Transkription von Mailbox-Nachrichten und Gesprächsnotizen, weitergeleitet an E-Mail oder Ticket

Ein Installateur, eine Arztpraxis oder ein kleines Büro findet morgens eine Liste von Mailbox-Nachrichten vor, die einzeln abgehört werden müssen, oft mit schlechter Tonqualität und einer zweimal genuschelten Nummer. Ein kleiner Ablauf transkribiert jede Nachricht, extrahiert Anrufer, Anliegen, Rückrufnummer und Dringlichkeit und legt sie innerhalb von Minuten im richtigen Postfach oder in der richtigen Ticket-Warteschlange ab. Das ist keine Call-Center-Analyse (SPEECH-002) und kein Sprachbot: Es macht lediglich aus verpassten Anrufen verwertbare Notizen.

Problem & Nutzen

• Heute: Jemand hört jeden Morgen den Anrufbeantworter ab, tippt Notizen in eine Mail oder eine Papierliste und leitet sie weiter. Dringende Fälle (ein Rohrbruch, ein abgesagter Termin) warten, bis die zuständige Person abgehört hat.
• KI-Nutzen: Der Text ist in Sekunden lesbar, dringende Nachrichten werden markiert, zwischen den Personen geht nichts verloren, und jeder Anruf hinterlässt eine durchsuchbare Spur im Ticketsystem.
• Ehrliche Grenzen: Die Genauigkeit sinkt bei Dialekten, Störgeräuschen und schlechter Leitungsqualität, und Telefonnummern und Namen sind die fehleranfälligsten Teile. Das Audio wird deshalb immer mitgeliefert. Für genau dieses Szenario gibt es keine belegten Zeitersparnis-Zahlen; messen Sie selbst mit einer einwöchigen Ausgangsmessung.

Varianten

• Handwerk und Werkstätten: Kundenname, Adresse, Störung, Dringlichkeit an ein Disponenten-Postfach oder Ticket.
• Praxen, Kanzleien, Steuerberatung: Terminanfragen und Rückrufwünsche; der Inhalt ist hochsensibel, daher bleibt die Verarbeitung lokal.
• Außendienst: kurze gesprochene Gesprächsnotizen nach einem Besuch, umgewandelt in eine Notiz im CRM (siehe AUTO-025).
• Öffentlicher Dienst: Mailbox-Nachrichten des Bürgerbüros, nach Thema an Fachabteilungen weitergeleitet.
• Private Nutzung: Anrufbeantworter-Nachrichten eines Haushalts oder Vereinspostfachs.

So funktioniert es

1. Mailbox-Nachricht (Telefonanlage / FRITZ!Box / Teams)
2. Audio kommt als Mail-Anhang oder Datei in einem Ordner an
3. Spracherkennung (Sprache erkennen, Deutsch + Dialekttoleranz)
4. LLM-Schritt: Zusammenfassung, Anrufer, Rückrufnummer, Thema, Dringlichkeit (JSON)
5. Regeln: Thema
6. Empfänger / Warteschlange; dringend
7. Chat-Hinweis
8. Mail oder Ticket mit Transkript + Audio; unklar
9. Mensch hört ab

• ASR: Modelle der Whisper-Klasse sind die Basis; die kleinen und mittleren Varianten laufen auf einem CPU-Server, große Varianten auf einer bescheidenen GPU.
• LLM-Schritt: Ein kleines Modell (etwa 7-8B, lokal) oder eine in der EU gehostete API wandelt das rohe Transkript in feste Felder um. Telefonnummern werden zusätzlich mit einem regulären Ausdruck geprüft.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die empfangende Person sieht Transkript und Audio und korrigiert oder löscht. Der Ablauf antwortet dem Anrufer nie selbstständig.

Datenaufbereitung

Welche Daten: das Audio der Mailbox-Nachrichten, eine Routing-Tabelle (wer welches Thema bearbeitet, wer Abwesenheiten vertritt) und optional eine Kundenliste, um bekannte Anrufer anhand der Nummer zu erkennen.

Wo sie liegen: in der Telefonanlage oder im Router (FRITZ!Box-Anrufbeantworter, 3CX, sipgate, Teams Phone), als Mail-Anhänge in einem gemeinsamen Postfach oder in einem Nextcloud-/SharePoint-Ordner.

Typische Lücken: Nachrichten bleiben im Gerät und werden nie exportiert, die Ansage des Anrufbeantworters fragt nicht nach Name und Nummer, keine klare Zuständigkeit pro Thema, veraltete Telefonnummern der Kunden und keine Löschregel für alte Aufnahmen.

Schritte zur Aufbereitung: 1. Mailversand in der Telefonanlage oder im Router aktivieren, damit jede Nachricht als Audiodatei in einem Postfach ankommt. 2. Die Ansage aktualisieren: Name, Nummer, Anliegen, Dringlichkeit. 3. Die Routing-Tabelle als einfache Tabelle schreiben (PREP-019 für Kategorien). 4. Die Kundentelefonnummern für die Anruferzuordnung exportieren (PREP-005). 5. 30-50 echte, anonymisierte Mailbox-Nachrichten als Testsatz sammeln (PREP-018, PREP-022). 6. Aufbewahrung für Audio und Transkripte festlegen (PREP-025).

Werkzeuge: Einstellungen von Telefonanlage/Router, Excel oder Nextcloud-Tabelle für das Routing, ein gemeinsames Postfach.

Grober Aufwandsanteil: etwa 15 Prozent; das Aufräumen von Ansage, Postfach und Zuständigkeiten ist wichtiger als die KI. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU — Weg C: Mailbox-Nachrichten enthalten Namen, Gesundheits- oder Rechtsanliegen und Kundendaten; Whisper plus n8n läuft auf einem kleinen Server (HW1/HW2), und derselbe Stack bedient später auch Besprechungsnotizen und Sprachmemos (Baukasten-Effekt). Wählen Sie stattdessen A, wenn Sie bereits für Teams Phone zahlen und das eingebaute Transkript ausreicht.
• Großunternehmen — Weg B: Eine Telefonieplattform und ein Ticketsystem sind schon vorhanden; Sprach-APIs in EU-Regionen plus eigenes Routing passen am besten, mit den eingebauten Teams-Funktionen für Standardfälle.
• Entwicklung — Weg C: Open-Source-Spracherkennung und Workflow-Werkzeuge geben volle Kontrolle und niedrige Betriebskosten.
• Öffentlicher Dienst — Weg C: Anliegen von Bürgerinnen und Bürgern sowie Vergaberegeln sprechen für Selbstbetrieb oder Hosting in einer deutschen Cloud.

Weg A — Kaufen (Standardsoftware)

• Microsoft Teams Phone / Exchange Online: Die Transkription von Voicemails ist eingebaut und wird über Teams-Voicemail-Richtlinien verwaltet (z. B. EnableTranscription). Microsoft hat einen Wechsel der Transkriptions-Engine ab Juni 2026 mit zusätzlichen Sprachen angekündigt; prüfen Sie die Tabelle der unterstützten Sprachen für Deutsch [1].
• Cloud-Telefonie und Telefonanlagen mit Voicemail-to-Text: z. B. sipgate (deutscher Anbieter), 3CX, Placetel, Wildix; prüfen Sie EU-Hosting, einen AVV und ob Transkripte gespeichert oder für Training genutzt werden.
• Grenze: Das Ergebnis ist ein Transkript in einer Mail; Routing nach Thema und Tickets brauchen zusätzliche Ablaufschritte.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Sprach-APIs in EU-Regionen: Azure AI Speech (EU-Regionen), Google Cloud Speech-to-Text (EU-Standort) oder ein Anbieter mit Sitz in der EU; auch die APIs von OpenAI und Mistral bieten Transkription, prüfen Sie daher Hosting und AVV.
• Orchestrierung: Power Automate (Auslöser: neue Mail im gemeinsamen Postfach), Zapier oder Make, mit einem LLM-Schritt für die Zusammenfassung.
• Wählen Sie B, wenn: Sie keinen eigenen Server wollen und einen AVV mit einem Cloud-Anbieter akzeptieren.

Weg C — Selbst betreiben (Open Source)

• ASR: Whisper-Modelle über faster-whisper (CTranslate2-basiert, deutlich schneller als die ursprüngliche Implementierung) oder whisper.cpp [2]; das Modell „medium" ist auf einem CPU-Server nutzbar, large-v3 auf einer Arbeitsplatz-GPU.
• Zusammenfassung und Felder: Ollama mit einem kleinen Instruktionsmodell; JSON-Ausgabe mit Schema-Vorgabe.
• Workflow: n8n (selbst betrieben) liest das Postfach über IMAP oder einen Nextcloud-Ordner, ruft ASR und LLM auf und erstellt Mails oder Tickets (Zammad, Paperless-ngx-Aufgaben, OTOBO, Planner).
• Hardware: HW1 für einige Dutzend Nachrichten pro Tag (einige Minuten Verarbeitung pro Nachricht auf der CPU sind akzeptabel); HW2 für schnellere Durchlaufzeiten.
• Betriebsaufwand: etwa ein halber Tag pro Monat für Updates und eine Stichprobenprüfung.

Weg D — Eigenes Training

Lohnt sich selten. Nur bei starken Dialekten oder Fachvokabular in hohem Volumen würde ein feingetuntes ASR-Modell helfen; eine Vokabelliste im Prompt genügt meist.

Stand der Technik (2026)

• Offene Modelle der Whisper-Klasse transkribieren klar gesprochenes Deutsch gut; große Modelle kommen mit Störgeräuschen und Akzenten besser zurecht, aber Telefonaudio (8 kHz) und Dialekte bleiben die Schwachstelle.
• Eingebaute Voicemail-Transkription in der Geschäftstelefonie ist inzwischen Standard; der Mehrwert eigener Abläufe liegt in Extraktion, Routing und Tickets.
• Fehlerbilder: erfundene Wörter in stillen oder verrauschten Passagen (Halluzination), falsche Ziffern in Telefonnummern, vertauschte Namen. Gegenmaßnahmen: Audio immer anhängen, Nummer per Muster prüfen, Markierung bei geringer Sicherheit.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (asr + llm-small + workflow-automation): SPEECH-001 Besprechungstranskription, SPEECH-005 Diktat, AUTO-025 Sprachmemos; ein Whisper-Server auf HW1/HW2 bedient alle.
• Nachgelagert: AUTO-013 Kontakterfassung im CRM, AUTO-011 Antragsabläufe, AUTO-008 Zeilen in einer Tabelle.
• Ausbaupfad: SPEECH-002, sobald Volumen und Analysebedarf wachsen.

Aufwand, Kosten & Kennzahlen

• Weg A: Stunden bis ein Tag, wenn das Telefonieprodukt es bereits enthält.
• Weg B: 1-3 Tage für einen Ablauf mit Routing; die API-Kosten pro Audiominute sind bei Büro-Volumen gering (aktuelle Preislisten prüfen).
• Weg C: 2-5 Tage einschließlich Serveraufbau, Testsatz und Feinabstimmung; die Hardware nutzt einen vorhandenen Server mit.
• Kennzahlen: Zeit von der Mailbox-Nachricht bis zur zuständigen Person, Anteil der Nachrichten mit korrekter Nummer und korrektem Thema, Rückrufe innerhalb der Zielzeit, verlorene oder vergessene Anrufe.

Menschen & Veränderung

Früh einbeziehen: Geschäftsführung und Leitung des Empfangs als Prozessverantwortliche; die IT für Telefonanlage und Postfach; die/den Datenschutzbeauftragte(n), bevor Stimmen und Inhalte von Anrufern verarbeitet werden. Ein kurzer Informationshinweis an Mitarbeitende, die Gesprächsnotizen aufnehmen, gehört in den Plan (GUIDE-005, GUIDE-008).

Betriebsrat: abhängig. Ein Ablauf, der nur externe Mailbox-Nachrichten verarbeitet, ist weniger kritisch; sobald er jedoch protokolliert, wer wann welchen Anruf bearbeitet, oder Gesprächsnotizen von Mitarbeitenden transkribiert, ist er nach §87 Abs. 1 Nr. 6 BetrVG objektiv zur Überwachung von Verhalten geeignet. §90 Abs. 1 Nr. 3 verlangt die rechtzeitige Information über KI-gestützte Arbeitsprozesse. Öffentliche Stellen beteiligen den Personalrat (GUIDE-004).

Datenschutz: Anrufer haben einem Transkript nicht zugestimmt; nennen Sie daher den Zweck in der Ansage („Ihre Nachricht wird aufgezeichnet und zur Bearbeitung Ihres Anliegens transkribiert") und regeln Sie ihn in der Datenschutzerklärung; AVV (Art. 28 DSGVO) mit jedem Cloud-Auftragsverarbeiter; eine Datenschutz-Folgenabschätzung (DSFA) ist bei einfacher Mailbox-Bearbeitung meist nicht nötig, klären Sie sie aber mit dem/der Datenschutzbeauftragten, wenn häufig Gesundheits- oder Rechtsinhalte vorkommen. Transkribieren Sie niemals Live-Gespräche ohne Rechtsgrundlage und Hinweis.

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verlangt Maßnahmen, die die KI-Kompetenz der Beschäftigten fördern; eine 30-minütige Einweisung zu typischen Transkriptionsfehlern und zur Prüfung des Audios genügt (GUIDE-006).

Pilot: Zwei Wochen mit einem Team parallel zum Abhören laufen lassen, falsche Nummern zählen, dann ausweiten (GUIDE-009).

Typische Sorgen: Überwachung der Beschäftigten (nur für externe Nachrichten nutzen, keine Auswertung pro Person), Fehler (Audio immer angehängt), Arbeitsplatzverlust (Entlastung vom Abhören und Tippen).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko; Art. 4 (KI-Kompetenz) gilt. Keine Emotionserkennung bei Anrufern, das wäre ein eigenes, heikles Thema. Die Pflichten nach Art. 50 gelten nicht für das interne Transkript.
• DSGVO: Sprachaufnahmen und Transkripte sind personenbezogene Daten und mitunter besondere Kategorien (Gesundheit); kurze Aufbewahrung festlegen, Zugriff beschränken, lokale Verarbeitung bevorzugen (GUIDE-005, PREP-025).
• Telekommunikationsrecht: Die Aufzeichnung von Live-Gesprächen unterscheidet sich von der Mailbox; weiten Sie den Ablauf ohne Rechtsberatung nicht auf Live-Anrufe aus.
• Sicherheit: Audio-Mails sind eine Angriffsfläche (Phishing, Prompt-Injection im Transkript); das LLM darf niemals Aktionen aus Transkripttext ausführen (GUIDE-013).

Erste Schritte

1. Zählen Sie die Mailbox-Nachrichten pro Woche und notieren Sie, wo sie heute gespeichert sind.
2. Aktivieren Sie den Mailversand in der Telefonanlage oder FRITZ!Box [3] und verbessern Sie die Ansage.
3. Testen Sie Whisper (Weg C) oder das eingebaute Teams-Transkript (Weg A) mit 30 echten, anonymisierten Nachrichten.
4. Bauen Sie den Ablauf mit Routing-Tabelle und Dringlichkeitsmarkierung; hängen Sie das Audio immer an.
5. Informieren Sie Datenschutzbeauftragte(n) und Betriebsrat, dokumentieren Sie die Aufbewahrung und führen Sie einen zweiwöchigen Pilot durch.

Quellen

1. Microsoft Message Center MC1338827 — Teams voicemail transcription service migration and new languages — https://mc.merill.net/message/MC1338827
2. faster-whisper (SYSTRAN, CTranslate2-based Whisper inference) — https://github.com/SYSTRAN/faster-whisper
3. GIGA — FRITZ!Box Anrufbeantworter einrichten und bedienen — https://www.giga.de/unternehmen/avm/tipps/fritzbox-anrufbeantworter-einrichten-und-bedienen/
4. Microsoft Learn — Change the default language for greetings and emails (Cloud Voicemail) — https://learn.microsoft.com/en-us/microsoftteams/change-the-default-language-for-greetings-and-emails
5. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj