Humanflow

HumanFlow

**Ein deutscher Echtzeit-Voice-Agent mit Fokus auf den schwierigen Teil von Speech-to-Speech: Turn Detection, Barge-in, Playback Ownership, Gesprächszustand, Tool-Grounding und Failure Recovery.**

HumanFlow läuft über einen echten Browser-/Mikrofonpfad: Streaming-STT, ein Claude-Reasoner, SQLite-geerdete Termin-Tools und Streaming-TTS — mit Schwerpunkt auf *Zuverlässigkeit* statt einer Happy-Path-Demo.


*Live-Browser-Session: Streaming-STT, ein geerdeter deutscher Termin-Dialog, der aktive TTS-Provider und Provenienz/Telemetrie pro Turn.*

---

Was es kann

• Natürliches deutsches Multi-Turn-Sprachgespräch.
• Turn Detection über Scribe-Transkriptzustand, Server-VAD, Backchannel-Vokabular und explizite deutsche Unterbrechungsphrasen.
• Barge-in als echter Zustandsübergang (erkennen → validieren → Wiedergabe stoppen → TTS abbrechen → veraltete Antwort invalidieren → neuen Turn annehmen), kein bloßes stop().
• Backchannel-Toleranz — „mhm", „okay", „aha" brechen den Agenten nicht ab.
• Played-Audio-Wahrheit: Ein Ledger unterscheidet erzeugtes / eingereihtes / abgespieltes / abgebrochenes Audio, sodass der Gesprächszustand nie annimmt, der Nutzer habe Inhalte gehört, die vor der Wiedergabe abgebrochen wurden.
• Tool-geerdete Termine gegen eine autoritative lokale SQLite-Quelle — Verfügbarkeit, Buchung, Verschiebung, Absage — niemals halluzinierte Slots.
• Deterministische deutsche Datumsauflösung (z. B. ist „Mittwoch in zwei Wochen" zwei volle Wochen und distinkt von „nächsten Mittwoch").
• Failure Recovery und ein evidenzgetriebener Engineering-Improvement-Loop.

Architektur

Mikrofon
  → ElevenLabs Scribe (Streaming-STT)
  → Turn Detection / Final Admission
  → Conversation Controller (State Machine, Operation-Epochs, Cancellation)
  → Claude Reasoner (Messages API)
  → Geerdete Tools / SQLite (Termine)
  → ElevenLabs Stream