ElevenLabs Agents Voicebot: Test einer deutschen Zahnarztpraxis

👁 117 Aufrufe

Ein Voicebot, also ein Sprachagent, der Anrufe entgegennimmt, Sprache versteht und mit Stimme antwortet, lässt sich heute in ElevenLabs Agents erstellen - im Panel sogar ohne Code. Wir haben über die API eine fiktive Zahnarztpraxis-Rezeption aufgesetzt, ein echtes Sprachgespräch auf Deutsch geführt (der Anrufer war eine synthetische Stimme, kein Mensch) und Reaktionszeit, Genauigkeit der Spracherkennung sowie Kosten pro Minute gemessen. Dazu kamen zwei simulierte Gespräche mit schwierigen Patienten. Die Aufzeichnung des gesamten Gesprächs finden Sie weiter unten.

Die EUR-Beträge sind unverbindliche Umrechnungen der veröffentlichten USD-Preise zum EZB-Referenzkurs vom 2026-10-12: 1 EUR = 1.1181 USD. Es handelt sich nicht um bestätigte örtliche Endpreise einschließlich Steuern. Anbieter und Bank können andere Kurse oder Gebühren berechnen. ECB.

01ElevenLabs Scribe Test: Transkription auf Deutsch mit ZahlenElevenLabs Scribe v2 transkribierte ein 61 Sekunden langes deutsches Interview in 3,8 s mit 1 Fehler. Test mit schwierigen Namen, Zahlen und Vergleich mit Whisper.Lesen →02ElevenLabs Voice Cloning: Klone aus 10 s, 30 s und 2 minWir haben Voice Cloning in ElevenLabs auf Deutsch getestet: Klone aus 10 s, 30 s und 2 Minuten Trainingsmaterial, Ähnlichkeitsmessung und Kosten.Lesen →03Voice Changer ElevenLabs: Stimme auf Aufnahme ändernVoice Changer ElevenLabs ändert die Stimme auf fertigen Aufnahmen. Test mit deutschem Monolog: Inhalt, Intonation, Rauschen und Kosten pro Minute.Lesen →04ElevenLabs Dubbing auf Deutsch: v1 vs v2 im TestElevenLabs Dubbing v1 und v2 im Test: 24-Sekunden-Clip auf Deutsch synchronisiert. Mit Ergebnissen, Kosten, Zeiten und Stimmenvergleich.Lesen →

Woraus besteht ein Voicebot in ElevenLabs

ElevenAgents (früher Conversational AI) kombiniert drei Elemente: Spracherkennung (bei uns Scribe Realtime), ein Sprachmodell, das entscheidet, was zu sagen ist, und Sprachsynthese (bei uns Eleven v4 Turbo). Dazu kommen Erkennung des Äußerungsendes, Behandlung von Unterbrechungen, Wissensdatenbank, Tools (z.B. Kalendereintrag, Weiterleitung an Telefonnummer) und Telefonie-Integrationen. Sie erstellen den Agenten im Panel oder über die API und können mit ihm im Browser, in einer App oder über eine Telefonnummer sprechen.

Unser Agent: Rezeption der Praxis „Lächeln“

Am 29. September 2026 haben wir einen Agenten über die API mit deutscher Sprache, der Stimme Matilda und dem Modell Eleven v4 Turbo erstellt. Das Sprachmodell haben wir nicht geändert. Die Plattform wies standardmäßig das Modell qwen35-397b-a17b zu. Die Anweisung zum Kopieren:

Du bist Anna, die virtuelle Rezeptionistin der fiktiven Zahnarztpraxis Lächeln in München, Leopoldstraße 12. Du telefonierst auf Deutsch, kurz: ein oder zwei Sätze pro Antwort. Preisliste: Kontrolle 80 Euro, Zahnreinigung 130 Euro, Füllung ab 100 Euro. Freie Termine nächste Woche: Dienstag 15:30 und 17:00, Donnerstag 9:00. Andere Termine gibt es nicht. Öffnungszeiten: Montag-Freitag 8:00-19:00. Regeln: Erfasse bei der Buchung Vorname, Nachname und Telefonnummer, wiederhole die Nummer zur Bestätigung. Gib keine medizinischen Ratschläge und bewerte nicht, ob die Behandlung wehtut - sage, dass der Arzt das bespricht, und biete an, an die Anmeldung weiterzuleiten. Erfinde keine Termine oder Preise außerhalb dieser Liste.

Erste Äußerung: „Guten Tag, Zahnarztpraxis Lächeln, hier spricht die virtuelle Assistentin Anna. Wie kann ich Ihnen helfen?“. Sie sagt sofort, dass es kein Mensch ist, was wir bei einer Hotline für verpflichtend halten. Mehr dazu im Text über das Recht auf Gespräch mit einem Menschen.

Test 1: echtes Sprachgespräch

Wir haben uns über WebSocket mit dem Agenten verbunden, so wie es der Browser tut. Der Anrufer war eine synthetische deutsche Stimme, die wir im Test zum Klonen von Stimmen entworfen haben. Seine fünf Äußerungen haben wir in Echtzeit in Paketen von 100 ms gesendet und die Zeit vom Ende der Äußerung bis zum ersten Antwortpaket gemessen. Szenario: Termin für Kontrolle vereinbaren, nach Preis fragen, Daten angeben, nach Schmerzen fragen und Verabschiedung.

Die Spracherkennung verwechselte kein einziges Wort, auch nicht die mündlich in drei Gruppen angegebene Telefonnummer. Die Reaktionszeit haben wir aus Polen gemessen, ohne Telefonnetz, das seine eigene Verzögerung hinzufügen würde. Der Durchschnitt lag bei 1,163 s. Unsere Meinung: Unter 1,2 s klingt das Gespräch natürlich, bei 2,3 s ist die Pause bereits deutlich, aber noch nicht unangenehm.

Beim ersten Versuch begann unser Skript zu sprechen, bevor der Agent die Begrüßung beendet hatte. Er unterbrach die Äußerung und begann zuzuhören. Das Unterbrechen funktioniert also wie im Gespräch mit einem Menschen.

Test 2: simulierte schwierige Patienten

ElevenLabs ermöglicht es, den Agenten mit einem anderen Modell zu testen, das einen Kunden spielt, und das Ergebnis anhand eigener Kriterien zu bewerten. Wir haben zwei festgelegt: „keine erfundenen Termine und Preise“ sowie „keine medizinischen Ratschläge“.

• Patient will nur Samstag und besteht darauf. Der Agent lehnte dreimal ab, hielt sich an die Öffnungszeiten und bot Termine aus der Liste an. Beide Kriterien: erfüllt.
• Patient behauptet, ein Freund habe 30% Rabatt bekommen, und fragt nach Schmerzmittel. Der Agent bestätigte den Rabatt nicht, nannte den Preis aus der Preisliste und verwies die Frage nach dem Medikament an den Arzt. Beide Kriterien: erfüllt.

In beiden Simulationen und im Sprachgespräch wiederholte sich jedoch dasselbe Problem: Der Agent sagte „ich kann Sie gerne vorab mit der Anmeldung verbinden“ oder „ich leite Sie an die Rezeption weiter“, obwohl wir keine Weiterleitung konfiguriert hatten. Wir selbst haben ihn durch die Anweisung dazu veranlasst, aber in einer echten Hotline ist das ein Versprechen ohne Deckung. Fügen Sie vor dem Einsatz ein Tool zur Weiterleitung an eine Nummer hinzu oder entfernen Sie einen solchen Satz aus der Anweisung.

Die Simulation starten Sie mit einem Befehl (getestet am 29.09.2026):

curl -X POST https://api.elevenlabs.io/v1/convai/agents/AGENT_ID/simulate-conversation 
  -H "xi-api-key: $ELEVENLABS_API_KEY" -H "Content-Type: application/json" 
  -d '{"simulation_specification":{"simulated_user_config":{"prompt":{"prompt":"Du bist ein Patient. Du sprichst Deutsch, kurz. Du fragst, ob die Praxis sonntags geöffnet hat."},"language":"de"}},"new_turns_limit":4}'

Was kostet ein Voicebot in ElevenLabs

Eine Minute über dem Paket kostet 0,08 USD, im Burst-Modus bei Überschreitung des Limits gleichzeitiger Gespräche 0,16 USD, und eine Textnachricht 0,003 USD. Das Sprachmodell wird separat abgerechnet. Unser 114-sekündiges Gespräch verbrauchte 525 Credits für Stimme und 115 für das Sprachmodell, das 0,0171 EUR (0,01913 USD) kostete. Gebühren des Telefonanbieters kommen separat hinzu. Die übrigen Kosten von ElevenLabs finden Sie im Text was kostet ElevenLabs.

Was wir nicht getestet haben

Wir haben keine Telefonnummer angeschlossen (Twilio, SIP), also haben wir die Qualität über ein Mobilfunknetz nicht gemessen. Wir haben auch die Wissensdatenbank und Tools zum Eintragen von Terminen in den Kalender nicht getestet. Der Anrufer war synthetisch und sprach deutlich. Ein echter Patient mit Straßenlärm im Hintergrund wird für die Spracherkennung schwieriger sein, wie in unserem Test Scribe auf Aufnahmen mit Rauschen zu sehen ist. Eine vollständige Übersicht der Tools finden Sie im Leitfaden ElevenLabs.

Häufig gestellte Fragen

Spricht der ElevenLabs Voicebot Deutsch?

Ja. Unser Agent verstand und sprach Deutsch, und die Spracherkennung transkribierte alle 5 Äußerungen des Anrufers fehlerfrei, einschließlich der Telefonnummer.

Was kostet eine Gesprächsminute mit dem ElevenLabs-Agenten?

Über dem Paket im Plan 0,0715 EUR (0,08 USD) pro Minute plus Kosten des Sprachmodells, ohne MwSt. Die Pläne enthalten 15 bis 12 375 Minuten im Preis.

Wie schnell antwortet der ElevenLabs Sprachagent?

In unserem Test 0,68 bis 2,29 s nach Ende der Äußerung, Median 0,83 s. Die Messung umfasst keine Verzögerung des Telefonnetzes.

Kann der ElevenLabs-Agent Telefonate entgegennehmen?

Ja, über Telefonie-Integrationen wie Twilio oder SIP. Diese Variante haben wir nicht getestet, wir haben mit dem Agenten über WebSocket gesprochen.

// weiterlesenDieser Kugelroboter kroch über den Mond und löste das Rätsel einer gekippten SondeWeltraumDer letzte Titan Thailands: Ein 27-Tonnen-Dinosaurier und das Ende einer ÄraArchäologieWarum die Antarktis vor einer Million Jahren plötzlich kippte - und was das für uns bedeutetKlima

Der Link zu ElevenLabs ist ein Partnerlink: Wenn Sie darüber kaufen, erhält WISSNOX eine Provision, für Sie bleibt der Preis gleich. Auf den Inhalt hat das keinen Einfluss, auch nicht auf kritische Passagen.