Warum scheitern Sprachagenten bei lauten Anrufen? Fünf Fehlermodi, mit Zahlen
Sprachagenten scheitern bei lauten Anrufen, weil Erkenner, Sprachaktivitätserkennung und Turn-Logik jede Stimme und jedes Codec-Artefakt für den Anrufer halten. Wir nennen fünf Fehlermodi und ordnen jedem eine Zahl aus unserem Null-Test-Lauf zu.
Sprachagenten scheitern bei lauten Anrufen, weil jede Stufe hinter dem Mikrofon annimmt, das Audio sei ein einzelner Anrufer, der sauber spricht. Ist das nicht so, versagen Spracherkenner, Sprachaktivitätserkennung (VAD) und Turn-Logik jeweils auf eigene Weise, und die Fehler addieren sich.
Die fünf Fehlermodi
| Fehlermodus | Gemessen (Null Test, 2026-08-14) |
|---|---|
| STT-Einfügungen durch andere Stimmen | 45 Einfügungen bei 190 Wörtern Zwei-Stimmen-Audio bei 0 dB (roh) |
| Falsches Barge-in | VAD-Fehlalarmrate 57.8% bei zwei Stimmen mit 10 dB (roh) |
| Falsches Turn-Ende | VAD-Fehlalarmrate 97.7% bei Stimmengewirr (Babble) mit 5 dB (roh) |
| Intent des falschen Sprechers | WER 84.74% bei zwei Stimmen mit 0 dB (roh) |
| Telefonie-Codec-Schäden | WER 7.37% bei A-law gegenüber 5.79% bei der einfachen Telefonie-Bedingung (roh) |
Das sind die unverarbeiteten Kontrollzeilen von Null Test: Erkenner faster-whisper:base.en, Silero VAD bei Schwelle 0.5, 10 Sprecher, 190 Clips, 16 kHz, Lauf vom 2026-08-14. Sie beschreiben, was ganz ohne Verbesserung passiert; die gepoolte Kontrolle liegt bei 14.32% WER.
1. STT-Einfügungen durch andere Stimmen
Ein Erkenner kennt keinen "Anrufer". Eine zweite Stimme in gleicher Lautstärke erzeugt Wörter, die als Einfügungen zählen. Bei 0 dB liefert das Rohaudio 45 Einfügungen und 84.74% WER, weil sich die beiden Stimmen verschränken.
2. Falsches Barge-in
Agenten hören auf zu sprechen, wenn das VAD anspringt. Bei zwei Stimmen mit 10 dB liegt die VAD-Fehlalarmrate im Rohaudio bei 57.8%; ein Umstehender kann den Agenten also so leicht unterbrechen wie der Anrufer.
3. Falsches Turn-Ende
Die Turn-Ende-Logik wartet auf Stille. Bei Stimmengewirr (Babble) mit 5 dB beträgt die VAD-Fehlalarmrate 97.7%: Der Detektor hört fast überall Sprache, Stille kommt nie. Turn-Detection-Modelle lassen sich auf Lärm trainieren (Daily beschreibt, Smart Turn v3.2 mit Café- und Büro-Geräuschen nachtrainiert zu haben, Daily-Blog, 2026); das hilft in diesem Modus, aber nicht in den anderen.
4. Intent des falschen Sprechers
Enthält das Transkript die Worte des Umstehenden, handelt das Sprachmodell danach. Die 84.74% WER bei 0 dB sind der Extremfall; die Intent-Fehlerrate in Ihrem Produkt hängt von Ihren Prompts ab, die wir nicht messen.
5. Telefonie-Codec-Schäden
Schmalband-Codecs entfernen Information, bevor irgendein Code von Ihnen läuft. A-law hebt die Roh-WER auf 7.37% gegenüber 5.79% für dieselben Clips über einen sauberen Telefonie-Pfad. Siehe 8 kHz ist, wo Sprach-KI bricht.
Behebt Isolation das?
Teilweise, und nicht überall. Im selben Lauf senkt unser Modell v8_2 die WER bei zwei Stimmen mit 0 dB von 84.74% auf 74.21% und die VAD-Fehlalarmrate bei 10 dB von 57.8% auf 44.4%, hebt aber die WER bei zwei Stimmen mit 5 dB von 26.32% auf 31.05% und bei A-law von 7.37% auf 10.53%. Isolation adressiert die Modi 1 bis 4 in einigen Bedingungen und nicht Modus 5. Messen Sie zuerst an Ihren eigenen Anrufen: wie man Sprecherisolation bewertet.
FAQ
Was ist der häufigste Grund, dass ein Sprachagent bei lauten Anrufen falsch versteht?
In unseren Daten ist der größte Effekt eine zweite Stimme in ähnlicher Lautstärke wie der Anrufer: 84.74% WER bei 0 dB gegenüber 14.32% gepoolt.
Verhindert Rauschunterdrückung falsches Barge-in?
Nicht bei Sprache. Die Stimme eines Umstehenden ist Sprache, also springt ein VAD trotzdem an; siehe was ist Sprecherisolation.
Soll ich immer einen Enhancer vor den Erkenner schalten?
Unsere Daten sagen nein. Die unberührte Kontrolle hatte die niedrigste gepoolte WER aller auslieferbaren Zeilen, die wir gemessen haben, und unsere lag darüber.