Sprachsteuerung für CRM-Aufgaben: diktieren, hören, bestätigen

Eine CRM bedient man üblicherweise mit zwei Händen: eine an der Maus, eine an der Tastatur. Stimme ändert, welchen der drei Schritte einer Aufgabe Sie noch von Hand machen. In Firmspace gibt es drei getrennte Sprachwege, und sie haben unterschiedliche Voraussetzungen — zu wissen, welcher welcher ist, spart viel Ärger.

Weg eins: Diktat im Assistentenfenster. Die Mikrofon-Schaltfläche neben dem Eingabefeld macht Sprache zu Text im Eingabefeld. Durch das Diktat selbst wird nichts ausgeführt — der Text landet im Feld, Sie können ihn korrigieren, und erst die Senden-Schaltfläche übergibt ihn dem Assistenten.

Das Diktat hat zwei Motoren, und der Assistent nimmt den günstigeren. In Chrome, Edge und Android erkennt der Browser die Sprache selbst — es verlässt keine Aufnahme das Gerät, der Server ist gar nicht beteiligt. Die Schaltfläche erscheint nur dort, wo einer der beiden Motoren wirklich verfügbar ist.

Für Browser ohne diese Fähigkeit — etwa Firefox und Safari — nimmt das Fenster Ihre Stimme auf und schickt die Datei an den Server, der sie verschriftlicht. Dieser zweite Weg braucht einen auf dem Server hinterlegten OpenAI-kompatiblen Schlüssel; ohne ihn meldet die Schaltfläche, dass Server-Diktat nicht eingerichtet ist, statt still zu scheitern.

Ein ehrliches Detail zu den Kosten: Das tägliche KI-Kontingent zählt Gespräche, nicht Diktate. Die Verschriftlichung verbraucht keine Anfrage des Tarifs — die Anfrage wird verbraucht, wenn die Frage wirklich an den Assistenten geht.

Weg zwei: Die Antwort spricht. Neben jeder Antwort im Assistentenfenster steht eine Lautsprecher-Schaltfläche; dieselbe Stimme kann jede neue Antwort automatisch vorlesen, wenn der Automatik-Schalter an ist. Es ist eine Stimme für die ganze Seite, damit nie zwei Antworten gleichzeitig sprechen.

Die Stimme ist eine echte neuronale Stimme vom Server, nicht nur die roboterhafte Browser-Synthese. Der Server spricht über eine Kette von Anbietern: zuerst ein neuronaler Sprachdienst, und wenn der nicht antwortet, eine leichtere Offline-Stimme als Rückfall. Antwortet keiner, gibt die API ein 503 zurück, und für einige Zeit übernimmt der Browser — die Antwort ist trotzdem zu hören, nur weniger natürlich.

Damit die Sprache flüssig bleibt, wird eine lange Antwort in Sätze geschnitten: Der erste wird sofort angefordert, die nächsten werden geholt, während der vorherige noch läuft. Deshalb beginnt die Antwort schnell zu sprechen, statt auf den ganzen Text zu warten.

Weg drei: Stimme im Gespräch. Wird der Assistent laut gefragt, antwortet er laut — aber nach anderen Regeln. Antworten werden ein bis drei kurze gesprochene Sätze: keine Listen, keine IDs, keine Links, kein Markdown, und Summen werden so gesagt, wie ein Mensch sie sagt. Gibt es viele Ergebnisse, nennt er die Anzahl, die Summe und die zwei oder drei wichtigsten Posten und bietet an weiterzumachen.

Der gesprochene Modus antwortet außerdem in der Sprache, die Sie gerade gesprochen haben, nicht in der Sprache der Oberfläche, und er darf ein eigenes Sprachmodell nutzen, wenn der Server eines konfiguriert hat. Eine deutsche Oberfläche erzwingt also keine deutsche Antwort auf eine ukrainische Frage.

Was sich nicht ändert: die Bestätigungsregel. Stimme überspringt die Bestätigungskarten für Änderungen nicht. Hat der Assistent eine Änderung vorbereitet, sagt er in einem kurzen Satz, was er vorbereitet hat, und hört auf — er fragt nicht selbst „soll ich bestätigen?“, denn die App fragt Sie. Löschen verlangt auch im gesprochenen Gespräch ein Ja.

Für gesprochenes Arbeiten gibt es noch ein nützliches Verhalten: Bittet man um das Öffnen einer Seite, öffnet der Assistent sie und antwortet mit ein paar Worten plus der wichtigsten Zahl dieser Seite, statt eine ganze Tabelle vorzulesen.

Stimme vom Handy: der Iris-Bot in Telegram. Für das Gespräch mit dem Assistenten gibt es einen eigenen Bot — nicht den, der Arbeitsbenachrichtigungen schickt. Schicken Sie ihm eine Sprachnachricht, zeigt der Bot zuerst den erkannten Text und erledigt dann die Arbeit. Ist die Aufnahme nicht zu verstehen, sagt er das und bittet zu wiederholen oder zu schreiben, statt zu raten.

Der Telegram-Weg hat eigene praktische Regeln, die den Sprachgebrauch prägen. Der Bot hört nur auf den einen Chat, mit dem er verbunden wurde, und tut für Fremde nichts. Er holt Nachrichten selbst vom Server ab — deshalb funktioniert er auch dort, wo der Server keine öffentliche Adresse hat. Nachrichten, die älter als zehn Minuten sind, werden nach einem Neustart nicht ausgeführt; ein Stapel alter Sprachbefehle von gestern läuft nicht plötzlich los.

In Telegram gibt es keine Bestätigungs-Schaltflächen, deshalb sind die Regeln strenger: Änderungen laufen sofort, aber Löschen und alles, was nach dem Lesen fremden Textes vorgeschlagen wurde, halten an und fragen. Ein kurzes „ja“ bestätigt alles, was wartet.

Stimme plus Warteschlange. Eine lange Sprachnachricht mit mehreren Anweisungen geht in die Aufgabenwarteschlange, und jedes Ergebnis kommt als eigene Nachricht zurück. Telegram nimmt auch einen Link zu einer CRM-Seite an und hängt wo möglich ein PDF eines Dokuments an — ein gesprochenes „schick mir die Rechnung“ endet mit der Rechnungsdatei im Chat.

Was wir nicht versprechen können. Die Spracherkennung hat eine Fehlerquote, die von Mikrofon, Umgebung und Sprache abhängt; die Plattform veröffentlicht keine Genauigkeitszahlen. Behandeln Sie das Diktat also als Entwurf, den Sie korrigieren können — mehr behauptet dieser Artikel nicht. Die Kosten der Sprachfunktionen hängen von der Server-Konfiguration und den Tarifen der Anbieter ab; Abrechnungsdaten zum Zitieren haben wir nicht.

Ebenfalls außerhalb dieses Artikels: Anrufaufzeichnung und Telefon-Audio. Die Telefonie in Firmspace dreht sich um Anrufe aus dem Browser und die Kanalliste; die Sprachsteuerung des Assistenten ist eine eigene Funktion. Eine Verschriftlichung von Anrufen beschreiben wir hier nicht, weil wir sie im Code nicht geprüft haben.

Am meisten spart das unterwegs, im Auto, im Lagerregal mit vollen Händen und in jedem Moment, in dem das Aufklappen eines Laptops der langsame Teil ist. Diktieren Sie die Anweisung, lassen Sie die Antwort sprechen, und behalten Sie die Bestätigungen als das Einzige, was Sie von Hand tun.