Sprachagenten in Echtzeit auf Schweizerdeutsch
Streamen Sie das Audio der Anrufenden über eine einzige WebSocket-Verbindung. Der Agent hört zu, versteht und antwortet in Echtzeit mit natürlicher Stimme, im Dialekt oder in der regionalen Varietät, die Ihre Anrufenden sprechen: Zürcher, Berner, Basler oder Luzerner Mundart, Französisch der Romandie, Italienisch des Tessins. Hochdeutsch und Englisch gibt es ebenfalls. Sie schreiben die Anweisungen und binden Ihre eigenen Systeme an, wir führen das Gespräch.
CHF 0.33 pro Minute (CHF 19.80 pro Stunde), abgerechnet pro Sekunde verbundener Sitzungszeit. Kostenlose Sandbox-Schlüssel.
Sie programmieren nicht selbst?
Suisse Speech ist die API für Teams, die ihren eigenen Sprachagenten bauen. Wenn Sie einfach einen KI-Telefonassistenten für Ihr Unternehmen möchten, nehmen Sie Suisse Line, unser fertiges Produkt: Es nimmt Ihre Anrufe rund um die Uhr an, bucht Termine und versteht Schweizerdeutsch. Ohne Programmieren.
Zu Suisse LineSo funktioniert es
1. Agent beschreiben
Öffnen Sie die WebSocket-Verbindung und senden Sie session.start mit Ihren Anweisungen, Sprache und Dialekt, einer Stimme und auf Wunsch einer Begrüssung und Werkzeugen.
2. Gespräch streamen
Senden Sie das Audio der Anrufenden, sobald es anfällt, vom Browser-Mikrofon oder von einer Telefonleitung. Transkripte dessen, was die Anrufenden sagen, erscheinen live.
3. Antworten abspielen
Der Agent antwortet mit natürlicher Stimme. Sie spielen die Audioframes beim Eintreffen ab und erhalten zu jeder Antwort ein Live-Transkript. Unterbrechen die Anrufenden, hält der Agent an und sagt Ihnen, welches gepufferte Audio Sie verwerfen.
Eine Sitzung starten
ws.send(JSON.stringify({
type: 'session.start',
language: 'de-CH', dialect: 'bern', voice: 'anna',
instructions: 'Du bist die Terminvergabe der Praxis Muster. ' +
'Sprich kurz und freundlich.',
greeting: 'Grüezi, Praxis Muster. Wie kann ich helfen?',
vocabulary: ['Muster', 'Dr. Brunner', 'Bremgarten'],
input: { encoding: 'mulaw', sample_rate_hz: 8000 }, // phone line
output: { encoding: 'mulaw', sample_rate_hz: 8000,
transport: 'binary' },
turn_taking: { mode: 'auto', interruptions: true },
tools: [{
name: 'book_appointment',
description: 'Books an appointment for the caller.',
parameters: {
type: 'object',
properties: {
name: { type: 'string' }, time: { type: 'string' },
},
required: ['name', 'time'],
},
}],
}));Audio und Werkzeugaufrufe
ws.on('message', async (data, isBinary) => {
if (isBinary) return player.write(data); // agent's voice
const m = JSON.parse(data.toString());
switch (m.type) {
case 'audio.clear': // caller interrupted
player.clear(); break;
case 'user.transcript.final':
log('caller', m.text); break;
case 'reply.done':
log('agent', m.transcript); break;
case 'tool.call': { // ask your backend
const result = await bookAppointment(m.arguments);
ws.send(JSON.stringify({
type: 'tool.result', call_id: m.call_id,
output: JSON.stringify(result),
}));
break;
}
}
});Was ein Agent kann
Schweizer Dialekte und Varietäten
Versteht und spricht schweizerdeutsche Dialekte (Zürich, Bern, Basel, Luzern und allgemeines Schweizerdeutsch), Schweizer Französisch und Tessiner Italienisch. Sprache und Dialekt wählen Sie pro Sitzung.
Ihre Anweisungen
Rolle, Wissen und Regeln in einfachen Worten, bis 16’000 Zeichen, dazu Namen und Begriffe, die der Agent erkennen soll. Während des Gesprächs änderbar.
Werkzeuge und Funktionsaufrufe
Definieren Sie bis zu 32 Funktionen. Braucht der Agent etwas, fragt er Ihr Backend, zum Beispiel um eine Bestellung nachzuschlagen oder einen Termin zu buchen, und spricht das Ergebnis aus.
Natürliche Unterbrechungen
Anrufende können dem Agenten ins Wort fallen. Er hört auf zu sprechen und hört zu, und Ihr Client verwirft das Audio, das er noch nicht abgespielt hat.
Telefonaudio
G.711 µ-law und A-law mit 8 kHz für Telefonleitungen, oder PCM mit 8, 16, 24 oder 48 kHz für Browser und Apps.
Live-Transkripte
Teil- und Endtranskripte der Anrufenden und jeder Antwort, während das Gespräch läuft, für Protokolle, Untertitel oder Auswertungen.
Schweizer Dialekte und regionale Varietäten, verstanden und gesprochen
Wählen Sie pro Sitzung die Sprache und, beim Schweizerdeutschen, den Dialekt. Schweizer Französisch (fr-CH) und Schweizer Italienisch (it-CH) sind regionale Varietäten mit eigenem Wortschatz, etwa septante, Natel oder franchi. Hochdeutsch, Französisch, Italienisch und Englisch gibt es ebenfalls.
- Zürichdeutsch (Züritüütsch)
dialect: "zurich" - Berndeutsch (Bärndütsch)
dialect: "bern" - Baseldeutsch (Baaseldütsch)
dialect: "basel" - Luzernerdeutsch (Lozärnerdütsch)
dialect: "luzern" - Allgemeines Schweizerdeutsch
dialect: "standard" - Schweizer Französisch (Romandie)
language: "fr-CH" - Schweizer Italienisch (Tessin)
language: "it-CH" - Hochdeutsch, Französisch, Italienisch, Englisch
de-DE, fr, it, en
Was Sie bauen können
Telefonassistent
Nehmen Sie Anrufe rund um die Uhr entgegen: Öffnungszeiten, Anfahrt und alltägliche Fragen. Alles Komplexere geht per Werkzeugaufruf an Ihr Team.
Terminbuchung
Der Agent prüft per Werkzeugaufruf die freien Zeiten in Ihrem Kalender, vereinbart mit den Anrufenden einen Termin und bucht ihn.
Kundenservice
Bestellstatus, Lieferung, Vertragsfragen: Der Agent sucht die Antwort in Ihren Systemen und antwortet in der Sprache und im Dialekt, die Sie eingestellt haben.
Sprache in Ihrer App
Bauen Sie einen Sprachassistenten in eine Web- oder Mobile-App ein: Mikrofon rein, gesprochene Antwort raus, mit Transkripten, die Sie auf dem Bildschirm zeigen können.
Formate für Telefon und Browser
Telefonleitungen nutzen G.711 µ-law oder A-law mit 8 kHz. Browser und Apps nutzen PCM mit 8, 16, 24 oder 48 kHz. Das Audio läuft in beide Richtungen als binäre WebSocket-Frames im Format, das Sie angeben. Ihr Client braucht Echounterdrückung; Telefonleitungen und Browser (echoCancellation) bieten sie. Sonst hört der Agent sich womöglich selbst.
Ein Preis, sekundengenau
CHF 0.33 pro Minute, das sind CHF 19.80 pro Stunde, exkl. MWST. Abgerechnet wird pro Sekunde verbundener Sitzungszeit, ab dem Moment, in dem die Sitzung bereit ist, bis sie schliesst. Das Guthaben ist dasselbe Prepaid-Guthaben wie bei Speech-to-Text und Text-to-Speech. Sandbox-Schlüssel führen eine synthetische Sitzung mit denselben Ereignissen aus und werden nie verrechnet.
Alle Preise ansehen →Häufige Fragen
Wie schnell antwortet der Agent?
Er beginnt zu sprechen, sobald er die Anrufenden verstanden hat, und das Audio fliesst, während die Antwort noch entsteht. Die genaue Verzögerung hängt von Ihrer Verbindung, Ihren Werkzeugen und der Länge der Antwort ab. Messen Sie sie daher mit einem Live-Schlüssel auf Ihrer eigenen Leitung. Eine einzelne Zahl veröffentlichen wir nicht.
Welche Sprachen und Dialekte spricht der Agent?
Schweizerdeutsch in den Dialekten Zürich, Bern, Basel, Luzern und allgemeines Schweizerdeutsch (de-CH), Schweizer Französisch (fr-CH) und Schweizer Italienisch (it-CH), dazu Hochdeutsch (de-DE), Französisch (fr), Italienisch (it) und Englisch (en). GET /capabilities listet, was Ihr Schlüssel nutzen kann.
Kann ich ihn an eine Telefonleitung anschliessen?
Ja. Der Agent hört und spricht G.711 µ-law und A-law mit 8 kHz, dem Format von Telefonleitungen. Ihre Telefonieplattform oder Ihr Media-Gateway kann das Gesprächsaudio an die WebSocket-Verbindung weiterreichen und abspielen, was zurückkommt. Telefonleitungen unterdrücken Echo bereits.
Kann der Agent etwas nachschlagen oder Termine buchen?
Ja, mit Werkzeugen. Sie beschreiben bis zu 32 Funktionen, und braucht der Agent eine, fragt er Ihr Backend und spricht das Ergebnis aus. Ein Aufruf, den Ihr Backend nicht innert 30 Sekunden beantwortet, wird dem Agenten als Zeitüberschreitung gemeldet und nie automatisch wiederholt.
Wie teste ich ohne zu bezahlen?
Verwenden Sie einen Sandbox-Schlüssel (sv_test_…). Er führt eine synthetische Sitzung mit denselben Ereignissen wie eine echte aus, sodass Sie Ihren Client ohne Kosten bauen und testen können. Sandbox-Sitzungen werden nie verrechnet. Stimme und Dialektqualität beurteilen Sie mit einem Live-Schlüssel.
Was geschieht mit Audio und Transkripten?
Die Sicherheitsseite beschreibt, was gespeichert wird und wo die Verarbeitung stattfindet, und wie Sie unseren Auftragsverarbeitungsvertrag abschliessen.
Testen Sie es mit Ihren eigenen Aufnahmen
Holen Sie sich 60 Gratisminuten für Speech-to-Text und Text-to-Speech. Keine Kreditkarte nötig.