---
title: "Sprachnachrichten in Text umwandeln für den Kundenservice"
description: "Sprachnachrichten aus WhatsApp Business und Telegram-Bots in Transkripte und Support-Tickets verwandeln: herunterladen, transkribieren, Felder per LLM extrahieren."
url: https://broadrouter.com/de/blog/voice-notes-to-text-for-business/
lang: de
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/blog/voice-notes-to-text-for-business/) (aktualisiert am 2026-11-16).

# Sprachnachrichten in Text für Firmen: WhatsApp und Telegram zu Tickets

Vom Team von BroadNet Inference · 4 Min. Lesezeit · Veröffentlicht 2026-11-14 · Aktualisiert 2026-11-16

Um Sprachnachrichten von Kunden in Tickets zu verwandeln, laden Sie jede Nachricht sofort beim Eintreffen des Webhooks über die WhatsApp Cloud API oder die Telegram Bot API herunter, wandeln sie in WAV um und transkribieren sie mit dem richtigen Sprachcode. Dann extrahiert ein LLM Anliegen, Dringlichkeit und Bestellnummern als JSON. Legen Sie das Ticket mit angehängtem Transkript an und antworten Sie per Text.

## Das Wichtigste in Kürze

-   Schnell herunterladen: Medien-URLs von WhatsApp laufen nach 5 Minuten ab, Medien-IDs aus Webhooks nach 7 Tagen.
-   Telegram-Bots können Dateien bis 20 MB herunterladen, über einen Link, der mindestens eine Stunde gültig ist.
-   Die Transkription ist der günstige Schritt: 10.000 arabische Sprachnachrichten à 30 Sekunden kosten $21.00.
-   Ein LLM macht aus einer weitschweifigen Nachricht Ticketfelder: Anliegen, Dringlichkeit, Bestellnummer, Sprache und eine einzeilige Zusammenfassung.
-   Bewahren Sie das Transkript auf, nicht das Audio, außer Sie haben einen Grund, Sprachaufnahmen zu speichern.

**Auf dieser Seite**

1.  Wie wird aus einer Sprachnachricht ein Support-Ticket?
2.  Schritte 1 und 2: Wie holen Sie das Audio aus WhatsApp?
3.  Wie holen Sie Sprachnachrichten aus einem Telegram-Bot?
4.  Schritt 5: Wie wird aus einem Transkript ein Ticket?
5.  Welche Sonderfälle sollten Sie früh behandeln?
6.  Was ein Team davon hat
7.  Was kostet die Transkription von Sprachnachrichten?
8.  Wie gehen Sie mit Datenschutz und Aufbewahrung um?
9.  Wo BroadNet Inference passt

_[image: An invoice, a phone showing an audio waveform and the Arabic word "مرحبا", with the text "Speech. Documents. Intelligence."]_

In weiten Teilen des Nahen Ostens tippen Kunden nicht. Sie schicken eine 40-sekündige Sprachnachricht auf Golf- oder ägyptischem Arabisch, oft mit einer mittendrin vorgelesenen Bestellnummer. Die Agenten hören zu, spulen zurück und tippen alles ins Helpdesk. Bei ein paar hundert pro Tag werden Sprachnachrichten zu Ihrem langsamsten Kanal.

Dieser Beitrag baut den geschäftlichen Ablauf rund um die Transkription auf: Nachrichten aus WhatsApp und Telegram holen, in strukturierte Tickets verwandeln und die Daten unter Kontrolle halten. Den Code für Umwandlung und Transkription selbst finden Sie in unserer Schritt-für-Schritt-Anleitung zum [Transkribieren von WhatsApp-Sprachnachrichten](https://broadrouter.com/de/guides/transcribe-whatsapp-voice-notes/). Wir wiederholen ihn hier nicht.

## Wie wird aus einer Sprachnachricht ein Support-Ticket?

1.  **Empfangen** Sie den Webhook von WhatsApp oder Telegram.
2.  **Laden** Sie das Audio sofort herunter.
3.  **Wandeln** Sie es in WAV mit 16 kHz mono um.
4.  **Transkribieren** Sie mit dem richtigen Sprachcode.
5.  **Extrahieren** Sie die Ticketfelder mit einem LLM.
6.  **Legen** Sie das Ticket mit Transkript an und antworten Sie per Text.
7.  **Löschen** Sie die Audiodatei.

## Schritte 1 und 2: Wie holen Sie das Audio aus WhatsApp?

Bei der WhatsApp Business Cloud API kommt eine eingehende Sprachnachricht als Webhook mit einer Medien-ID an, nicht als Datei. Die [Medien-Doku](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media) von Meta legt die Regeln fest:

-   Rufen Sie `GET /<MEDIA_ID>` an der Graph API auf, um eine `url` zu erhalten.
-   Laden Sie diese URL mit `Authorization: Bearer <token>` herunter. Ohne Token scheitert die Anfrage.
-   „Media URLs expire after 5 minutes.“ (Übersetzung: Medien-URLs laufen nach 5 Minuten ab.) Fordern Sie eine neue an, wenn Sie zu spät sind.
-   Medien-IDs aus eingehenden Webhooks sind **7 Tage** gültig.

```python
import os, requests

GRAPH = os.environ["GRAPH_BASE"]          # e.g. https://graph.facebook.com/<version>
HDR = {"Authorization": f"Bearer {os.environ['WA_TOKEN']}"}

def download_whatsapp(media_id, path):
    url = requests.get(f"{GRAPH}/{media_id}", headers=HDR, timeout=10).json()["url"]
    with open(path, "wb") as f:
        f.write(requests.get(url, headers=HDR, timeout=30).content)
```

Erledigen Sie das im Hintergrundjob des Webhook-Handlers, nicht später in einem Batch. Eine Queue, die einmal pro Stunde läuft, trifft auf abgelaufene URLs.

## Wie holen Sie Sprachnachrichten aus einem Telegram-Bot?

Ein Telegram-Bot erhält ein `voice`\-Objekt mit einer `file_id`. Laut der [Bot API](https://core.telegram.org/bots/api#getfile) „can download files of up to 20MB“ (Übersetzung: können Bots Dateien bis 20 MB herunterladen), über `https://api.telegram.org/file/bot<token>/<file_path>`, und der Link ist „valid for at least 1 hour“ (Übersetzung: mindestens 1 Stunde gültig).

```python
TG = f"https://api.telegram.org/bot{os.environ['TG_TOKEN']}"

def download_telegram(file_id, path):
    file_path = requests.get(f"{TG}/getFile", params={"file_id": file_id}, timeout=10).json()["result"]["file_path"]
    with open(path, "wb") as f:
        f.write(requests.get(f"https://api.telegram.org/file/bot{os.environ['TG_TOKEN']}/{file_path}", timeout=30).content)
```

Beide Plattformen liefern Sprachnachrichten in der Praxis als Ogg/Opus. Der Transkriptions-Endpoint nimmt WAV oder MP3 an; wandeln Sie also mit dem einzeiligen ffmpeg-Befehl aus dem [WhatsApp-Leitfaden](https://broadrouter.com/de/guides/transcribe-whatsapp-voice-notes/) um und transkribieren Sie dann mit `language="ar"` (oder der Sprache des Kunden).

## Schritt 5: Wie wird aus einem Transkript ein Ticket?

Ein rohes Transkript ist immer noch schwer zu triagieren. Ein LLM kann die Felder herausziehen, die Ihr Helpdesk braucht:

```python
import json
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

FIELDS = ("Return JSON with: intent (refund|delivery|billing|technical|other), urgency (low|normal|high), "
          "order_number (string or null), language, summary_en (one sentence), needs_human (true/false).")

def to_ticket(transcript):
    reply = client.chat.completions.create(
        model="broadnet/qwen3.8-27b",
        response_format={"type": "json_object"},
        messages=[{"role": "system", "content": "You triage customer support voice notes. " + FIELDS},
                  {"role": "user", "content": transcript}],
    ).choices[0].message.content
    return json.loads(reply)
```

[Qwen3.8 27B](https://broadrouter.com/de/models/qwen3.8-27b/) ist das Modell, das BroadNet für Arabisch getestet hat, einschließlich Golf- und ägyptischer Dialekte. Validieren Sie das JSON, bevor Sie es ins Helpdesk schreiben, und fallen Sie auf `needs_human: true` zurück, wenn das Parsen scheitert; der [Beitrag zu Structured Output](https://broadrouter.com/de/blog/structured-output-json-schema/) enthält eine Schleife zum Validieren und Reparieren. Erwähnt eine Nachricht Karten- oder Ausweisnummern, schwärzen Sie sie vor diesem Schritt; siehe [sensible Daten an eine LLM API senden](https://broadrouter.com/de/blog/llm-api-sensitive-data/).

## Welche Sonderfälle sollten Sie früh behandeln?

Echte Posteingänge sind chaotischer als eine Demo. Planen Sie ab der ersten Woche für diese Fälle:

-   **Mehrere Nachrichten hintereinander.** Kunden schicken oft drei kurze Nachrichten statt einer langen. Fassen Sie Nachrichten desselben Absenders innerhalb weniger Minuten zu einem Ticket zusammen und transkribieren Sie sie in der richtigen Reihenfolge.
-   **Sehr kurze Nachrichten.** Nachrichten wie „Okay“ oder „Danke“ brauchen kein Ticket. Überspringen Sie die Extraktion, wenn das Transkript nur wenige Wörter hat.
-   **Weitergeleitete Nachrichten.** In einer weitergeleiteten Sprachnachricht spricht womöglich jemand anderes. Behandeln Sie sie als Anhang, nicht als Worte des Kunden selbst.
-   **Gemischte Sprache.** Kunden aus der Golfregion mischen englische Produktnamen ein. Bedient Ihre Queue mehrere Sprachen, speichern Sie zu jedem Transkript die gesendete Sprache, damit die Agenten wissen, was sie erwartet.
-   **Große Dateien.** Die Medien-Doku von Meta nennt ein Audiolimit von 16 MB, und Telegram-Bots können bis 20 MB herunterladen; beides liegt unter dem Transkriptionslimit von 25 MiB, lange Aufnahmen dauern aber trotzdem länger. Verarbeiten Sie sie im Hintergrund.

## Was ein Team davon hat

| Vorher | Nachher |
| --- | --- |
| Der Agent hört jede Nachricht an, oft zweimal | Der Agent liest ein Transkript und eine einzeilige Zusammenfassung |
| Nachrichten sind nicht durchsuchbar | Transkripte sind nach Bestellnummer oder Stichwort durchsuchbar |
| Triage durch den, der gerade frei ist | Routing nach Anliegen und Dringlichkeit |
| Arabische Nachrichten warten auf jemanden, der Arabisch spricht | Mit der englischen Zusammenfassung kann jeder Agent einfache Fälle übernehmen |

## Was kostet die Transkription von Sprachnachrichten?

Die Transkription ist der günstige Teil der Pipeline. Bei $0.0042 pro Minute kosten 10.000 arabische Sprachnachrichten à 30 Sekunden $21.00. Das Modell für 14 Sprachen kostet $0.002 pro Minute. Der LLM-Schritt wird pro Token abgerechnet; ein kurzes Transkript plus Anweisung umfasst typischerweise einige hundert Tokens. Geben Sie Ihre eigenen Volumen in den [Speech-to-Text-Kostenrechner](https://broadrouter.com/tools/speech-to-text-cost-calculator/) ein oder vergleichen Sie andere Anbieter im [Preisvergleich für Speech-to-Text](https://broadrouter.com/de/blog/speech-to-text-api-pricing-compared/).

## Wie gehen Sie mit Datenschutz und Aufbewahrung um?

Sprachnachrichten sind personenbezogene Daten und enthalten oft mehr, als der Kunde teilen wollte. Drei Gewohnheiten helfen:

-   **Löschen Sie das Audio nach der Transkription**, außer eine Richtlinie verlangt die Aufbewahrung.
-   **Speichern Sie Transkripte beim Ticket**, unter den Zugriffskontrollen des Helpdesks, nicht in App-Logs.
-   **Nutzen Sie einen Anbieter, der kein Audio aufbewahrt.** BroadNet bewahrt nach der Anfrage weder Audio noch Transkripte auf; siehe [Zero Data Retention](https://broadrouter.com/de/privacy/).

Antworten Sie in schlichtem Text, und halten Sie erste Antworten an neue Kontakte kurz und ohne Links. Messaging-Plattformen achten bei Unternehmensnummern auf spamartige Muster.

## Wo BroadNet Inference passt

BroadNet deckt die Schritte Transkription und Extraktion mit einem OpenAI-kompatiblen Schlüssel ab: [BroadNet Transcribe Arabic](https://broadrouter.com/de/models/cohere-transcribe-arabic/) für arabische Nachrichten, BroadNet Transcribe für Arabisch und 13 weitere Sprachen und auf Arabisch getestete Chat-Modelle für die Ticketfelder. BroadNet gibt für sein arabisches Modell auf dem Open Universal Arabic ASR Leaderboard folgende Platzierung an: #2 von 37 (Angabe für September 2026; die Live-Rangliste führte das Modell am 15. November 2026 auf #4 von 39). Das Startguthaben von $5 deckt etwa 1,190 Minuten arabisches Audio ab.

BroadNet verbindet sich nicht für Sie mit WhatsApp, Telegram oder Ihrem Helpdesk; Webhook-Verarbeitung und Ticketerstellung sind Ihr Code oder Ihr Automatisierungstool. Anrufe sind ein anders gelagertes Problem, mit zwei Sprechern und langen Aufnahmen: siehe [Callcenter-Aufnahmen transkribieren](https://broadrouter.com/de/blog/transcribe-call-center-recordings/).

Kostenlose Tools zum Thema (auf Englisch)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Kostenlose Tools (auf Englisch)](https://broadrouter.com/tools/)

## Begriffe in diesem Artikel

[Speech-to-Text (Spracherkennung)](https://broadrouter.com/de/glossary/speech-to-text/)

Speech-to-Text, auch automatische Spracherkennung (ASR), ist eine Technik, die gesprochenes Audio in geschriebenen Text umwandelt. Eine Speech-to-Text API nimmt eine Audiodatei oder einen Stream entgegen und liefert ein Transkript, meist abgerechnet pro Audiominute. Die Genauigkeit wird mit der Wortfehlerrate gemessen und hängt von Akzent, Dialekt und Aufnahmequalität ab.

[Token](https://broadrouter.com/de/glossary/token/)

Ein Token ist die Texteinheit, die ein Sprachmodell liest und schreibt: ein Wort, ein Wortteil, ein Satzzeichen oder eine Bytefolge, die der Tokenizer des Modells erzeugt. LLM-APIs zählen, begrenzen und berechnen die Nutzung meist in Tokens.

[Ogg Opus](https://broadrouter.com/de/glossary/ogg-opus/)

Ogg Opus ist Audio, das mit dem Opus-Codec (RFC 6716) codiert und in einem Ogg-Container (RFC 7845) gespeichert ist. Es ist für Sprache und interaktives Audio bei niedrigen Bitraten gebaut und das Format, das WhatsApp für Sprachnachrichten nutzt, meist als .ogg- oder .opus-Datei.

[Strukturierte Ausgabe (Structured Output)](https://broadrouter.com/de/glossary/structured-output/)

Strukturierte Ausgabe (Structured Output) ist eine Funktion von LLM-APIs, die die Antwort eines Modells auf ein vom Entwickler vorgegebenes Format beschränkt, meist ein JSON Schema, damit Code sie zuverlässig parsen kann. Sie ist strenger als der JSON-Modus, der gültiges JSON garantiert, aber keine bestimmte Struktur.

[Tool Calling (Function Calling)](https://broadrouter.com/de/glossary/tool-calling/)

Tool Calling, auch Function Calling genannt, ist eine Funktion von LLM-APIs, bei der das Modell eine strukturierte Anfrage zurückgibt, eine vom Entwickler definierte Funktion mit JSON-Argumenten auszuführen. Die Anwendung führt die Funktion aus und sendet das Ergebnis zurück; das Modell selbst führt nie Code aus.

[WAV](https://broadrouter.com/de/glossary/wav/)

WAV (Waveform Audio File Format, auch WAVE) ist ein Audiocontainer auf Basis des RIFF-Formats von Microsoft und IBM. Er enthält meist unkomprimierte lineare PCM-Samples, daher ist seine Größe vorhersehbar: Abtastrate mal Bytes pro Sample mal Kanäle, pro Sekunde.

[Zero Data Retention (ZDR)](https://broadrouter.com/de/glossary/zero-data-retention/)

Zero Data Retention (ZDR) ist eine Datenrichtlinie, bei der ein KI-Anbieter Prompts und Outputs nur zur Bearbeitung einer Anfrage verarbeitet und diese Inhalte danach nicht speichert, weder in Logs noch in Caches oder Trainingsdaten. Inhaltsfreie Daten wie Token-Zahlen und Zeiten werden meist weiterhin aufbewahrt.

[PII (personenbezogene Daten)](https://broadrouter.com/de/glossary/pii/)

PII (personally identifiable information) sind Informationen, mit denen sich die Identität einer Person unterscheiden oder zurückverfolgen lässt, etwa Name, Ausweisnummer oder biometrische Daten, plus weitere Informationen, die mit dieser Person verknüpft oder verknüpfbar sind. Der weitere Begriff der DSGVO lautet personenbezogene Daten. Bei LLMs entfernt PII-Schwärzung sie aus Prompts, bevor diese Ihre Systeme verlassen.

## Häufige Fragen

### Kann ich WhatsApp-Sprachnachrichten automatisch transkribieren?

Ja. Mit der WhatsApp Business Cloud API kommt jede Sprachnachricht als Webhook mit einer Medien-ID an. Ihr Server holt die Medien-URL, lädt die Datei mit Ihrem Access Token herunter, wandelt sie um und sendet sie an eine Transkriptions-API.

### Wie wandle ich Telegram-Sprachnachrichten in Text um?

Ihr Bot erhält ein voice-Objekt mit einer file\_id. Rufen Sie getFile auf, laden Sie die Datei vom zurückgegebenen Pfad herunter, wandeln Sie sie mit ffmpeg in WAV um und transkribieren Sie sie. Bots können Dateien bis 20 MB herunterladen.

### Was kostet es, Sprachnachrichten von Kunden zu transkribieren?

Mit BroadNet Transcribe Arabic zu $0.0042 pro Minute kosten 10.000 Nachrichten à 30 Sekunden $21.00. Das Modell für 14 Sprachen kostet $0.002 pro Minute.

### Sollte ich auf eine Sprachnachricht mit einer Sprachnachricht antworten?

Im Support funktioniert meist eine kurze Textantwort besser: Der Kunde kann sie überall lesen, und sie ist auf beiden Seiten durchsuchbar. Halten Sie die erste Antwort schlicht und kurz.

### Muss ich das Original-Audio speichern?

Oft nicht. Für die meisten Support-Abläufe reicht das Transkript. Wenn Sie Audio aus Qualitäts- oder rechtlichen Gründen aufbewahren, legen Sie eine Aufbewahrungsfrist fest und beschränken Sie den Zugriff, denn Stimme ist ein personenbezogenes Datum.

## Weiterlesen

-   [Arabische Besprechungsprotokolle aus Aufnahmen: eine API-Pipeline](https://broadrouter.com/de/blog/arabic-meeting-minutes-from-recordings/)
-   [Speech-to-Text-API für Arabisch: So wählen Sie 2026 die richtige](https://broadrouter.com/de/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Callcenter-Aufzeichnungen transkribieren: Pipeline, auch für Arabisch](https://broadrouter.com/de/blog/transcribe-call-center-recordings/)
-   [Speech-to-Text-API-Preise im Vergleich: Preis pro Minute 2026](https://broadrouter.com/de/blog/speech-to-text-api-pricing-compared/)
-   [Sensible Daten an LLM-APIs: schwärzen, minimieren, weniger loggen](https://broadrouter.com/de/blog/llm-api-sensitive-data/)
-   [Audio im Browser aufnehmen und an eine Speech-to-Text API senden](https://broadrouter.com/de/blog/record-browser-audio-transcription-api/)
-   [Arabischen Text per LLM vokalisieren: Prompt, Prüfung, DER](https://broadrouter.com/de/blog/arabic-diacritization-llm/)
-   [Arabische Grammatik- und Rechtschreibkorrektur per LLM: Anleitung](https://broadrouter.com/de/blog/arabic-grammar-spelling-correction-llm/)
-   [Anleitung: WhatsApp-Sprachnachrichten per API in Text umwandeln](https://broadrouter.com/de/guides/transcribe-whatsapp-voice-notes/)
-   [Anleitung: Speech-to-Text API für Arabisch: Schritt für Schritt](https://broadrouter.com/de/guides/arabic-speech-to-text-api/)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-voice-notes-to-text-for-business&utm_content=page-cta) ·

**Quellen**

-   [Meta WhatsApp Cloud API, Medien (abrufen und herunterladen; abgerufen am 2026-11-14)](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media)
-   [Telegram Bot API, getFile und Voice (abgerufen am 2026-11-14)](https://core.telegram.org/bots/api#getfile)
-   [API-Referenz von BroadNet Inference, Transkription (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-voice-notes-to-text-for-business&utm_content=sources)
-   [Maschinenlesbare Preise von BroadNet Inference (pricing.json) (auf Englisch)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-voice-notes-to-text-for-business&utm_content=sources)
