Sprachtechnologie
Sprachlatenz
Auch genannt: Antwortlatenz · Turn-Latenz
Sprachlatenz ist die Round-Trip-Verzögerung zwischen dem Satzende des Anrufers und dem Beginn der Antwort des Agenten. Sie ist die Summe aus Speech-to-Text-, Sprachmodell- und Text-to-Speech-Zeit. Eine Latenz unter einer Sekunde ist der Maßstab für ein natürliches Gespräch.
Menschen bemerken Pausen, die länger als etwa 500–800 ms sind. Hohe Latenz lässt einen Agenten roboterhaft wirken und führt dazu, dass Anrufer ihm ins Wort fallen. Die Latenz zu minimieren ist eine zentrale technische Herausforderung in der Echtzeit-Voice-AI.
Verwandte Begriffe
Speech-to-TextTechnologie, die gesprochenes Audio in Echtzeit in Text transkribiert. Über STT versteht ein Sprachagent, was der Anrufer sagt.Text-to-SpeechTechnologie, die geschriebenen Text in natürlich gesprochenes Audio umwandelt. TTS verleiht einem KI-Sprachagenten seine Stimme.EndpointingDas Erkennen, wann der Anrufer zu Ende gesprochen hat, damit der Agent weiß, dass er nun antworten darf. Schlechtes Endpointing führt zu unangenehmen Pausen oder Unterbrechungen.Barge-inDie Fähigkeit eines Anrufers, den Agenten mitten im Satz zu unterbrechen, sodass er stoppt und zuhört — unerlässlich für ein natürliches, nicht frustrierendes Gespräch.
Sehen Sie Sprachlatenz in einem echten Anruf.
Buchen Sie eine 30-minütige Demo und sehen Sie, wie Finn eingehende und ausgehende Anrufe durchgehend bearbeitet — ohne Stack zusammenzustellen.
Try Finn for free