Barge-in bei Voice Agents: Warum „unterbrechbar“ mehr bedeutet als neue Sprache zu erkennen
Der Agent hört „Nein, Mittwoch“, stoppt aber noch zwei Sätze zu spät. Das Problem liegt selten an einem einzigen Regler – sondern an Erkennung, Playback und Gesprächszustand zugleich.
Das Wichtigste
- Eine Unterbrechung besteht aus Erkennen, laufendes Audio stoppen, Restpuffer verwerfen und Kontext korrigieren.
- VAD-Parameter sind ein Kompromiss zwischen schneller Reaktion und Fehltriggern durch Lärm oder Rückkopplung.
- Gemessen wird der tatsächlich gehörte Ablauf, nicht nur ein Serverereignis.
Vier Dinge müssen fast gleichzeitig stimmen
- Der Eingangskanal erkennt, dass der Anrufer wirklich zu sprechen begonnen hat.
- Die laufende Antwort wird am Wiedergabegerät oder Telefonkanal hörbar gestoppt.
- Bereits erzeugtes, aber noch nicht abgespieltes Audio wird verworfen.
- Der Gesprächszustand berücksichtigt nur den Teil, den der Anrufer tatsächlich hören konnte.
Fehlt Schritt vier, beantwortet der Agent den nächsten Turn möglicherweise so, als wäre seine abgebrochene Erklärung vollständig angekommen. Fehlt Schritt zwei, erkennt das System zwar Sprache, redet aber weiter. Barge-in ist deshalb eine Ende-zu-Ende-Eigenschaft und kein Häkchen in einer Modelldokumentation.
VAD hört Aktivität – nicht automatisch Absicht
OpenAI beschreibt für Realtime zwei Turn-Erkennungsmodi: serverseitige VAD anhand von Stille und semantische VAD anhand des vermuteten Äußerungsendes. Parameter wie Schwelle, Prefix-Padding und Stilledauer beeinflussen, wann Sprache beginnt oder endet. Höhere Empfindlichkeit reagiert schneller, kann aber Geräusche oder Rückkanal-Audio als Einwurf behandeln.[1]
| Umgebung | Typisches Risiko | Testschwerpunkt |
|---|---|---|
| Ruhiges Büro | kurze Zustimmungen werden überhört | „mhm“, „ja“, leise Korrektur |
| Fahrzeug | konstanter Lärm triggert zu früh | Fahrgeräusch plus echte Unterbrechung |
| Lautsprecher | Agent hört eigene Ausgabe | Echo und verzögertes Playback |
| Rezeption | Fremdstimmen im Raum | adressierte vs. fremde Sprache |
Nach dem Stoppen beginnt die eigentliche Dialogarbeit
Nicht jeder Einwurf ist eine neue Aufgabe. „Ja“ kann Zustimmung sein, „Moment“ eine Bitte um Pause, „nein, Mittwoch“ eine Korrektur und eine Zwischenfrage ein Themenwechsel. Der Agent muss den Einwurf auf den laufenden Gesprächsschritt beziehen. Besonders wichtig: Eine begonnene, aber nicht bestätigte Schreibaktion darf durch Barge-in nicht unbemerkt weiterlaufen.
So wird Unterbrechbarkeit messbar
- Zeit vom Beginn echter Anrufersprache bis zum hörbaren Ende der Agentenausgabe.
- Anteil falscher Stopps durch Stille, Atem, Tastengeräusch, Echo oder fremde Stimme.
- Rest-Audio, das nach dem Einwurf noch abgespielt wird.
- Korrektheit der nächsten Antwort und Konsistenz des Gesprächszustands.
- Versehentliche oder doppelte Tool-Aktionen rund um die Unterbrechung.
Die Messung braucht Audio aus Sicht des Anrufers. Serverzeitstempel helfen bei der Diagnose, können aber nicht beweisen, wann ein Lautsprecher oder Telefonkanal tatsächlich still war. Deshalb gehören reale Endgeräte, schlechte Netze und mehrere Geräuschprofile in den Abnahmetest.
Quellen und Prüfstand
Primärquellen der Anbieter, zuletzt geprüft am 19. August 2026.
- [1]Voice activity detection (VAD) · OpenAI Developers · abgerufen am 19. August 2026
