Konvertierung; konvertierte Anrufe stichprobenartig auf Ziffern, Namen und Adressen prüfen.
5. Einführung mit Hinweis an Kunden, Textbestätigung für kritische Daten und vierteljährlicher Bias-Prüfung.

Quellen

1. Sanas company and press pages (accent translation, 2025 funding, real-time translation) — https://www.sanas.ai
2. Krisp AI Accent Conversion — https://krisp.ai/accent-conversion/
3. Kyutai — Moshi and Unmute open speech models — https://github.com/kyutai-labs/moshi
4. Regulation (EU) 2024/1689 (AI Act), Art. 5 and Art. 50 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. European Commission — AI Act regulatory framework — https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
6. Seed-VC open-source voice conversion — https://github.com/Plachtaa/seed-vc