Voice-Agent-Latenz richtig messen: Warum der erste Ton allein noch keine Gesprächsqualität beweist

Realtime-Systeme verwalten Audio, Ereignisse und Antworten innerhalb einer laufenden Sitzung. Für die Qualität genügt es trotzdem nicht, nur einen Zeitstempel am Modell zu betrachten: Telefonie, Browser, Audio-Puffer und die eigene Tool-Bridge liegen ebenfalls zwischen einer Äußerung und dem Ton, den der Anrufer hört.[1]

Ein Testdialog sollte denselben Text, dieselbe Verbindung und dieselbe Agentenkonfiguration verwenden. Eine kurze Wissensfrage, eine Tool-Aktion und eine Unterbrechung bilden einen sinnvolleren Satz als zehn zufällige Demos. Wichtig ist auch, Stille sauber zu definieren: Zählt der Moment nach der letzten Silbe oder erst nachdem die Turn-Erkennung den Sprecherwechsel bestätigt hat?

Die Ergebnisse werden als Verteilung gelesen, nicht als schönster Wert. Ein schneller einzelner Anruf beweist wenig, wenn jede zehnte Antwort hörbar hängt. Deshalb gehören Anzahl der Wiederholungen, Kanal, Agentenversion und Tool-Zustand zu jedem Messprotokoll.

Ein Kalender- oder CRM-Aufruf darf die Stimme nicht dazu verleiten, ein Ergebnis vorwegzunehmen. Dauert die Aktion, sagt der Agent kurz, was er gerade prüft, und nennt das Ergebnis erst nach einer bestätigten Tool-Antwort. So wird eine längere technische Wartezeit nicht zu einer falschen Buchungszusage.

Latenz lässt sich nur mit einer gemessenen Konfiguration veröffentlichen. Eine pauschale Zahl für alle Stimmen, Sprachen, Tools und Telefonieanbieter wäre nicht ehrlich. Sinnvoller ist ein internes Qualitätsziel mit reproduzierbaren Messfällen, das bei Änderungen an Stimme, Provider, Prompt oder Tool-Route erneut ausgeführt wird.