Ein Anrufer fragt nach einer Bestellung, während der Sprachagent zuhört, antwortet und den Auftragsstatus abfragt. Cartesia Line soll solche Telefonate natürlich und mit geringer Verzögerung führen. Turn-Taking ist der geregelte Wechsel zwischen Sprechen und Zuhören, einschließlich des Umgangs mit Unterbrechungen.
Cartesia AI richtet sich mit dieser Plattform an developers, die mit code einen Sprachagenten erstellen und bereitstellen wollen. Das System verbindet reasoning mit dem passenden context, damit der user nicht bei jeder Anfrage von vorn beginnen muss. Dieser Leitfaden erklärt die Technik, den SDK-Ablauf und wichtige Grenzen.
Im Mittelpunkt steht die Frage, was Line für Entwickler bereitstellt, die eigene Sprachdialoge bauen wollen.
Das Wichtigste auf einen Blick
- Line ist eine code-first Plattform für Sprachagenten.
- Sonic spricht Text aus, Ink wandelt Sprache in Transkripte um.
- Das Python-SDK verbindet Agentenlogik, Sprachmodelle und Tools.
- Teams können Telefonie, externe APIs und eigene Logik einbinden.
- Tests, Deployment, Kosten und Datenzugriffe brauchen eigene Prüfung.
Was ist Cartesia Line und für wen eignet sich die Plattform?
Line ist ein SDK mit Laufzeitumgebung, um codebasierte Sprachagenten zu erstellen und bereitzustellen. Anders als ein Text-to-Speech-Dienst verbindet die Plattform Echtzeit-Audio, Agentenlogik und Telefonie.
Cartesia AI bündelt Audioorchestrierung, Deployment und Observability, also die laufende Einsicht in Systemverhalten. So können Teams mehr Arbeit in Reasoning und Gesprächslogik stecken, statt einzelne technische Bausteine selbst zusammenzufügen.
Line bietet eine Laufzeit für codebasierte Sprachagenten, nicht bloß eine Stimme oder einen fertigen Telefonassistenten.
Ein Team kann die Agentenlogik anpassen, externen APIs Daten übergeben und eigenen Code ausführen. Versionsverwaltung hilft, Änderungen nachvollziehbar zu halten und frühere Stände zu prüfen.
Typische voice agents nehmen Supportanfragen auf, erfassen Formulardaten oder leiten Anrufe an die richtige Stelle weiter. Sie können dabei Informationen abfragen und Aufgaben im angebundenen System starten.
Line passt zu Entwicklern, die Gesprächsabläufe selbst gestalten und eigene Systeme verbinden wollen. Support-Teams können etwa Regeln für Rückerstattungen im Code festlegen, statt sich nur auf einen allgemeinen Dialog zu verlassen.
Für Teams mit eigener Gesprächslogik
Die Plattform nimmt Engineering-Arbeit nicht ab. Teams müssen Call-Logik, Integrationen, Fehlerbehandlung und Deployment planen und testen.
Line ist daher kein fertiger virtueller Empfang, den ein Unternehmen ohne technische Anpassung einschaltet. Es ist eine Entwicklungsplattform für Teams, die voice agents gezielt bauen und betreiben möchten.
Dieser Plattformüberblick führt zur Frage, welche integrierten Sprachmodelle die gesprochenen Ein- und Ausgaben übernehmen.
Welche Sprachmodelle stecken hinter Line?
Sonic spricht Text aus, Ink wandelt Spracheingaben in Transkripte um, die der Agent verarbeiten kann. Die Aufgaben sind getrennt: ein speech model erzeugt die Ausgabe, das andere liest Audio ein.
Sonic ist Cartesias Text-to-Speech-Modell und unterstützt 44 Sprachen. Ink ist ein Streaming-Modell für Speech-to-Text, also die laufende Umwandlung gesprochener Worte in Text.
| Modell | Aufgabe | Rolle im Gespräch |
|---|---|---|
| Sonic | Text-to-Speech | Spricht die Antwort des Agenten aus |
| Ink | Streaming Speech-to-Text | Erkennt gesprochene Eingaben |
| Sonic und Ink | Gemeinsamer Einsatz | Decken Ein- und Ausgabe von Sprache ab |
Sonic für die Sprachausgabe
Sonic wandelt den Antworttext des Sprachagenten in hörbare Sprache um. Die Bezeichnungen Cartesia AI Voice Generator und Cartesia AI Text-to-Speech beschreiben diese Aufgabe aus verschiedenen Blickwinkeln.
Line nutzt Sonic als Teil eines Gesprächssystems. Die Plattform ist also mehr als ein einzelner Generator, der Text einmalig vorliest.
Für die Ausgabe zählt neben der Stimme auch der Zeitpunkt, an dem der Agent den ersten Teil seiner Antwort erzeugt. Ein langer Text kann sich am Telefon anders anfühlen als eine kurze, direkte Antwort.
Ink für das Sprachverständnis
Ink streamt erkannte Sprache, damit der Agent gesprochene Eingaben als Text verarbeiten kann. Das Transkript gibt dem LLM den Inhalt, auf den es seine Antwort stützt.
Die tatsächliche Verzögerung hängt von der ganzen Verarbeitungskette ab. Audioaufnahme, Transkription, LLM-Antwort und Sprachausgabe tragen jeweils dazu bei.
Deshalb garantiert auch ein schnelles speech model allein keine schnelle Antwort im Telefonat. Die Rollen von Sonic und Ink führen zur Frage, wie Entwickler das SDK installieren und den ersten Agenten starten.
Wie starten Entwickler mit dem Cartesia SDK?
Ein praktisches Beispiel: Ein Entwickler möchte zuerst einen vorhandenen Chat-Agenten starten, bevor er eigenen Code schreibt. Der kürzeste Weg führt über das Basic-Chat-Beispiel im Repository.
Das Python-Projekt liegt unter github.com/cartesia-ai/line, das Beispiel unter examples/basic_chat. Ein eigener Einstieg ist ebenfalls möglich: Mit uv init entsteht ein Projekt, danach fügt uv add cartesia-line das Paket hinzu.
Beispielprojekt aus dem GitHub-Repository starten
Das Repository zeigt einen bereits aufgebauten Agenten und spart erste Konfigurationsschritte. Die folgenden Schritte starten ihn lokal, ohne einen echten API-Schlüssel im Code abzulegen.
- Repository klonen und das Verzeichnis examples/basic_chat öffnen.
- Den eigenen Schlüssel als Umgebungsvariable GEMINI_API_KEY setzen.
- Das Beispiel mit uv run python main.py starten.
- Optional die CLI installieren und lokal mit PORT=8000 uv run python main.py sowie cartesia chat 8000 testen.
Der Startbefehl mit Platzhalter lautet GEMINI_API_KEY=your-key uv run python main.py. Er zeigt die nötige Form, nicht einen gültigen Schlüssel.
Einen eigenen Python-Agenten anlegen
In einem neuen Ordner richtet uv init das Grundgerüst ein. Danach installiert uv add cartesia-line das SDK im Projekt.
Die Datei main.py verbindet LlmAgent und VoiceAgentApp. LlmAgent steuert die Modelllogik, während die App den Sprachagenten für die Laufzeit bereitstellt.
Für das Beispiel braucht der Prozess einen API-Schlüssel in einer Umgebungsvariable. Speichern Sie ihn nicht direkt in einer Datei, die Sie ins Repository einchecken.
Eine introduction kann den ersten gesprochenen Satz festlegen, während ein Prompt die Regeln des Gesprächs enthält. Nach dem ersten lokalen Lauf geht es darum, Persönlichkeit und Modellverhalten gezielt festzulegen.
Wie werden Persönlichkeit, Kontext und LLM konfiguriert?
Ein Support-Agent braucht eine knappe Begrüßung und klare Regeln, ohne diese Regeln in jeder Antwort neu zu formulieren. Getrennte Einstellungen halten Gesprächsstart und laufendes Verhalten auseinander.
system_prompt legt Regeln, Persönlichkeit und Kontext fest, introduction setzt die erste gesprochene Nachricht. Mit introduction=““ wartet der Agent zunächst auf die erste Äußerung des Anrufers.
System-Prompt und Begrüßung getrennt steuern
Der system_prompt beschreibt, wie der Agent handeln soll. Darin können Sie etwa festlegen, dass er Bestellnummern abfragt und bei Unsicherheit keine Lieferzeit erfindet.
Die introduction steuert dagegen den Gesprächsbeginn. Ein kurzer Satz wie „Guten Tag, wie kann ich Ihnen helfen?“ startet das Telefonat, ohne die Regeln des Prompts zu wiederholen.
Wenn der Agent zuerst zuhören soll, setzen Sie introduction auf einen leeren Text. So kann ein Anrufer direkt sein Anliegen nennen.
Einstellungen aus einer Anrufanfrage übernehmen
LlmConfig.from_call_request() kann Konfiguration aus einer eingehenden Anrufanfrage ableiten. Damit lassen sich Einstellungen je nach Anruf oder übergebenem Kontext festlegen.
Ein Fallback-Prompt sorgt für einen brauchbaren Standard, wenn eine Anfrage keine passende Einstellung enthält. Das hilft, weil nicht jeder Anruf alle erwarteten Werte mitbringt.
Halten Sie dynamische Angaben eng an den Anwendungsfall. Eine Kundennummer oder Spracheinstellung kann nützlich sein, ein voller Datensatz gehört nicht automatisch in den Gesprächskontext.
Ein LLM über LiteLLM auswählen
Line nutzt LiteLLM, eine Schnittstelle zu mehr als 100 LLM-Anbietern. Entwickler können kompatible Modellnamen in der Konfiguration angeben.
Beispiele sind gpt-5-nano, anthropic/claude-haiku-4-5-20251001 und gemini/gemini-2.5-flash-preview-09-2025. Die Namen zeigen Modelle von OpenAI, Anthropic und Google.
Ein Modellwechsel garantiert weder dieselbe Latenz noch dieselbe Gesprächsqualität. Prüfen Sie daher den gewählten model mit typischen Nutzerfragen und den erwarteten Antwortzeiten.
Wenn Persönlichkeit, context und Modell feststehen, kann der Agent mit Tools Daten abrufen und Aktionen auslösen.
Welche Tools können Sprachagenten aufrufen?
Ein Anrufer fragt nach dem Status einer Bestellung, den der Agent nicht allein aus dem Gespräch wissen kann. Ein Tool verbindet ihn mit Daten oder einer Aktion.
Vorgefertigte Tools decken Telefonaktionen ab, während http_server_tool externe HTTP-APIs anspricht. Die HTTP-Anfrage nutzt JSON-Schemas, um Felder für Request-Body oder Query-Parameter festzulegen.
Vorgefertigte Tools und HTTP-APIs verbinden
Ein POST-Aufruf kann ein Support-Ticket erstellen und Felder wie Betreff, Beschreibung und Kundennummer übergeben. Ein GET-Aufruf kann einen Auftrag anhand einer schema-definierten Bestellnummer suchen.
Das Schema legt fest, welche Angaben das LLM beisteuern darf und welche Art von Wert erwartet wird. Felder mit constant_value bleiben dem LLM verborgen und werden fest in die Anfrage eingebaut.
Beim Erstellen des Tools löst Line ${ENV_VAR} aus der Umgebung auf. So kann ein API-Schlüssel außerhalb des Gesprächsprompts bleiben.
Ergebnisse an LLM, Anrufer oder Folge-Agent geben
Einige Tools liefern Ergebnisse an das LLM zurück, damit es eine passende Antwort formuliert. Andere führen eine Aktion direkt aus oder geben ihren Inhalt unmittelbar an den Anrufer weiter.
- Anruf beenden: end_call trennt das Gespräch kontrolliert.
- DTMF-Taste senden: send_dtmf überträgt eine Zifferntaste an das Telefonsystem.
- Anruf weiterleiten: transfer_call steuert das Gespräch zu einer anderen Nummer.
- Wissensbasis oder Web durchsuchen: knowledge_base und web_search liefern passende Informationen.
Auch voicemail kann ein Gespräch an eine Mailbox übergeben. Die Auswahl hängt davon ab, ob der Anrufende eine Antwort braucht oder eine direkte Telefonaktion erwartet.
Der Rückgabepfad eines Tools entscheidet, ob das LLM die Antwort formuliert oder eine Aktion direkt ausgeführt wird.
Wie funktionieren Unterbrechungen, Übergaben und Telefonie?
Ein Anrufer unterbricht eine laufende Antwort und verlangt eine Weiterleitung. Dann zeigt sich, ob die Gesprächssteuerung auf Echtzeit ausgelegt ist.
Line unterstützt eingehende und ausgehende Telefonate sowie menschliche Übergaben. Die Standardeinstellungen steuern Turn-Taking und den Umgang mit Audio-Unterbrechungen.
Gesprächswechsel und laufende Tools behandeln
Der Agent kann eine laufende Antwort stoppen, wenn der Anrufer wieder spricht. So muss die Person nicht warten, bis ein langer Satz vollständig abgespielt wurde.
Normale Tool-Aufrufe können bei einer Unterbrechung enden. Bereits vorhandene Ergebnisse bleiben für die nächste Generierung erhalten, damit der Agent sie weiterverwenden kann.
Diese Unterscheidung ist wichtig, wenn ein Aufruf schon Daten geliefert hat, aber die gesprochene Antwort noch nicht fertig ist. Entwickler sollten solche Gesprächswechsel im Test gezielt auslösen.
Telefonate an Menschen oder andere Agenten übergeben
transfer_call kann eine Telefonnummer oder einen festgelegten SIP-Endpunkt ansteuern. SIP ist ein Standard, mit dem Telefonanlagen Gesprächsverbindungen aufbauen.
Mit agent_as_handoff kann ein Agent die Übergabe an einen spezialisierten Agenten auslösen. Ein allgemeiner Support-Agent kann etwa an einen Agenten für Abrechnung übergeben.
| Option | Einsatz | Worauf Entwickler achten | Telefonieart |
|---|---|---|---|
| Cartesia-US-Nummern | Nummer für Telefonate in den USA | Geeignetes Land und Rufnummernziel | Cartesia-Nummer |
| Importierte Twilio-Nummern | Vorhandene Twilio-Telefonie nutzen | Nummer und Kontozugriff einrichten | Twilio |
| SIP-Carrier-Nummern | Eigene Carrier anbinden | SIP-Trunking und Endpunkte abstimmen | SIP |
SIP-Trunking und eigene Carrier werden unterstützt. Die passende Option hängt davon ab, welche Nummern und Telefonanlagen Ihr Team bereits nutzt.
Bei längeren Aufgaben und mehrteiligen Abläufen müssen Entwickler auch Hintergrundverarbeitung und Gesprächskontext steuern.
Wie bleiben Hintergrundaufgaben und Gesprächskontext steuerbar?
Eine Datenbanksuche dauert länger als die natürliche Gesprächspause, die ein Anrufer akzeptiert. Hintergrundarbeit erlaubt dem Agenten, weiterzureden, während die Suche läuft.
@loopback_tool(is_background=True) lässt ein dafür markiertes Tool trotz Unterbrechung bis zum Abschluss weiterlaufen. Ein normales Tool kann dagegen beendet werden, wenn der Anrufer den Agenten unterbricht.
Lang laufende Tools im Hintergrund ausführen
Ein Team kann die Markierung etwa für eine umfassende Datenbanksuche nutzen. Der Agent kann dem Anrufer währenddessen eine kurze Rückmeldung geben.
Nach dem Abschluss kann das Tool sein Ergebnis zur weiteren Verarbeitung zurückgeben. So bleibt die Arbeit bestehen, auch wenn der Anrufer während der Suche eine neue Frage stellt.
Nutzen Sie den Hintergrundmodus nur, wenn ein Auftrag wirklich weiterlaufen soll. Eine abgebrochene Anfrage darf nicht unbemerkt eine unerwünschte Aktion auslösen.
Gesprächsverlauf ergänzen oder ersetzen
Mit agent.history.add_entry() kann der Code zusätzliche Nutzer- oder Systemeinträge zum Verlauf hinzufügen. Das ist hilfreich, wenn ein Tool eine kurze, relevante Information liefert.
agent.history.update() kann den Verlauf voranstellen oder einen Bereich ersetzen, der durch Anker markiert ist. Anker grenzen den Teil ab, der erneuert werden soll.
Ein nicht vorhandener Anker löst einen ValueError aus. Das gilt auch, wenn ein Endanker vor dem Startanker liegt.
Ergänzter context sollte knapp und aktuell bleiben. Ein veralteter Lieferstatus kann eine falsche Antwort auslösen, wenn der Agent ihn später erneut heranzieht.
Wenn Verlauf und Hintergrundarbeit kontrolliert sind, können Entwickler eigene Prüfungen ergänzen und das Verhalten systematisch testen.
Wie testen, deployen und überwachen Teams ihre Agenten?
Ein Agent, der lokal eine Bestellung abfragt, ist noch nicht automatisch für echte Anrufe bereit. Vor dem Deployment müssen Teams typische Fehler und Gesprächswechsel testen.
Ein lokaler CLI-Test prüft den frühen Gesprächsablauf, ersetzt aber keinen Test der Produktionsversion. Repository-Änderungen und Bereitstellung über die Plattform bilden einen Entwicklungsweg.
Lokal iterieren und Änderungen bereitstellen
Teams können Code im GitHub-Repository pflegen und Änderungen vor einer Bereitstellung testen. Die Suche nach Cartesia Line auf GitHub führt zum Repository-gestützten Entwicklungsweg.
Nach lokalen Prüfungen können Teams die Plattform für die Bereitstellung nutzen. Der konkrete Ablauf hängt von der Projektkonfiguration ab, deshalb sollte das Team seine eigene Deployment-Umgebung dokumentieren.
Prüfen Sie vor einem Wechsel, wie Sie eine fehlerhafte Version zurücksetzen. Ein klarer Rückweg hilft, wenn ein neues Release das Gespräch unerwartet verändert.
Anrufe, Latenz und Qualität auswerten
Line kann Anrufe samt Audio und Transkripten speichern. Diese Aufzeichnungen helfen, einzelne Gesprächsfehler nachzuhören und den Wortlaut zu prüfen.
Systemmetriken wie Latenz zeigen, an welcher Stelle Antworten zu lange dauern. Logs helfen beim Debugging und können Abläufe für Audits nachvollziehbar machen.
Benutzerdefinierte LLM-as-a-judge-Metriken bewerten etwa Nutzerzufriedenheit oder Gesprächserfolg. Sie ergänzen, aber ersetzen nicht die Prüfung konkreter Anrufe.
- Typische Gesprächswege mit realistischen Fragen prüfen.
- Unterbrechungen während einer Antwort gezielt testen.
- Eine fehlerhafte Tool-Antwort simulieren und Reaktionen prüfen.
- Logs und den Rückweg zur vorherigen Version kontrollieren.
Audio, Transkripte und Latenzmetriken helfen bei der Fehlersuche. Bewertungsmetriken zeigen dagegen, ob Gespräche die gewünschten Ziele erreichen.
Vor der Freigabe gehören auch Berechtigungen, Aufzeichnungen und Gesamtkosten in die Prüfung.
Welche Kosten, Sicherheitsanforderungen und Alternativen sollten Teams prüfen?
Ein Team sollte nicht nur Modellantworten testen, sondern auch prüfen, welche Aktionen der Agent mit Kundendaten ausführen kann. Datenzugriff und Kosten gehören zur Auswahl.
Der kostenlose Plan umfasst 20.000 Credits und 1 US-Dollar Agent-Minuten. Sonstige Line-Preise sind angebotsbasiert; ein klarer Gesamtpreis pro Agentenminute ist nicht ausgewiesen.
Bewerten Sie nicht nur die Modellantwort: Der Agent kann Kundendaten lesen und Aktionen in angebundenen Systemen auslösen.
Preise, Datenzugriff und Compliance verifizieren
Vor einer Beschaffung sollten Teams Line, Sprachmodelle, Deployment, Parallelität und Telefonie gemeinsam kalkulieren. So wird sichtbar, welche Kosten zum konkreten Anruffall gehören.
Line bietet HIPAA für Enterprise-Pläne mit BAA an und führt SOC 2 Type II sowie GDPR-Konformität. Diese Angaben ersetzen nicht die Prüfung der eigenen Abläufe.
Ein Sprachagent kann Kundendaten lesen, Systeme beschreiben, Nachrichten senden, Workflows starten und Anrufe aufzeichnen. API-Schlüssel geben Zugriff auf verbundene Dienste und brauchen klare Rechte.
Prüfen Sie Einwilligung und Regeln für Aufzeichnungen. Trennen Sie Entwicklungs- und Produktionsumgebungen und klären Sie Region, Aufbewahrung sowie Datenresidenz.
| Plattform | Preisangabe | Kostenloser Einstieg | Passende Abwägung |
|---|---|---|---|
| Cartesia Line | Sonst angebotsbasiert | 20.000 Credits, 1 US-Dollar Agent-Minuten | Codebasierte Gesprächslogik |
| Hume AI EVI | Ab 0,04 US-Dollar pro Minute | Kostenloser Plan | Preis pro Minute vergleichen |
| ElevenLabs Agents | Ab 6 US-Dollar pro Monat | Kostenloser Plan | Monatsplan und Einsatz prüfen |
Line mit anderen Ansätzen für Sprachagenten abwägen
LiveKit Agents Pipeline und LiveKit Agents für Voice sind Vergleichsoptionen für Teams mit eigener Architektur. Sie können diese Ansätze prüfen, wenn sie mehr Teile des Systems selbst wählen möchten.
Die passende Wahl hängt davon ab, wie viel Kontrolle das Team braucht und wie viel Infrastruktur es selbst betreiben will. Ein Vergleich sollte den echten Anruffall und nicht nur eine Demovorführung abbilden.
- Welche Gesamtkosten gelten für den konkreten Anruffall?
- Wie wird ein fehlgeschlagener Tool-Aufruf erkannt?
- Wie lässt sich eine fehlerhafte Version zurücksetzen?
Line passt besonders dann, wenn ein Team eigenen Code und Kontrolle über die Gesprächslogik einbringen kann.
Fazit
Eine klare Abwägung: Line gibt Entwicklern Kontrolle über Sprachagenten, verlangt dafür aber eigene technische Arbeit. Der Ansatz passt zu Teams, die Gesprächslogik und Integrationen selbst gestalten wollen.
Engineering, Tests und Kostenprüfung bleiben Teil des Vorhabens. Wer diese Arbeit einplanen kann, sollte das basic_chat-Beispiel mit einem Testschlüssel lokal starten.
Prüfen Sie danach einen typischen Anruffall und einen Fehler bei einem Tool-Aufruf. Mit dem lokalen Beispiel und einem klar abgegrenzten Testanruf kann das Team entscheiden, ob die Plattform zum eigenen Einsatzfall passt.
