WhatsApp Business API Sprachtranskription: Juli 2026

Du hast die Referenz der WhatsApp Business API zweimal durchgearbeitet und nach dem Endpunkt gesucht, der eine eingehende Sprachnachricht in Text verwandelt. Er ist nicht da. Er war nie da. Das ist kein Versehen beim Lesen – es ist die einzige wichtigste Tatsache über die WhatsApp Business API Sprachtranskription, und fast nichts, was zu diesem Thema geschrieben wird, sagt es klar.

Hier ist, was die Plattform dir tatsächlich bietet, was sie klammheimlich vorenthält und die beiden Fallen, die Sprachnachrichten für Teams stillschweigend zerstören, die nichts davon wissen.

Zuletzt geprüft im Juli 2026 mit Metas Dokumentation zur WhatsApp Business Platform, einschließlich der im März und Juni 2026 ausgelieferten Änderungen.

Die kurze Antwort

Es gibt keinen Endpunkt der WhatsApp Business Platform, der eine eingehende Sprachnachricht transkribiert. Nicht in der Cloud API, nicht in der On-Premises API. Wenn ein Kunde deinem Unternehmen eine Sprachnachricht sendet, übergibt dir der Webhook eine Medien-ID. Du rufst den Medien-Endpunkt auf, lädst eine Audiodatei herunter, und ab diesem Punkt bist du völlig auf dich allein gestellt.

Dieses Audio in Text umzuwandeln ist dein Problem, das du mit einer Sprache-zu-Text-Lösung deiner Wahl und auf eigene Kosten lösen musst.

Die Transkriptionen, die WhatsApp-Nutzer in ihren Chats sehen, existieren zwar – aber sie werden auf dem Telefon des Empfängers erstellt und verlassen es nie. Sie werden nicht an WhatsApp übertragen, und ganz sicher nicht an dich. Selbst wenn ein menschlicher Agent in deinem Team eine Transkription innerhalb der WhatsApp Business App liest, ist dieser Text auf diesem einen Gerät gestrandet. Es gibt keine API, die ihn dir übergibt.

Für die nicht-technische Seite davon - Einrichtung, Sprachen, Fehlerbehebung - sieh dir unser WhatsApp-Business-Transkriptions-FAQ an.

Die Ironie: Meta transkribiert einen Anruf, aber keine Sprachnachricht

Hier wird die Plattform wirklich seltsam.

Am 30. Juni 2026 lieferte Meta die Anruf-Transkription für die WhatsApp Business Calling API aus. Es ist keine Alibifunktion. Sie erkennt automatisch die gesprochene Sprache über rund 54 Sprachen, trennt den Unternehmenssprecher vom Kunden und liefert Zeitangaben auf Wortebene mit Konfidenzwerten pro Wort als strukturiertes JSON.

Währenddessen unterstützen Sprachnachricht-Transkriptionen auf Android weiterhin vier Sprachen: Englisch, Portugiesisch, Spanisch und Russisch. Unverändert seit November 2024. Wir haben aufgeschlüsselt, welche Sprachen die WhatsApp-Transkription tatsächlich unterstützt, falls du das vollständige Bild pro Plattform brauchst.

Die Plattform kann also Tamil, Swahili, Vietnamesisch und Urdu transkribieren – bei einem Telefonanruf. Sie tut es nur nicht für die Sprachnachricht, die dir dein Kunde dreißig Sekunden zuvor gesendet hat. Was auch immer der Grund ist, die praktische Konsequenz für dich ist einfach: Die Engine existiert, und du kannst sie nicht auf deine Sprachnachrichten richten.

Wie die Anruf-Transkription tatsächlich funktioniert

• Pro Anruf anmelden, indem du beim Initiieren oder Annehmen des Anrufs ein Transkriptionsobjekt übergibst. Sie ist nicht standardmäßig aktiviert.
• Die Einwilligung ist verpflichtend und hörbar. Meta mischt eine gesprochene Ansage in beide Audiostreams, bevor die Transkription beginnt, und du musst einen angegebenen Zweck liefern. Du kannst einen Anruf nicht stillschweigend transkribieren.
• Die Zustellung ist asynchron. Du erhältst einen Webhook mit einer Medien-ID und lädst dann die JSON-Transkription herunter.
• Du hast sieben Tage. Danach ist die Transkription nicht mehr herunterladbar. Wenn du sie behalten musst, musst du sie umgehend selbst abrufen und speichern.
• Sie ist derzeit kostenlos, wobei Metas Dokumentation angibt, dass eine separate Preisgestaltung geplant, aber noch nicht datiert ist. Baue keinen Geschäftsplan darauf, dass der Preis bei null bleibt.

Zwei Fallen, die Sprachnachrichten stillschweigend zerstören

Falle 1: Es muss .ogg mit dem OPUS-Codec sein

Seit Oktober 2025 kannst du Audio als echte Sprachnachricht senden – Wellenform, Wiedergabetaste, alles – statt als Dateianhang. Aber es gibt eine harte Anforderung, die tief in der Dokumentation vergraben ist.

Sprachnachrichten müssen .ogg-Dateien sein, die mit dem OPUS-Codec kodiert wurden. Metas Dokumentation ist eindeutig: „Wenn du einen anderen Dateityp oder eine mit einem anderen Codec kodierte Datei sendest, schlägt die Sprachnachricht-Transkription fehl.“

Was das heimtückisch macht, ist der Fehlermodus. Es gibt keinen Fehler und keine Warnung – die Nachricht wird gesendet, sie wird abgespielt, und die Transkription erscheint einfach nie. Teams verlieren Tage damit, ihre Webhook-Verarbeitung zu durchforsten, wenn der eigentliche Fehler eine Zeile in ihrem Kodierungsschritt ist.

Falle 2: Der Empfänger entscheidet, nicht du

Selbst mit einer perfekt kodierten OPUS-Datei kontrollierst du nicht, ob eine Transkription erscheint. Der Empfänger tut es. Jeder WhatsApp-Nutzer stellt die Sprachnachricht-Transkriptionen auf einen von drei Zuständen:

• Automatisch – die Texttranskription erscheint mit der Nachricht.
• Manuell – sie sehen eine „Transkribieren“-Option und wählen, ob sie sie nutzen.
• Nie – es erscheint niemals Text.

Es gibt keinen API-Parameter, der dies überschreibt, und keine Möglichkeit abzufragen, welche Einstellung ein bestimmter Nutzer hat. Wenn dein Produkterlebnis davon abhängt, dass der Kunde eine Transkription deiner Sprachnachricht liest, sei dir bewusst, dass du von einer Einstellung abhängst, die du nicht sehen und nicht ändern kannst. Plane entsprechend – wenn der Inhalt wichtig ist, sende Text.

Was 2026 tatsächlich kam

Der „abgespielt“-Webhook

Seit dem 17. März 2026 erhalten von einem Unternehmen gesendete Sprachnachrichten einen „abgespielt“-Status-Webhook, sobald der Empfänger sie zum ersten Mal abspielt. Bisher waren „zugestellt“ und „gelesen“ das Ende der Geschichte, und eine Lesebestätigung bei einer Sprachnachricht sagte dir sehr wenig.

Das ist ein wirklich nützliches Signal. Es ist das erste Mal, dass du eine bloß zugestellte Sprachnachricht von einer tatsächlich angehörten unterscheiden kannst – was das Einzige ist, das du wirklich wissen wolltest.

Voicemail kommt als gewöhnliche Audionachricht an

Voicemail erreichte am 25. Juni 2026 die allgemeine Verfügbarkeit. Das Detail, das man sich einprägen sollte, ist, wie sie zugestellt wird: Voicemails kommen über den messages-Webhook als eingehende Audionachrichten.

Das bedeutet, dass sie an genau derselben Position landen wie jede andere Sprachnachricht – als Medien-ID, die auf eine Audiodatei zeigt, ohne angehängte Transkription. Deine verpassten Anrufe erzeugen jetzt mehr Audio, das du selbst transkribieren musst.

Was baust du also tatsächlich?

Streift man das Detail ab, ist die Architektur zwingend. Für jede eingehende Sprachnachricht erhältst du eine Medien-ID, lädst das Audio herunter und bringst deine eigene Sprache-zu-Text-Lösung mit. Es gibt keinen unterstützten Weg daran vorbei.

Das lässt dir eine echte Entscheidung, und es lohnt sich, sie bewusst statt standardmäßig zu treffen:

Bau es. Verbinde den Medien-Endpunkt mit einem Sprache-zu-Text-Anbieter. Du besitzt die Pipeline, die Wiederholungsversuche, die Audiospeicherung und ihre Aufbewahrungsrichtlinie, die Kosten pro Minute und die fortlaufende Frage der Genauigkeit bei realem Audio, das in Transportern und Cafés aufgenommen wurde. Vernünftig, wenn die Transkription zentral für dein Produkt ist und du Kontrolle über das Modell willst.

Bau es nicht. Wenn du nur willst, dass dein Team liest, was Kunden gesagt haben, ist das Aufsetzen und Warten einer Transkriptions-Pipeline eine Menge Entwicklungsarbeit, um etwas neu zu erfinden, das bereits existiert. Das Weiterleiten von Sprachnachrichten an einen Transkriptionsdienst liefert dir Text im Chat, in über 50 Sprachen, ohne Infrastruktur und ohne Audio, das du speichern und sichern musst.

Sei ehrlich dazu, welches Problem du hast. Zahlreiche Teams haben die Pipeline gebaut, weil das Schweigen der API sie verpflichtend erscheinen ließ – nicht weil die Transkription jemals das war, worin sie gut sein wollten.

Nutzt du die WhatsApp Business App statt der API? Anderes Produkt, andere Regeln – die Transkription lebt auf deinem Telefon und die Einrichtung ist eine Einstellungsoption. Lies stattdessen unsere Anleitung zum Transkribieren von WhatsApp-Business-Sprachnachrichten.

Quellen

Im Juli 2026 mit Metas Primärdokumentation abgeglichen.

• Meta for Developers – Audionachrichten – die .ogg/OPUS-Anforderung, die Automatisch/Manuell/Nie-Einstellung des Empfängers und der „abgespielt“-Status-Webhook ab dem 17. März 2026.
• Meta for Developers – Anruf-Transkription – der Anmeldeprozess, die verpflichtende Einwilligungsansage, die JSON-Transkriptionsstruktur, die Sprachabdeckung und das siebentägige Download-Fenster.
• WhatsApp Hilfebereich – Über Sprachnachricht-Transkriptionen – das Verhalten auf dem Gerät und empfängerseitig sowie die Android-Sprachliste.

Häufig gestellte Fragen

Gibt es einen Cloud API Endpunkt, der eine eingehende Sprachnachricht transkribiert? Nein. Stand Juli 2026 gibt es keinen Endpunkt der WhatsApp Business Platform, der eine Transkription einer eingehenden Sprachnachricht zurückgibt. Du erhältst eine Medien-ID, lädst das Audio herunter, und die Transkription ist deine Aufgabe.

Kann ein Unternehmen die Transkription einer empfangenen Sprachnachricht sehen? Nicht über die API. Transkriptionen werden auf dem Gerät des Empfängers erstellt und verlassen es nie. Selbst wenn dein Agent eine in der WhatsApp Business App liest, bleibt dieser Text auf diesem Telefon.

Warum zeigt meine Sprachnachricht nie eine Transkription? Fast immer eines von zwei Dingen. Entweder ist die Datei nicht .ogg mit OPUS kodiert – in diesem Fall schlägt die Transkription stillschweigend fehl – oder der Empfänger hat die Sprachnachricht-Transkriptionen auf Manuell oder Nie gestellt, was du nicht sehen oder überschreiben kannst.

Unterstützt die Calling API die Transkription? Ja, seit dem 30. Juni 2026. Melde dich pro Anruf an, beide Parteien hören eine erforderliche Ansage, und du erhältst JSON mit Sprechertrennung, Zeitangaben auf Wortebene und Konfidenzwerten über rund 54 automatisch erkannte Sprachen. Die Transkription ist sieben Tage lang herunterladbar. Sie transkribiert Anrufe, nicht Sprachnachrichten.

Ist die Anruf-Transkription kostenlos? Im Moment ja. Metas Dokumentation sagt, dass eine separate Preisgestaltung geplant ist, ohne Starttermin. Behandle den aktuellen Preis als vorübergehend.