Textbasierte Modelle werden erst im Verbund mit Spracherkennung (STT) und Sprachsynthese (TTS) dialogfähig. Die praktische Tauglichkeit solcher Systeme lässt sich nicht allein über reine Parameterzahlen erklären. Sie ergibt sich als Resultat des Zusammenwirkens von Modellgröße, Datenqualität, Training und Orchestrierung zur Laufzeit. Zusätzliche Zugriffe auf externe Informationsquellen und Multi-Agenten-Systeme unterstützen dabei, Inhalte zu strukturieren – sie können Schlussfolgerungen stützen oder Aussagen belegbar machen. Bei der Umsetzung hängt die Wahl zwischen Cloudangeboten, quasi-offenen Modellen und echter Open Source von Leistung, Kosten, Lizenzfragen und Datenschutz ab. Auf der Ausgabeseite vollzieht sich der Wechsel von klassischen probabilistischen Verfahren zu neuronalen Pipelines, in denen gemeinsame Repräsentationen für Artikulation, Prosodie und Timing entstehen und moderne Vocoder natürlich klingende Feinstrukturen erzeugen. Ein nutzbarer Dialog entsteht dann, wenn gesprochene Eingaben robust in Text übertragen werden und das System entlang des Gesprächsverlaufs korrekt, hilfreich und situationsangemessen reagiert. Die Qualität wird über messbare Kennzahlen für Erkennung, Inhalt und Verhalten ausgewiesen und bildet so die Grundlage für vergleichbare Bewertungen.