Voice used to be the demo you showed at the end of a pitch. By mid-2025 it had quietly become infrastructure. This is the snapshot I wrote then — with a postscript from October 2026, after building the voice agent on this website myself.

Where we stood in mid-2025

• Enterprise voice agents were mainstream. German scale-up Parloa ran fully automated phone and chat agents for companies like Deutsche Bahn and HelloFresh, promising "unlimited simultaneous conversations" and hosting its own CX conference, WAVE 2025, in Berlin.
• Vertical assistants were blooming. HalloPetra tailored voice AI to German trade businesses — answering calls, qualifying leads and booking jobs so plumbers and electricians could stay on the job instead of the phone.
• Models could call real functions. OpenAI's GPT-4.1 exposed robust function calling: developers define JSON-schema functions like bookAppointment() and the model invokes them, wiring LLM reasoning straight into workflows without brittle regex prompts.
• Voice became more than text-to-speech. ElevenLabs fused speech-to-speech, text-to-speech and chat into one agent loop with near-instant, expressive voices. Its January 2025 raise of $180M at a $3.3B valuation showed where investors expected real-time audio UX to go.
• Content platforms experimented. Spotify let indie authors publish AI-narrated audiobooks through an ElevenLabs pipeline — synthetic voices moving from novelty to default for long-form media.

What I expected for the following twelve months

• Agentic orchestration as table stakes: voice bots chaining function calls with retrieval and internal tools to finish requests end to end in one call.
• Packages for small businesses: plug-and-play agents for restaurants, clinics and dealerships with CRM connectors and GDPR-aware hosting, cutting setup from months to days.
• Multimodal over single-channel: show a photo, describe a sound, get spoken and visual step-by-step help.
• Finer voice control for pace, tone and pauses — alongside EU pressure for transparency so people know when they hear synthetic audio.
• More on-device inference in cars and wearables, keeping sensitive voice data local.
• Maturing developer tooling, including templates and evaluation suites for dialogue quality and accessibility.

Postscript, October 2026: what building one taught me

The voice agent on this site runs on ElevenLabs Agents: speech recognition, a language model and a synthetic voice in one loop, with typed questions handled by the same agent in text-only mode. Four lessons I didn't fully appreciate in 2025:

• The brief matters more than the model. The worst answer my agent gave in testing wasn't a hallucination — it repeated a sentence from my own CV data that was imprecise. The fix was editing the source, not switching models. Voice agents are only as good as the knowledge you curate for them.
• Text and voice should share one brain. One agent, one brief, two modes. Separate bots for chat and voice drift apart within weeks.
• Privacy is part of the UX. In Europe, a visitor should know before the first question that their input is processed by a provider outside the EU, and why. That notice belongs in the design, not in the footer.
• Most "the AI can't hear me" bugs are the microphone. Permissions and input devices cause more failures than the model. Good voice UX tells people what's wrong.

The playbook still holds: design for context, respect privacy, and prototype with real voices early. What changed is that the hard part is no longer the technology — it's curating what the agent knows and designing the process around it.

Sprache war früher die Demo, die man am Ende eines Pitches zeigt. Mitte 2025 war sie still und leise zur Infrastruktur geworden. Das hier ist meine Momentaufnahme von damals — mit einem Nachtrag von Oktober 2026, nachdem ich den Sprachagenten auf dieser Website selbst gebaut habe.

Wo wir Mitte 2025 standen

• Sprachagenten im Enterprise waren Mainstream. Das deutsche Scale-up Parloa betrieb vollautomatische Telefon- und Chat-Agenten für Unternehmen wie die Deutsche Bahn und HelloFresh, versprach „unbegrenzte gleichzeitige Gespräche“ und richtete in Berlin seine eigene CX-Konferenz WAVE 2025 aus.
• Branchenassistenten sprossen. HalloPetra passte Voice-AI an deutsche Handwerksbetriebe an — Anrufe annehmen, Leads qualifizieren, Aufträge buchen — damit Klempner und Elektrikerinnen auf der Baustelle bleiben konnten statt am Telefon.
• Modelle konnten echte Funktionen aufrufen. OpenAIs GPT-4.1 bot robustes function calling: Entwickler definieren JSON-Schema-Funktionen wie bookAppointment(), und das Modell ruft sie auf — LLM-Logik direkt in Workflows, ohne fragile Regex-Prompts.
• Stimme wurde mehr als Text-to-Speech. ElevenLabs verband Speech-to-Speech, Text-to-Speech und Chat zu einer Agentenschleife mit nahezu sofortigen, ausdrucksstarken Stimmen. Die Finanzierungsrunde von 180 Mio. $ bei 3,3 Mrd. $ Bewertung im Januar 2025 zeigte, wohin Investoren Echtzeit-Audio-UX sahen.
• Content-Plattformen experimentierten. Spotify ließ Indie-Autoren KI-gesprochene Hörbücher über eine ElevenLabs-Pipeline veröffentlichen — synthetische Stimmen auf dem Weg von der Neuheit zum Standard für Long-Form-Medien.

Was ich für die folgenden zwölf Monate erwartet habe

• Agentische Orchestrierung als Standard: Voice-Bots, die Funktionsaufrufe mit Retrieval und internen Tools verketten und Anliegen in einem Anruf komplett erledigen.
• Pakete für kleine Unternehmen: Plug-and-Play-Agenten für Restaurants, Praxen und Autohäuser mit CRM-Konnektoren und DSGVO-bewusstem Hosting — Einrichtung in Tagen statt Monaten.
• Multimodal statt Einkanal: Foto zeigen, Geräusch beschreiben, gesprochene und visuelle Schritt-für-Schritt-Hilfe bekommen.
• Feinere Stimmsteuerung für Tempo, Ton und Pausen — begleitet von EU-Druck zur Transparenz, damit Menschen wissen, wann sie synthetisches Audio hören.
• Mehr On-Device-Inferenz in Autos und Wearables, damit sensible Sprachdaten lokal bleiben.
• Reiferes Entwickler-Tooling, inklusive Templates und Test-Suites für Dialogqualität und Barrierefreiheit.

Nachtrag, Oktober 2026: Was mir das Selberbauen beigebracht hat

Der Sprachagent auf dieser Seite läuft auf ElevenLabs Agents: Spracherkennung, Sprachmodell und synthetische Stimme in einer Schleife, getippte Fragen beantwortet derselbe Agent im Textmodus. Vier Lektionen, die ich 2025 noch unterschätzt habe:

• Das Briefing zählt mehr als das Modell. Die schlechteste Antwort meines Agenten im Test war keine Halluzination — er wiederholte einen ungenauen Satz aus meinen eigenen Lebenslaufdaten. Die Lösung war, die Quelle zu korrigieren, nicht das Modell zu wechseln. Sprachagenten sind nur so gut wie das Wissen, das man für sie kuratiert.
• Text und Sprache sollten sich ein Gehirn teilen. Ein Agent, ein Briefing, zwei Modi. Getrennte Bots für Chat und Sprache laufen innerhalb weniger Wochen auseinander.
• Datenschutz ist Teil der UX. In Europa sollte jede Besucherin vor der ersten Frage wissen, dass ihre Eingabe von einem Anbieter außerhalb der EU verarbeitet wird, und wozu. Dieser Hinweis gehört ins Design, nicht in den Footer.
• Die meisten „Die KI hört mich nicht“-Fehler sind das Mikrofon. Berechtigungen und Eingabegeräte verursachen mehr Ausfälle als das Modell. Gute Voice-UX sagt den Leuten, was los ist.

Das Rezept gilt weiter: für Kontext gestalten, Privatsphäre respektieren und früh mit echten Stimmen prototypisieren. Verändert hat sich, dass der schwierige Teil nicht mehr die Technik ist — sondern zu kuratieren, was der Agent weiß, und den Prozess drumherum zu gestalten.