---
title: "WhatsApp-Sprachnachrichten (.ogg) per API transkribieren"
description: "WhatsApp-Sprachnachrichten (.ogg) oder Handyaufnahmen (.m4a) mit ffmpeg in WAV umwandeln und per API-Aufruf auf Arabisch oder in 13 weiteren Sprachen transkribieren."
url: https://broadrouter.com/de/guides/transcribe-whatsapp-voice-notes/
lang: de
updated: 2026-11-16
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/guides/transcribe-whatsapp-voice-notes/) (aktualisiert am 2026-11-16).

# WhatsApp-Sprachnachrichten per API in Text umwandeln

Aktualisiert 2026-11-16

WhatsApp-Sprachnachrichten sind Opus-Audio in .ogg-Dateien, die der Transkriptions-Endpoint nicht direkt annimmt. Wandeln Sie jede Datei mit ffmpeg in 16-kHz-Mono-WAV um und senden Sie sie dann mit dem passenden language-Feld an BroadNet Transcribe Arabic oder BroadNet Transcribe. Ein kurzes Skript erledigt beides für einen ganzen Ordner.

Wenn Sie die Sprachnachrichten aus dem Chat exportieren (oder über Ihre WhatsApp-Business-Integration empfangen), erhalten Sie `.ogg`\-Dateien. Laut der Cloud-API-Dokumentation von Meta sind WhatsApp-Sprachnachrichten `.ogg`\-Dateien mit dem Opus-Codec. Aufnahmen vom Handy sind oft `.m4a`. Der Transkriptions-Endpoint von BroadNet nimmt WAV und MP3 an, deshalb wird zuerst umgewandelt.

## 1\. Eine Datei umwandeln

```bash
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
```

`-ar 16000 -ac 1` erzeugt 16-kHz-Mono-Audio; diese Umwandlung verwendet die BroadNet-Dokumentation für Sprachnachrichten und Telefonaufnahmen. Derselbe Befehl funktioniert für `.m4a`. 16-kHz-Mono-WAV mit 16 Bit hat 32.000 Bytes pro Sekunde, das Dateilimit von 26.214.400 Bytes reicht also für etwa 13 Minuten. Bei längeren Aufnahmen berechnet der [Audio-Splitter](https://broadrouter.com/tools/audio-splitter-ffmpeg/), wie viele Teile Sie brauchen, und schreibt die ffmpeg-Befehle.

## 2\. Einen ganzen Ordner transkribieren

```python
import os, pathlib, subprocess
from openai import OpenAI

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

for src in sorted(pathlib.Path("voice-notes").glob("*.ogg")):
    wav = src.with_suffix(".wav")
    subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", str(src), "-ar", "16000", "-ac", "1", str(wav)], check=True)
    with open(wav, "rb") as audio:
        text = client.audio.transcriptions.create(
            model="broadnet/cohere-transcribe-arabic",
            file=audio,
            language="ar",          # use "en", "es", ... with broadnet/cohere-transcribe
        ).text
    src.with_suffix(".txt").write_text(text, encoding="utf-8")
    print(src.name, "->", text[:60])
```

Jede `.txt`\-Datei landet neben ihrer Sprachnachricht. Wenn dieselben Schritte automatisch für jede eingehende WhatsApp-Business-Nachricht laufen sollen, lesen Sie den [n8n-Workflow für WhatsApp-Sprachnachrichten](https://broadrouter.com/de/guides/n8n-whatsapp-voice-note-transcription/).

## Kosten

Eine einminütige Sprachnachricht kostet auf Arabisch $0.0042 oder mit dem 14-Sprachen-Modell $0.002. Audio und Transkripte werden nach der Anfrage nicht aufbewahrt; siehe [Zero Data Retention](https://broadrouter.com/de/privacy/).

## Fehlerbehebung

-   **Lateinische statt arabischer Buchstaben:** Ergänzen Sie `language="ar"`. Laut BroadNet-Dokumentation sollten Sie `language` immer mitsenden.
    
-   **Fehler 413:** Die Datei ist größer als 26.214.400 Bytes (25 MiB). Teilen Sie lange Aufnahmen in WAV-Stücke von 10 Minuten:
    
    ```bash
    ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav
    ```
    
-   **400 oder 422 beim Upload:** Prüfen Sie, ob die Datei wirklich WAV oder MP3 ist und nicht eine in `.wav` umbenannte `.ogg`\-Datei. Führen Sie die ffmpeg-Umwandlung aus.
    
-   **`ffmpeg: command not found`:** Installieren Sie ffmpeg über Ihren Paketmanager (zum Beispiel `apt install ffmpeg` oder `brew install ffmpeg`).
    
-   **Fehler 429:** Pay-as-you-go-Schlüssel erlauben 4 gleichzeitige Anfragen; verarbeiten Sie die Dateien in einem kleinen Pool. Siehe [alle Fehlercodes von BroadNet](https://broadrouter.com/de/guides/errors-and-retries/).
    

Mehr zu Modell, Formaten und Genauigkeit: [die Anleitung zu arabischem Speech-to-Text](https://broadrouter.com/de/guides/arabic-speech-to-text-api/). Was andere Anbieter pro Audiominute verlangen, zeigt der offene [Preisindex für Speech-to-Text-APIs](https://broadrouter.com/data/speech-to-text-api-prices/), mit Quelle und Datum für jeden Preis. Warum 16 kHz für Sprache genügt, erklärt der Eintrag zur [Abtastrate](https://broadrouter.com/de/glossary/sample-rate/).

## Begriffe in dieser Anleitung

[Concurrency (Parallelität)](https://broadrouter.com/de/glossary/concurrency/)

Concurrency (Parallelität) ist die Zahl der Anfragen, die ein Client gleichzeitig offen hat. LLM-APIs begrenzen sie oft pro Schlüssel oder Plan, getrennt von den Anfragen pro Minute, weil jede offene Anfrage GPU-Kapazität belegt, bis ihre Antwort fertig ist.

[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.

[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.

[Abtastrate (Sample Rate)](https://broadrouter.com/de/glossary/sample-rate/)

Die Abtastrate (Sample Rate) ist die Zahl der Audio-Samples, die pro Sekunde erfasst werden, gemessen in Hertz (Hz). Spracherkennungsmodelle erwarten meist 16.000 Hz (16 kHz) mono. Zusammen mit Bittiefe und Kanalzahl bestimmt die Abtastrate, wie groß eine unkomprimierte Audiodatei pro Minute ist.

[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.

[Pay-as-you-go](https://broadrouter.com/de/glossary/pay-as-you-go/)

Pay-as-you-go ist ein Preismodell, bei dem Sie nur für tatsächliche Nutzung zahlen, gemessen pro Einheit wie Tokens, Anfragen oder Audiominuten, ohne Abonnement oder Mindestabnahme. Die meisten LLM-APIs rechnen so ab, aus einem vorausbezahlten Guthaben oder per regelmäßiger Rechnung.

## Häufige Fragen

### Welches Audioformat haben WhatsApp-Sprachnachrichten?

Opus-Audio in einem Ogg-Container, gespeichert als .ogg. Laut der Cloud-API-Dokumentation von Meta müssen Sprachnachrichten .ogg-Dateien mit dem Opus-Codec sein, nur Mono.

### Kann ich die .ogg-Datei direkt an die Transkriptions-API schicken?

Bei BroadNet Inference nicht. Der Transkriptions-Endpoint nimmt WAV und MP3 an, wandeln Sie die Sprachnachricht also zuerst mit ffmpeg um. Ein einziger Befehl macht daraus 16-kHz-Mono-WAV.

### Werden die Sprachnachrichten nach der Transkription gespeichert?

Laut BroadNet werden Audio und Transkripte nur für die Anfrage verarbeitet und nicht aufbewahrt. Gespeichert werden nur inhaltsfreie Daten wie Zeiten, Status und Nutzung für Abrechnung und Sicherheit.

### Welches Modell eignet sich für arabische Sprachnachrichten?

BroadNet Transcribe Arabic, broadnet/cohere-transcribe-arabic, mit language auf ar. Für die 13 anderen unterstützten Sprachen nutzen Sie BroadNet Transcribe, broadnet/cohere-transcribe.

## Verwandte Anleitungen

-   [WhatsApp-Sprachnachrichten in n8n transkribieren](https://broadrouter.com/de/guides/n8n-whatsapp-voice-note-transcription/)
-   [Speech-to-Text API für Arabisch: Schritt für Schritt](https://broadrouter.com/de/guides/arabic-speech-to-text-api/)
-   [Fehlercodes von BroadNet Inference: Wann ist ein Retry sinnvoll?](https://broadrouter.com/de/guides/errors-and-retries/)

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-guides-transcribe-whatsapp-voice-notes&utm_content=page-cta) ·

**Quellen**

-   [API-Referenz von BroadNet Inference, Transkription und ffmpeg-Umwandlung (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-guides-transcribe-whatsapp-voice-notes&utm_content=sources#requests)
-   [Preise von BroadNet Inference (auf Englisch)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-guides-transcribe-whatsapp-voice-notes&utm_content=sources)
-   [Meta WhatsApp Cloud API, Audionachrichten (Sprachnachrichten sind OGG mit dem Opus-Codec; geprüft am 2026-11-14)](https://developers.facebook.com/documentation/business-messaging/whatsapp/messages/audio-messages)
-   [FFmpeg-Dokumentation zu Formaten, Segment-Muxer (geprüft am 2026-11-14)](https://ffmpeg.org/ffmpeg-formats.html#segment)
