Der Bedarf bei Meeting-Protokollen ist konkret: Bei einem 60-minütigen Meeting möchten Teilnehmer Ergebnisse, offene Aufgaben und Verantwortliche, nicht ein Wortprotokoll. Der Wert einer KI-API für Meeting-Protokolle liegt darin, aus einer Aufnahme eine durchsuchbare, zuweisbare und nachverfolgbare strukturierte Aufzeichnung zu machen. In der Praxis liegen die Schwierigkeiten weniger im Modell als in der Transkriptionsqualität, der Aufteilung langer Meetings, den Grenzen der Sprechertrennung und der Berechtigungskontrolle über Meetinginhalte.

Dieser Artikel beschreibt ein ausführbares Unternehmenskonzept mit Architektur, Modellwahl, Prompt, Berechtigungen, Kosten und Tests.

Hinweis: Spracherkennungs- und Sprachmodell-Schnittstellen unterscheiden sich je nach Anbieter. Der Artikel verwendet das verbreitete Muster „Transkriptions-API plus OpenAI-kompatible Dialogschnittstelle“; Modelle und Preise entnehmen Sie den Modellpreisen.

1. Gesamtarchitektur

Eine vollständige Kette für Meeting-Protokolle besteht meist aus fünf Abschnitten:

Aufnahme / Meeting-Stream
  → Objektspeicher (verschlüsselt, Lebenszyklus)
  → ASR-Transkription (mit Zeitstempeln, Sprechertrennung)
  → Textbereinigung und Segmentierung
  → LLM-Zusammenfassung (strukturiertes JSON)
  → Protokollarchiv (Rechte, Suche, Export)

Einige technische Punkte:

  1. Originalaudio und Transkript getrennt speichern und unterschiedliche Aufbewahrungsfristen setzen.
  2. Zeitstempel im Transkript behalten, damit jede Aussage im Protokoll auf die Originalstelle verweist.
  3. Die Zusammenfassung asynchron erzeugen; die Oberfläche zeigt zunächst den Status „Transkription läuft / Zusammenfassung läuft“.
  4. Fehlgeschlagene Schritte idempotent wiederholen, um doppelte Abrechnung und doppeltes Schreiben zu vermeiden.

2. Transkriptionsschicht: Zuerst die passende ASR wählen

Bei Meeting-Szenarien gibt es zwei Transkriptionsarten:

Typ Geeignet für Vorteile Grenzen
Echtzeit-Transkription Online-Meetings, Livestreams, Untertitel Geringe Latenz, während des Meetings sichtbar Satzgrenzen und Sprecherzuordnung können instabil sein
Dateitranskription Präsenzmeetings, Interviews, Nachbesprechungen Genauigkeit und Segmentierung stabiler Wartezeit, gut für asynchrone Verarbeitung

Bei der Auswahl besonders prüfen:

  • Erkennungsleistung für Deutsch und regionale Akzente.
  • Rückgabe von Zeitstempeln, Satzzeichen und Zahlenformaten.
  • Unterstützung der Sprechertrennung (Diarisierung).
  • Limits für Dateidauer, Format und Abtastrate.
  • Unterstützung benutzerdefinierter Wörterbücher für Namen, Produkte und Abkürzungen.
  • Datenaufbewahrung und regionale Compliance.

Bei vielen Fachbegriffen ist ein Wörterbuch oft wirksamer als ein Modellwechsel. Unternehmensnamen, Projektcodes und Produktnamen in einer Wortliste reduzieren homophone Fehler in der späteren Zusammenfassung deutlich.

3. Modellwahl: Transkription und Zusammenfassung trennen

Transkription und Zusammenfassung sollten nicht dasselbe Modell übernehmen. Sinnvoll ist diese Aufteilung:

  • Das ASR-Modell ist für das „richtige Hören“ zuständig: Zeichenfehlerrate, Zeitstempel und Sprecher.
  • Ein kleines Modell bereinigt, segmentiert und entfernt Füllwörter.
  • Ein starkes Modell erstellt die endgültige Zusammenfassung, extrahiert Aufgaben und erkennt Widersprüche.

Ein zweistündiges Meeting kann 20.000 bis 30.000 Zeichen Transkript ergeben. Den vollständigen Text direkt an ein starkes Modell zu geben, verursacht hohe Kosten und Latenz. Üblich ist, zuerst mit einem kleinen Modell nach Themen zu segmentieren und Redundanz zu verdichten und dann das starke Modell zusammenzufassen. Verfügbarkeit, Kontextlänge und Preise entnehmen Sie den Modellpreisen.

4. Lange Meetings aufteilen

Ziel der Aufteilung ist nicht gleichmäßige Länge, sondern semantische Unversehrtheit. Empfohlene Reihenfolge:

  1. Vorrangig nach Agenda oder Kapiteln teilen.
  2. Ohne Agenda nach Sprechpausen und Themenwechseln teilen.
  3. Einzelne Abschnitte auf 8 bis 15 Minuten begrenzen, mit geringer Überlappung.
  4. Jeden Abschnitt separat zusammenfassen und anschließend zu einem Gesamtprotokoll zusammenführen.
  5. Beim Zusammenführen deduplizieren und Meinungsverschiedenheiten sowie offene Punkte erhalten.

Das Map-Reduce-Muster „Abschnittszusammenfassungen plus Gesamtübersicht“ ist kontrollierbarer als ein einmaliger langer Kontext und erleichtert die Lokalisierung von Fehlern. Achten Sie beim Zusammenführen darauf, Rolle und Zeitraum jedes Abschnitts zu erhalten, sonst werden Aussagen leicht falsch zugeordnet.

5. Realistische Grenzen der Sprechertrennung

Sprechertrennung markiert, „wer spricht“, ist aber keine Identitätserkennung. Praktische Grenzen:

  • Bei gleichzeitigem Sprechen oder Überschneidungen werden Stimmen leicht zusammengeführt oder falsch getrennt.
  • Ferne Mikrofone und Raumhall verschlechtern die Trennung.
  • Je mehr Sprecher, desto höher die Fehlerquote.
  • Dieselbe Person kann über Geräte und Meetings hinweg unterschiedlich klingen.
  • Eine automatische Zuordnung zu echten Namen im Unternehmensverzeichnis ist nicht möglich.

Deshalb sollte das Produkt eine manuelle Korrekturmöglichkeit bieten: Nutzer können „Sprecher 1“ durch einen echten Namen ersetzen, und die Korrektur gilt für dieses Meeting, ohne stillschweigend in eine globale Identitätsdatenbank zu fließen. In der Außenkommunikation sollte von „Sprechertrennung“ statt „automatischer Teilnehmererkennung“ die Rede sein.

6. Prompt und Ausgabestruktur

Beim Zusammenfassungs-Prompt sind eine feste Ausgabestruktur und die Forderung nach Quellenverweisen entscheidend. Beispiel:

Du bist ein Assistent für Meeting-Protokolle. Erzeuge aus dem Transkript mit Zeitstempeln folgendes JSON:
{
  "title": "Meetingthema",
  "summary": "Ergebnis in höchstens 200 Wörtern",
  "decisions": [{"content": "", "time": ""}],
  "action_items": [{"task": "", "owner": "", "due": "", "time": ""}],
  "risks": [{"content": "", "time": ""}],
  "open_questions": [{"content": "", "time": ""}]
}
Regeln:
1. Nur das Transkript verwenden, keine externen Fakten ergänzen.
2. Sind Verantwortlicher oder Frist unklar, null eintragen und „zu bestätigen“ vermerken.
3. Jede Aussage möglichst mit Zeitstempel versehen.
4. „Entschieden“ und „noch zu diskutieren“ trennen und nicht vermischen.

Technisch sollte eine JSON-Schema-Prüfung folgen. Fehlen Felder oder stimmen Typen nicht, einmal automatisch wiederholen; bei erneutem Fehler auf eine reine Textzusammenfassung zurückfallen und manuelle Prüfung markieren.

7. Berechtigungen und Datenschutz

Meetinginhalte enthalten oft sensible Informationen zu Personal, Verträgen oder Übernahmen. Berechtigungen müssen serverseitig durchgesetzt werden und dürfen nicht dem Modell überlassen bleiben.

  • Freigabe nach Teilnehmern: Nur Teilnehmer und berechtigte Personen sehen das Protokoll.
  • Mandantentrennung: Index, Objektspeicher und Cache tragen eine Mandantenkennung.
  • Minimale Rechte: Der Zusammenfassungsdienst liest nur das aktuelle Meeting, nicht meetingübergreifend.
  • Verschlüsselung: Übertragung und Speicherung verschlüsseln, Schlüssel separat verwalten.
  • Aufbewahrung: Für Audio, Transkript und Zusammenfassung getrennte Fristen setzen, Löschung nach Ablauf unterstützen.
  • Audit: Festhalten, wer wann eingesehen, exportiert oder geteilt hat.
  • Sensible Meetings: Administratoren können „keine KI-Verarbeitung“ oder „nur lokale Verarbeitung“ erlauben.
  • Anbieterbedingungen: Klären, ob Audio und Text zum Training verwendet werden und wie lange sie gespeichert bleiben.

Bei Drittanbietermodellen sollten Teilnehmer vor dem Meeting über Aufzeichnung und KI-Verarbeitung informiert werden und eine Rückzugsmöglichkeit erhalten. Das ist sowohl Compliance-Anforderung als auch Voraussetzung für die interne Akzeptanz.

8. Kosten schätzen

Die Kosten für Meeting-Protokolle bestehen aus drei Teilen:

Kosten pro Meeting =
  Audiodauer × Transkriptionspreis
+ Eingabe-Token × Eingabepreis
+ Ausgabe-Token × Ausgabepreis
+ Wiederholungs- und Speicherkosten

Übliche Maßnahmen zur Kostensenkung:

  1. Nur Meetings mit Protokollbedarf aufzeichnen, nicht flächendeckend.
  2. Zuerst transkribieren, dann zusammenfassen; bei fehlgeschlagener Zusammenfassung nicht erneut transkribieren.
  3. Abschnittszusammenfassungen mit kleinen Modellen, Gesamtübersicht mit einem starken Modell.
  4. Wiederkehrende Meetings templatisieren, um Prompt und Kontext zu reduzieren.
  5. Budgetgrenzen pro Meeting und Monat setzen, bei ungewöhnlicher Dauer automatisch warnen.

Konkrete Preise entnehmen Sie den Modellpreisen; verwenden Sie keine festen Beträge wie „einige Cent pro Minute“ für die langfristige Budgetplanung, da sich Modell- und Transkriptionspreise ändern.

9. Test und Produktivstart

Bereiten Sie 30 bis 50 echte Meetings als Evaluationsset vor, die Folgendes abdecken:

  • Online und präsenz, einzeln und mit mehreren Personen.
  • Klar und laut, Standardsprache und mit Akzent.
  • Mit und ohne Agenda, mit und ohne Fachbegriffe.
  • Kurze und lange Meetings, mit und ohne gleichzeitiges Sprechen.

Zentrale Kennzahlen:

Metrik Erläuterung
Zeichenfehlerrate der Transkription Stichprobenartige manuelle Prüfung, Fachvokabular separat auswerten
Genauigkeit der Sprecherzuordnung Sind Segmente korrekt, ist manuelle Korrektur möglich?
Recall der Aufgaben Werden echte To-dos vollständig erkannt?
Genauigkeit der Aufgaben Stimmen Verantwortlicher und Termin?
Halluzinationsrate Enthält die Zusammenfassung Aussagen, die im Original fehlen?

Für den Produktivstart zunächst eine Abteilung mit kleinem Umfang testen, zwei Wochen manuell prüfen und dann schrittweise erweitern. Ein einzelnes Meeting mit guter Demonstration ist nicht repräsentativ für die Gesamtqualität.

Häufige Fragen

Erkennt die KI-API direkt die Namen der Teilnehmer?

Meist nicht. Sprechertrennung unterscheidet nur „Stimme A“ und „Stimme B“. Für echte Namen sind ein Unternehmensverzeichnis oder manuelle Korrektur nötig.

Für welche Meetinglängen eignet sich die automatische Zusammenfassung?

Bei 30 bis 90 Minuten sind die Ergebnisse meist stabil. Bei mehr als zwei Stunden sollte nach Agenda segmentiert werden, sonst gehen Details verloren.

Muss die Aufnahme in die Cloud hochgeladen werden?

Das hängt von den Compliance-Anforderungen ab. Für sensible Meetings kommt lokales oder privates Deployment infrage; bei Cloud-Diensten sind Aufbewahrungs- und Trainingsbedingungen zu prüfen.

Was tun bei Fehlern in der Zusammenfassung?

Zeitstempel-Rückverweise erhalten, manuelle Bearbeitung erlauben und Änderungen protokollieren. Für Aufgaben einen Bestätigungsschritt einbauen und sie nicht direkt in das Aufgabensystem schreiben.

Werden Dialekte und Fremdsprachen unterstützt?

Das hängt von der Sprachunterstützung des ASR-Modells ab. Bei gemischtsprachigen Meetings zuerst mit realen Akzenten und Fachbegriffen testen und dann über den Einsatz entscheiden.

Nächste Schritte

Wenn Ihr Team Meeting-Protokolle einführen möchte, empfiehlt sich zuerst ein POC mit einer echten Meetingkette: Transkription, Segmentierung, Zusammenfassung, Berechtigungen und Export jeweils durchspielen und anschließend die Kosten bewerten. Für einen einheitlichen Modelleinstieg und Verbrauchsverwaltung können Sie sich im ZSQH AI Gateway registrieren; Modelle und Preise entnehmen Sie den Modellpreisen.

Weiterlesen: