Welche Stimme soll Ihr Agent haben?

Wählen Sie die Stimme im echten Anruf

Ein paar Wochen später ruft Ihr neuer Voice-Agent eine Kundin an, mit der Stimme, die im Meeting das Rennen gemacht hat. Sie steht an einer Bushaltestelle, neben ihr fährt der Verkehr vorbei. Die Stimme beginnt, ihr die Lieferzeit vorzulesen, und noch bevor die Adresse an der Reihe ist, legt die Kundin auf.

Wenn Sie eine KI-Stimme für Anrufe bei Ihren Kunden auswählen, prüfen Sie sie so, wie Ihre Kunden sie hören: am Telefon, ein ganzes Gespräch lang und an den Stellen, an denen Ihre Anrufe schwierig werden. Entscheiden Sie nach dem Charakter der Stimme, denn der lässt sich später nicht mehr ändern. Aussprache und Tempo stellen Sie danach ein. Lassen Sie dann Ihre beiden besten Stimmen dieselben echten Anrufe führen, und behalten Sie die, bei der mehr Kunden dranbleiben und am Ende dem zustimmen, worum der Anruf sie bittet, etwa einem Liefertermin.

Warum führt die Demostimme in die Irre?

Eine Demoseite soll jede Stimme von ihrer besten Seite zeigen. Jede KI-Stimme dort liest einen Demosatz vor, den der Anbieter ausgesucht hat, rund sechs Sekunden lang und so sauber wie eine Studioaufnahme. Im Meeting hört man ihn in einem ruhigen Raum.

Ihre Kunden hören die Stimme Ihres Agenten über eine Telefonleitung. Die überträgt weniger von der Stimme als ein Laptop oder Kopfhörer, und womöglich stehen die Kunden dabei auf der Straße oder in einem Laden. Das Gespräch dauert zwei bis drei Minuten, und statt eines geschliffenen Satzes liest die Stimme ihnen ihre eigenen Angaben vor: den Namen, ein Zeitfenster, eine Adresse und eine Bestellnummer. Und wenn Kunden „Wie bitte?“ sagen, muss die Stimme das Gesagte wiederholen.

Manche Stimmen, die im Meeting gewinnen, verlieren am Telefon. Eine helle, hauchige Stimme klingt auf dem Laptop wunderbar und am Telefon schnell dünn, im Freien erst recht. Eine Sprecherstimme, wie man sie aus Radiowerbung und Hörbüchern kennt, kann am Telefon völlig klar bleiben und trotzdem wie eine Aufnahme klingen. Und auf Aufnahmen legen die Leute auf.

Die Stimme ist nur ein Teil der Lücke zwischen Demo und Live-Anruf. Den Rest behandelt unser Beitrag über Agenten, die die Demo bestehen und bei Live-Anrufen schwächeln.

Wie soll die Stimme klingen?

Zuerst kommt die Sprache. Die Stimme sollte muttersprachlich klingen, in der Sprache Ihrer Kunden und in der Variante, die in deren Region gesprochen wird. Den Unterschied zwischen Deutsch aus Deutschland und Deutsch aus Österreich hört man sofort. Eine Stimme, die bei Kunden in Hamburg gut ankommt, ist deshalb für Kunden in Wien die falsche Stimme, so gut sie auch klingt.

Denken Sie dann an die Mitarbeiter, bei denen Ihre Kunden am liebsten am Telefon bleiben, und suchen Sie eine Alltagsstimme wie ihre. Sie klingt, als spräche jemand aus Ihrem eigenen Team, und nicht wie eine Sprecherstimme. Stellen Sie bei jeder Stimme ein gleichmäßiges Tempo ein, das bei Uhrzeiten und Zahlen etwas langsamer wird, damit Ihre Kunden mitschreiben können.

Die Stimme muss außerdem zur Persona passen, also zu Name und Auftreten, mit denen sich Ihr Agent vorstellt. Ein Agent, der sich Mia nennt, braucht eine Frauenstimme. Natürlich zu klingen heißt nicht, sich als Mensch auszugeben. Wo Ihr Markt es verlangt, sagt der Agent gleich in der Begrüßung, dass er eine KI ist, ganz gleich, mit welcher Stimme er spricht.

Welche Momente sollten Sie testen?

Nehmen wir [Shop], einen Online-Möbelhändler. Der Händler, die Personen, das Panel, die Punkte und die Anrufe in diesem Beitrag sind ein Beispiel und keine echten Daten. Am Tag vor jeder Lieferung ruft der KI-Agent von [Shop] die Kunden an, um Zeitfenster und Adresse zu bestätigen. Lena, die bei [Shop] den Kundenservice leitet, hat drei Stimmen von der Demoseite des Anbieters in die engere Auswahl genommen, alles Frauenstimmen, weil sich der Agent als Mia vorstellt. Im Meeting gefiel allen Stimme C am besten, eine helle, hauchige Stimme.

Beginnen Sie wie Lena mit dem Anruf, den Ihr Agent am häufigsten führt. Sie schreibt den Lieferanruf von [Shop] etwas länger aus als üblich, sodass er rund drei Minuten dauert und jeden schwierigen Moment enthält. Jede Stimme spricht diesen Testanruf, und Lena hört ihn sich auf ihrem eigenen Handy an, einmal im Büro und einmal draußen auf der Straße.

Der Testanruf beginnt mit „Guten Tag, hier ist Mia, die KI-Assistentin von [Shop].“ Mia fragt, ob sie mit Frau Szczepańska spricht, deren Nachname auf der Kundenliste von [Shop] schwer auszusprechen ist, und sagt ihr, dass ihr Sofa „morgen, am Donnerstag, zwischen 9:00 und 12:00 Uhr“ in der Schillerstraße 14 ankommt. Die Bestellnummer liest Mia in zwei Gruppen vor, 4471 2093. Die Kundin sagt „Wie bitte?“, und Mia liest die Nummer noch einmal vor, langsamer. Dann bittet die Kundin um den Nachmittag, doch der ist morgen schon ausgebucht. Mia entschuldigt sich und bietet ihr den Montag zwischen 13:00 und 16:00 Uhr an. Die Kundin ist einverstanden, Mia wiederholt Tag, Zeitfenster und Adresse, und die beiden verabschieden sich.

Ein Demosatz dauert etwa sechs Sekunden, ungefähr so lang wie die Begrüßung. Das Meeting hat die Stimmen allein nach diesem ersten Moment beurteilt und von den übrigen sieben nichts gehört.

Wie bewerten Sie die engere Auswahl?

Lena stellt ein Hörpanel aus fünf Personen zusammen: zwei Mitarbeiter aus dem Kundenservice, die täglich mit den Kunden von [Shop] sprechen, sie selbst, eine Person aus der Lieferkoordination, die weiß, worüber sich Kunden beschweren, und eine Person von außerhalb des Projekts. Die fünf hören Stimme A, Stimme B und Stimme C blind, ohne Anbieternamen und ohne Preise. Jeder von ihnen hört den ganzen Testanruf auf einem Telefon und bewertet jede Stimme zu fünf Fragen mit 1 bis 5 Punkten.

Alle drei Stimmen sprechen den Testanruf mit denselben Einstellungen, demselben Tempo und derselben Gruppierung der Zahlen. Jeder Unterschied, den das Panel hört, kommt also von der Stimme selbst. Jede Zelle in der Tabelle „Wie das Panel drei Stimmen bewertet hat“ ist die Summe der fünf Einzelwertungen. Eine Zelle reicht deshalb von 5 bis 25, die Gesamtsumme von 25 bis 125.

Stimme C, der Favorit aus dem Meeting, kam am Telefon mit 75 von 125 Punkten auf den letzten Platz. Am schwächsten schnitt sie von den dreien bei der Verständlichkeit am Telefon ab, mit 12 von 25, und bei klaren Zahlen und Uhrzeiten, mit 13. Die Helligkeit, die auf dem Laptop so klar klang, wurde über die Telefonleitung dünn.

Stimme A, die Sprecherstimme in der engeren Auswahl, war bei Zahlen und Uhrzeiten die klarste der drei, mit 21 von 25, und in der dritten Minute die schwächste, mit 11. Bei „Klingt wie jemand von hier“ kam sie nur auf 14, und zwei aus dem Panel schrieben „klingt nach Werbung“ dazu.

Stimme B erreichte 103 von 125 Punkten und lag bei vier der fünf Fragen vorn. Nur bei Zahlen und Uhrzeiten war Stimme A besser, mit 21 von 25 gegenüber 20.

Die Zeile zu Namen und Marke fiel fast gleich aus, 18, 19 und 18 von 25, weil alle drei Stimmen den Nachnamen von Frau Szczepańska auf dieselbe Weise falsch aussprachen.

Lena schickt die beiden Stimmen mit den höchsten Summen, Stimme B und Stimme A, in einen Live-Test. Zwei aus dem Panel fanden, dass Stimme A nach Werbung klingt. Ob Kunden bei Stimme A auflegen, zeigen nur echte Anrufe.

Was lässt sich später noch ändern?

Wählen Sie nach dem Charakter der Stimme, denn die Einstellungen lassen sich hinterher ändern, egal für welche Stimme Sie sich entscheiden. Ausspracheregeln legen fest, wie die Stimme Namen, Orte, Ihre Marke und Ihre Produktbegriffe sagt. Auch das Tempo, die Pausen und die Gruppierung von Zahlen und Bestellnummern sind Einstellungen.

Deshalb sollte die Zeile zu den Namen in Lenas Tabelle nichts entscheiden. Der Nachname wurde falsch ausgesprochen, und eine Regel bringt ihn bei jeder der drei Stimmen in Ordnung. Wie Sie solche Regeln schreiben, erklärt unser Beitrag über Aussprachewörterbücher für Namen, Marken und Produkte.

Den Charakter bringt jede Stimme mit. Wie sie über die Telefonleitung klingt, ob sie wie eine Sprecherstimme wirkt und ob sie in der dritten Minute noch angenehm zu hören ist, bleibt gleich, egal was Sie einstellen. Wenn Sie Stimme C langsamer sprechen lassen, wird sie am Telefon nicht voller, und keine Einstellung hält Stimme A davon ab, nach Werbung zu klingen.

Bei welcher Stimme bleiben Kunden dran?

Zwei Wochen lang bekommen alle Kunden auf der Lieferliste von [Shop] per Zufall Stimme A oder Stimme B, mit demselben Skript und zu denselben Zeiten, sodass sich nur die Stimme ändert. Am Ende der zwei Wochen hat jede Stimme 400 abgehobene Anrufe. Vorher vergleicht Lena nichts, denn ein paar Dutzend Anrufe je Stimme wären zu wenig.

Jeden abgehobenen Anruf ordnet sie einem von drei Ergebnissen zu, die zusammen 400 ergeben. Legt ein Kunde in den ersten zehn Sekunden auf, kommt der Anruf in die Spalte „Früh aufgelegt“. Stimmt der Kunde einem Zeitfenster zu, dem geplanten oder einem neuen, steht der Anruf unter „Termin bestätigt“. Jedes andere Ende steht unter „Sonstiges“, zum Beispiel wenn Kunden mit einem Menschen sprechen wollen, die Verbindung abreißt oder kein Termin zustande kommt. Außerdem zählt Lena die Kunden, die mindestens einmal um Wiederholung gebeten haben. Das kann auch jemand tun, der danach einen Termin bestätigt. Die Spalte „Um Wiederholung gebeten“ gehört deshalb nicht zu den 400.

Bei Stimme B bestätigten 338 von 400 Kunden einen Termin, bei Stimme A 296. Das sind 42 Kunden mehr, die einem Liefertermin zugestimmt haben. Außerdem legten bei Stimme B weniger Kunden früh auf, 44 gegenüber 72, und 18 Anrufe endeten anders, gegenüber 32 bei Stimme A.

Jeder Kunde, der um Wiederholung gebeten hat, war über die ersten zehn Sekunden hinaus drangeblieben. Fair ist deshalb der Vergleich unter diesen Kunden: 36 von 328 bei Stimme A gegenüber 41 von 356 bei Stimme B, ungefähr derselbe Anteil. Der Sprecherstimme folgten sie etwa genauso gut, und trotzdem legten in den ersten zehn Sekunden mehr Kunden bei Stimme A auf.

Hier haben die Kunden dem Panel recht gegeben, und Lena behält Stimme B für alle Lieferanrufe von [Shop].

Wo kommt DRING ins Spiel?

Im Speech Core von DRING wählt jede Marke je Sprache eine kuratierte Stimme aus der Bibliothek, mit einer Persona für Tempo, Förmlichkeit und Ton, mit Akzentkorrektur und einem Aussprachewörterbuch für Namen, Orte und Produktbegriffe. Sie geben den Wortlaut, die Persona und die Stimme frei, bevor die erste Nummer gewählt wird.

Ob ein Einstiegssatz, ein Ton oder eine Stimme funktioniert, entscheidet sich in echten Outbound-Anrufen und nicht in einem Meeting. In den Outbound-Kampagnen von DRING können zwei Stimmen in derselben Kampagne parallel laufen, damit sich die Ergebnisse vergleichen lassen. Die Hörbeispiele auf unserer Startseite sind Workflow-Demos von DRING. Spielen Sie sie auf Ihrem Handy ab, nicht auf dem Laptop.