Lernen / Bloggen

Wie man eine KI-basierte Anrufplattform aufbaut (2026): Stack, Architektur & Carrier-Setup

May 20, 2026

Maxim Cibotaru

| 8 Min

Wie Sie im Jahr 2026 Ihre eigene KI-Anrufplattform entwickeln können

Der vollständige Stack-Leitfaden – LLM, STT, TTS und die Trägerschicht, die in den meisten Tutorials ausgelassen wird.

Im Jahr 2024 war es noch eine Neuheit, dass eine KI Anrufe tätigte. Bis 2026 wird dies zur Standardinfrastruktur in Unternehmen gehören. KI-basierte Anrufplattformen übernehmen den Kundensupport, qualifizieren Leads, vereinbaren Termine, wickeln Zahlungen ab und führen ausgehende Kampagnen durch – alles ohne menschliche Beteiligung am Telefon.

Die meisten Unternehmen kaufen diese Funktion von der Stange von Plattformen wie Vapi, Bland AI oder Retell. Doch eine wachsende Zahl von Unternehmen – Agenturen, Telekommunikations-Reseller, SaaS-Anbieter und Unternehmen mit hohem Anrufaufkommen – entwickelt ihre eigenen Lösungen. Warum?

Kosten. Bei größeren Serviceumfängen berechnen Managed-Plattformen pauschal 0.07 bis 0.15 US-Dollar pro Minute. Mit einer eigenen Infrastruktur kostet derselbe Anruf hingegen nur 0.02 bis 0.04 US-Dollar.
Steuern. Sie wählen jede Komponente selbst aus – LLM, Sprachsteuerung, Telefonie, Routing-Logik.
Wettbewerbsvorteil. Ihre Telefonieinfrastruktur wird zu einem einzigartigen Wettbewerbsvorteil, nicht zu einer austauschbaren Dienstleistung, die jeder Konkurrent ebenfalls erwerben kann.

Dieser Leitfaden erläutert die gesamte Architektur: die Funktion jeder einzelnen Schicht, die zu verwendenden Tools, die Verbindungen zwischen den Schichten und – ganz entscheidend – die Carrier-Infrastrukturschicht, die in den meisten Tutorials nur oberflächlich behandelt wird, aber darüber entscheidet, ob Ihre Plattform tatsächlich im großen Maßstab funktioniert.

Die vier Schichten jeder KI-Anrufplattform

Bevor Sie sich für Tools entscheiden, sollten Sie den Stack verstehen. Jede KI-Anrufplattform – egal ob selbst entwickelt oder gekauft – basiert auf vier Schichten, die nacheinander zusammenarbeiten:

Caller's phone
      │
      ▼
[Layer 1] Telephony / Carrier
      │  SIP trunk, PSTN gateway, DID numbers
      ▼
[Layer 2] Speech-to-Text (STT)
      │  Transcribes caller audio in real time
      ▼
[Layer 3] LLM (Large Language Model)
      │  Understands intent, decides response
      ▼
[Layer 4] Text-to-Speech (TTS)
      │  Converts response to natural voice audioT
      │
      ▼
Back to caller

Die Audioübertragung erfolgt kontinuierlich in beide Richtungen. Der Anrufer spricht → die Sprachausgabe transkribiert → das Sprachmanagementsystem generiert eine Antwort → die Text-to-Speech-Synthese (TTS) erzeugt den Ton → der Anrufer hört die Antwort. Ihr Server steuert alle vier Ebenen in Echtzeit. Das End-to-End-Ziel: weniger als 800 ms von „Anrufer beendet das Sprechen“ bis „Agent beginnt zu sprechen“. Bei mehr als 1,000 ms geht der Anrufer von einem Verbindungsabbruch aus.

Lasst uns jede Schicht einzeln aufbauen.

Schicht 1: Telefonie – Die Grundlage, die jeder unterschätzt

Diese Ebene wird in den meisten Tutorials mit dem Hinweis „Nutzen Sie Twilio“ übergangen. Dabei bestimmt sie maßgeblich Ihre Kosten pro Minute, Ihre Audioqualität und ob Ihr KI-Agent natürlich oder roboterhaft klingt.

Was diese Ebene bewirkt:

Empfängt eingehende Anrufe von realen Telefonnummern (PSTN).
Leitet ausgehende Anrufe an jedes beliebige Ziel weiter
Streamt Audio über WebSocket oder SIP an Ihren Server.
Zeigt die Telefonnummern an, die Ihre Anrufer wählen.

Ihre zwei Möglichkeiten:

Option A – Managed Telephony (Twilio usw.)

Schnelle Einrichtung. Es gelten die üblichen CPaaS-Preise (0.013 $/Minute + ausgehende Anrufe, Plattformgebühren zusätzlich). Ideal für Prototypen und geringe Anrufvolumina. Bei über 100,000 Minuten pro Monat steigen die Kosten schnell an.

Option B – Direkter SIP-Trunk (Empfohlen für den Produktiveinsatz)

Verbinden Sie Ihre Plattform direkt mit einem SIP-Terminierungsanbieter. Profitieren Sie von niedrigeren Minutenpreisen, voller Routing-Kontrolle und ohne Plattformaufschlag. Die Konfiguration dauert nur 10 Minuten. Skalieren Sie Ihre Nutzung und sparen Sie 30–60 %.

Für Produktionsumgebungen wird IDT Express als Carrier-Layer empfohlen.

IDT Express ist ein Anbieter von Wholesale-Sprachterminierungsdiensten, der von der IDT Corporation (NYSE: IDT) unterstützt wird – einem der weltweit größten Wholesale-Sprachnetzbetreiber mit über 25 Jahren Erfahrung im Bereich der Netzinfrastruktur. SIP-Trunking und Voice Termination bietet Ihrer KI-Anrufplattform:

Platinrouten — Unkomprimiertes G.711-Audio, Verzögerung unter 3 Sekunden nach dem Wählen, speziell optimiert für KI-Sprachagenten-Workloads, bei denen die Codec-Qualität die STT-Genauigkeit direkt beeinflusst.
Mehr als 1,000 CLI-Routen In über 200 Ländern – Ihre Plattform kann vom ersten Tag an weltweit Anrufe tätigen und empfangen
DID-Nummern in über 140 Ländern — Geben Sie Ihren Agenten sofort per API echte lokale Telefonnummern in jedem Markt.
Elastische Parallelität — Skalierung von 10 bis über 10,000 gleichzeitigen Anrufen ohne Vorab-Provisionierung
STIR/SHAKEN signiert Ausgehende Anrufe werden mit Attestierungsstufe A signiert, wodurch Spam-Labels verhindert werden, die die Antwortraten negativ beeinflussen.

SIP-Konfiguration (funktioniert mit jedem SIP-kompatiblen Framework):

SIP Server: sip.idtexpress.com
Transport: TLS (recommended) or UDP
Codec: G.711 ulaw (PCMU) — critical for AI workloads
Authentication: Digest auth with your IDT Express credentials
DTMF: RFC 2833Codesprache: CSS (css)

Holen Sie sich Ihre SIP-Zugangsdaten kostenlos bei idtexpress.com/sign-upDie Zugangsdaten sind sofort nach der Registrierung verfügbar – kein Verkaufsanruf erforderlich.

Ebene 2: Spracherkennung – Ihre Anrufer verstehen

Die STT-Schicht wandelt die Audioausgabe des Anrufers in Text um, den Ihr LLM verarbeiten kann. Bei KI-gestützten Telefonanrufen ist dies schwieriger als es klingt – Telefonie-Audio arbeitet mit 8 kHz µlaw, nicht mit den 16 kHz PCM, die die meisten Audiotools erwarten.

Wichtigste Anforderungen an STT für die Telefonie:

Native 8kHz mulaw-Unterstützung (kein Resampling-Schritt = geringere Latenz)
Live-Transkription (Wort für Wort, während der Anrufer spricht, nicht erst, nachdem er aufgehört hat)
Medianlatenz unter 300 ms
Genauigkeit bei alphanumerischen Daten – Telefonnummern, Bestätigungscodes, E-Mail-Adressen
Rauschunempfindlichkeit – Telefonleitungen weisen Hintergrundrauschen und Kompressionsartefakte auf

Empfohlene Optionen:

Provider	Latency	Am besten geeignet,
Deepgram Nova-2	~200 ms	Produktion, bestes Preis-Leistungs-Verhältnis
AssemblyAI Universal-3	~307 ms	Höchste Genauigkeit bei alphanumerischen Zeichen
OpenAI Whisper (gehostet)	~400 ms	Allgemeine Anwendung, einfache Integration
Google STT Streaming	~250 ms	Mehrsprachig, Unternehmen

Für die meisten KI-Anrufplattformen ist Deepgram Nova-2 die Standardwahl – es akzeptiert nativ 8kHz mulaw, bietet eine P50-Latenz von ~200ms und zeichnet sich durch eine hervorragende Genauigkeit bei den strukturierten Daten aus, die Anrufer am Telefon austauschen (Nummern, Codes, Adressen).

Schnelle Integration (Python, Deepgram):

import deepgram

dg_client = deepgram.Deepgram(DEEPGRAM_API_KEY)

async def transcribe_stream(audio_stream):
    response = await dg_client.transcription.live({
        'encoding': 'mulaw',
        'sample_rate': 8000,
        'model': 'nova-2',
        'interim_results': True,
        'endpointing': 300,
    })
    # Send audio chunks as they arrive from your SIP/WebSocket layer
    async for chunk in audio_stream:
        response.send(chunk)
Codesprache: Python (python)

Ebene 3: Das LLM-Gehirn – Claude für AI Calling

Das LLM empfängt den transkribierten Text des Anrufers, behält den Gesprächskontext bei, entscheidet, was als Nächstes gesagt werden soll, und ruft optional externe Tools auf (Ihr CRM, Kalender, Zahlungssystem).

Warum Claude für KI-Anrufe?

Claude (Anthropic) hat sich aus mehreren Gründen, die speziell für Anruf-Anwendungsfälle relevant sind, als gute Wahl für Sprachagenten-LLMs erwiesen:

Anweisung folgt Claude befolgt zuverlässig komplexe Systemanweisungen, die Agentenrolle, Gesprächsablauf, Eskalationsregeln und Tool-Nutzung definieren. Im Gesprächskontext stellt ein vom Skript abweichender Agent ein gravierendes Problem dar. Claudes Befolgung der Anweisungen ist beispielhaft.
Kurze Antworten — Claude neigt dazu, kürzere, eher gesprächige Antworten zu geben, wenn er richtig dazu aufgefordert wird – unerlässlich für die Sprachausgabe, da lange Antworten unnatürlich wirken und die Latenz der Sprachausgabe erhöhen.
Werkzeuggebrauch — Claudes Funktionsaufruf (Tool-Nutzungs-API) führt Echtzeit-Abfragen durch – Überprüfung der Kalenderverfügbarkeit, Abfrage von CRM-Datensätzen, Überprüfung des Auftragsstatus – zuverlässig und mit korrekter JSON-Formatierung.
Kontext mit mehreren Runden — sorgt für einen kohärenten Gesprächskontext während des gesamten Anrufs, ohne frühere Äußerungen zu „vergessen“.

Modellauswahl für Anrufe:

Claude Haiku — geringste Latenz (~150 ms), am besten geeignet für einfache eingehende Datenflüsse (FAQ, Routing, Terminbestätigung)
Claude Sonett — Ausgewogene Latenz und Logik, optimal für die meisten Anruf-Anwendungsfälle
Claude Opus — höchste Argumentationsqualität, nur verwenden, wenn die Komplexität des Anrufs dies erfordert (komplexe Verkäufe, Verhandlungen).

Systemansagenstruktur für einen anrufenden Agenten:

You are [Agent Name], a [role] for [Company].

PERSONALITY: [tone, style — e.g., "professional but warm, concise"]

YOUR GOAL: [primary objective — e.g., "qualify inbound leads and book a demo"]

CALL FLOW:
1. Greet caller by name if available
2. Identify their need in one open question
3. [flow logic...]
4. If you cannot resolve: transfer to human agent

RULES:
- Keep all responses under 3 sentences
- Never fabricate information — if unsure, say so
- Always confirm before taking any action (booking, updating records)
- End the call professionally if the caller asks to stop

TOOLS AVAILABLE:
- check_calendar(date, time) → returns availability
- create_booking(name, email, date, time) → books appointment
- lookup_customer(phone_number) → returns CRM recordCodesprache: CSS (css)

Ebene 4: Text-zu-Sprache – Die Stimme Ihres Agenten

Die TTS-Schicht wandelt Claudes Textantwort in natürlich klingende Audioausgabe um, die dem Anrufer wiedergegeben wird. Die Sprachqualität hat hierbei direkten Einfluss darauf, ob Anrufer Ihrem Mitarbeiter vertrauen und mit ihm interagieren.

Schlüsselanforderungen:

Streaming von TTS (Start der Wiedergabe, bevor die vollständige Antwort generiert wird – reduziert die Latenz um ca. 40 %)
Niedrige Latenz bei der Generierung des ersten Bytes (<300 ms)
Natürliche Prosodie – Pausen, Betonung, Sprechtempo
Telefoniekompatibler Ausgang (8 kHz oder konvertierbar)

Empfohlene Optionen:

Provider	Sprachqualität	Latency	Am besten geeignet,
ElfLabs	Höchste	~250 ms	Kundenorientiert, Premium
Cartesia	Ausgezeichnet	~100 ms	Latenzempfindliche Anrufe
OpenAI TTS	Sehr gute	~300 ms	Einfache Integration, konsistent
Azure Neural TTS	Sehr gute	~200 ms	Unternehmen, mehrsprachig

Für KI-Anrufplattformen hat Cartesia insbesondere aufgrund seiner Latenz des ersten Audiobytes von unter 100 ms an Bedeutung gewonnen – wenn der Agent unmittelbar nach der Verarbeitung mit dem Sprechen beginnen soll, ist dies wichtig.

Orchestrierung: Die Verbindung der vier Ebenen

Ihr Server fungiert als Orchestrierungsschicht – die WebSocket-Brücke, die Audio zwischen Telefonie und Ihrer KI-Pipeline weiterleitet. Zwei Hauptframeworks:

Pipecat (Open Source, empfohlen)

from pipecat.pipeline.pipeline import Pipeline
from pipecat.services.deepgram import DeepgramSTTService
from pipecat.services.anthropic import AnthropicLLMService
from pipecat.services.cartesia import CartesiaTTSService
from pipecat.transports.network.fastapi_websocket import FastAPIWebsocketTransport

async def run_agent(websocket):
    transport = FastAPIWebsocketTransport(websocket)

    pipeline = Pipeline([
        transport.input(),           # Audio in from SIP/WebSocket
        DeepgramSTTService(),        # Speech to text
        AnthropicLLMService(         # Claude LLM
            model="claude-sonnet-4-20250514",
            system=SYSTEM_PROMPT
        ),
        CartesiaTTSService(),        # Text to speech
        transport.output()           # Audio out to caller
    ])

    await pipeline.run()Codesprache: Python (python)

LiveKit Agents (Open Source, für höhere Skalierbarkeit) Optimal geeignet, wenn Sie Tausende gleichzeitiger Anrufe über WebRTC und SIP abwickeln müssen. Höherer Infrastrukturaufwand, aber deutlich besseres Parallelitätsmanagement.

Zusammengesetztes Modell: Die vollständige Architektur

Caller dials DID number (IDT Express)
              │
              ▼
    IDT Express SIP Trunk
    (G.711 audio, Platinum route)
              │
              ▼
    Your SIP Gateway / WebSocket Server
    (Pipecat or LiveKit orchestration)
         │            │
         ▼            ▼
  Deepgram STT    Cartesia TTS
  (transcribe)    (synthesise)
         │            ▲
         ▼            │
    Claude Sonnet (Anthropic)
    (understand + decide + respond)
         │
         ▼
    Tool calls (CRM, calendar, payments)

End-to-End-Latenzbudget (Ziel: unter 800 ms):

Telefonie zum Server: ~50 ms (IDT Platinum-Route)
STT (Deepgram): ~200ms
LLM (Claude Sonnet): ~200ms
TTS erstes Byte (Cartesia): ~100 ms
Server zu Telefonie: ~50 ms
Gesamt: ~600 ms ✓

Skalieren Sie Ihre Plattform

Sobald Ihr Einzelagenten-Proof-of-Concept funktioniert, erfordert die Skalierung Folgendes:

Gleichzeitige Anrufe: Jeder Anruf läuft in einem eigenen Prozess/Container. IDT Express SIP-Trunks sind flexibel – eine Vorab-Bereitstellung ist nicht erforderlich. Skalieren Sie Ihre Rechenkapazität (nicht Ihren Netzbetreiber), um Lastspitzen abzufangen.

Globale Reichweite: Mit IDT Express-DID-Nummern in über 140 Ländern kann Ihre Plattform lokale Anrufe in jedem Markt annehmen, ohne dass für jedes Land separate Verträge mit Mobilfunkanbietern erforderlich sind. Ein Konto, eine API, globale Abdeckung.

Kostenoptimierung im großen Stil:

Verwenden Sie Claude Haiku für einfache Anruftypen (spart ca. 70 % der LLM-Kosten im Vergleich zu Sonnet).
IDT Express Sofortrouten für ausgehende Massenkampagnen (niedrigste Minutenpreise)
IDT Express Platinum-Routen für kundenorientierte eingehende Anrufe (Qualität ist entscheidend für die Kundenbindung)
TTS für häufig verwendete Phrasen (Begrüßungen, Warteschleifenansagen) zwischenspeichern – spart ca. 15 % der TTS-Kosten.

RÜHREN/GESCHÜTTELT: Alle ausgehenden Anrufe über IDT Express werden automatisch mit STIR/SHAKEN signiert. Für KI-basierte Anrufplattformen ist dies unerlässlich – nicht signierte Anrufe werden von großen Netzbetreibern zunehmend als Spam eingestuft, was Ihre Annahmequote bereits vor dem Gespräch Ihres Agenten drastisch senkt.

Erste Schritte: Ihre Stack-Checkliste

Komponente	Empfohlenes Werkzeug	Zeit zum Aufbauen
Carrier / SIP-Trunk	IDT-Express	10 Мinuten
DID-Nummern	IDT-Express	Sofort über API
STT	Deepgram Nova-2	15 Мinuten
LLM	Claude Sonnet (Anthropic API)	10 Мinuten
TTS	Cartesia oder ElevenLabs	15 Мinuten
Orchestrierung	Pipecat	30 Мinuten
Infra	AWS/GCP + Docker	1-2 Stunden

Realistischer Zeitablauf:

Funktionsfähiger Machbarkeitsnachweis: 1–2 Tage
Herstellungsagent für den Einmalgebrauch: 1–2 Wochen
Vollständige Plattform für vielfältige Anwendungsfälle mit Analysen: 4–8 Wochen

Häufig gestellte Fragen

F: Kann ich eine KI-Anrufplattform ohne Programmierkenntnisse entwickeln? A: Auf der hier beschriebenen Infrastrukturebene ist das realistischerweise nicht möglich. Für No-Code-Lösungen bieten sich Vapi, Bland AI und Synthflow als speziell entwickelte, verwaltete Plattformen an. Wenn Sie eine eigene Lösung entwickeln und über ein Entwicklerteam verfügen, finden Sie in diesem Leitfaden alle notwendigen Informationen.

F: Warum ist der Audio-Codec für KI-Anrufe wichtig? A: KI-Spracherkennungssysteme erzielen mit unkomprimiertem G.711-Audio deutlich bessere Ergebnisse als mit komprimiertem G.729-Audio. Komprimierte Codecs erzeugen Artefakte, die die Transkriptionsgenauigkeit um bis zu 15 % verringern – was die Eingabe Ihres Sprachlernsystems beeinträchtigt und zu schlechteren Antworten des Agenten führt. IDT Express Platinum-Routen verwenden standardmäßig G.711.

F: Wie erhalte ich Telefonnummern für meine KI-Anrufplattform? A: IDT Express bietet DID-Nummern (Direct Inward Dialing) in über 140 Ländern an, die per API bereitgestellt werden können. Die Nummern werden sofort aktiviert. Sie können sie eingehenden Anrufen zuweisen, bestimmten KI-Agenten zur Verfügung stellen oder für die ausgehende Anruferkennung verwenden.

F: Muss meine KI-Anrufplattform STIR/SHAKEN-kompatibel sein? A: Ja, für ausgehende Anrufe in die USA. Die FCC-Bestimmungen schreiben die STIR/SHAKEN-Signatur für alle ausgehenden Anrufe vor. IDT Express übernimmt dies automatisch – der gesamte ausgehende Datenverkehr wird mit Attestierungsstufe A signiert. Nicht konforme ausgehende Anrufe werden von großen Netzbetreibern zunehmend als „Spam wahrscheinlich“ gekennzeichnet.

Nächste Schritte

Wenn Sie bereit sind zu bauen:

Erstellen Sie ein kostenloses IDT Express-Konto — Erhalten Sie Ihre SIP-Zugangsdaten und 25 $ Startguthaben. Dauert 60 Sekunden.
Registrieren Sie sich für den Zugriff auf die Anthropic-API. — Ihr Claude-API-Schlüssel ist sofort unter console.anthropic.com verfügbar.
Pipecat installieren — Installieren Sie pipecat-ai mit pip und führen Sie den Schnellstart aus
Tätigen Sie Ihren ersten KI-Anruf — ein funktionierender Machbarkeitsnachweis in weniger als einem Tag

Für die Trägerschicht – die Infrastruktur, die Ihre KI mit dem realen Telefonnetz verbindet – IDT Express Sprachterminierung und SIP-Trunking ist speziell für KI-Sprachworkloads entwickelt worden: G.711-Audio, elastische Parallelität, globale DID-Nummern und STIR/SHAKEN-Konformität sind enthalten.

Beginnen Sie mit dem Bauen – kostenlos Konto →

Teile diesen Artikel