Blogs
/
Wie menschlich muss ein KI-Sprachagent klingen, bevor er verkaufen kann?

Wie menschlich muss ein KI-Sprachagent klingen, bevor er verkaufen kann?

Retell
AI Voice Agent Platform
Published 
November 17, 2026
9
 min read
Wie menschlich muss ein KI-Sprachagent klingen, bevor er verkaufen kann?
About this article
Was ein Prompt ändern kann, was Stimm- und Agenteneinstellungen ändern, wie menschlich die Stimme je Outbound-Anruftyp sein muss und wie Sie das an echten Anrufen testen.
ZURÜCK ZU DEN BLOGS
See Retell AI in action
Start free
Nach oben

Ein KI-Sprachagent muss so menschlich klingen, dass der Interessent weiter am Gespräch bleibt, und wie viel dafür nötig ist, hängt vom Anruf ab: Eine Erinnerung braucht eine klare Stimme mit gutem Timing, ein Kaltakquise-Anruf dagegen eine Sprechweise, die sich dem Moment anpasst. Auf welcher Seite dieser Grenze Sie stehen, finden Sie heraus, indem Sie echte Outbound-Anrufe auf zwei Stimm-Setups aufteilen und die Conversion vergleichen. Eine Demo anzuhören verrät Ihnen, was Ihnen gefällt. Sie verrät Ihnen nicht, wie Ihre Interessenten reagieren.

Dieser Leitfaden richtet sich an alle, die für die Outbound-Conversion verantwortlich sind. Er trennt, was ein Prompt verändert, von dem, was Stimm- und Agenteneinstellungen verändern, legt je Anruftyp eine Messlatte fest und beschreibt einen Test für Live-Anrufe.

Was meinen Käufer, wenn sie sagen, die Stimme klinge nicht menschlich genug?

Sie meinen Prosodie: Tonhöhe, Tempo, Lautstärke, Pausen und Betonung eines Sprechers – und wie sich diese je nach Situation verändern. Ein guter Vertriebsmitarbeiter senkt die Stimme vor einem Preis, wird langsamer, wenn der Interessent zögert, und klingt heller, wenn die Antwort Ja lautet. Ein Agent kann den richtigen Satz flach oder gleichbleibend fröhlich sagen, und der Interessent hört ein Skript.

Teams, die an diese Grenze stoßen, haben den Prompt meist schon viele Male umgeschrieben. Die Formulierungen wurden besser, der Einwand blieb – denn Wortwahl und Sprechweise entstehen in unterschiedlichen Teilen des Systems.

Was kann ein Prompt ändern und was nicht?

Ein Prompt ändert, was der Agent sagt. Wie es gesagt wird, entscheiden die gewählte Stimme und die Spracheinstellungen des Agenten. Wenn Sie den Prompt immer wieder bearbeiten, um ein Problem mit der Sprechweise zu beheben, arbeiten Sie an der falschen Ebene.

Bei Retell sehen die Ebenen so aus. Die Namen der Einstellungen entsprechen denen in der Produktdokumentation.

EbeneWas sie steuertWo Sie sie einstellenWas sie nicht behebt
WorteSatzlänge, Formulierung, Füllwörter, empathische Sprache, wie Zahlen ausgedrückt werdenDer Prompt sowie Agent-Handbook-Presets: Default Tone (Professional + Conversational), Natural Filler Words, High Empathy, Speech NormalizationEine flache oder steife Wiedergabe gut geschriebener Sätze
StimmeWer spricht: Klangfarbe, Akzent, Alter, GrundenergieSelect Voice: Platform Voices, Custom Providers oder ein Voice-CloneWortwahl oder wann der Agent spricht
SprechweiseTempo, Lautstärke, Emotion, Betonung, PausenVoice Speed, Lautstärke, Expressive mode, Steuerung von Pausen und AusspracheEine Stimme, die nicht zu Ihrer Zielgruppe passt
TimingWie lange der Agent wartet, wie leicht er sich unterbrechen lässt, kleine ZuhörgeräuscheSpracheinstellungen: Response Wait time, Interruption Sensitivity, Enable Backchanneling, Background soundDen emotionalen Ton innerhalb eines Satzes
Ebenenmodell dessen, was den Klang eines KI-Sprachagenten bei einem Verkaufsanruf prägt. Ebene 1, Worte: der Prompt und Agent-Handbook-Presets. Ebene 2, Stimme: eine Plattformstimme, eine Stimme eines benutzerdefinierten Anbieters oder ein Voice-Clone. Ebene 3, Sprechweise: Voice Speed, Lautstärke und Tags des Expressive mode. Ebene 4, Timing: Response Wait time, Interruption Sensitivity, Backchanneling und Hintergrundgeräusch. Neben den Ebenen drei Tests: Die Textsimulation prüft nur die Worte, Web- und Telefonanrufe machen die Stimme hörbar, und eine A/B-Aufteilung des Traffics auf echte Anrufe misst die Conversion.
Ein Prompt bearbeitet nur die oberste Ebene, daher muss ein Problem mit der Sprechweise in den darunterliegenden Ebenen behoben und getestet werden. Diagramm von Retell AI, November 2026.

Die Agent-Handbook-Presets sind nach wie vor Werkzeuge auf Prompt-Ebene. Die Dokumentation beschreibt Professional + Conversational als einen Ton mit kurzen Redebeiträgen und jeweils nur einer Frage – geeignet für den Vertrieb. Er verändert das Skript, nicht das Audio.

Welche Einstellungen verändern den Klang der Stimme?

Vier Gruppen von Einstellungen verändern das Audio selbst, und jede hat eine dokumentierte Grenze.

Stimmauswahl. Platform Voices sind die kuratierte Bibliothek von Retell, die laut Dokumentation für konversationelle KI am Telefon feinabgestimmt und auf Verständlichkeit bei Telekom-Bitraten kalibriert ist. Sie können auch eine Stimme eines benutzerdefinierten Anbieters hinzufügen oder eine Stimme klonen. Ein Satz in der Dokumentation zum Klonen ist für Vertriebsteams wichtig: Der Clone reproduziert die Sprechweise, die er hört – nehmen Sie also in dem Ton, Tempo und der Energie auf, die Sie sich für Ihre Anrufe wünschen.

Tempo und Lautstärke. Voice Speed reicht von 0,5x bis 2,0x. Ist „Dynamically adjust based on user input“ aktiviert, verfolgt der Agent die Wörter pro Minute des Interessenten und passt sein eigenes Tempo schrittweise daran an. Die Lautstärke ist ein fester Wert für den Agenten. Die Dokumentation beschreibt keine Einstellung, die die Lautstärke innerhalb eines Anrufs von Moment zu Moment anhebt oder senkt – planen Sie also nicht damit.

Expressive mode. Dies ist die dokumentierte Steuerung, die einer situationsabhängigen Sprechweise am nächsten kommt. Ist sie aktiviert, fügt der Agent dem erzeugten Audio expressive Voice-Tags hinzu und wählt diese anhand des Gesprächs aus. Die Tags umfassen Emotionen (empathisch, begeistert, fröhlich, neugierig, überrascht), Effekte (Seufzen, Räuspern, Pause, lange Pause) und die Betonung des entscheidenden Worts. Sie legen fest, welche Tags erlaubt sind, können die Vorgaben dazu umschreiben, wann welches Tag greift, und ein Tag manuell in eine bestimmte Zeile setzen, etwa in den Gesprächseinstieg.

Die Grenzen sind ebenso konkret. Expressive mode funktioniert nur mit Platform Voices. Tags gelten in 13 Sprachen, und bei einem mehrsprachigen Agenten muss jede seiner Sprachen auf dieser Liste stehen. Der Agent setzt Tags sparsam ein, die meisten Zeilen haben keine. Zahlen, Namen, Uhrzeiten oder Preise werden nie getaggt – erwarten Sie also keine getaggte Änderung der Sprechweise beim Preis selbst.

Timing. Auch eine Stimme mit gutem Ton klingt falsch, wenn sie zu schnell antwortet oder anderen ins Wort fällt. Das steuern Response Wait time, Interruption Sensitivity und Backchanneling, und zu Sprecherwechsel und Umgang mit Unterbrechungen gibt es einen eigenen Leitfaden.

Für keine dieser Einstellungen ist dokumentiert, dass sie einen Agenten von einem Menschen ununterscheidbar macht. Behandeln Sie jede als Variable, die Sie testen. Menschlich zu klingen ist zudem eine andere Frage als die Offenlegung: Das Preset AI Disclosure When Asked ist für neue Agenten standardmäßig aktiviert, und welche Offenlegungen Ihre Anrufe erfordern, klären Sie am besten mit Ihrer Rechtsberatung oder Ihrer Compliance-Verantwortlichen.

Wenn Sie in mehr als einer Sprache verkaufen, wiegt die Begrüßung noch schwerer. Lesen Sie dazu die ersten 30 Sekunden eines mehrsprachigen KI-Sprachagenten.

Wie menschlich muss die Stimme für Ihren Anruftyp sein?

Die Messlatte steigt mit dem Vertrauen, das der Interessent aufbringen muss, bevor er Ja sagt. Die folgende Tabelle ist ein Ausgangspunkt für Ihren eigenen Test und basiert darauf, was jeder Anruf vom Zuhörer verlangt. Sie ist kein Benchmark.

Outbound-AnruftypWas der Interessent entscheidetMesslatte für die StimmeWomit Sie beginnen
Erinnerungen, Bestätigungen, VerlängerungshinweiseBestätigen oder verschiebenKlar und korrekt bei Namen, Daten und BeträgenEine Plattformstimme, Speech Normalization, Ausspracheeinträge für Marken- und Produktnamen
Follow-up bei einem Lead, der um einen Anruf gebeten hatOb er ein paar Fragen beantwortetGesprächsnahe Formulierungen und sauberer Sprecherwechsel zählen mehr als EmotionTon Professional + Conversational, Backchanneling, dynamische Voice Speed
Kaltakquise-Anruf an eine ListeOb er nach dem Einstieg in der Leitung bleibtHoch, und konzentriert auf den ersten SatzExpressive mode mit einem kleinen Tag-Set hinzufügen, den Einstieg manuell taggen, zwei Stimmen im Split-Test vergleichen
Beratungsintensiver oder hochwertiger AbschlussOb er dem Verkäufer Geld oder eine sensible Entscheidung anvertrautHöher, als Sie es irgendeiner Einstellung zutrauen solltenDen Agenten qualifizieren und Termine buchen lassen, dann per betreuter Weiterleitung an einen Menschen übergeben, bis Ihr Test etwas anderes zeigt

Die letzte Zeile ist die ehrliche. Wenn der Verkauf davon abhängt, dass ein Closer die Stimmung im Gespräch liest, behalten Sie den Closer. Bei einer betreuten Weiterleitung bleibt der Agent in der Leitung und informiert die Person, die übernimmt, sodass der Interessent nicht alles wiederholen muss.

Wie testen Sie, wie menschlich die Stimme wirkt – an echten Anrufen statt nach Gehör?

Lassen Sie zwei Agenten, die sich nur im Stimm-Setup unterscheiden, auf demselben Outbound-Traffic laufen, und bewerten Sie beide anhand eines Conversion-Ereignisses, das Sie vor dem ersten Anruf festlegen. Ihr Ohr ist ein einzelner Zuhörer. Ihre Interessenten sind die Stichprobe.

Nutzen Sie diese Checkliste:

  • Schließen Sie zuerst Erreichbarkeitsprobleme aus. Wenn Interessenten nicht abnehmen, liegt es nicht an der Stimme. Prüfen Sie die Annahmequoten bei Outbound-Anrufen und die Checkliste für Outbound-Telefonnummern, bevor Sie Stimmeinstellungen anfassen.
  • Beurteilen Sie die Stimme nicht per Textsimulation. Simulationstests laufen als Textgespräch ab. Sie bewerten Formulierungen und Ergebnisse und hören nichts.
  • Hören Sie erst bei einem Webanruf, dann bei einem Telefonanruf zu. Die Dokumentation empfiehlt Webanruf-Tests dafür, wie die Stimme tatsächlich klingt (Tempo, Aussprache, Füllwörter), und Telefonanruf-Tests für das Audio über den Netzbetreiber.
  • Definieren Sie Conversion als Feld, nicht als Eindruck. Fügen Sie ein benutzerdefiniertes Post-Call-Extraction-Feld hinzu, etwa einen Boolean für „Meeting gebucht“ oder einen Selector für das Anrufergebnis, damit jeder Anruf gleich gekennzeichnet wird.
  • Ändern Sie nur eine Ebene. Klonen Sie den Agenten und ändern Sie nur die Stimme oder nur Expressive mode. Lassen Sie den Prompt identisch, sonst wissen Sie nicht, was die Zahl verändert hat.
  • Teilen Sie Live-Traffic auf. A/B Testing auf der Telefonnummer leitet einen Prozentsatz der Anrufe an jeden Agenten, zum Beispiel 80/20 oder 50/50, und ist sowohl für Outbound- als auch für Inbound-Anrufe dokumentiert.
  • Vergleichen Sie in Analytics. Filtern Sie nach Agent und Version, und stellen Sie Ihr benutzerdefiniertes Feld neben Anrufzahlen, Anruferfolgsquote und Dauer dar.
  • Bewerten Sie das Audio ebenso wie das Ergebnis. AI QA wertet eine Stichprobe echter Anrufe aus, und die Metrik Agent Naturalness nutzt sowohl das Audio als auch das Transkript, um unnatürliches Tempo oder unnatürliche Intonation, Falschaussprache und Aussetzer zu markieren. Das integrierte Feld user_sentiment wird nur aus dem Transkript abgeleitet – lesen Sie es also nicht als Urteil über den Ton.
  • Legen Sie die Abbruchregel vorab fest. Bestimmen Sie die Mindestzahl verbundener Anrufe pro Variante und den Unterschied, der Ihre Entscheidung ändern würde. Halten Sie beides vor dem Start schriftlich fest.

Wenn die ausdrucksstärkere Variante nicht besser konvertiert, war die Stimme nicht Ihr Engpass. Prüfen Sie als Nächstes die Liste, das Angebot und die Einstiegsfrage. Wenn doch, haben Sie eine Zahl, mit der Sie Ihre Wahl begründen können. Derselbe Ablauf gilt, wenn Sie von der Demo in die Produktion wechseln.

Was sollten Sie einen Anbieter vor dem Pilotprojekt zur Stimme fragen?

Stellen Sie Fragen, deren Antworten Sie während des Pilotprojekts im Produkt überprüfen können:

  1. Welche Einstellungen verändern die Sprechweise und welche nur die Wortwahl?
  2. Funktioniert die expressive Sprechweise mit der Stimme und den Sprachen, die wir einsetzen wollen, einschließlich einer geklonten Stimme?
  3. Können sich Lautstärke, Tempo oder Ton innerhalb eines Anrufs ändern, und was löst die Änderung aus?
  4. Können wir echten Outbound-Traffic auf zwei Stimm-Setups aufteilen und die Conversion je Variante sehen?
  5. Welche Qualitätsmetriken hören das Audio ab und welche lesen nur das Transkript?
  6. Wenn ein Anruf einen Menschen braucht: Wie klingt die Übergabe für den Interessenten?

Ein Anbieter, der mit einer polierten Demo-Aufnahme antwortet, hat eine andere Frage beantwortet.

Beweisen Sie die Stimme an Ihren eigenen Anrufen

Anders als Systeme, die allein auf realistische Sprache optimiert sind, ist Retell für das gesamte Gespräch gebaut: die Stimme, das Timing drumherum, die Übergabe an einen Menschen und die Messung, die Ihnen zeigt, ob irgendetwas davon konvertiert hat. Sehen Sie auf der Seite KI-Sprachagenten, wie die Bausteine zusammenspielen, und wie AI QA echte Anrufe bewertet. Führen Sie dann ein Pilotprojekt mit echten Anrufen, zwei Stimm-Setups und Ihrem eigenen Conversion-Ereignis durch, und entscheiden Sie auf Basis dieser Zahl, bevor Sie etwas unterschreiben.

ROI-Rechner
Schätzen Sie Ihren ROI durch die Automatisierung von Anrufen

Sehen Sie, wie viel Ihr Unternehmen durch den Wechsel zu KI-gestützten Sprachagenten sparen könnte.

Fertig! 
Ihre Anfrage wurde an Ihre E-Mail-Adresse gesendet
Hoppla! Beim Absenden des Formulars ist ein Fehler aufgetreten.
   1
   8
20
Hoppla! Beim Absenden des Formulars ist ein Fehler aufgetreten.

ROI-Ergebnis

2,000

Total Human Agent Cost

$5,000
/month

AI Agent Cost

$3,000
/month

Estimated Savings

$2,000
/month

Estimate your monthly voice AI cost

$  0.11
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.
Estimated monthly cost
$1,408
12,800 conversation minutes

Revolutionieren Sie Ihren Anrufbetrieb mit Retell