Sprachmemos unterwegs zu strukturierten Notizen und Aufgaben

Techniker, Bauleiter, Vertriebsmitarbeitende und Inhaber denken beim Fahren, bei der Begehung einer Baustelle oder beim Verlassen eines Kunden an Aufgaben. Sie auf dem Handy zu tippen ist mühsam, daher gehen sie verloren. Ein Sprachmemo wird von einem Sprachmodell transkribiert, und ein Sprachmodell macht aus dem Gesprochenen eine saubere Notiz, eine Aufgabenliste und einen E-Mail-Entwurf. Mit einem selbst betriebenen Whisper-Modell und einem n8n-Ablauf läuft das auf einem kleinen Büroserver, und Kundennamen verlassen das Unternehmen nie.

Problem & Nutzen

• Heute: Notizen werden auf Papier gekritzelt, als WhatsApp-Nachricht an sich selbst geschickt oder vergessen. Die abendliche „Nachbereitungszeit“ für Besuchsberichte und To-dos geht zulasten der Freizeit.
• KI-Nutzen: Sprechen ist auf dem Handy schneller als Tippen; das Modell entfernt Füllwörter, sortiert den Inhalt nach Themen und Aufgaben und legt ihn dort ab, wo das Team arbeitet. Der Nutzen liegt vor allem in weniger verlorenen Informationen und eingesparter Nachbereitungszeit. Es gibt keinen belegten KMU-Benchmark, messen Sie ihn daher in Ihrem eigenen Pilotbetrieb.
• Abgrenzung: informelles Festhalten von Gedanken und To-dos. Professionelles Diktat mit Fachvokabular ist SPEECH-005, die Transkription von Besprechungen ist SPEECH-001, Voicemails von Anrufern sind AUTO-012.

Varianten

• Handwerker / Bauleiter: Das Memo nach einem Baustellenbesuch wird zu einer Besuchsnotiz, einer Mängelliste und einer Folge-Mail an den Kunden.
• Vertrieb / Kundenbetreuung: Das Memo nach einem Kundentermin wird zu einer CRM-Notiz und nächsten Schritten.

So funktioniert es

smartphone voice recorder (or Teams/OneNote/Notes app)
  -> audio file lands in a synced folder (Nextcloud, OneDrive, Google Drive) or mailbox
  -> workflow trigger (n8n, Power Automate)
  -> speech-to-text (Whisper / faster-whisper, cloud ASR or built-in app)
  -> LLM prompt: clean up, structure, extract tasks (owner, due date), flag unclear parts
  -> output: note in OneNote/Nextcloud Notes, tasks in Planner/To Do/Trello, mail draft
  -> sender checks and confirms (human in the loop)

• ASR: OpenAI Whisper (offene Gewichte, MIT-Lizenz) in der Implementierung faster-whisper beherrscht Deutsch gut; die Voxtral-Modelle von Mistral (Gewichte unter Apache 2.0) sind eine in der EU entwickelte Alternative [1][2].
• LLM-Schritt: Ein kleines Modell (Klasse 7-8B) reicht für die Strukturierung; ein strenger Prompt mit festem Ausgabeschema (JSON: Notiz, Aufgaben, offene Fragen) hält die Ergebnisse einheitlich.
• Mensch-in-der-Schleife (Human-in-the-Loop): Ergebnisse kommen als Entwürfe oder in einem Posteingang an; Aufgaben werden nicht automatisch an Kunden oder Kollegen verschickt. Bewahren Sie das Audio einige Tage auf, damit unklare Stellen geprüft werden können.

Datenaufbereitung

Welche Daten: Das Audio selbst ist die Eingabe. Nützliche Ergänzungen sind eine kurze Liste von Kunden-, Projekt- und Produktnamen (als Hinweis für die Transkription und für den Abgleich) sowie die Zielstruktur der Notiz.

Wo sie liegen: auf dem Handy, dann in einem synchronisierten Cloud- oder Nextcloud-Ordner; Ziele sind OneNote, Planner, ein CRM oder ein Ticketsystem.

Typische Lücken: Wind- und Motorengeräusche, Mischung aus Dialekt und Fachbegriffen, keine vereinbarte Ordner- oder Namens- konvention, private Handys für geschäftliche Audiodaten und unklare Regeln, wie lange Audio aufbewahrt wird.

Aufbereitungsschritte: 1. Eine Aufnahme-App und einen Upload-Ordner pro Person festlegen (etwa 1-2 Stunden). 2. Eine Vokabelliste mit 50-200 Namen und Begriffen anlegen und als initialen Prompt an Whisper übergeben (ein halber Tag). 3. Die Notizvorlage und das Aufgabenschema schreiben, mit 20 echten Memos testen (1 Tag). 4. Aufbewahrung festlegen: Audio nach z. B. 7-30 Tagen löschen, die Notiz behalten.

Werkzeuge: Ordnersynchronisation mit Nextcloud, OneDrive oder Google Drive, eine Tabelle für die Wortliste.

Grober Anteil am Aufwand: etwa 15 Prozent; der Rest entfällt auf den Aufbau des Ablaufs und die Schulung. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU - Weg C: Memos erwähnen Kunden, Baustellen und manchmal Kollegen; ein einfacher Open-Source-Stack (faster-whisper, Ollama mit einem kleinen Modell, n8n) läuft auf HW1, und derselbe Server bedient auch AUTO-012 und SPEECH-001 (Baukasten-Effekt). Hat die Firma bereits Microsoft-365-Copilot-Lizenzen, ist Weg A eine gültige Abkürzung.
• Großunternehmen - Weg B: bestehender M365- oder Azure-Vertrag; Azure Speech oder Azure OpenAI in einer EU-Region plus Power Automate passen zu einer gemeinsamen KI-Plattform.
• Privat - Weg C: lokale Apps (MacWhisper, auf whisper.cpp basierende Apps, LM Studio) behalten persönliche Notizen auf dem Gerät.
• Öffentliche Hand - Weg C: Memos von Mitarbeitenden können Daten von Bürgerinnen und Bürgern berühren; der selbst betriebene oder ein deutscher souveräner Cloud-Dienst ist die sichere Standardwahl.

Weg A — Kaufen (Standardsoftware)

• In Office-Suiten enthalten: OneNote Transcribe (Audio aufnehmen oder hochladen; Microsoft-365-Abonnement, höheres Transkriptionskontingent mit Copilot-Lizenz; laut Berichten für GCC-Kunden nicht verfügbar, prüfen Sie die aktuelle Dokumentation) [3]; Copilot Notebooks Capture auf iPhone und Windows [4]; Rekorder-Apps von Samsung und Pixel mit Zusammenfassungen auf dem Gerät; Transkripte der Apple-Sprachmemos.
• Spezielle Notiz-Apps: Notta, Otter, Rekorder-Hardware im Stil von Plaud. Viele werden in den USA betrieben, prüfen Sie daher AVV, Region und Aufbewahrung. EU-gehostete Optionen sind Microsoft 365 mit EU Data Boundary, Nextcloud mit dem Assistant (selbst betrieben) sowie Mistrals Le Chat / API (Frankreich).
• A wählen, wenn: wenige Nutzer, keine kundensensiblen Inhalte, Lizenzen sind bereits vorhanden.

Weg B — Auf Cloud-KI-Diensten aufbauen

• ASR: Mistral Voxtral Mini Transcribe per API, zum Start mit USD 0,003 pro Minute bepreist [2]; Azure AI Speech (EU-Regionen); Google Cloud Speech-to-Text (EU-Standort).
• LLM: Mistral, Azure OpenAI in EU-Datenzonen oder andere Endpunkte in EU-Regionen.
• Orchestrierung: Power Automate oder n8n; der Aufbau und Test eines Ablaufs dauert 1-3 Tage.
• B wählen, wenn: Sie eine eigene Integration (ERP, CRM) benötigen und einen AVV mit einem Anbieter mit EU-Hosting haben.

Weg C — Selbst betreiben (Open Source)

• ASR: faster-whisper mit einem Whisper-Modell large-v3 oder turbo [1]; Voxtral Mini 4B Realtime (Apache 2.0, etwa 9 GB Download) für Streaming [2]. Auf der CPU genügt für Memos von 1-2 Minuten ein kleines oder mittleres Modell; eine bescheidene GPU ist schneller, aber bei einstelligen Memo-Zahlen pro Stunde nicht nötig.
• LLM: Ollama mit einem 7-8B-Instruktionsmodell (z. B. aus der Klasse Llama, Qwen, Mistral), siehe Ollama-Dokumentation [5].
• Ablauf: n8n (selbst betrieben, Docker), das einen Nextcloud-Ordner überwacht; Ausgabe nach Nextcloud Notes, Deck oder Planner per API.
• Hardware: HW1 (ein CPU-Server oder Mini-PC mit 16-32 GB RAM) genügt für ein Team von 5-20; HW2, wenn Sie nahezu sofortige Ergebnisse wollen. Betriebsaufwand: etwa 0,5 Tag pro Monat für Updates.

Weg D — Eigenes Training

Nicht nötig. Ein Feintuning der ASR kommt nur bei starken Dialekten oder viel Fachjargon in Betracht, nachdem Sie Hunderte korrigierte Transkripte gesammelt haben; eine Wortliste im Prompt löst die meisten Fälle.

Stand der Technik (2026)

• Offene ASR ist gut genug: Whisper large-v3 und turbo sowie neuere offene Modelle wie Voxtral liefern brauchbare deutsche Transkripte bei klarer Sprache. Veröffentlichte WER-Werte beziehen sich meist auf Englisch oder stammen von den Modellautoren (ein deutsches Feintuning von Whisper turbo meldet 2,6 Prozent auf seinen Testdaten, selbst berichtet); testen Sie daher mit Ihren eigenen Memos, Hintergrundgeräuschen und Dialekten [6].
• Typische Fehlerbilder: Namen, Teilenummern und Dialektwörter werden falsch erkannt; Zahlen und Daten können falsch sein; Whisper kann in stillen Passagen Text erfinden (Halluzination); das LLM kann einen Aufgaben- verantwortlichen oder ein Fälligkeitsdatum ableiten, das nie genannt wurde.
• Gegenmaßnahmen: Wortlisten im Prompt, Sprachaktivitätserkennung (in faster-whisper eingebaut), ein Schema mit Feldern für „unklar“ und ein Prüfschritt, bevor Aufgaben verschickt werden.

Gemeinsame Bausteine & Kombinationen

• Derselbe Stack (asr + llm-small + workflow-automation): AUTO-012 Voicemail-Weiterleitung, SPEECH-001 Besprechungs- transkription und AUTO-024 Tagesplanung laufen auf einem kleinen Server mit derselben n8n-Instanz.
• Nachgelagert: AUTO-008 (Freitext zu Tabellenzeilen), AUTO-013 Kontakterfassung.

Aufwand, Kosten & Kennzahlen

• Weg A: Stunden für die Einrichtung; Kosten sind die Lizenzen pro Nutzer.
• Weg B: 1-3 Tage für einen Ablauf; die Kosten pro Audiominute (Voxtral-Listenpreis USD 0,003/min zum Start) sind gering [2].
• Weg C: 2-5 Tage inkl. Tests und Prompts; vorhandene Hardware oder ein Mini-PC (HW1), plus etwa 0,5 Tag pro Monat Pflege.
• Kennzahlen: Anteil der Memos, die keine Korrektur brauchen, Minuten Nachbereitungszeit pro Woche (selbst berichtet, vorher/nachher), erfasste vs. verlorene Aufgaben, Akzeptanz (Memos pro Nutzer und Woche), Korrekturquote bei Namen.

Menschen & Veränderung

Früh einbinden: die Person, die den Prozess verantwortet (z. B. die Serviceleitung), die IT für Server und Handys, die/den Datenschutzbeauftragte(n) und einige Endnutzer als Botschafter. Die Geschäftsführung entscheidet über die Nutzung privater Handys und die Aufbewahrung.

Betriebsrat: hängt vom Einzelfall ab. Sprachmemos sind persönliche Notizen, aber das System speichert, wer was wann gesagt hat, und ist objektiv geeignet, das Verhalten zu überwachen (§87 Abs. 1 Nr. 6 BetrVG; BAG: Eignung genügt). §90 Abs. 1 Nr. 3 verlangt die rechtzeitige Unterrichtung über KI-gestützte Arbeitsprozesse. Öffentliche Stellen beziehen den Personalrat ein. Vereinbaren Sie: keine Leistungsbewertung anhand von Memos, kurze Aufbewahrung, keine Nutzung für disziplinarische Zwecke (GUIDE-004).

Datenschutz: Memos enthalten Namen von Kunden und manchmal Dritten; schließen Sie für jeden Cloud-Auftragsverarbeiter einen AVV (Art. 28 DSGVO) ab, dokumentieren Sie Zweck und Aufbewahrung und beziehen Sie die/den Datenschutzbeauftragte(n) ein. Eine vollständige Datenschutz-Folgenabschätzung (DSFA) ist bei privaten To-dos normalerweise nicht nötig, kann es aber sein, wenn Gesundheits- oder Personalinhalte diktiert werden (GUIDE-005). Mitarbeitende dürfen Gespräche anderer Personen nicht ohne Rechtsgrundlage aufzeichnen.

Pilot und Kommunikation: 3-5 Freiwillige für 2-4 Wochen; veröffentlichen Sie, was wie lange gespeichert wird, um Überwachungsängste abzubauen (GUIDE-008, GUIDE-009).

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verlangt Maßnahmen, die die KI-Kompetenz der Beschäftigten fördern; eine 30-minütige Einführung zu „Wie spreche ich ein Memo“, zur Prüfung von Transkripten und dazu, keine Geheimnisse in nicht freigegebene Apps zu diktieren, genügt (GUIDE-006, GUIDE-007).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko. Art. 4 KI-Kompetenz gilt; die Transparenzpflichten nach Art. 50 werden bei internen Notizen nicht ausgelöst, aber kennzeichnen Sie per Richtlinie gegenüber Empfängern, wenn eine Mail KI-gestützt entworfen wurde.
• DSGVO: Audio und Transkripte sind personenbezogene Daten (Stimme, Kundennamen). Selbst betreiben vermeidet die Weitergabe an Dritte; bei Cloud-ASR EU-Regionen und AVV nutzen. Die Stimme ist hier kein biometrisches Datum, solange sie nicht zur Identifikation von Sprechern verwendet wird.
• Risiken: Schatten-KI (Mitarbeitende nutzen private Verbraucher-Apps), falsche Aufgaben, durchgesickerte Aufnahmen auf privaten Handys. Gegenmaßnahmen: eine freigegebene App, Aufbewahrungsregeln und eine unternehmensweite KI-Richtlinie (GUIDE-007, GUIDE-013).

Erste Schritte

1. 3-5 Freiwillige auswählen und 20 echte Memos sammeln, auch verrauschte.
2. Zuerst die eingebaute Option ausprobieren (OneNote Transcribe oder Handy-Rekorder) und mit faster-whisper auf einem Laptop vergleichen.
3. Den Prompt und das Ausgabeschema schreiben; den n8n- oder Power-Automate-Ablauf mit einem Prüf-Posteingang aufbauen.
4. Aufbewahrung, freigegebene App sowie Information von Betriebsrat und Datenschutzbeauftragten vereinbaren; einen 2-4-wöchigen Pilot durchführen (GUIDE-009).
5. Korrekturquote und eingesparte Zeit messen, dann über Einführung und einen gemeinsamen Server entscheiden (GUIDE-002).

Quellen

1. faster-whisper (SYSTRAN) - https://github.com/SYSTRAN/faster-whisper
2. Mistral AI - Voxtral Transcribe 2 (Feb 2026) - https://mistral.ai/news/voxtral-transcribe-2/
3. Microsoft Support - Transcribe your recordings (OneNote/Word) - https://support.microsoft.com/en-us/word/transcribe-your-recordings
4. Microsoft Support - Use Capture in Copilot Notebooks - https://support.microsoft.com/en-us/microsoft-365-copilot/capture-conversations-copilot-notebooks
5. Ollama - https://ollama.com
6. Hugging Face - whisper-large-v3-turbo German faster-whisper model card (self-reported WER) - https://huggingface.co/TheChola/whisper-large-v3-turbo-german-faster-whisper
7. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj