Full Duplex in Famulor: GPT-Live und Voice-AI im Vergleich

Ein Anrufer ergänzt etwas, während dein KI-Assistent schon antwortet: „Am Donnerstag passt es. Aber erst nach 15 Uhr.“ Ein gutes Gespräch nimmt diese Information auf und geht passend weiter. Genau hier setzt Full Duplex (Beta) in Famulor an: Der Assistent kann gleichzeitig zuhören und sprechen und seine laufende Antwort an neue Informationen anpassen.

Das Update erweitert Realtime um einen neuen Gesprächsmodus. Du wählst ihn gezielt für passende Assistenten. Bestehende Assistenten behalten ihre Engine und ihre Einstellungen. Dieser Beitrag zeigt dir, wie sich Full Duplex von Pipeline, Half Cascade und Standard-Realtime unterscheidet, welche Benchmarks bei der Auswahl helfen und wie du daraus einen verlässlichen Ablauf für deine Anrufer machst.

Produkt- und Quellenstand: 13. September 2026. Die Messwerte stammen aus veröffentlichten Anbieter-Evaluationen und externen Benchmarks. Die Praxisdialoge sind illustrative Beispiele.

Höre, wie ein Gespräch mit Full Duplex klingt

Die Famulor-Demo zeigt einen Arbeitsdialog mit Rückfragen und Informationsabfragen. Dabei geht es unter anderem um Aufgaben und Produktneuigkeiten. Sie veranschaulicht den Gesprächsfluss und den Wechsel zwischen Dialog und Suche. Sie ist kein Benchmark für die Erfolgsquote eingehender Kundenanrufe.

Famulor-Demo: Rückfragen und Informationsabfragen im Gespräch. YouTube

Vier Gesprächswege: Pipeline, Half Cascade, Realtime und Full Duplex

Die Begriffe beschreiben unterschiedliche Abläufe zwischen Hören, Verarbeiten und Sprechen. In Famulor ist Full Duplex eine Variante der Realtime-Engine. Für die praktische Auswahl lohnt es sich trotzdem, vier Wege nebeneinander zu betrachten.

Pipeline: Ein Dienst erkennt Sprache und erzeugt Text. Ein Sprachmodell verarbeitet diesen Text, anschließend spricht ein TTS-Dienst die Antwort. Das gibt dir getrennte Stellschrauben für Erkennung, Denken und Stimme. Ein solcher Aufbau kann durch Streaming schnell reagieren. Aus dem Architektur-Namen allein lässt sich keine feste Antwortzeit ableiten.

Half Cascade: Ein Realtime-Modell verarbeitet die Audioeingabe und liefert Antworttext. Ein separater TTS-Dienst spricht ihn. Damit verbindest du direkte Audioverarbeitung mit einer eigenständig gewählten Ausgabestimme. Es gibt hier keine zusätzliche, vorgelagerte STT-Stufe wie in der klassischen Pipeline.

Realtime Standard: Das Modell verarbeitet und erzeugt Audio nativ. Zuhören, Antwortbildung und Stimme liegen enger zusammen. Die konkrete Behandlung von Pausen und Unterbrechungen hängt vom Modell und der Konfiguration ab.

Realtime mit Full Duplex: Die gleichzeitige Verarbeitung eingehender und ausgehender Sprache wird zum Teil des laufenden Dialogs. Der Assistent kann eine Ergänzung hören, während er spricht. Dafür nutzt der Modus eine kompatible native Gesprächsstimme.

Darstellung eines OpenAI-Beispiels für ein kaskadiertes Sprachsystem. Schematische Veranschaulichung, keine gemessene Famulor-Pipeline. Die Bewertung und das Modell im Bild beziehen sich auf das dargestellte Beispiel.

Unterbrechen ist nicht dasselbe wie gleichzeitig zuhören

Viele Sprachassistenten beherrschen bereits Barge-in: Sobald der Anrufer spricht, wird die Ausgabe gestoppt. Das ist nützlich. Doch eine kurze Bestätigung wie „ja, genau“ und eine Korrektur wie „nein, die andere Adresse“ verlangen unterschiedliche Reaktionen.

Full Duplex zielt auf diesen feineren Gesprächswechsel. Der Assistent soll den neuen Beitrag im Kontext verstehen und passend reagieren. Ob das in deinem Anwendungsfall gut funktioniert, prüfst du mit echten Formulierungen deiner Zielgruppe: kurzen Bestätigungen, längeren Ergänzungen, selbst korrigierten Daten und Hintergrundgeräuschen.

Für einen Anrufer zählt am Ende die zusammenhängende Erfahrung: Wird er verstanden? Muss er seine Angaben wiederholen? Kommt der Assistent zu einem richtigen Ergebnis? Eine schnelle erste Silbe beantwortet diese Fragen noch nicht.

Weiterreden, während Informationen gesucht werden

Ein natürliches Gespräch braucht manchmal eine Aktion im Hintergrund. Ein Kalender muss freie Zeiten liefern, ein CRM einen Kontakt finden oder eine Wissensbasis die passende Antwort bereitstellen. Der Assistent sollte dabei verständlich sagen, was gerade passiert, und anschließend mit dem tatsächlichen Ergebnis weiterarbeiten.

Ein Beispiel: „Ich prüfe die freien Termine.“ Der Anrufer ergänzt: „Bitte nur am Nachmittag.“ Diese Präferenz gehört in die weitere Suche. Ein Termin gilt erst als gebucht, wenn das angebundene System die Buchung bestätigt hat. Gesprächsfluss und korrekte Aktionen gehören zusammen.

Darstellung des OpenAI-Beispiels für delegierte Aufgaben. GPT-5.5 ist hier Teil der Illustration; das Bild dokumentiert keine Famulor-Modellkonfiguration.

Für die Einrichtung bedeutet das: Beschreibe jede Aktion mit ihrem Zweck, ihren Pflichtangaben und ihrem erwarteten Ergebnis. Lege fest, wann der Agent nachfragen soll. Bei einer Kalenderaktion ist etwa entscheidend, ob nur freie Zeiten abgefragt oder bereits verbindliche Termine angelegt werden.

GPT-Live und Realtime: Was die veröffentlichten Benchmarks zeigen

OpenAI hat GPT-Live-1 am 10. September 2026 vorgestellt. Die folgenden Werte stammen aus den Diagrammen der Originalveröffentlichung zu GPT-Live-1. Sie vergleichen konkrete Modellkonfigurationen.

Famulor-Grafik mit veröffentlichten OpenAI-Werten. Zwei getrennte Messgrößen, kein Gesamtscore.

Methodik: Tau3 (Voice) nutzt eine gleichmäßige Gewichtung der Domänen. Die GPT-Live-Konfiguration verwendet dort das Backend Astra mit „medium“; die Tool-Calling-Auswertung nutzt Terra mit „low“. Diese Angaben beschreiben die veröffentlichten Tests und keine wählbare Famulor-Konfiguration. Die Zeilen gehören zu unterschiedlichen Tests und Benchmark-Versionen.

Für deine Auswahl sind zwei Fragen getrennt relevant: Wie gut geht ein Modell mit einem dynamischen Gespräch um? Und wie zuverlässig erledigt es eine Aufgabe? Interaktivität und Tool Calling liefern dafür unterschiedliche Hinweise. Die Werte sind weder eine zugesicherte Famulor-Antwortzeit noch eine Erfolgsprognose für deine Anrufe.

Eine zusätzliche Marktansicht auf native Realtime-Modelle

Coval misst Sprachmodelle in einem eigenen Gesprächsaufbau. Der veröffentlichte Vergleich liefert eine zweite Perspektive auf native Audio-Modelle. Er lässt sich wegen des anderen Messverfahrens nicht direkt mit OpenAIs Full Duplex Bench verrechnen.

Quelle: Coval: Gemini Live und Vergleichsmodelle, rollierende 30-Tage-Werte; letzter ausgewiesener Lauf am 27. August 2026, abgerufen am 13. September. Die Gemini-Zeile betrifft ausdrücklich 3.1 Flash Live Preview. Sie ist keine Messung der in Famulor ebenfalls geführten Gemini-2.5-Native-Audio-Varianten.

Schon ein anderer Modellstand kann ein Ergebnis verändern. Prüfe deshalb den vollständigen Modellnamen, die Testregion, den Kanal und das Datum. Ein Vergleich zwischen einem Web-Mikrofon und einem Telefonanruf kann außerdem Unterschiede enthalten, die aus der Audioübertragung stammen.

TTS-Benchmark: Wie schnell beginnt die Stimme zu sprechen?

Bei Pipeline und Half Cascade wählst du die Sprachausgabe separat. Dafür ist Time to First Audio, kurz TTFA, eine hilfreiche Kennzahl: Wie lange dauert es von der TTS-Anfrage bis zum ersten hörbaren Audio? Die Tabelle zeigt eine Auswahl aus Covals veröffentlichten Messungen.

Famulor-Grafik auf Basis von Covals TTS-Messungen. Die dargestellte Zeit umfasst nur die gemessene TTS-Anfrage.

Quelle: Coval TTS-Modellvergleich. Rollierende 30-Tage-Durchschnitte, abgerufen am 13. September 2026; letzter ausgewiesener Lauf am 10. September. WER steht für Wortfehlerrate. Bei beiden Spalten ist ein niedrigerer Wert besser. Die Tabelle bewertet weder den persönlichen Stimmgeschmack noch die Natürlichkeit eines vollständigen Dialogs.

Coval beschreibt TTFA als Messung bis zum hörbaren Audio, einschließlich anfänglicher Stille. Die TTFA-Methodik und das TTS-Testset erklären den Aufbau mit einem festen Prompt-Satz und Anbieter-APIs in einer US-Region. Diese Bedingungen unterscheiden sich von einem vollständigen Famulor-Anruf.

Auch Herstellerzahlen brauchen ihren Kontext. ElevenLabs nennt für Flash etwa 75 Millisekunden reine Modell-Inferenz unter passenden Bedingungen. Die ElevenLabs-Latenzdokumentation grenzt diese Zahl von zusätzlicher Netzwerk- und Anwendungslaufzeit ab. Sie misst damit etwas anderes als die 252 Millisekunden in der Coval-Tabelle.

Wähle eine Stimme mit einem kurzen Hörtest aus deinem Alltag: Firmenname, deutsche Straßennamen, Datum, Uhrzeit, E-Mail-Adresse und eine längere Erklärung. Eine Stimme muss verständlich bleiben, wenn der Inhalt komplizierter wird. Höre außerdem, wie Zahlen gruppiert und Abkürzungen ausgesprochen werden.

Für Full Duplex gilt eine andere Auswahl: Dort ist die native Gesprächsstimme Teil des Modus. Ein schneller separater TTS-Dienst aus dieser Tabelle wird dadurch nicht automatisch zur Full-Duplex-Stimme. Wenn eine bestimmte TTS- oder Markenstimme dein entscheidendes Kriterium ist, lohnt sich der Vergleich mit Pipeline und Half Cascade.

Benchmarks für Denkmodelle: Aufgaben lösen und Tools richtig nutzen

Ein Sprachassistent soll nicht nur flüssig sprechen. Er muss Informationen verbinden, Regeln beachten und passende Aktionen ausführen. Dafür helfen Benchmarks für Text- und Tool-Aufgaben. Sie messen andere Fähigkeiten als Sprachlatenz oder Stimmqualität.

Modellvergleich aus der Gemini-3.5-Flash-Model-Card

Quelle: Google DeepMind: Gemini 3.5 Flash Model Card. Höhere Werte sind besser. Anbieter-Evaluation für die angegebenen Modell- und Testkonfigurationen; keine Messung deutscher Telefonate.

Große und kleine Modelle im selben Aufgaben-Benchmark

Quelle: OpenAI: GPT-5.4 mini und nano, Tau2-Bench Telecom. Höher ist besser. Die hohe Reasoning-Einstellung gehört zum Testergebnis; sie ist keine Empfehlung für jede zeitkritische Sprachantwort.

Nutze solche Werte, um Kandidaten einzugrenzen. Danach teste deine tatsächlichen Aufgaben: eine unvollständige Adresse erfragen, zwei ähnliche Produkte unterscheiden oder eine Aktion mit fehlendem Pflichtfeld zurückhalten. Ein Modell, das einen allgemeinen Benchmark gewinnt, muss nicht das beste Verhältnis aus Antwortzeit, Kosten und Qualität für einen kurzen Empfangsdialog liefern.

Die Gesamtzeit einer Pipeline entsteht aus mehreren Teilen: Erkennen einer Sprechpause, Transkription, Antwortbildung, gegebenenfalls einer Tool-Abfrage und Sprachausgabe. Einige Schritte können überlappen. Deshalb ergibt das Addieren von Zahlen aus fremden Leaderboards keinen belastbaren End-to-End-Benchmark.

Sechs Anwendungsfälle für natürlichere Anrufe

Die folgenden Szenarien orientieren sich an typischen Famulor-Abläufen für Empfang, Lead-Qualifizierung, Terminbuchung und Support. Die Dialoge sind erfundene Beispiele und keine veröffentlichten Kundengespräche.

1. Empfang: Das Anliegen noch im Satz präzisieren

Der Assistent erklärt die nächsten Schritte. Der Anrufer ergänzt: „Es geht um die Wartung, nicht um eine neue Anlage.“ Der Agent übernimmt die Präzisierung und fragt die dafür nötigen Angaben ab. Das Team erhält eine passend eingeordnete Anfrage. Bei häufigen Ergänzungen ist Full Duplex ein sinnvoller Testkandidat; für einen klar geführten Aufnahmeprozess bleibt Pipeline eine gute Vergleichsbasis.

2. Terminbuchung: Neue Zeitwünsche aufnehmen

„Dienstag wäre möglich.“ Während die Antwort beginnt, folgt: „Allerdings nur nach der Schule.“ Der Agent fragt nach der konkreten Uhrzeit und prüft die Verfügbarkeit erneut. Erst nach erfolgreicher Kalenderaktion bestätigt er den Termin. Miss hier besonders, wie oft ein korrigierter Wunsch zu einer tatsächlich passenden Buchung führt.

3. Vertrieb: Eine neue Bedingung verändert die Qualifizierung

Ein Interessent nennt zunächst einen Standort und ergänzt später drei weitere. Das beeinflusst die passende Lösung und die nächsten Fragen. Der Agent sollte die neuen Angaben zusammenführen und strukturiert an das CRM übergeben. Für diesen Ablauf zählen Gesprächsdynamik und Datenqualität gleichermaßen.

4. Support: Eine Korrektur zur Referenznummer verstehen

„Die Bestellung endet auf 42. Entschuldigung, auf 24.“ Der Agent arbeitet mit der korrigierten Nummer weiter und bestätigt sensible Zuordnungen vor einer Aktion. Full Duplex kann bei solchen Selbstkorrekturen helfen. Die angebundene Suche muss trotzdem einen eindeutigen Treffer liefern oder eine Rückfrage auslösen.

5. Serviceeinsatz: Zusatzinformationen richtig einordnen

Ein Kunde beschreibt eine Störung und ergänzt: „Der Zugang ist nur über den Innenhof möglich.“ Der Agent nimmt die Information in den Auftrag auf. Klare Regeln bestimmen, welche Informationen er erfassen soll und wann das Team übernimmt. Der Gesprächsmodus ersetzt diese fachlichen Regeln nicht.

6. Markenstimme: Den passenden Kompromiss bewusst wählen

Ein Unternehmen verwendet eine festgelegte TTS-Stimme für seinen Kundenkontakt. Dann kann Half Cascade eine passende Verbindung aus Audioeingabe und separater Sprachausgabe bieten. Wenn häufige Ergänzungen das Gespräch prägen, vergleiche zusätzlich Full Duplex mit einer nativen Stimme. Teste beide mit denselben Inhalten und bewerte Verständlichkeit, Wiedererkennung und Gesprächsfluss getrennt.

Full Duplex in Famulor einrichten

1. Öffne den passenden Assistenten. Wähle in einem berechtigten Workspace mit aktivierten Beta-Funktionen Realtime → Full Duplex (Beta).

2. Höre die nativen Stimmen vorab an. Wähle eine kompatible Stimme anhand echter Begriffe aus deinem Anwendungsfall. Full-Duplex-Hörproben verwenden die tatsächliche Gesprächsstimme.

3. Prüfe Begrüßung und Ansagen. Stimme Gesprächsbeginn, Einwilligung und Tool-Ansagen auf deinen Ablauf ab. Eine hochgeladene Begrüßung behält ihre aufgenommene Stimme.

4. Beschreibe Aktionen eindeutig. Definiere Pflichtangaben, Rückfragen und den Umgang mit einem erfolglosen Ergebnis. Eine erfolgreiche Tool-Antwort muss zur gesprochenen Bestätigung passen.

5. Teste über den vorgesehenen Kontaktweg. Prüfe Unterbrechungen, kurze Bestätigungen, korrigierte Angaben, stille Phasen und den Gesprächsabschluss. Nutze dafür dieselben Szenarien wie beim bisherigen Assistenten.

Das Update verbessert außerdem den Start mit längeren Assistenten-Anweisungen, die Erkennung konfigurierter Aktionen und die konsistente Erfassung der Gesprächsnutzung. Nach der Abschiedsformel wird beim Auflegen keine unnötige neue Sprachverbindung mehr geöffnet.

Ansagen: Natürlich sprechen und erforderliche Texte sauber behandeln

Die kompatible native Stimme wird für Full-Duplex-Gespräche und die dafür vorgesehenen Ansagen verwendet. Normale Ansagen können im Gespräch umformuliert werden. Erforderliche Einwilligungsansagen werden dagegen geprüft und vor Annahme der Zustimmung vollständig abgespielt. Teste diesen Ablauf mit deinem konkreten Text und den aktivierten Aktionen.

Der Editor behält eine Ausweichstimme und erklärt Konflikte mit Ausgabefiltern vor einem Wechsel. Prüfe die Hinweise im Editor, bevor du die Konfiguration speicherst. So lässt sich die neue Gesprächsstimme gezielt in deinen vorhandenen Ablauf einfügen.

So baust du einen aussagekräftigen Vergleich für deinen Betrieb

Für einen eigenen Vergleich brauchst du dieselben Aufgaben und möglichst gleiche Bedingungen. Lege zum Beispiel 20 bis 30 typische Dialogfälle an, führe jeden mehrfach aus und wechsle die Reihenfolge der getesteten Konfigurationen. Das ist ein praktischer Startpunkt für deine Evaluation, keine hier durchgeführte Testreihe.

• Halte Bedingungen fest: Sprache, Telefon- oder Web-Kanal, Region, Hintergrundgeräusche, Stimme, Modellstand, Prompt und verbundene Tools.

• Miss den Gesprächsfluss: Zeit bis zur hörbaren Antwort, Reaktion auf Korrekturen, unnötige Abbrüche und nötige Wiederholungen. Betrachte Median und langsamere Fälle getrennt.

• Prüfe das Ergebnis: Wurde der richtige Termin angelegt? Sind CRM-Felder korrekt? Wurde eine fehlgeschlagene Aktion ehrlich erklärt?

• Höre die Antworten an: Bewerte Verständlichkeit, Aussprache und Passung zur Marke. Eine Prozentzahl ersetzt diesen Hörtest nicht.

Dokumentiere auch Fälle, in denen ein einfacherer Aufbau besser funktioniert. Für eine kurze, strukturierte Aufnahme kann ein anderer Schwerpunkt sinnvoll sein als für ein Beratungsgespräch mit vielen Ergänzungen. Entscheidend ist die passende Konfiguration für den jeweiligen Ablauf.

Häufige Fragen

Wer kann Full Duplex (Beta) auswählen?

Die Auswahl erscheint in berechtigten Workspaces mit aktivierten Beta-Funktionen, passender Realtime-Berechtigung und unterstützter Region. Zum Stand dieses Beitrags sind Global- und US-Workspaces vorgesehen; für EU-Workspaces ist die Auswahl noch nicht verfügbar. Dein Editor zeigt die für deinen Workspace verfügbaren Optionen.

Werden vorhandene Assistenten automatisch umgestellt?

Nein. Bestehende Assistenten behalten ihre Engine und ihre Einstellungen. Du entscheidest, bei welchem Assistenten du den neuen Modus einsetzt.

Kann ich meine bisherige TTS-Stimme behalten?

Für das laufende Full-Duplex-Gespräch wählst du eine kompatible native Stimme. Hochgeladene Begrüßungen behalten ihre aufgenommene Stimme. Wenn eine bestimmte separate TTS-Stimme den gesamten Dialog sprechen soll, vergleiche Pipeline und Half Cascade.

Ist Full Duplex immer schneller?

Die veröffentlichten Modelltests zeigen Vorteile in bestimmten Konfigurationen. Deine tatsächliche Antwortzeit hängt zusätzlich von Kanal, Region, Prompt, Tools und Gesprächssituation ab. Nutze die Benchmarks zur Vorauswahl und deinen eigenen Ablauf zur Entscheidung.

Was kostet der neue Modus?

Prüfe die aktuellen Konditionen und die Nutzungsanzeige in deinem Famulor-Workspace. Externe Modellpreise und Benchmark-Laufzeiten sind keine verlässliche Berechnungsgrundlage für die Kosten eines vollständigen Famulor-Anrufs.

Starte mit einem Ablauf, den du gut kennst

Wähle einen Assistenten mit einem klaren Ziel: eine Anfrage aufnehmen, einen Termin finden oder einen Supportfall einordnen. Vergleiche den bisherigen Gesprächsweg mit Full Duplex anhand derselben Szenarien. So erkennst du konkret, wo gleichzeitiges Zuhören und Sprechen deinen Anrufern hilft.

Das Famulor-Produktvideo zu Full Duplex. YouTube

Öffne Famulor und prüfe Full Duplex (Beta) in deinem Assistenten. Weitere Produktneuigkeiten findest du im Famulor-Blog.