Zum Inhalt springen
Beschreiben Sie einen Workflow. DRING ruft in zwei Minuten an und qualifiziert den Bedarf. Anruf in zwei Minuten erhalten
Anruf in 2 Minuten Agent Factory ansehen
Studie erklärt · Voice-Agents

Warum ist Sprache für KI schwerer?

In der Studie τ-Voice löste das beste Textmodell 85 % von 278 Kundenservice-Aufgaben. Drei Voice-Modelle lösten von denselben Aufgaben 31 bis 51 % auf einer sauberen Telefonleitung und 26 bis 38 % auf einer realistischen.

Gleiche Aufgaben, viel weniger gelöst

Im Chat-Test hatte der Agent jede Frage beantwortet. Dann kam derselbe Agent an die Telefonleitung, und die Anrufer verlangten nach einem Menschen.

Eine im März 2026 veröffentlichte Studie hat diese Lücke beziffert. τ-Voice (tau-Voice) ließ dieselben 278 Kundenservice-Aufgaben einmal als Text und einmal per Sprache laufen. Im Text löste das beste Textmodell der Studie 85 % davon. Drei Voice-Modelle, die dieselben Aufgaben über eine saubere Telefonleitung bekamen, lösten 31 bis 51 %. Auf einer realistischen Leitung, mit Akzenten, Hintergrundgeräuschen und einem Kunden, der ins Wort fällt, waren es 26 bis 38 %. Die Autoren sagen dazu, dass 30 bis 45 % dessen erhalten bleiben, was Text leistet.

Wer Sprach-KI und Text-KI vergleicht, muss wissen, dass die Aufgaben gleich blieben, die Modelle aber nicht. Der Wert für Text stammt von einem Textmodell, die Werte für Sprache von drei verschiedenen Audiomodellen.

Was hat die Studie getestet?

τ-Voice ist ein Benchmark für Sprach-KI. Geschrieben haben ihn Soham Ray, Keshav Dhandhania und Victor Barres von Sierra.ai in San Francisco sowie Karthik Narasimhan von der Princeton University. Sierra baut KI-Agenten für den Kundenservice, die Studie kommt also aus der Branche, die sie misst. Zum Zeitpunkt dieses Beitrags ist das Paper ein Preprint und noch nicht begutachtet.

Die 278 Aufgaben stammen aus drei Bereichen: Einzelhandel, Airline und Telekommunikation. Jede Aufgabe besteht aus einem Kunden mit einem Ziel, etwa einen Artikel umzutauschen oder eine Buchung zu ändern, und aus Unternehmensregeln, an die sich der Agent halten muss.

Als erledigt zählt die Studie eine Aufgabe nur, wenn die Daten des Unternehmens am Ende im richtigen Zustand sind, also die richtige Bestellung geändert oder die richtige Buchung aktualisiert wurde. Ein angenehmes Gespräch, das nichts oder das Falsche ändert, gilt als Fehlschlag. Jede Zahl zum Aufgabenerfolg auf dieser Seite folgt diesem Maß (pass@1 im Paper, gelöst im ersten Versuch).

Im Text tippte ein Textmodell mit einem simulierten Kunden. Per Sprache hörten und sprachen drei Voice-Modelle gleichzeitig über eine simulierte Telefonleitung, Audio in Telefonqualität, und der simulierte Kunde antwortete mit Stimme. Jedes Voice-Modell nimmt Audio auf und gibt Audio aus, beides in einem einzigen Modell. Die Voice-Modelle bekamen dieselben Anweisungen, darunter die Regel, Kunden Namen, E-Mail-Adressen und IDs Buchstabe für Buchstabe buchstabieren zu lassen.

Jedes Voice-Modell lief unter zwei Bedingungen. Auf der sauberen Leitung sprach der Kunde mit klarem amerikanischem Akzent, ohne Hintergrundgeräusche und ohne Unterbrechungen. Auf der realistischen Leitung sprachen die Kunden mit verschiedenen Akzenten, vor Hintergrundgeräuschen drinnen und draußen, mit plötzlichen Geräuschen und mit Aussetzern oder gedämpftem Ton. Sie fielen ins Wort, sagten „mhm“, husteten oder sagten zu jemand anderem „Warte kurz“.

Wie viel ging bei Sprache verloren?

Aufgabenerfolg, Text und Sprache
BereichTextSprache, sauberSprache, realistisch
Alle 278 Aufgaben85 %31 bis 51 %26 bis 38 %
Einzelhandel81 %45 bis 71 %30 bis 45 %
Airline83 %28 bis 48 %30 bis 40 %
Telekommunikation90 %20 bis 58 %18 bis 40 %

„Text“ ist das beste Textmodell der Studie, GPT-5 mit Reasoning. Ein zweites Textmodell der Studie, GPT-4.1, das ohne schrittweises Reasoning antwortet, löste 54 % aller 278 Aufgaben. Die Spalten für Sprache zeigen den niedrigsten und den höchsten Wert der drei getesteten Voice-Modelle Google gemini-live-2.5-flash-native-audio, OpenAI gpt-realtime-1.5 und xAI grok-voice-agent. Quelle: τ-Voice, Tabelle 6.

Anteil der 278 Aufgaben, die in Text und in Sprache gelöst wurden. Jede Zeile für Sprache reicht vom niedrigsten bis zum höchsten Wert der drei Voice-Modelle. Quelle: τ-Voice, 2026.

Der größte Teil der Lücke war schon auf der sauberen Leitung entstanden, bevor Geräusche oder Akzente hinzukamen. Dort lagen die drei Voice-Modelle 34 bis 54 Prozentpunkte unter dem besten Textmodell, und bei den meisten nahm die realistische Leitung zusätzlich weniger weg.

Was machte es schlimmer?

Bei den Einzelhandelsaufgaben fügten die Autoren der sauberen Leitung Geräusche, Akzente und Unterbrechungen zunächst einzeln hinzu, dann alle drei zusammen.

Was jede Schwierigkeit kostete, Einzelhandelsaufgaben
BedingungAufgabenerfolgVeränderung gegenüber sauber
Sauber55 %
Sauber plus Geräusche51 %4 Prozentpunkte niedriger
Sauber plus Akzente44 %10 Prozentpunkte niedriger
Sauber plus Unterbrechungen47 %7 Prozentpunkte niedriger
Realistisch (alle drei)38 %17 Prozentpunkte niedriger

Durchschnitt der drei Voice-Modelle, nur Einzelhandelsaufgaben. Prozentwerte und Differenzen sind so abgedruckt, wie das Paper sie jeweils einzeln rundet, daher kann eine Differenz um 1 Prozentpunkt von der Rechnung abweichen. Quelle: τ-Voice, Tabelle 7.

Aufgabenerfolg bei Einzelhandelsaufgaben, Durchschnitt der drei Voice-Modelle, auf der sauberen Leitung und mit hinzugefügten Geräuschen, Akzenten, Unterbrechungen oder allen dreien. Quelle: τ-Voice, 2026.

Akzente kosteten im Schnitt am meisten, aber sehr ungleich. Ein Voice-Modell verlor mit Akzenten 1 Prozentpunkt, ein anderes 18. Unterbrechungen kosteten zwei der Modelle 14 und 11 Prozentpunkte, während das dritte damit etwas besser abschnitt, nämlich um 4 Prozentpunkte. Geräusche allein kosteten jedes Voice-Modell 2 bis 4 Prozentpunkte.

Die Autoren bewerteten außerdem, wie die Voice-Modelle auf der realistischen Leitung mit dem Gesprächsverlauf umgingen. Das Modell, das auf jeden Kundenbeitrag antwortete und jeder Unterbrechung nachgab (100 %), ließ „mhm“, Husten und Nebengespräche nur in 6 % der Fälle richtig unbeantwortet und reagierte damit auch auf Geräusche, die nicht ihm galten. Nach Einschätzung der Autoren war kein Voice-Modell der Studie gut darin, zugleich die Aufgabe zu erledigen und das Hin und Her des Gesprächs zu meistern.

Wo gingen die Anrufe schief?

Die Autoren lasen 91 gescheiterte Sprachgespräche von Hand, in zwei Gruppen. Von 43 gescheiterten Gesprächen zu Aufgaben, die im Text gelöst wurden, in sauberer Sprache aber scheiterten, verursachte der Agent 34 (79 %) und der simulierte Kunde 9 (21 %). Von 48 gescheiterten Gesprächen zu Aufgaben, die in sauberer Sprache gelöst wurden, in realistischer Sprache aber scheiterten, verursachte der Agent 43 (90 %) und der simulierte Kunde 5 (10 %).

Was in 91 gescheiterten Anrufen schiefging
Fehler des AgentenIn sauberer Sprache gescheitertNur in realistischer Sprache gescheitert
Falsche Schlussfolgerung oder übersprungener Schritt1316
Das Gesagte falsch verstanden1016
Behauptet, etwas getan zu haben, das nicht geschah66
Nicht mehr geantwortet14
Zeit ist abgelaufen41
Fehler des Agenten, gesamt34 von 4343 von 48

Die Namen der Zeilen im Paper lauten logical, transcription, hallucination, VAD/unresponsive und timeout. Quelle: τ-Voice, Tabelle 9.

In beiden Gruppen war die Identitätsprüfung die Stelle, an der die meisten Anrufe scheiterten. Die Agenten verstanden Namen und E-Mail-Adressen falsch, selbst wenn der Kunde sie Buchstabe für Buchstabe buchstabierte, wie es die Anweisung dem Agenten vorgab. Solange der Kunde nicht identifiziert war, konnte im Rest der Aufgabe nichts mehr geschehen.

Manche Fehler waren leiser. In einem Gespräch sagte der Agent dem Kunden „Ich habe Ihre Lieferadresse aktualisiert“ und änderte im System nichts. Auch Anfragen mit mehreren Teilen machten Probleme, weil die Agenten einen Teil erledigten und den Rest vergaßen.

Das Hören war nicht die ganze Geschichte. In der realistischen Gruppe kamen falsche Schlussfolgerungen und falsch verstandene Aussagen gleich oft vor, nämlich bei je 16 von 48 Fehlern, und die Autoren folgern daraus, dass die Lücke zwischen Sprache und Text nicht allein ein Problem der Spracherkennung ist. Wie Sie den Hörteil an Ihren eigenen Anrufen testen, steht in unserem Beitrag zur Wahl der Spracherkennung.

Was zeigt sie nicht?

Die Studie lief nur auf Englisch. Die Kunden waren simuliert und hatten synthetische Stimmen, und die Autoren sagen selbst, dass die Ergebnisse zu den Akzenten nur als Hinweis zu lesen sind. Sie merken auch an, dass echte Anrufer weniger Geduld haben als die simulierten.

Gemessen wurde, ob die Aufgabe erledigt wurde und wie die Gesprächsbeiträge verteilt waren. Nicht gemessen wurde, wie der Agent klang, ob die Kunden zufrieden waren und wie es um teilweise erledigte Aufgaben stand.

Die Werte für Text und für Sprache stammen von verschiedenen Modellen. Das beste Textmodell kann so lange nachdenken, wie es braucht, bevor es antwortet, ein Voice-Modell muss dagegen in Echtzeit antworten. Ein Teil der Lücke liegt also am Modell und nicht an der Telefonleitung.

Alle drei Voice-Modelle arbeiten mit Audio als Ein- und Ausgabe, in den Versionen, die zwischen Dezember 2025 und Februar 2026 erschienen sind. Agenten, die aus getrennten Teilen für Spracherkennung, Reasoning und Sprachausgabe gebaut sind, wurden nicht getestet. Die Zahlen sagen über sie deshalb weder Gutes noch Schlechtes aus, und die Autoren führen sie als künftige Arbeit auf. Die Agenten arbeiteten außerdem mit einem allgemeinen Satz an Anweisungen und den Werkzeugen des Benchmarks. Ein Agent, der für die Anrufe eines einzelnen Unternehmens gebaut und getestet wurde, ist ein anderer Aufbau, über den die Studie nichts aussagt.

DRING hat diese Studie nicht durchgeführt und wurde darin nicht getestet. Modelle ändern sich schnell, und die Zahlen beschreiben die getesteten Versionen.

Was sollten Sie zuerst testen?

Führen Sie Ihren Test als Telefonat durch. In der Studie wurden dieselben Aufgaben über Audio in Telefonqualität seltener gelöst als im Text, und noch seltener, sobald Akzente, Geräusche und Unterbrechungen dazukamen. Ein Text-Chat oder ein Laptop-Mikrofon lässt beides aus, und Ihre Anrufer stehen in der Spalte „Sprache, realistisch“.

Beginnen Sie mit der Identitätsprüfung, denn an ihr scheiterten in der Studie die meisten Anrufe. Nehmen Sie zehn Namen, E-Mail-Adressen und Bestellnummern, wie Ihre Anrufer sie haben, sprechen Sie sie so aus, wie Anrufer sie buchstabieren, und zählen Sie, wie viele der Agent richtig versteht.

Öffnen Sie nach jedem Testanruf das System und sehen Sie sich den Datensatz an. Hat der Agent gesagt, er habe eine Adresse geändert, muss die neue Adresse dort stehen. Genau das ging im Fall der Lieferadresse in der Studie schief.

Machen Sie die Anrufe danach in den Punkten schwerer, die die Voice-Modelle in der Studie Aufgabenerfolg gekostet haben. Nehmen Sie die Akzente, die Ihre Anrufer tatsächlich haben. Lassen Sie einen Tester mitten im Gespräch ins Wort fallen, husten und zu einem Kollegen „Warte kurz“ sagen, und notieren Sie, ob der Agent auf das Husten oder das Nebengespräch antwortet. Geben Sie dem Agenten dann eine Anfrage mit drei Teilen und prüfen Sie, ob alle drei erledigt werden.

Nennt ein Anbieter für seinen Voice-Agent eine Zahl zum Aufgabenerfolg, fragen Sie nach der Zählweise der Studie, also danach, was sich im System geändert hat, und das über Telefon-Audio. Einen vollständigen Plan mit Testsatz und Freigabekriterien finden Sie in unserer Anleitung zum Testen eines Voice-Agents vor dem Produktivbetrieb.

Dürfen Sie diese Seite zitieren?

Ja. Das Paper steht unter Creative Commons Namensnennung 4.0 International (CC BY 4.0), und Sie dürfen diese Zusammenfassung zu denselben Bedingungen weiterverwenden, mit der Quellenangabe zum Paper an erster Stelle. So zitieren Sie die Studie.

Ray, S., Dhandhania, K., Barres, V., Narasimhan, K. (2026). τ-Voice: Benchmarking Full-Duplex Voice Agents on Real-World Domains. arXiv:2603.13686.

Der Code des Benchmarks ist öffentlich auf GitHub zu finden. Wenn Sie eine Zahl von dieser Seite zitieren, nennen Sie bitte das Paper und fügen Sie diese Zeile hinzu.

Zusammenfassung: DRING, dring.ai/de/blog-voice-ai-vs-text-ai

Die fünf Befunde, so formuliert, dass Sie sie unverändert zitieren können:

  • Bei 278 Kundenservice-Aufgaben löste das beste Textmodell 85 %, und die drei Voice-Modelle lösten auf einer sauberen Leitung 31 bis 51 % (τ-Voice, 2026).
  • Auf einer realistischen Leitung, mit Akzenten, Geräuschen und Unterbrechungen, lösten die drei Voice-Modelle 26 bis 38 %, was nach Angabe der Autoren bedeutet, dass 30 bis 45 % dessen erhalten bleiben, was Text leistet (τ-Voice, 2026).
  • Bei den Einzelhandelsaufgaben der Studie kosteten Akzente die drei Voice-Modelle im Durchschnitt 10 Prozentpunkte Aufgabenerfolg, Unterbrechungen 7 und Hintergrundgeräusche 4 (τ-Voice, 2026).
  • Von 91 gescheiterten Sprachanrufen, die die Autoren von Hand gelesen haben, gingen in den beiden Gruppen 79 % und 90 % der Fehler auf das Konto des Agenten, und die Identitätsprüfung war die Stelle, an der die meisten Anrufe scheiterten, mit falsch verstandenen Namen und E-Mail-Adressen selbst bei buchstabierter Eingabe (τ-Voice, 2026).
  • Kein Voice-Modell der Studie war gut darin, zugleich die Aufgabe zu erledigen und das Gespräch zu führen, und das Modell, das auf 100 % der Kundenbeiträge antwortete, ignorierte Husten und Nebengespräche nur in 6 % der Fälle richtig (τ-Voice, 2026).

Wo kommt DRING ins Spiel?

Die Studie hat allgemeine Voice-Modelle gemessen, die nach einem Regelwerk arbeiten. Ein DRING-Agent besteht dagegen aus getrennten Teilen, mit ausgewählten Speech-to-Text-, Text-to-Speech- und Reasoning-Modellen sowie Tests und Monitoring in der gemeinsamen Grundlage, auf der er läuft. Einen solchen Agenten hat die Studie nicht getestet.

Jeder DRING-Agent durchläuft vor dem ersten echten Anruf 1.000 bis 10.000 simulierte Gespräche, die für Ihr Unternehmen gebaut werden. Sie entstehen aus Ihrem eigenen Workflow, Ihren Dokumenten und Ihren Anrufaufzeichnungen, und ein Agent geht erst live, wenn er diesen Satz besteht, wie es unsere Qualitätsseite beschreibt. Die Tests aus „Was sollten Sie zuerst testen?“ sind die, nach denen Sie jeden Anbieter fragen sollten, DRING eingeschlossen.

Lesen Sie auch: Voice-KI oder IVR: Was passt zu Ihrem Team? · Was ist ein KI-Voice-Agent? So betreibt DRING ihn

Mit dem schwierigsten Anruf starten

Hinterlassen Sie Ihre Nummer, und DRING ruft Sie in zwei Minuten an. Sagen Sie, welchen Anruf Ihr Team am meisten fürchtet.