Spracherkennung — englisch Automatic Speech Recognition (ASR) — ist die Technologie, die gesprochene Sprache automatisch in Text umwandelt. Sie ist der erste Schritt in jedem KI-Telefonat: Was der Anrufer sagt, wird in Echtzeit transkribiert, damit die KI es verarbeiten kann.
Moderne ASR-Systeme basieren auf neuronalen Netzen und erreichen auch bei Dialekten, Hintergrundgeräuschen und Fachbegriffen hohe Genauigkeit. Im KI-Telefonassistenten arbeitet die Spracherkennung im Streaming-Modus: Sie transkribiert bereits, während der Anrufer noch spricht — das senkt die Latenz spürbar.
Der erkannte Text geht anschließend an ein Large Language Model, das die Bedeutung erfasst, und die Antwort wird per Sprachsynthese ausgegeben. Die vollständige Transkription des Gesprächs steht danach für Dokumentation und Auswertung zur Verfügung.