Aussprache-Dictionary für KI-Telefonassistenten einrichten

Eigennamen, Adressen, Fachbegriffe: So bringst du deinem KI-Telefonassistenten die richtige Aussprache bei

Ein KI-Telefonassistent, der "Müller-Apotheke" wie "Mueller-Apoteek" ausspricht oder die Straße "Kirchweg" nicht versteht, kostet Vertrauen und Anrufe. Die kurze Antwort: Moderne Voice-AI-Plattformen lösen das nicht durch Zufall, sondern über Pronunciation Dictionaries (für die Sprachausgabe) und Custom-Vocabulary-Listen (für die Spracherkennung) – zwei getrennte, aber zusammenspielende Mechanismen, die du pro Assistent konfigurierst, ohne das zugrunde liegende Sprachmodell neu zu trainieren.

Wer einen KI-Telefonassistenten für eine Zahnarztpraxis, ein Autohaus oder eine Immobilienagentur aufsetzt, stößt fast immer auf dieselben Stolpersteine: Eigennamen, Adressen, Markennamen und Fachjargon. Dieser Artikel zeigt, wie das technisch funktioniert, welche Ansätze die führenden Anbieter verfolgen und wie du das in Famulor sauber und zentral verwaltest.

Zwei Probleme, die oft verwechselt werden: Verstehen vs. Aussprechen

Ein Voice-Agent hat zwei Sprach-Komponenten mit unterschiedlichen Fehlerquellen:

• Speech-to-Text (STT): Der Agent muss ungewöhnliche Wörter, die der Anrufer sagt, korrekt erkennen – etwa einen seltenen Nachnamen, eine Postleitzahl-Kombination oder ein Produktkürzel. Erkennt das Modell das Wort falsch, landet ein falscher Begriff im Transkript, und die nachgelagerte Logik (Terminbuchung, CRM-Eintrag, Weiterleitung) arbeitet mit falschen Daten.
• Text-to-Speech (TTS): Der Agent muss Wörter, die er selbst ausspricht, richtig betonen – etwa den Firmennamen, ein Medikament oder eine Fachbezeichnung. Hier geht es nicht um Verständnis, sondern um akustische Korrektheit.

Beide Probleme betreffen dieselben Wortkategorien: Eigennamen (Personen, Orte, Firmen), Abkürzungen und Akronyme sowie Fach- und Branchenjargon – medizinisch, juristisch, technisch. Wer nur eine der beiden Seiten fixt, hat trotzdem noch fehlerhafte Gespräche.

Wie die führenden Sprach-Engines Aussprache-Korrektur lösen

Famulor ist als anbieteragnostische Plattform an mehrere STT- und TTS-Engines angebunden. Jede davon hat einen eigenen Ansatz für kontrollierte Aussprache:

Der gemeinsame Nenner: Kein Anbieter verlangt ein komplettes Retraining. Alle vier Ansätze sind Konfiguration, keine Modellentwicklung – das macht sie für den Praxiseinsatz in einer Woche statt in einem Quartal umsetzbar.

IPA für Einsteiger: Ein Mini-Beispiel

Das International Phonetic Alphabet (IPA) klingt zunächst abschreckend, ist im Kern aber überschaubar: Jedes Symbol steht für genau einen Laut, unabhängig von der Schreibweise des Wortes. Für den Nachnamen "Böhringer" könnte eine Phonem-Regel etwa so aussehen: <<ˈbøːʁɪŋɐ>> – der Akzent (ˈ) markiert die betonte Silbe, ø steht für das deutsche ö, ʁ für das gerollte oder gutturale R. Für die meisten Anwendungsfälle reicht es, sich mit fünf bis zehn Symbolen vertraut zu machen: den deutschen Umlauten (ø, y, œ), dem R-Laut (ʁ oder r) und den Betonungszeichen (ˈ für Haupt-, ˌ für Nebenakzent). Wer sich das nicht selbst aneignen möchte, kann für die IPA-Übersetzung auch auf ein Aussprache-Wörterbuch oder eine Transkriptionshilfe zurückgreifen – wichtig ist nur, dass die fertige Regel in der Test-Umgebung vor dem Livegang gegengehört wird.

Alias-Regeln sind der einfachere Einstieg und für die meisten Fälle ausreichend: Statt einer phonetischen Notation ersetzt du das Wort einfach durch eine Schreibweise, die die Standard-Engine korrekt ausspricht – "SEPA" wird zu "Sepa", "Dr." wird zu "Doktor". Erst wenn eine Alias-Regel hörbar falsch bleibt, lohnt sich der Umweg über IPA.

Typische Fehler bei der Einrichtung

Vier Muster tauchen in der Praxis immer wieder auf. Erstens: Die Dictionary wird einmalig beim Rollout angelegt und danach nie wieder angefasst – neue Produktnamen oder Mitarbeitende fallen dann automatisch durchs Raster. Zweitens: Teams korrigieren nur die TTS-Seite, weil sie beim Testen selbst zuhören und Ausspracheprobleme direkt bemerken, während STT-Fehler unbemerkt im Transkript verschwinden. Drittens: Regeln werden pro Assistent einzeln angelegt statt zentral gepflegt, wodurch derselbe Firmenname in drei Sprachversionen drei unterschiedliche, teils veraltete Korrekturen erhält. Viertens: Die Dictionary wird ausschließlich anhand von Testgesprächen im Büro erstellt, nicht anhand echter Anrufe – Hintergrundgeräusche, Dialekt und schlechte Mobilfunkverbindungen produzieren im echten Betrieb andere Fehlerbilder als im ruhigen Test.

Aussprache-Korrektur einrichten: Schritt für Schritt

1. Problemwörter aus echten Gesprächen sammeln

Rate nicht, welche Wörter Probleme machen – lies es aus den Daten ab. Post-Call-Analysen und Call-Transkripte zeigen zuverlässig, welche Begriffe wiederholt falsch erkannt oder falsch ausgesprochen wurden. Sammle diese Liste über zwei bis vier Wochen laufenden Betrieb, bevor du eine Dictionary anlegst – so vermeidest du, Wörter zu "reparieren", die in der Praxis nie ein Problem waren.

2. Nach STT- und TTS-Problem trennen

Sortiere jedes Problemwort: Wird es vom Anrufer gesagt und falsch verstanden (STT) oder vom Agenten gesagt und falsch betont (TTS)? Viele Begriffe – etwa der eigene Firmenname – brauchen beide Korrekturen gleichzeitig.

3. TTS-Regeln anlegen: Alias oder Phonem

Für einfache Fälle reicht eine Alias-Regel ("Dr." wird als "Doktor" ausgesprochen). Für Eigennamen mit unklarer Standardaussprache – etwa ein seltener Nachname oder ein Fahrzeugmodell – braucht es eine Phonem-Regel mit IPA-Notation. Das erfordert etwas Einarbeitung, lohnt sich aber für jeden Begriff, der in praktisch jedem Gespräch vorkommt.

4. STT-Vokabular ergänzen

Trage seltene Eigennamen, Produktbezeichnungen und Fachbegriffe als Schlüsselwörter oder Schlüsselphrasen ein. Bei kurzen Einzelwörtern reicht eine einfache Liste; bei mehrwortigen Ausdrücken (z. B. Straßennamen mit Hausnummer-Mustern) ist eine Phrasen-Funktion zuverlässiger als einzelne Wörter.

5. Mit echten Testanrufen validieren

Höre dir die Testanrufe an, nicht nur die Transkripte – Betonungsfehler fallen im geschriebenen Text oft nicht auf. Teste gezielt mit unterschiedlichen Sprecherinnen und Sprechern, Dialektfärbung und Hintergrundgeräuschen, bevor du live schaltest.

6. Zentral pflegen statt pro Assistent duplizieren

Sobald mehrere Assistenten (z. B. für verschiedene Standorte oder Sprachen) dieselben Begriffe verwenden – etwa den Firmennamen oder häufige Produktbezeichnungen – lohnt sich eine gemeinsame, wiederverwendbare Dictionary statt einer Kopie pro Assistent. Das reduziert Pflegeaufwand und verhindert, dass eine Korrektur in einem Assistenten vergessen wird.

Der Famulor-Ansatz: Aussprache zentral verwalten, ohne Anbieter-Lock-in

Weil Famulor als anbieteragnostische Voice-AI-Plattform mehrere STT- und TTS-Engines gleichzeitig anbindet, musst du dich nicht auf eine einzige Aussprache-Syntax festlegen. Über die Wissensdatenbank hinterlegst du firmenspezifische Begriffe zentral – Produktnamen, Adressen, Ansprechpartner – und der Assistent zieht sie bei jedem Gespräch. Die Voice Library erlaubt es, für jede Sprache und jeden Anwendungsfall die passende Engine und Stimme auszuwählen, statt an einen einzigen TTS-Anbieter gebunden zu sein.

Für Referenz-Aussprachen im Prompt-Stil – etwa "sprich 'famulor' als 'FA-mu-lor' aus" – nutzt du den AI Prompt Editor, der Änderungen sofort testbar macht, ohne Code oder API-Aufrufe. Da Famulor 40+ Sprachen unterstützt, ist das besonders relevant für Unternehmen mit mehrsprachigen Kundengruppen oder Standorten in mehreren Ländern: Eine Aussprache-Korrektur für den deutschen Assistenten hilft nicht automatisch dem französischen – jede Sprache braucht ihre eigene, gepflegte Liste.

Für deutschsprachige Unternehmen kommt eine Besonderheit hinzu: zusammengesetzte Wörter. "Terminvereinbarungsanfrage" oder "Zahnzusatzversicherung" sind für eine TTS-Engine schwerer zu betonen als ein einzelnes kurzes Wort, weil die Engine erkennen muss, wo im Kompositum die Hauptbetonung liegt. In der Praxis hilft es oft schon, lange Komposita in der Wissensbasis oder im Prompt mit einem Bindestrich oder einer Alias-Regel in ihre Bestandteile zu zerlegen, statt sie der Standardaussprache zu überlassen. Dasselbe gilt für Umlaute und das scharfe ß, die insbesondere bei internationalen TTS-Engines mit primärem Trainingsfokus auf Englisch gelegentlich zu Unsicherheiten führen.

Praxisbeispiele nach Branche

Die Zahnarztpraxis Dr. Becker in Augsburg, 14 Mitarbeitende, hatte in den ersten zwei Wochen nach dem Rollout ihres KI-Telefonassistenten ein wiederkehrendes Problem: Der Assistent verstand "Parodontitis-Behandlung" nicht zuverlässig und sprach den Namen der Praxis-Kooperationspartnerin, einer Kieferorthopädin mit Doppelnamen, falsch aus. Nach dem Ergänzen einer Fachbegriff-Liste in der Wissensdatenbank für Zahnarztpraxen und einer Phonem-Korrektur für den Namen sank die Rückfragequote bei Terminanfragen spürbar.

Ein Autohaus mit drei Standorten in Bayern stand vor einem ähnlichen Muster: Fahrzeugmodelle wie "Škoda Enyaq" oder "Ioniq" wurden von der Standard-TTS-Stimme falsch betont, was in Testgesprächen für Verwirrung sorgte. Eine kleine Phonem-Dictionary für die zehn meistgenannten Modellnamen behob das Problem für alle drei Standorte gleichzeitig, weil die Dictionary assistentenübergreifend eingebunden wurde. Mehr zu branchenspezifischen Anwendungsfällen findest du in der Automobilindustrie-Übersicht.

Bei einer Immobilienmaklerin mit Fokus auf ein bestimmtes Stadtviertel war das größte Problem nicht die Aussprache, sondern die Erkennung: Straßennamen mit ungewöhnlicher Schreibweise wurden im Transkript regelmäßig falsch erfasst, was zu falschen Objektzuordnungen führte. Eine Keyterm-Liste mit den zwanzig häufigsten Straßennamen im Zielgebiet löste das Problem, ohne dass ein einziges Wort der TTS-Stimme angepasst werden musste. Weitere Beispiele zeigt die Immobilien-Seite.

Was schlechte Aussprache wirklich kostet

Ausspracheprobleme wirken auf den ersten Blick wie ein kosmetisches Detail. In der Praxis führen sie zu drei messbaren Effekten: erhöhte Abbruchrate, weil Anrufer den Assistenten für unseriös halten und auflegen; fehlerhafte Datensätze, weil falsch erkannte Namen oder Adressen ins CRM oder den Kalender übernommen werden; und höherer manueller Nachbearbeitungsaufwand, weil Mitarbeitende falsch zugeordnete Anrufe nachträglich korrigieren müssen. Jeder dieser drei Effekte lässt sich in Minuten pro Anruf und damit in Kosten übersetzen. Ein Anruf, bei dem der Assistent einen Namen zweimal nachfragen oder eine falsch verstandene Adresse manuell korrigieren muss, dauert oft 20 bis 40 Sekunden länger als ein reibungsloses Gespräch. Bei mehreren hundert Anrufen im Monat summiert sich das zu spürbarer zusätzlicher Gesprächszeit – Zeit, die entweder in Warteschlangen anderer Anrufer oder in zusätzliche Kapazität fließt.

Der Aufwand, eine Dictionary anzulegen, steht dem in einem klaren Verhältnis gegenüber: Die Einrichtung der zehn bis dreißig wichtigsten Begriffe eines Unternehmens dauert in der Regel ein bis zwei Stunden – einmalig, mit punktueller Pflege danach. Wie sich eine sauber konfigurierte Aussprache auf deine Anrufkosten und deine Kapazität auswirkt, lässt sich mit dem Famulor-ROI-Rechner grob überschlagen – auf Basis von Anrufvolumen, durchschnittlicher Gesprächsdauer und aktuellem Personalaufwand pro Anruf.

Fazit

Eigennamen, Adressen und Fachbegriffe sind der Grund, warum viele Voice-AI-Projekte in den ersten Wochen holprig wirken – und der Grund, warum sie sich mit vergleichsweise wenig Aufwand deutlich verbessern lassen. Die Lösung ist selten ein neues Modell, sondern eine sauber gepflegte Pronunciation Dictionary auf der TTS-Seite und eine Keyword- beziehungsweise Keyterm-Liste auf der STT-Seite – beide zentral verwaltet, statt pro Assistent neu erfunden. Famulor bündelt genau diese Bausteine in einer Plattform: Wissensdatenbank, Voice Library mit mehreren Engines, Prompt Editor und 40+ Sprachen, ohne dich an einen einzelnen Anbieter zu binden. Wenn dein Assistent aktuell noch stolpert, ist der nächste sinnvolle Schritt eine kurze Live-Demo, in der wir gemeinsam anhand deiner echten Begriffe – Firmenname, Produkte, Adressen – zeigen, wie die Einrichtung konkret aussieht.

FAQ

Was ist eine Pronunciation Dictionary?

Eine Pronunciation Dictionary ist eine Liste von Wort-Aussprache-Zuordnungen, die einer Text-to-Speech-Engine vorgibt, wie bestimmte Wörter klingen sollen – entweder über eine phonetische Notation (IPA) oder über eine einfache Wortersetzung.

Was ist der Unterschied zwischen Keyword Boosting und einer Pronunciation Dictionary?

Keyword Boosting wirkt auf der Speech-to-Text-Seite und verbessert, wie zuverlässig ein Anrufer-Wort erkannt wird. Eine Pronunciation Dictionary wirkt auf der Text-to-Speech-Seite und steuert, wie der Assistent selbst ein Wort ausspricht. Beide sind nötig, um ein Wort in beide Richtungen korrekt zu behandeln.

Muss ich für jede Sprache eine eigene Aussprache-Liste pflegen?

Ja. Aussprache-Regeln sind sprachspezifisch, da sich Phonetik und Betonungsmuster zwischen Sprachen unterscheiden. Ein deutscher Firmenname braucht in einer französischen oder englischen Voice-Konfiguration eine eigene Regel.

Wie viele Wörter sollte eine Pronunciation Dictionary enthalten?

Es gibt keine feste Zahl – Sinn ergibt jedes Wort, das wiederholt falsch ausgesprochen oder erkannt wird. In der Praxis reichen für die meisten kleinen und mittleren Unternehmen 10 bis 50 Einträge, um die häufigsten Probleme abzudecken.

Kann ich Aussprache-Korrekturen ohne Programmierkenntnisse einrichten?

Für einfache Wortersetzungen ja – die meisten Plattformen, darunter Famulor, bieten dafür Oberflächen ohne Code. Für Phonem-genaue Korrekturen mit IPA-Notation hilft grundlegendes Verständnis der Lautschrift, ist aber mit ein wenig Übung erlernbar.

Wie oft sollte ich die Aussprache-Liste aktualisieren?

Direkt nach dem Rollout empfiehlt sich eine Überprüfung nach zwei bis vier Wochen Live-Betrieb anhand der Post-Call-Analyse. Danach reicht in der Regel eine Prüfung bei neuen Produkten, Standorten oder Mitarbeitenden mit ungewöhnlichen Namen.

Was passiert, wenn ein Wort nicht in der Dictionary steht?

Die Engine greift auf ihre Standardaussprache-Logik zurück, die auf den meisten gängigen Wörtern gut funktioniert. Nur bei seltenen Eigennamen, Fachbegriffen oder fremdsprachigen Ausdrücken kommt es ohne Eintrag häufiger zu Fehlern.

Beeinflusst eine falsche Aussprache auch die Spracherkennung im laufenden Gespräch?

Indirekt ja: Wenn der Assistent einen Begriff falsch ausspricht, wiederholt oder korrigiert der Anrufer oft, was das Gespräch verlängert und zusätzliche Erkennungsfehler wahrscheinlicher macht.