KI-Sprachagenten und Telefonie: SIP, WebRTC und PSTN erklärt
Der Einsatz von Sprachagenten erfordert eine Verbindung zum Telefonnetz. Hier finden Sie eine praktische Anleitung zu SIP-Trunking, WebRTC, PSTN und der Auswahl des richtigen Telefonie-Stacks.
Ihr KI-Sprachagent muss über Telefonnetze oder Webbrowser eine Verbindung zur Welt herstellen. Die Telefonieschicht ist oft der am wenigsten verstandene und frustrierendste Teil der Bereitstellung. Hier erfahren Sie, was Sie über die drei Hauptverbindungstypen wissen müssen und wann sie jeweils zu verwenden sind.
PSTN: das traditionelle Telefonnetz
Das öffentliche Telefonnetz ist das, was Ihre Kunden nutzen, wenn sie eine Telefonnummer wählen. PSTN-Verbindungen sind am universellsten – jedes Telefon kann sie erreichen – verursachen jedoch die höchste Latenz (50–150 ms Hin- und Rückfahrt) und kosten am meisten pro Minute. Für eingehende Supportleitungen und ausgehende Anrufkampagnen ist in der Regel PSTN erforderlich, da Ihre Kunden auf diese Weise Anrufe tätigen.
SIP-Trunking: der Unternehmensstandard
Das Session Initiation Protocol (SIP) verbindet Ihren Sprachagenten über internetbasierte Trunks, die von Netzbetreibern wie Twilio, Vonage oder Telnyx bereitgestellt werden, mit dem Telefonnetzwerk. SIP ist die Art und Weise, wie die meisten Voice-Agent-Plattformen Telefonie handhaben: Sie stellen Telefonnummern auf einem SIP-Trunk bereit, empfangen Anrufe über das SIP-Protokoll und leiten Audio an die KI-Pipeline weiter. Wenn Sie über eine bestehende SIP-Infrastruktur (eine PBX-Anlage, eine Contact-Center-Plattform oder eine Carrier-Beziehung) verfügen, können Sie häufig Ihre eigene Amtsleitung mitbringen und diese auf die Voice-Agent-Plattform richten.
WebRTC: browserbasierte Sprache und Video
Web Real-Time Communication (WebRTC) ermöglicht Sprache und Video direkt im Browser, ohne dass ein Telefonnetz beteiligt ist. Die Latenz beträgt typischerweise 20–50 ms – deutlich schneller als im öffentlichen Telefonnetz. WebRTC eignet sich ideal zum Einbetten von Sprachagenten in Ihre Website oder App, bei denen der Kunde zum Sprechen auf eine Schaltfläche klickt, anstatt eine Telefonnummer zu wählen. Es ermöglicht auch multimodale Interaktionen (Sprache + Video + Bildschirmfreigabe), die PSTN nicht unterstützen kann.
Wählen Sie Ihr Bereitstellungsmodell
- Eingehender Telefonsupport (Kunden rufen eine Nummer an) → PSTN über SIP-Trunk
- Ausgehende Anrufe (Verkäufe, Erinnerungen, Inkasso) → PSTN über SIP-Trunk mit Anrufer-ID-Verwaltung
- Website- oder In-App-Support (Kunden klicken zum Sprechen) → WebRTC für niedrigste Latenz und multimodale Fähigkeit
- Hybrid (Telefon + Web) → Plattform, die sowohl SIP- als auch WebRTC-Bereitstellungen über dieselbe Agentenkonfiguration unterstützt
Bereit loszulegen?
Erleben Sie, wie Mazeds multimodale KI-Agenten für Ihren Use Case arbeiten.