Text-to-Speech im Kundenservice: IVR und Telefonansagen

Im Kundenservice kommt Text-to-Speech vor allem bei der Stimme zum Einsatz, die Anrufer hören, bevor sie bei einem Menschen landen: Telefonmenüs (IVR), Begrüßungen, Warteansagen, Hinweise außerhalb der Geschäftszeiten und Störungsmeldungen. Du bekommst eine einheitliche Stimme in jeder Ansage und in jeder Sprache, die du unterstützt, und änderst eine einzelne Ansage in Minuten, statt eine neue Aufnahme zu buchen. Die Qualität des Ergebnisses hängt viel mehr davon ab, wie die Ansagen geschrieben sind, als davon, welche Stimme du wählst.

Dieser Ratgeber zeigt, wie du Ansagen schreibst, denen Anrufer folgen können, welche Audioformate Telefonanlagen erwarten, wie du mit Zahlen und Namen umgehst, wie mehrsprachige Menüs funktionieren, welche Hinweispflichten gelten und was das Ganze kostet.

Wo passt Text-to-Speech in den Kundenservice?

Die meisten Teams beginnen mit den ersten fünf, die nur aus einer Reihe von Audiodateien bestehen, die in die Telefonanlage hochgeladen werden. Personalisierte Nachrichten brauchen eine Integration, dazu weiter unten mehr.

Wie schreibst du IVR-Ansagen, denen Anrufer wirklich folgen können?

Anrufer können nicht zurückscrollen. Alles muss beim einmaligen Zuhören funktionieren, oft über einen Telefonlautsprecher in einem lauten Raum.

Regeln für Telefonmenüs

• Nenne zuerst die Option, dann die Taste. Bei „Für Rechnungsfragen drücken Sie die 1“ erkennen Anrufer zuerst ihr Anliegen und hören dann die Nummer. Bei „Drücken Sie die 1 für Rechnungsfragen“ müssen sie sich eine Zahl merken, während sie darauf warten, wofür sie steht.
• Beschränke dich auf vier oder fünf Optionen. Bei mehr vergessen Anrufer die ersten. Nutze eine zweite Ebene, wenn es nicht anders geht.
• Stell den häufigsten Grund an den Anfang. Schau nach, warum Menschen tatsächlich anrufen.
• Zwing niemanden, sich Werbung anzuhören. Eine Werbeansage vor dem Menü verlängert jeden einzelnen Anruf.
• Biete immer eine Wiederholung und einen Ausweg an. „Um diese Optionen noch einmal zu hören, drücken Sie die Sterntaste. Um mit jemandem zu sprechen, drücken Sie die 0.“
• Lass nach dem Menü eine Pause. Gib den Anrufern ein paar Sekunden zum Entscheiden, bevor die Zeit abläuft.

Vorher und nachher

Vorher:

„Vielen Dank für Ihren Anruf. Bitte hören Sie aufmerksam zu, da sich unsere Menüoptionen kürzlich geändert haben. Drücken Sie die 1, wenn Sie sich nach einer bestehenden Bestellung, dem Stand einer Lieferung oder einer Rücksendung erkundigen möchten. Drücken Sie die 2 für …“

Nachher:

„Danke für Ihren Anruf bei Northwind. Für Bestellung, Lieferung oder Rücksendung drücken Sie die 1. Für Rechnungsfragen drücken Sie die 2. Für technische Hilfe drücken Sie die 3. Um mit jemandem zu sprechen, drücken Sie die 0.“

Die zweite Version ist nur halb so lang, und jede Option passt in einen Atemzug.

Wie sorgst du dafür, dass Zahlen, Daten und Namen richtig gelesen werden?

Telefonansagen sind voller Dinge, die eine Stimme auf mehr als eine Art lesen kann. Bei vorab erzeugten Ansagen schreibst du sie genau so aus, wie sie gesprochen werden sollen.

Marken-, Produkt- und Ortsnamen trägst du einmal in die Ausspracheliste ein, damit jede Ansage sie gleich ausspricht. Am Telefon ist das wichtiger als anderswo, denn ein falsch ausgesprochener Firmenname in der Begrüßung ist das Erste, was jeder Anrufer hört.

Welches Audioformat brauchen Telefonanlagen?

Telefonaudio ist schmalbandig: Klassische Telefonleitungen übertragen grob 300 bis 3.400 Hz und tasten mit 8 kHz ab. Die meisten Telefonanlagen akzeptieren eines oder mehrere dieser Formate:

• WAV, 8 kHz, 16 Bit, Mono (PCM)
• WAV, 8 kHz, Mono, μ-Law (verbreitet in Nordamerika und Japan) oder A-Law (verbreitet in Europa und den meisten anderen Regionen)
• MP3, das manche Cloud-Telefonplattformen akzeptieren und selbst umwandeln

Leelo exportiert MP3 und WAV (Exportoptionen). Exportiere WAV und nutze dann das Upload-Tool deiner Telefonplattform oder einen Audiokonverter, falls sie 8 kHz μ-Law oder A-Law verlangt. Zwei praktische Tipps:

• Wähl eine Stimme, die im Schmalband bestehen kann. Stimmen mit klaren Mitten tragen am Telefon gut. Sehr hauchige oder sehr tiefe Stimmen verlieren an Details. Teste die Kandidaten, indem du sie in einem echten Telefonanruf abspielst.
• Halte die Musik dezent. Wartemusik konkurriert mit der Sprache, sobald beides in die Telefonbandbreite gepresst wird. Wenn du Warteansagen mit einem Musikbett baust, halte die Musik deutlich unter der Stimme (Sounds und Musik hinzufügen).

Wie richtest du ein Telefonmenü in mehreren Sprachen ein?

1. Biete die Sprachauswahl in jeder Sprache an. „For English, press 1. Para español, oprima dos. Pour le français, appuyez sur trois.“ Jeder Satz sollte von einer muttersprachlichen Stimme in der jeweiligen Sprache gesprochen werden.
2. Übersetze die Ansagen sinngemäß, nicht Wort für Wort. Die Telefonkonventionen unterscheiden sich: Spanische IVR-Menüs verwenden oft „oprima“ oder „marque“ statt eines wörtlichen „drücken“.
3. Besetze pro Sprache eine Stimme und bleib dabei. Leelo hat Stimmen in mehr als 80 Sprachen. Lass zum Beispiel mehrere spanische Stimmen vorsprechen und nimm die, die deine Anrufer am natürlichsten finden.
4. Halte die Menüstruktur in allen Sprachen identisch, damit die Taste 2 in jeder Sprache für Rechnungsfragen steht und das Support-Team Probleme leicht eingrenzen kann.

Musst du Anrufern sagen, dass die Stimme eine KI ist?

Es ist gute Praxis, das offenzulegen, und in manchen Fällen ist es eine gesetzliche Pflicht.

• Ausgehende Anrufe: In den USA hat die Federal Communications Commission 2024 entschieden, dass KI-erzeugte Stimmen nach den Regeln für Robocalls (automatisierte Anrufe) als „künstliche“ Stimmen gelten. Diese Regeln verlangen in der Regel die vorherige Einwilligung des Empfängers.
• KI-Systeme, die mit Menschen sprechen: Die EU-KI-Verordnung (AI Act) verlangt, dass Menschen darüber informiert werden, wenn sie mit einem KI-System interagieren, es sei denn, das ist offensichtlich.
• Eingehende Anrufe: Aufgezeichnete Menüs sind ein vertrautes Format. Könnte eine synthetische Stimme aber für eine Person am Telefon gehalten werden, mach es früh deutlich.

Die Regeln unterscheiden sich von Land zu Land und ändern sich schnell, sprich also mit deiner Rechtsabteilung. Das sind allgemeine Informationen, keine Rechtsberatung.

Eine Stimme aus der Bibliothek oder eine eigene Markenstimme?

• Stimme aus der Bibliothek: am schnellsten. Such dir eine aus und nutze sie überall.
• Gestaltete Stimme: Gestalte eine Stimme aus einer Beschreibung („freundlich, ruhig, Mitte dreißig, klar, gelassen“), damit keine andere Firma wie du klingt.
• Geklonte Stimme: Hat deine Firma schon eine vertraute Stimme, etwa eine Person aus dem Team, die die alten Ansagen eingesprochen hat, kann das Stimmklonen sie aus einer kurzen Aufnahme nachbilden, mit der schriftlichen Einwilligung dieser Person. Kläre vorab, was passiert, wenn sie das Unternehmen verlässt.

Wie hältst du die Ansagen aktuell?

Der Hauptgrund, warum Teams auf Text-to-Speech umsteigen, sind Aktualisierungen. Früher hieß eine Schließung an einem Feiertag, Studiozeit zu buchen. Heute ist es eine Zeilenänderung.

Beispiel: eine Feiertagsschließung

1. Füg unter der Zeile „Öffnungszeiten“ eine neue Zeile mit derselben Rolle ein.
2. Ändere den Text: „Am Montag, dem fünfundzwanzigsten, haben wir geschlossen. Ab Dienstag, neun Uhr, sind wir wieder für Sie da.“
3. Erzeuge nur diese Zeile neu, mit derselben Stimme und denselben Einstellungen, damit sie zum Rest des Menüs passt.
4. Exportiere sie und lade sie mit einem Zeitplan für die Schließtage in die Telefonanlage hoch.

Automatisieren mit der API

Wenn Ansagen von Live-Informationen abhängen, etwa bei einer Störungsmeldung oder einer ungewöhnlich langen Warteschlange, nutze die API, um in deinen eigenen Systemen Audio aus Text zu erzeugen, und Webhooks, um zu erfahren, wann eine Datei fertig ist. Bei Sprache, die während eines laufenden Anrufs erzeugt wird, teste die Verzögerung von Anfang bis Ende mit deiner Telefonplattform, bevor du dich festlegst.

Was kostet die Vertonung einer Telefonanlage?

Leelo rechnet in Credits ab: 1 Credit ist 1 Wort mit einer Standardstimme, 1,5 bei Premium-Stimmen und 5 bei deinen eigenen gestalteten oder geklonten Stimmen. Fehlgeschlagene Jobs bekommen ihre Credits zurück. Ein Rechenbeispiel:

• Ein typisches IVR-Menü: 40 Ansagen mit durchschnittlich 15 Wörtern ergeben rund 600 Wörter, also 600 Credits mit einer Standardstimme. Das passt in die einmaligen 1.000 Credits des kostenlosen Tarifs, genug, um ein komplettes Menü zu bauen und zu testen.
• Dasselbe Menü in vier Sprachen: etwa 2.400 Credits.
• Mit einer gestalteten Markenstimme: etwa 3.000 Credits für eine Sprache.
• Den API-Zugang gibt es ab dem Pro-Tarif (99 $ im Monat, 600.000 Credits, 3 Nutzerplätze).

Die kommerzielle Nutzung des Audios, dazu gehört auch, es deinen Kunden vorzuspielen, ist in den Bezahltarifen erlaubt. Alle Tarife siehst du unter Preise, mehr Beispiele auf der Seite zum Einsatzbereich Telefonansagen & IVR.

Häufig gestellte Fragen

Kann ich Text-to-Speech für das Telefonmenü meiner Firma nutzen?

Ja. Schreib die Ansagen, erzeuge sie mit einer Stimme, exportiere WAV und lade sie in deine Telefonanlage hoch. Die meisten Cloud- und lokalen Telefonanlagen akzeptieren WAV-Dateien, manchmal nach der Umwandlung auf 8 kHz.

Welche Stimme eignet sich am besten für ein IVR-Menü?

Eine klare Stimme mit ausgewogenen Mitten, in einem etwas langsameren Tempo als im normalen Gespräch, denn Telefonaudio entfernt Details. Teste zwei oder drei Kandidaten in einem echten Telefonanruf, nicht über Studiokopfhörer, und nimm die, die am leichtesten zu verstehen ist.

Wie lang sollte eine Begrüßungsansage sein?

So kurz wie möglich: der Firmenname, optional eine Nachricht in einer Zeile, dann das Menü. Jede zusätzliche Sekunde zahlt jeder Anrufer, jedes Mal. Wenn du etwas ankündigen musst, setz es hinter das Menü oder in die Warteschleifenansage.

Muss ich das ganze Menü neu aufnehmen, wenn sich eine Option ändert?

Nein. In einem Studio, das Zeile für Zeile arbeitet, bearbeitest du nur die geänderte Ansage und erzeugst sie mit derselben Stimme und denselben Einstellungen neu, damit sie zum Rest passt. Dann ersetzt du diese eine Datei in deiner Telefonanlage.

Können Anrufer erkennen, dass es eine KI-Stimme ist?

Manche schon, vor allem bei längeren Ansagen. Das ist in Ordnung, wenn die Ansagen klar sind und die Stimme angenehm ist: Anrufern kommt es meistens darauf an, schnell am richtigen Ort zu landen. Wo Gesetze oder deine eigenen Richtlinien es verlangen, sag den Anrufern, dass die Stimme automatisiert ist.