Ein arabischer WhatsApp-Chatbot braucht fünf Teile: einen Webhook, der Nachrichten von der offiziellen WhatsApp Business Platform empfängt, eine Queue, Speech-to-Text für Sprachnachrichten, ein LLM, das Antworten auf Arabisch entwirft, und einen Sender, der innerhalb des 24-Stunden-Fensters von WhatsApp antwortet. Sprachnachrichten sind wichtig, weil viele arabischsprachige Kunden lieber im Dialekt sprechen als tippen.
BroadRouter wird von BroadNet betrieben; die Beispiele verwenden daher BroadNet Inference. Jeder OpenAI-kompatible Anbieter für Speech-to-Text und Chat passt in dieselben Stellen.
Aus welchen Teilen besteht ein arabischer WhatsApp-Chatbot?
WhatsApp user
│ text or voice note
▼
WhatsApp Business Platform (Cloud API)
│ webhook POST
▼
1. Webhook receiver ── verify signature, store event, return 200
│
▼
2. Queue (Redis, SQS, a database table)
│
▼
3. Worker
├─ voice note? download media → ffmpeg → speech to text
├─ build prompt: system rules + recent history + new message
└─ LLM drafts reply (or hands over to a human)
│
▼
4. Sender ── POST /messages on the Cloud API
│
▼
5. Store ── conversation state, opt-in status, audit log
1. Webhook-Empfänger
Die WhatsApp Cloud API liefert eingehende Nachrichten als HTTPS-POST-Anfragen an einen Webhook, den Sie registrieren. Zwei Regeln halten diesen Teil gesund:
- Jede Anfrage verifizieren. Laut den Docs von Meta berechnen Sie einen HMAC-SHA256 der JSON-Payload mit Ihrem App-Secret und vergleichen ihn mit dem Header
X-Hub-Signature-256. Lehnen Sie alles ab, was nicht übereinstimmt. - Schnell 200 zurückgeben. Speichern Sie das Ereignis und bestätigen Sie es. Laden Sie im Webhook-Handler kein Audio herunter und rufen Sie kein LLM auf. Schlägt die Zustellung fehl, wiederholt Meta sie „immediately, then a few more times with decreasing frequency over the next 7 days“ (Übersetzung: „sofort, dann noch einige Male mit abnehmender Häufigkeit über die nächsten 7 Tage“) und überlässt Ihnen die Deduplizierung.
Verwenden Sie die WhatsApp-Nachrichten-ID als Idempotency Key, damit ein erneut zugestellter Webhook nie zwei Antworten erzeugt.
2. Queue
Eine Queue entkoppelt das Zustell-Timing von WhatsApp von Ihrer Verarbeitungszeit. Außerdem können Sie damit die Parallelität an Ihre Inferenz-Limits anpassen. Ein Pay-as-you-go-Schlüssel bei BroadNet erlaubt 30 Anfragen pro Minute und 4 gleichzeitig; ein kleiner Worker-Pool mit Wiederholungen bei 429 ist also die richtige Form. Siehe Fehler und Wiederholungen und wie Sie mit 429-Rate-Limits umgehen.
3. Worker: Sprachnachrichten zu Text
Bei einer Sprachnachricht liefert der Webhook ein audio-Objekt mit einer Medien-id, einem mime_type wie audio/ogg; codecs=opus und voice: true für Aufnahmen, die in WhatsApp entstanden sind. Der Worker ruft die Medien-ID per GET ab, um die Download-URL zu erhalten, lädt die Datei mit Ihrem Access Token herunter und wandelt sie dann um und transkribiert sie. Der Endpoint von BroadNet akzeptiert WAV oder MP3; wandeln Sie also zuerst um:
import os, subprocess, tempfile
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
def transcribe_voice_note(ogg_bytes: bytes) -> str:
with tempfile.TemporaryDirectory() as d:
src, wav = os.path.join(d, "in.ogg"), os.path.join(d, "in.wav")
open(src, "wb").write(ogg_bytes)
subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", src,
"-ar", "16000", "-ac", "1", wav], check=True)
with open(wav, "rb") as audio:
return client.audio.transcriptions.create(
model="broadnet/cohere-transcribe-arabic",
file=audio,
language="ar", # without it, Arabic can come back in Latin letters
).text
Das temporäre Verzeichnis verschwindet nach dem Aufruf, sodass kein Audio auf Ihren Festplatten bleibt. Der Leitfaden für WhatsApp-Sprachnachrichten enthält eine Batch-Version für exportierte Chats, und der Leitfaden für Speech-to-Text auf Arabisch behandelt Formate und Limits. Dateien müssen unter 26.214.400 Bytes (25 MiB) bleiben; normale Sprachnachrichten liegen weit darunter.
3b. Worker: die Antwort entwerfen
Behandeln Sie ein Transkript genau wie eine getippte Nachricht, sagen Sie dem Modell aber, dass es aus Sprache stammt, denn Transkripte haben keine Satzzeichen und können Erkennungsfehler enthalten:
SYSTEM = """You are the WhatsApp assistant of a clinic in Dubai.
Customers write or speak in Gulf Arabic, other dialects, MSA, English or Arabizi.
Reply in simple Modern Standard Arabic unless the customer used English.
Keep replies under 60 words. Plain text only: no links, no markdown.
You can: answer opening hours, explain how to book, collect name and preferred time.
If the message is a complaint, medical question or you are unsure, reply that a
staff member will follow up, and set handover=true."""
def draft_reply(history: list[dict], text: str, from_voice: bool) -> str:
note = "(transcribed voice note, may contain errors) " if from_voice else ""
r = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
max_tokens=1500,
messages=[{"role": "system", "content": SYSTEM}, *history[-10:],
{"role": "user", "content": note + text}],
)
return r.choices[0].message.content
Für das Routing fordern Sie vom Modell strukturierte Ausgabe (intent, handover, reply) statt Freitext an und handeln anhand der Felder; der kostenlose JSON-Schema-Generator erstellt das Schema aus einer Beispielantwort. In den Tests von BroadNet verstand Qwen3.8 27B Golf- und ägyptischen Dialekt und schrieb flüssiges Arabisch; DeepSeek V4.1 Flash ist pro Token günstiger und das Modell der unbegrenzten Pläne von BroadNet. Beide denken vor der Antwort nach; lassen Sie also Spielraum bei max_tokens. Den Umgang mit Dialekten behandelt ausführlich Golf-, ägyptisches und levantinisches Arabisch mit LLMs.
4. Sender
Antworten gehen über den Messages-Endpoint der Cloud API für die ID Ihrer Telefonnummer hinaus. Senden Sie für Gesprächsantworten reinen Text. WhatsApp-Formatierung (fett, Listen) wird dargestellt, Markdown-Tabellen und Überschriften aber nicht; sagen Sie dem Modell also, dass es sie nicht erzeugen soll.
5. Speicher
Bewahren Sie den Gesprächszustand (die letzten zehn Züge reichen für die meisten Support-Bots), den Einwilligungsstatus des Kunden und ein Audit-Log auf, was der Bot gesendet hat und warum. Speichern Sie nicht mehr als nötig: Transkripte von Sprachnachrichten enthalten oft Namen, Adressen und Gesundheitsangaben.
Welche WhatsApp-Richtlinien gelten für einen Chatbot?
WhatsApp ist streng darin, wie Unternehmen den Dienst nutzen, und die Regeln schützen Ihre Nummer ebenso wie Ihre Kunden. Lesen Sie die WhatsApp Business Messaging Policy vor dem Start. In der Praxis:
- Zuerst die Einwilligung. Die Richtlinie erlaubt Ihnen, Personen nur zu kontaktieren, wenn sie Ihnen ihre Nummer gegeben und eingewilligt haben, auf WhatsApp von Ihnen zu hören. Dass ein Kunde Ihnen schreibt, ist keine Einwilligung in Marketing.
- Keine unaufgeforderten Nachrichten. Die Richtlinie sagt: „Do not confuse, deceive, defraud, mislead, spam, or surprise people with your communications.“ (Übersetzung: „Verwirren, täuschen, betrügen, irreführen, bespammen oder überraschen Sie Menschen nicht mit Ihrer Kommunikation.“) Senden Sie niemals erste Nachrichten an Personen, die Sie nicht kontaktiert oder eingewilligt haben.
- Das 24-Stunden-Kundenservice-Fenster beachten. Frei formulierte Antworten sind innerhalb von 24 Stunden nach der letzten Nachricht des Kunden erlaubt. Außerhalb davon dürfen Sie nur genehmigte Nachrichtenvorlagen senden.
- Einen Menschen anbieten. Automatische Antworten sind innerhalb des 24-Stunden-Fensters erlaubt, aber die Richtlinie verlangt „prompt, clear, and direct escalation paths“ (Übersetzung: „schnelle, klare und direkte Eskalationswege“) zu einer Person.
- Abmeldungen respektieren. Laut Richtlinie müssen Sie jede Bitte respektieren, zu blockieren, aufzuhören oder sich abzumelden. Behandeln Sie „stop“ oder „توقف“ als solche Bitte.
Eine weitere Regel stammt von uns, nicht von Meta: Erste Antworten an neue Kontakte schlicht halten. Eine kurze Antwort als reiner Text ohne URLs ist am sichersten. Linklastige Nachrichten von einem unbekannten Unternehmen wirken auf Nutzer wie Spam, und sie können Sie blockieren und melden. Teilen Sie Links später, wenn der Kunde danach fragt.
Was kostet der Betrieb eines arabischen WhatsApp-Bots?
Speech-to-Text wird pro Audiominute abgerechnet. Mit BroadNet Transcribe Arabic:
| Volumen | Kosten |
|---|---|
| Eine Minute Sprachnachrichten | $0.0042 |
| Eine Stunde Sprachnachrichten | $0.25 |
| 10.000 Sprachnachrichten von je 30 Sekunden | $21.00 |
LLM-Antworten werden bei Pay-as-you-go pro Token abgerechnet: Pro 1 Mio. Tokens kostet Qwen3.8 27B $0.175 Input und $2.17 Output, DeepSeek V4.1 Flash $0.175 Input und $0.52 Output. Eine Support-Antwort mit zehn Zügen Verlauf umfasst einschließlich Reasoning einige tausend Tokens; eine einzelne Antwort kostet also einige Tausendstel der oben genannten Preise pro 1 Mio. Tragen Sie Ihr Nachrichtenvolumen in den kostenlosen LLM-API-Kostenrechner ein, um eine Monatszahl zu erhalten. Läuft der Bot den ganzen Tag auf DeepSeek V4.1 Flash, vergleichen Sie mit dem Plan Full Moon für $60 auf der Preisseite.
Wie bleiben Sprachnachrichten privat?
Sprachnachrichten gehören zu den persönlichsten Daten, die ein Unternehmen verarbeitet. BroadNet Inference speichert Audio, Prompts und Transkripte nach der Anfrage nicht (siehe Zero Data Retention), das deckt aber nur den Inferenzschritt ab. Legen Sie fest, wie lange Ihre eigene Queue, Ihre Logs und Ihre Datenbank Transkripte aufbewahren, und löschen Sie Mediendateien nach der Verarbeitung.
Checkliste für den Start
- Webhook-Signatur verifiziert, 200 vor der Verarbeitung zurückgegeben.
- Idempotenz über die WhatsApp-Nachrichten-ID.
- Sprachnachrichten in WAV umgewandelt und mit
language=artranskribiert. - Worker-Pool auf Ihre Rate Limits ausgelegt, mit Backoff bei 429.
- System-Prompt legt Dialekt, Register, Länge und „keine Links“ fest.
- Übergabeweg an einen Menschen, getestet.
- Einwilligung erfasst; keine unaufgeforderten Nachrichten; außerhalb des 24-Stunden-Fensters nur Vorlagen.
- Transkripte nach Zeitplan gelöscht.
Wenn Sie Sprachnachrichten nur in Tickets verwandeln wollen statt einen antwortenden Bot zu bauen, behandelt Sprachnachrichten zu Text für Unternehmen diese einfachere Pipeline.
