Kunden schicken WhatsApp-Sprachnachrichten: So antwortest du, ohne jede anzuhören
Sprachnachrichten sind für deine Kunden schneller und für dich langsamer. Wie du sie liest statt anhörst, was KI allein beantworten kann, wo Transkripte danebenliegen und welcher Satz in deine Datenschutzerklärung gehört.

Inhalt
- Warum Sprachnachrichten ein kleines Team ausbremsen
- Was du heute ohne neue Software tun kannst
- Überflieg das Transkript, statt zuzuhören
- Wo Transkripte danebenliegen
- Das Setup: Jede Sprachnachricht kommt als Text an
- Was es kostet
- Der Satz für deine Datenschutzerklärung
- Fang damit an, die Sprachnachrichten der letzten Woche zu zählen
Schon wieder eine Sprachnachricht, und du hast die Hände voll. Sie wartet mit den anderen bis zum Abend. Dann hört jemand alle ab, schreibt Adressen mit und ruft Leute zurück, die sich 8 Stunden vorher gemeldet haben.
Du kannst sie stattdessen lesen. Hier findest du kostenlose Kniffe fürs Handy, ein Setup, bei dem jede Sprachnachricht als Text ankommt, die typischen Fehler von Transkripten, die Kosten und den Satz, der in deine Datenschutzerklärung gehört.
Warum Sprachnachrichten ein kleines Team ausbremsen
Für den Kunden war Sprechen schneller als Tippen. Für dich bleibt die Nachricht verschlossen, bis du eine ruhige Minute und ein freies Ohr hast. Das passiert den ganzen Tag:
- Um 10:12 Uhr bekommt ein Dachdecker oben auf dem Dach eine Sprachnachricht von 2 Minuten 40 Sekunden wegen einer undichten Stelle.
- Um 14:30 Uhr wirkt bei einer Friseurin gerade die Farbe auf dem Kopf einer Kundin ein, und in WhatsApp warten 3 Sprachnachrichten, alle von derselben Person.
- Um 19:45 Uhr steht ein Restaurantbesitzer am Pass, als jemand per Sprachnachricht fragt, ob am Samstag eine Gruppe von 9 Personen mit Hund auf die Terrasse passt.
Zuhören kostet mehr als die Minuten
Drei geschriebene Zeilen liest du in Sekunden. Eine Sprachnachricht von 3 Minuten dauert 3 Minuten, mit doppelter Geschwindigkeit 90 Sekunden, und du brauchst dafür Ruhe und eine freie Hand.
Dazu kommen weitere Kosten:
- Das Wichtige ist gut versteckt. Die Adresse kommt nach der Geschichte über den Nachbarn, und die Tage, die dem Kunden passen, ganz am Ende.
- Nur wer zugehört hat, weiß, was gesagt wurde. Übernimmt jemand aus dem Team, hört er sich alles noch mal an.
- Audio lässt sich nicht durchsuchen. Drei Wochen später findet niemand mehr den Kunden, der den Eingang hinten am Haus erwähnt hat.
- Selbst die einfachen Antworten warten. "Ja, wir haben am Samstag geöffnet" geht erst abends raus, weil niemand wusste, dass genau das die Frage war.
Abgewöhnen wirst du es deinen Kunden nicht
WhatsApp hat 2022 gesagt, dass seine Nutzer im Schnitt 7 Milliarden Sprachnachrichten am Tag verschicken (WhatsApp-Blog).
Vielen sind sie zu lang. In einer YouGov-Umfrage unter britischen Smartphone-Nutzern aus dem Jahr 2022 sagten 65 % derer, die eine Meinung dazu hatten, dass schon eine Sprachnachricht von 1 Minute zu lang ist.
Sie kommen trotzdem, also liegt die Lösung bei dir: Lies sie.
Was du heute ohne neue Software tun kannst
Bekommst du ein paar Sprachnachrichten am Tag und antwortest allein, reichen vielleicht schon die Werkzeuge auf deinem Handy.
Lass WhatsApp auf deinem Handy transkribieren
Seit November 2024 kann WhatsApp eine Sprachnachricht in Text umwandeln. Das geht Nachricht für Nachricht, auf dem Handy in deiner Hand:
- Schalte die Funktion unter Einstellungen > Chats > Transkripte von Sprachnachrichten ein.
- Halte eine Sprachnachricht gedrückt.
- Tippe auf Transkribieren.
Laut WhatsApp entsteht das Transkript auf deinem Gerät, sodass nicht einmal WhatsApp es lesen kann. Die Funktion ist mit einigen ausgewählten Sprachen gestartet (WhatsApp-Blog).
Telegram hat einen ähnlichen Button für Premium-Nutzer. Ohne Premium bekommst du pro Woche eine begrenzte Zahl an Probe-Transkriptionen (API-Doku von Telegram).
Hör sie mit 1,5- oder 2-facher Geschwindigkeit
WhatsApp spielt Sprachnachrichten in beiden Geschwindigkeiten ab, auch weitergeleitete (WhatsApp-Blog).
Bitte einmal um die Fakten als Text
Verschickt dein WhatsApp eine automatische Begrüßungs- oder Abwesenheitsnachricht, ergänz eine Zeile: "Sprachnachrichten sind willkommen. Bitte schicken Sie uns Ihre Adresse und die Tage, die Ihnen passen, zusätzlich als Text."
Deine Kunden sprechen weiter, und den Teil, den du brauchst, bekommst du als Text.
Schreib auf, was du gehört hast
Antworte nach dem Anhören mit den Fakten, damit der Kunde sie bestätigen kann: "Also: Lindenstraße 27, Wasser unter der Küchenspüle, Dienstag oder Donnerstag ab 15 Uhr?"
Fehler werden korrigiert, bevor du losfährst, und niemand muss zweimal zuhören.
Wo das Handy nicht mehr reicht
Das klappt nicht mehr, sobald sich mehrere Leute eine Nummer teilen (siehe WhatsApp Business mit mehreren Mitarbeitern nutzen) oder Sprachnachrichten schneller kommen, als jemand sie abhören kann.
Überflieg das Transkript, statt zuzuhören
Ist eine Sprachnachricht erst einmal Text, springst du direkt zu den wichtigen Stellen, statt das Audio von vorn abzuspielen. Ein ausgedachtes Beispiel aus dem Posteingang eines Installateurs:
"Hallo, ja, hallo, hier ist Maria Keller, wir hatten letztes Jahr wegen dem Bad gesprochen, jedenfalls, jetzt ist es die Küche, unter der Spüle, da steht jeden Morgen Wasser im Schrank, nicht viel, mein Mann hat eine Schüssel hingestellt, und ich weiß nicht, ob es das Rohr ist oder der Wasserhahn.
"Wir wohnen in der Lindenstraße 27, das gelbe Haus, der Eingang ist hinten. Wir sind meistens auf der Arbeit, aber Dienstag oder Donnerstag ab 15 Uhr würde gehen, oder vielleicht Samstagvormittag. Danke, tschüss."
Das liest du im Stehen am Transporter und ziehst raus, worauf es ankommt:
- kleines Leck unter der Küchenspüle
- Lindenstraße 27, Eingang hinten
- Dienstag oder Donnerstag ab 15 Uhr oder Samstagvormittag
Wo Transkripte danebenliegen
Spracherkennung tut sich am schwersten mit genau den Details, die ein kleiner Betrieb braucht:
- Nachnamen und Straßennamen
- Hausnummern und Telefonnummern ("fünfzehn" und "fünfzig" klingen ähnlich)
- Dialekt
- Lärm auf einer Baustelle oder in einer Küche
Behandle jeden Namen und jede Zahl in einem Transkript als unbestätigt, bis der Kunde sie getippt oder schriftlich bestätigt hat.
Bevor du dich darauf verlässt, schick von deinem privaten Handy eine Sprachnachricht in der Sprache deiner Kunden, mit etwas Lärm im Hintergrund, und lies, was ankommt.
Das Setup: Jede Sprachnachricht kommt als Text an
In Deskwoot, unserer Software für den Kundenservice, werden Sprachnachrichten und Audiodateien auf WhatsApp und Telegram schon beim Eingang zu Text, bei Nachrichten bis 10 Minuten. Niemand muss das Audio abspielen, um zu erfahren, was der Kunde will.
Transkripte sind standardmäßig an. Du schaltest sie unter Einstellungen > Konto > Sprachnachrichten transkribieren aus.
Das gilt für WhatsApp-Nummern, die über die WhatsApp Business Platform von Meta oder über Twilio verbunden sind, und für deinen Telegram-Bot (Anleitungen für WhatsApp und Telegram). Audio auf LINE und per SMS bleibt Audio.
Was dein Team sieht
- Im Web-Dashboard steht das Transkript unter dem Audioplayer, gekennzeichnet mit "Transkript (automatisch)". Lange Transkripte sind eingeklappt, und "Ganzes Transkript anzeigen" klappt sie auf.
- Die Konversationsliste zeigt die ersten Wörter des Transkripts statt nur "Sprachnachricht". Die Push-Nachricht auf deinem Handy ebenso, außer du hast eingestellt, dass Pushes den Inhalt der Nachricht weglassen. Das ganze Transkript siehst du im Web-Dashboard.
- Gibt es keinen Text, sagt eine graue Zeile, warum: Die Nachricht war zu lang, das Audioformat lässt sich nicht lesen, die KI-Konversationen des Monats sind aufgebraucht, oder die Transkription ist fehlgeschlagen. Das Audio bleibt in der Konversation.
Fynn beantwortet die Routinefragen
In den bezahlten Plänen liest Fynn, der KI-Agent von Deskwoot, das Transkript wie eine getippte Nachricht. Er antwortet anhand deiner Website, deines Hilfecenters, deiner Dokumente und deiner FAQ-Listen (wie Fynn mit Sprachnachrichten umgeht).
Angenommen, eine Kundin fragt deinen Salon per Sprachnachricht, ob ihr am Samstag geöffnet habt, was Schnitt und Farbe ungefähr kosten und wo man parken kann. Fynn antwortet ihr mit deinen Öffnungszeiten, dem Preis aus deiner Preisliste und dem Parktipp.
Deckt deine Preisliste die Frage nicht ab, sagt Fynn das, statt zu raten, und bietet einen Menschen an. In seinen Anweisungen ist ein Transkript als gesprochene Sprache markiert, die eine Software in Text umgewandelt hat. Deshalb fragt er nach, statt einen Namen oder eine Nummer zu raten, die falsch verstanden sein könnte.
Hat eine Sprachnachricht kein Transkript, bittet Fynn den Kunden in einem Satz, sein Anliegen kurz zu schreiben. Hat er das schon einmal getan, übergibt er die Konversation an dein Team.
Im kostenlosen Hacker-Plan (1 Agent) ist Fynn nicht dabei. Dort helfen dir die Transkripte beim Lesen, und antworten musst du selbst.
Wenn ein Mensch übernimmt
Fynn übergibt auch, wenn der Kunde nach einem Menschen fragt, wenn deine Inhalte keine Antwort mehr hergeben oder wenn nur jemand aus deinem Team helfen kann.
Er hinterlässt deinem Team eine private Notiz mit dem Anliegen in einem Satz, der Stimmung des Kunden und einem Vorschlag für den nächsten Schritt. Die Deskwoot-App für iPhone und Android sagt dir, dass die Konversation jetzt bei dir liegt.
An einem vollen Tag lässt du dir von Copilot in der Konversation eine lange Sprachnachricht zusammenfassen. Copilot liest das Transkript ebenfalls und funktioniert im Web und in der App (Copilot in Konversationen).
Was es kostet
Transkripte funktionieren in jedem Deskwoot-Plan, auch im kostenlosen Hacker-Plan. Sie laufen über denselben Zähler wie Fynn und Copilot: Eine Konversation mit einer transkribierten Sprachnachricht zählt pro Zeitfenster einmal als KI-Konversation (ein Chat zählt erst nach 12 Stunden ohne Nachricht erneut).
Fünf Sprachnachrichten in einer Konversation zählen einmal. Eine Konversation, an der Fynn oder Copilot im selben Zeitfenster schon gearbeitet haben, kostet nichts extra (wie KI-Konversationen gezählt werden).
| Plan | Pro Agent und Monat (bei jährlicher Abrechnung in Klammern) | Inklusive KI-Konversationen pro Monat | Jede weitere |
|---|---|---|---|
| Hacker | 0 $ | 10 | Nicht möglich, Upgrade nötig |
| Startup | 4 $ (3,20 $) | 50 | 0,07 $ |
| Business | 8 $ (6,40 $) | 100 | 0,05 $ |
| Enterprise | 12 $ (9,60 $) | 300 | 0,03 $ |
Die inklusiven KI-Konversationen gelten für den ganzen Workspace. Weitere zahlst du aus einem Prepaid-Guthaben für KI.
Sind die inklusiven aufgebraucht und reicht das Guthaben für keine weitere, kommen Sprachnachrichten in Konversationen, die in ihrem aktuellen Zeitfenster noch nicht gezählt wurden, als Audio an, mit einer Zeile, die genau das sagt.
Ein Beispiel
Ein Salon mit 2 Personen auf Startup zahlt bei jährlicher Abrechnung 6,40 $ im Monat.
Bekommen in einem Monat 80 Konversationen ein Transkript, eine Antwort von Fynn oder Hilfe von Copilot, sind 50 davon inklusive. Die anderen 30 kosten 30 × 0,07 $ = 2,10 $.
Der Satz für deine Datenschutzerklärung
Wandelt ein Dienstleister Sprachaufnahmen deiner Kunden in Text um, erhält er personenbezogene Daten. In der EU und im EWR gilt er nach der DSGVO als Empfänger (Art. 4 Nr. 9).
Daraus folgen mehrere Regeln:
- Deine Datenschutzerklärung muss "die Empfänger oder Kategorien von Empfängern der personenbezogenen Daten" nennen (Art. 13 Abs. 1 lit. e).
- Gehen Daten in ein Land außerhalb der EU und des EWR, sagt die Datenschutzerklärung das und nennt den Angemessenheitsbeschluss oder die anderen Garantien, auf die sie sich stützt (Art. 13 Abs. 1 lit. f).
- Ein Auftragsverarbeiter braucht einen Vertrag mit dir (Art. 28 Abs. 3). Ein Unterauftragnehmer, den er hinzuzieht, ist durch einen Vertrag mit diesem Auftragsverarbeiter gebunden (Art. 28 Abs. 4).
- Die Verarbeitung braucht eine Rechtsgrundlage (Art. 6), etwa vorvertragliche Maßnahmen auf Anfrage des Kunden (Art. 6 Abs. 1 lit. b) oder deine berechtigten Interessen (Art. 6 Abs. 1 lit. f). Welche davon passt, klärst du mit deinem Datenschutzberater.
Ein Satz zum Anpassen
Sprachnachrichten: Wenn Sie uns auf WhatsApp oder Telegram eine Sprachnachricht schicken, wird sie automatisch in Text umgewandelt, damit wir sie schneller lesen und beantworten können.
Dafür nutzen wir unsere Software für den Kundenservice [Name] (Auftragsverarbeiter nach Art. 28 DSGVO) und deren Unterauftragnehmer [Transkriptionsanbieter und sein Land], der die Aufnahmen auf Servern in [Region] verarbeitet. Aufnahme und Text werden mit Ihrer Konversation gespeichert.
[Ergänze deine Rechtsgrundlage, wie lange du Konversationen aufbewahrst, und die Garantien für Übermittlungen, die dein Berater verlangt.]
Wenn du Deskwoot nutzt
Deskwoot ist dein Auftragsverarbeiter und AssemblyAI, Inc. sein Unterauftragnehmer für die Transkription. Laut dem AVV von Deskwoot (Anlage B) ist AssemblyAI ein US-Unternehmen, das die Aufnahmen auf Servern in der EU verarbeitet.
Das geschieht auf Grundlage des EU-U.S. Data Privacy Framework oder sonst von Standardvertragsklauseln. Dateien, die auf seinen EU-Servern verarbeitet werden, nutzt AssemblyAI nicht zum Training seiner Modelle. Den AVV schließt du selbst im Dashboard ab (Anleitung).
Im Satz oben setzt du Deskwoot, AssemblyAI, Inc. (USA) und die EU ein.
Außerhalb der EU
In Brasilien gibt das Datenschutzgesetz LGPD den Menschen ein Recht auf klare Informationen über die gemeinsame Nutzung ihrer Daten durch den Verantwortlichen und deren Zweck (Art. 9, V LGPD). Derselbe Satz gehört also auch dort in deine Datenschutzerklärung.
Andere Länder haben eigene Regeln.
Dieser Abschnitt ist eine allgemeine Information, keine Rechtsberatung.
Fang damit an, die Sprachnachrichten der letzten Woche zu zählen
Scroll in deinem WhatsApp 7 Tage zurück. Zähl die Sprachnachrichten und wie lange jede gewartet hat, bis jemand sie angehört hat.
- Waren es 2, reichen die Transkriptionsfunktion auf deinem Handy und eine Zeile in deiner Abwesenheitsnachricht.
- Waren es 20 und haben die meisten bis zum Abend gewartet, lass sie als Text ankommen.
Teste es mit deiner eigenen Nummer
Registrier dich, verbinde deine WhatsApp-Nummer und schick ihr von deinem privaten Handy eine Sprachnachricht. Dann lies, was ankommt.
Der kostenlose Hacker-Plan (1 Agent) transkribiert Sprachnachrichten in bis zu 10 Konversationen im Monat, genug für diesen Test. Jeder neue Workspace startet außerdem mit 7 Tagen Enterprise-Plan, Fynn inklusive, ohne Kreditkarte und für bis zu 30 Plätze, deinen eingeschlossen.
Nach der Testphase wählst du einen bezahlten Plan oder arbeitest im Hacker-Plan weiter. Startup enthält 50 KI-Konversationen im Monat und Fynn (Pläne und Preise).
Beispiele nach Branche: Handwerk, Salons, Restaurants und Onlineshops.
Auch verfügbar auf:EnglishEspañolFrançaisPortuguês (Brasil)


