Die ersten 30 Sekunden eines mehrsprachigen KI-Sprachagenten entscheiden, ob Anrufer ihm vertrauen



Ein mehrsprachiger KI-Sprachagent gewinnt oder verliert Vertrauen mit seiner Begrüßung. Sie ist der einzige Teil des Anrufs, den jeder Anrufer hört, und der einzige Teil, den der Anrufer in keiner Weise beeinflusst hat. Beginnt der Agent in einer Sprache, nach der niemand gefragt hat, oder spricht er die richtige Sprache mit dem falschen Akzent, zweifelt der Zuhörer an allem, was danach kommt: an der Terminbuchung, der Weiterleitung, der Datenerfassung.
Dieser Leitfaden richtet sich an Contact-Center- und CX-Verantwortliche, die KI-Sprachagenten für Anrufer in mehr als einer Sprache bereitstellen. Er zeigt, was einen Start in der falschen Sprache verursacht und wie Sie die Eröffnungssprache zu einer Entscheidung statt zu einer Vermutung machen. Außerdem erfahren Sie, wie Sie die Begrüßung testen, bevor ein Käufer oder Anrufer sie hört.
Warum fällt die Vertrauensentscheidung in den ersten 30 Sekunden?
Die Begrüßung trägt die Entscheidung, weil sie der einzige Anhaltspunkt ist, den ein Erstanrufer hat. Ein Käufer in einem Testanruf sieht weder Ihre Spracheinstellungen noch Ihr Routing oder Ihren Prompt. Er hört eine Begrüßung und verallgemeinert daraus.
Drei Faktoren machen eine schlechte Begrüßung auf einer mehrsprachigen Leitung besonders teuer:
- Die Sprache ist der Grund, warum es die Leitung gibt. Eine Begrüßung in der falschen Sprache verfehlt die zentrale Anforderung bereits im ersten Satz.
- Der Anrufer kann den Fehler nicht korrigieren. Bei der Begrüßung hat er noch nichts gesagt. Der Fehler wirkt daher wie eine Fehleinschätzung des Systems, nicht wie ein Missverständnis.
- Ein Akzentfehler klingt wie ein Verständnisfehler. Eine spanische Begrüßung mit englischer Aussprache lässt Anrufer annehmen, dass der Agent auch sie nicht verstehen wird.
Eine falsche Begrüßung ist meist ein Konfigurationsproblem, und Konfigurationsprobleme lassen sich von vornherein vermeiden.
Warum beginnt ein mehrsprachiger Sprachagent in der falschen Sprache oder mit falschem Akzent?
Die meisten falschen Begrüßungen gehen auf eine von fünf Unstimmigkeiten zurück. Sie betreffen die Spracheinstellung, die Stimme, den Begrüßungstext und die ersten Worte des Anrufers. Die unten genannten Einstellungen stammen aus der Dokumentation von Retell. Auf einer anderen Plattform fragen Sie Ihren Anbieter nach dem Äquivalent.
| Was der Anrufer hört | Wahrscheinliche Ursache | Was die Dokumentation sagt |
|---|---|---|
| Die richtige Sprache, ausgesprochen mit fremdem Akzent | Die Stimme wurde für eine andere Sprache ausgewählt | „Die von Ihnen gewählte Stimme bestimmt weiterhin in erster Linie den Akzent.“ Die Spracheinstellung verfeinert nur die Aussprache (Agentensprache). |
| Eine Begrüßung in der richtigen Sprache, die falsch ausgesprochen klingt | Der Begrüßungstext ist in einer Sprache geschrieben, die Spracheinstellung des Agenten steht auf einer anderen | Die Spracheinstellung steuert „die Sprache, die die Stimme verwendet, um Wörter auszusprechen und ihren Akzent zu formen“. Text und Einstellung müssen daher übereinstimmen. |
| Eine Begrüßung in einer Sprache, die der Anrufer nicht erwartet hat | Ein mehrsprachiger Agent ohne Vorgabe, in welcher Sprache er beginnen soll | Ein mehrsprachiger Agent „wählt anhand dessen, was der Anrufer spricht (und anhand Ihrer Anweisungen im Prompt)“. Bevor der Anrufer spricht, können nur der Prompt oder eine feste Nachricht entscheiden (mehrsprachiger Agent). |
| Der Agent wechselt in die falsche Sprache, nachdem der Anrufer „hello“ gesagt hat | Spracherkennung über Sprachfamilien hinweg bei einer kurzen ersten Äußerung | Über Sprachfamilien hinweg kommt eine mehrsprachige Sprachverarbeitungspipeline zum Einsatz, die „pro Sprache weniger genau ist als einsprachige Modelle“. |
| Eine unerwartete Sprache oder Aussprache, aber nur bei einigen Anrufen | Zu viele Sprachen ausgewählt oder die falsche Sprache an erster Stelle | Schlägt die Ausspracheerkennung fehl, „greift die Stimme auf die erste von Ihnen ausgewählte Sprache zurück“. Die ältere Multilingual-Einstellung deckt eine feste Liste von zehn Sprachen ab, ob Sie diese brauchen oder nicht. |
Zwei weitere Details sind wichtig. Ein Agent ohne ausgewählte Sprache verwendet standardmäßig Englisch (USA). Außerdem warnt dieselbe Dokumentation, dass die Spracherkennung „eng verwandte Sprachen häufig verwechselt“, etwa Kantonesisch und Mandarin. Sie empfiehlt, jeden Anrufer an einen einsprachigen Agenten weiterzuleiten, statt sich auf die automatische Erkennung zu verlassen.
Ein Hinweis zur vierten Zeile: Die Dokumentation nennt den Kompromiss bei der Genauigkeit. Sie beschreibt aber nicht, wie sich die Erkennung bei einer Äußerung aus nur einem Wort verhält. Betrachten Sie ein kurzes „hello“, „sí“ oder „aló“ als schwierigsten Fall und testen Sie ihn direkt.
Können Sie Sprache, Akzent und Tonfall eines KI-Sprachagenten steuern?
Sprache und Tonfall lassen sich direkt steuern. Den Akzent steuern Sie vor allem über die Wahl der Stimme.
| Was Sie steuern möchten | Dokumentierte Steuerung | Wichtige Einschränkung |
|---|---|---|
| Sprache und regionale Variante | Eine einzelne Sprache pro Agent oder Multiselect mit einer genau festgelegten Auswahl. Ein einsprachiger Agent arbeitet „ohne Spracherkennung“. Die Auswahl bietet Dialektcodes, wo diese unterstützt werden, etwa Spanisch (Spanien) und Spanisch (Lateinamerika). | Jede Sprache muss sowohl von der Stimme als auch von einem Spracherkennungsanbieter unterstützt werden. Das Dashboard graut nicht unterstützte Kombinationen aus. |
| Akzent des Agenten | Die Stimme. Die Stimmkarten im Dialog Select Voice zeigen den Akzent an, und die Liste lässt sich nach Akzent filtern. | Die Dokumentation weist darauf hin, dass bei mehrsprachigen Agenten „nicht alle Stimmanbieter Akzente beherrschen“. Ein separater Akzentregler ist nicht dokumentiert. Testen Sie die Stimmen daher mit Muttersprachlern. |
| Tonfall | Der Prompt, der Schieberegler Voice Speed von 0,5x bis 2,0x und der Expressive Mode bei Plattformstimmen. | Expressive-Mode-Tags gelten in 13 aufgeführten Sprachen. Bei einem mehrsprachigen Agenten muss jede Sprache auf dieser Liste stehen. |
| Anrufer mit Akzent verstehen | Auswahl von Sprache und Variante, Transkriptionsmodus und Boosted Keywords. | Die Dokumentation beschreibt keine Einstellung, die die Erkennung auf den Akzent eines einzelnen Anrufers abstimmt. Fragen Sie, wie die Genauigkeit für die Regionen Ihrer Anrufer gemessen wird, und testen Sie mit echten Sprechern. |
Was Tonfalleinstellungen bei Vertriebsanrufen leisten können und was nicht, erfahren Sie im Beitrag Wie menschlich ein KI-Sprachagent klingen muss, bevor er verkaufen kann.
Wie gestalten Sie die Begrüßung so, dass die Sprache eine bewusste Entscheidung ist?
Legen Sie die Sprache wann immer möglich fest, bevor der Agent spricht. Wenn das nicht möglich ist, stellen Sie eine explizite Frage. Laut der Dokumentation von Retell ist ein einsprachiger Agent die genaueste Konfiguration. Das Ziel ist daher eine einsprachige Abwicklung ab dem ersten Wort.

Die gewählte Nummer verrät die Sprache. Veröffentlichen Sie eine Nummer pro Sprache und binden Sie an jede Nummer einen einsprachigen Agenten als Inbound-Agent. Begrüßung, Stimme und Spracherkennung sind dann fest auf diese Sprache eingestellt. Das macht dieses Design zugleich am einfachsten zu testen.
Anruferdaten verraten die Sprache. Nutzen Sie den Inbound-Call-Webhook, der pro Telefonnummer konfiguriert wird. Retell sendet die Nummer des Anrufers und die gewählte Nummer an Ihren Endpoint, bevor der Anruf verbunden wird. Ihr Endpoint ermittelt daraufhin die bevorzugte Sprache des Anrufers. Die Antwort kann den Agenten austauschen (override_agent_id) oder Einstellungen nur für diesen Anruf überschreiben, darunter language, voice_id und begin_message. Für ausgehende Anrufe steht dasselbe anrufbezogene agent_override beim Erstellen des Anrufs zur Verfügung. Planen Sie auch den Fehlerfall ein. Schlägt der Webhook nach drei Versuchen fehl, geht der Anruf an den Standard-Inbound-Agenten der Nummer, sofern einer festgelegt ist. Geben Sie diesem Standardagenten daher eine Begrüßung, die für jeden Anrufer passt.
Nichts verrät die Sprache. Dann fragen Sie. Stellen Sie die Welcome Message auf AI speaks first mit einer Custom message ein. Das ist ein fester Text, den der Agent bei jedem Anruf vorliest. Lassen Sie den Agenten darin fragen, welche Sprache der Anrufer bevorzugt. Nutzen Sie dann Agent Transfer, um den Anrufer an einen Agenten zu übergeben, der für diese Sprache konfiguriert ist. Die Dokumentation nennt den Sprachwechsel als typischen Anwendungsfall. Der Wechsel erfolgt im selben Anruf, der Zielagent erhält den vollständigen Gesprächsverlauf, und es gelten seine eigene Sprache und Stimme. Tastatureingaben werden standardmäßig erfasst, sodass der Anrufer die Frage auch per Tastendruck beantworten kann.
Vielleicht möchten Sie lieber einen einzigen Agenten die Sprache erkennen lassen. Verwenden Sie dann Multiselect mit der kleinstmöglichen Auswahl und setzen Sie Ihre häufigste Sprache an die erste Stelle. Legen Sie außerdem die Eröffnungssprache im Prompt fest. Vermeiden Sie bei einem mehrsprachigen Agenten die Begrüßung per Dynamic message, sofern der Prompt nicht die Eröffnungssprache nennt. Diese Begrüßung generiert der Agent nämlich bei jedem Anruf selbst.
Welchen Weg Sie auch wählen: Legen Sie fest, wer zuerst spricht. Mit User speaks first bleibt der Agent still, bis der Anrufer etwas sagt. Das erste Wort des Anrufers ist dann sein einziger Anhaltspunkt.
Wenn nur eine Handvoll Anrufe pro Monat eine zweite Sprache erfordert, prüfen Sie zuerst, ob dieses Volumen überhaupt einen Agenten rechtfertigt.
Wie testen Sie die Begrüßung, bevor Käufer oder Anrufer sie hören?
Testen Sie die Begrüßung als eigenen Prüfpunkt, mit echtem Audio und mit Muttersprachlern. Prüfen Sie dabei jeden Pfad, den ein Anruf nehmen kann. Das Skript zu lesen reicht nicht, denn der Fehler liegt darin, wie die Begrüßung klingt.
- Listen Sie jeden Einstiegspfad auf. Erfassen Sie jede Nummer, jeden Webhook-Zweig, den Fallback bei Webhook-Fehlern und jede Sprache für ausgehende Anrufe.
- Hören Sie zuerst bei einem Webanruf hin. Ein Webanruf-Test spielt echtes Audio ab, einschließlich „Tempo, Aussprache und Füllwörtern“. Er funktioniert schon mit einem Agentenentwurf, bevor Sie ihn veröffentlichen. Auch Agent Transfer funktioniert dort.
- Wählen Sie dann jede Nummer an. Ein Telefonanruf-Test deckt das Audio des Netzbetreibers und Tastatureingaben ab. Ein Browseranruf kann das nicht.
- Setzen Sie Muttersprachler ein. Fragen Sie einen Muttersprachler aus der Region Ihrer Anrufer: Würde mich ein Mitarbeiter vor Ort so begrüßen?
- Testen Sie kurze Antworten. Sagen Sie nur „hello“, „sí“ oder gar nichts. Prüfen Sie, ob der Agent in der vorgesehenen Sprache bleibt.
- Testen Sie Anrufer, die die falsche Sprache sprechen. Antworten Sie auf der spanischen Leitung auf Englisch und umgekehrt. Prüfen Sie, ob der Agent einen Wechsel anbietet.
- Ergänzen Sie einen Regressionstest. Simulationstests „laufen als Textkonversation“ und können daher keinen Akzent hören. Sie können aber die Eröffnungssprache und die Weiterleitungslogik nach jeder Änderung an Prompt, Stimme oder Sprachauswahl erneut prüfen.
Was nach der Begrüßung passiert, wenn zweisprachige Anrufer Sprachen innerhalb eines Satzes mischen, zeigt der Code-Switching-Test für mehrsprachige Sprach-KI. Den Release-Prozess rund um diese Prüfungen beschreibt der Beitrag Wie Sie Änderungen an Sprachagenten testen und veröffentlichen.
Was sollten Sie einen Anbieter vor einem Pilotprojekt zur Begrüßung fragen?
Fragen Sie, wie die Eröffnungssprache festgelegt wird. Lassen Sie sich die Begrüßung in Ihren Sprachen vorführen, bevor Sie irgendetwas anderes bewerten. Vier Fragen decken das ab:
- Wird die Eröffnungssprache über die Nummer, über Anruferdaten, über eine Frage oder über automatische Erkennung festgelegt?
- Welche Stimme spricht welche Sprache, und können unsere Muttersprachler sie probehören?
- Was passiert, wenn das erste Wort des Anrufers für eine Erkennung zu kurz ist oder die Abfrage fehlschlägt?
- Kann der Anrufer nach der Begrüßung die Sprache wechseln, und wird das Gespräch dabei übernommen?
Antworten, die überprüfbare Einstellungen nennen, zeigen Kontrolle. „Das Modell findet das schon heraus“ verlangt dagegen, dass Sie einer Vermutung vertrauen. Dieselbe Sorgfalt gilt für den Rest des Rollouts. Mehr dazu lesen Sie in Von der Sprach-KI-Demo zur Produktion.
Prüfen Sie die Begrüßung mit Ihren eigenen Anrufen
Die Retell AI ist die Plattform für KI-Sprachagenten in Contact Centern. Sie unterstützt einsprachige Agenten und mehrsprachige Agenten mit einer genau festgelegten Sprachauswahl. Über den Inbound-Call-Webhook lassen sich Sprache und Stimme pro Anruf überschreiben. Alternativ verbinden Sie je einen Agenten pro Sprache über Agent Transfer. Alle diese Varianten lassen sich per Webanruf und Telefonanruf testen. Unter Mehrsprachige KI-Sprachagenten bei Retell finden Sie die unterstützten Sprachen. Führen Sie anschließend ein Pilotprojekt mit echten Anrufen in den Sprachen Ihrer Anrufer durch. Beurteilen Sie die ersten 30 Sekunden selbst, bevor Sie etwas unterschreiben.
Sehen Sie, wie viel Ihr Unternehmen durch den Wechsel zu KI-gestützten Sprachagenten sparen könnte.
Ihre Anfrage wurde an Ihre E-Mail-Adresse gesendet
ROI-Ergebnis
Total Human Agent Cost
AI Agent Cost
Estimated Savings
Estimate your monthly voice AI cost
Read Other Blogs
Revolutionieren Sie Ihren Anrufbetrieb mit Retell

Gestalten Sie noch heute intelligentere Gespräche.




