Full-Duplex-Voice-KI: Warum echte Gespräche beide Kanäle brauchen

Die meisten Voice-KI-Systeme sprechen noch immer wie ein Funkgerät. Sie sprechen, Sie warten, das System antwortet – und wenn Sie dazwischenreden, spricht es einfach weiter oder verliert komplett den Faden.

So reden Menschen nicht. In einem echten Telefonat hören und sprechen beide Seiten gleichzeitig. Wir sagen „mhm“, während das Gegenüber noch mitten im Satz ist. Wir unterbrechen, um ein Detail zu korrigieren. Wir halten inne, um nachzudenken, ohne das Wort abzugeben.

Full-Duplex-Sprachmodelle sind genau für diese Art von Gespräch gebaut. Hier erfahren Sie, wie sie funktionieren, warum sie für die Customer Experience wichtig sind und wie Maven Voice sie in echten Supportanrufen einsetzt.

Was „Full Duplex“ bedeutet

Der Begriff stammt aus der Telekommunikation. Er beschreibt, wie ein Kanal Datenverkehr in beide Richtungen abwickelt.

• Half Duplex: Daten fließen in beide Richtungen, aber immer nur in eine zur selben Zeit. Das klassische Beispiel ist das Funkgerät: Taste drücken zum Sprechen, loslassen zum Hören und „Over“ sagen, damit die andere Seite weiß, dass sie dran ist.
• Full Duplex: Daten fließen gleichzeitig in beide Richtungen. Ein Telefonat ist Full Duplex. Sie hören Ihr Gegenüber, während Sie selbst sprechen.

Die meisten Voice Agents verhalten sich heute wie Half-Duplex-Systeme, obwohl sie über Full-Duplex-Telefonleitungen laufen. Der Agent wartet auf Stille, entscheidet, dass der Anrufer fertig ist, erzeugt eine Antwort und spielt sie ab. Während er spricht, ist er praktisch taub.

Ein Full-Duplex-Sprachmodell hört weiter zu, während es spricht. Es verarbeitet eingehendes Audio und erzeugt ausgehendes Audio parallel und kann so in Echtzeit auf den Anrufer reagieren.

So funktionieren Full-Duplex-Sprachmodelle

Um zu verstehen, was sich ändert, lohnt ein Blick darauf, wie die meisten Voice Agents heute aufgebaut sind. Der übliche Ansatz ist eine kaskadierte Pipeline:

1. Speech-to-Text transkribiert das Audio des Anrufers.
2. Turn Detection wartet auf eine Pause, die lang genug ist, um zu entscheiden, dass der Anrufer fertig ist.
3. Ein Sprachmodell liest das Transkript und formuliert eine Antwort.
4. Text-to-Speech wandelt diese Antwort wieder in Audio um.

Jede Übergabe kostet Zeit, und bei jedem Schritt gehen Informationen verloren. Die Transkription entfernt Tonfall, Zögern und Betonung. Die Turn Detection rät anhand von Stille: Ein Anrufer, der kurz innehält, um seine Kontonummer herauszusuchen, wird unterbrochen, während ein schnell sprechender Anrufer eine unangenehme Pause aushalten muss.

Full-Duplex-Modelle machen diese Kette überflüssig. Sie arbeiten in beiden Richtungen direkt mit Audio – oft als Speech-to-Speech bezeichnet – und lassen Zuhören und Sprechen als zwei kontinuierliche Streams laufen. Das ermöglicht Verhaltensweisen, die in einem Live-Gespräch entscheidend sind:

• Barge-in. Unterbricht ein Anrufer mit „Nein, die andere Adresse“, hält das Modell inne, übernimmt die Korrektur und passt sich an. Es spult kein Skript zu Ende ab, das der Anrufer bereits abgelehnt hat.
• Backchannels. Kurze Signale wie „verstanden“ oder „okay“ zeigen, dass der Agent folgt, ohne das Wort an sich zu reißen.
• Natürlicher Sprecherwechsel. Das Modell berücksichtigt neben Stille auch Intonation und Kontext und kann so eine Denkpause von einem abgeschlossenen Gedanken unterscheiden.
• Paralinguistische Signale. Frust, Verwirrung und Dringlichkeit zeigen sich darin, wie etwas gesagt wird. Ein Modell, das das Audio direkt hört, kann darauf reagieren – ein Transkript hätte diese Nuancen eingeebnet.

Warum das für die Customer Experience wichtig ist

Im Telefonsupport zeigt sich Gesprächsqualität am schnellsten. Anrufer sind oft gestresst, erledigen nebenbei andere Dinge oder rufen an, weil der Self-Service bereits versagt hat. Jede unangenehme Pause und jede überhörte Korrektur kostet Geduld.

Full Duplex verändert einige Dinge, die für Support-Verantwortliche zählen:

• Weniger Eskalationen aus Frust. Anrufer drücken die Null, wenn sie sich nicht gehört fühlen. Ein Agent, der mit Unterbrechungen und Korrekturen umgehen kann, hält sie im Gespräch.
• Kürzere Anrufe. Anrufer können vorspringen, Details mitten im Satz bestätigen und überflüssige Abfragen überspringen.
• Sauberere Datenerfassung. Kontonummern, Adressen und Bestelldetails kommen oft bruchstückhaft und mit Korrekturen. Kontinuierliches Zuhören macht es leichter, sie gleich beim ersten Mal richtig zu erfassen.
• Ein Markenerlebnis, das menschlich klingt. Telefon ist noch immer der Kanal, den Kunden für ihre dringendsten Anliegen nutzen. Wie der Agent klingt, so klingt das Unternehmen.

Was Maven Voice auszeichnet

Eine natürlich klingende Stimme ist nur die halbe Miete. In einem Supportanruf muss der Agent auch das Problem verstehen, Aktionen in Ihren Systemen ausführen und sich an Ihre Richtlinien halten. Maven Voice verbindet Full-Duplex-Gespräche mit den Reasoning-Fähigkeiten und Integrationen der Maven AGI Plattform.

Speech-to-Speech im Produktivbetrieb. Maven Voice setzt Voice-to-Voice-Modelle in Live-Anrufen von Unternehmen ein, sodass Tonfall und Sprechtempo ab dem ersten Wort des Anrufers erhalten bleiben. Unser Partner IBEX bezeichnet Maven als ersten Anbieter, der Speech-to-Speech vollständig in den Produktivbetrieb für Unternehmen gebracht hat.

Freie Wahl der Engine ohne Neuaufbau. Maven Voice arbeitet mit führenden Voice-Anbietern zusammen, darunter OpenAI und Phonic. Sie wählen die Engine, die zu Ihrem Use Case passt. Maven übernimmt Orchestrierung, Reasoning und Integration – der Wechsel oder das Hinzufügen einer Engine bedeutet also keinen Neuanfang.

Gespräche, die zu Ergebnissen führen. Maven Voice ist mit den Systemen hinter Ihrem Support-Team verbunden. Es kann eine Bestellung prüfen und Ersatz verschicken, eine Karte sperren und eine neue ausstellen oder einen Termin verschieben – alles im selben Anruf.

Gebaut für unruhige Audioumgebungen. Wir haben Maven Voice in U-Bahnen, an Flughäfen und in Sportstadien getestet. Anrufer melden sich nicht immer aus einem ruhigen Raum – und Ihr Agent muss sie trotzdem verstehen.

57 Sprachen, Wechsel mitten im Gespräch. Anrufer können während des Gesprächs die Sprache wechseln, und Maven Voice zieht mit.

Passt in Ihr Contact Center. Kunden wählen weiterhin dieselben Nummern. Maven Voice arbeitet mit Ihrem bestehenden Routing und Ihren Plattformen zusammen. Wird ein Mensch gebraucht, übergibt es mit vollständigem Kontext, sodass der Anrufer nichts wiederholen muss.

Sicherheit auf Enterprise-Niveau. Integrierte Audio- und Textschwärzung schützt sensible Informationen bei der Übertragung und im Ruhezustand – abgesichert durch 15 Zertifizierungen und Prüfungen, darunter ISO 42001 und PCI-DSS 4.0 Level 1.

Voice-Kunden wie Papaya Pay nutzen Maven Voice bereits, um rund um die Uhr (24/7) Telefonsupport anzubieten und dabei Qualität und Kontrolle in den eigenen Händen zu behalten.

Überzeugen Sie sich selbst

Am schnellsten verstehen Sie Full-Duplex-Voice, wenn Sie damit sprechen. Unterbrechen Sie es. Ändern Sie mitten im Satz Ihre Meinung. Wechseln Sie die Sprache. Und sehen Sie dann zu, wie es das Anliegen End-to-End löst.

** Maven Voice Demo buchen ** und hören, wie Ihre Anrufe klingen könnten.