Transkript-Archiv für KI-Agenten: Audio abfragbar machen

In fast jedem Team sammelt sich Audio: Besprechungsmitschnitte, Vertriebsgespräche, Interviewaufnahmen, Podcast-Folgen, interne Schulungen. Dateien, die nominell das gemeinsame Gedächtnis der Firma enthalten und praktisch in Ordnern liegen, die niemand ein zweites Mal öffnet. Durchsuchbar? Nach Dateiname, wenn man ihn noch weiß.

2026 ist das lösbar. Transkription ist günstig genug geworden (unter 0,30 € pro Stunde), dass es sich lohnt, standardmäßig alles zu transkribieren. KI-Agenten lesen Text mühelos. Das Model Context Protocol gibt ihnen strukturierten Zugriff auf externe Systeme. Wenn man die drei Dinge verbindet, entsteht ein Aufbau, in dem Claude Fragen beantwortet wie "was haben wir dem Kunden in Hamburg zum Zeitplan gesagt", mit Belegstellen aus den echten Aufnahmen.

Dieser Artikel geht die Architektur durch: was aufnehmen, wie transkribieren, wie einem Agenten zugänglich machen, und welche Datenschutzentscheidungen wirklich zählen.

Die Form des Problems

Audio ist abfragefeindlich. Man kann kein MP3 durchsuchen, nicht auf einen Satz in einer Besprechung verlinken, keinen Chatbot zu einem Vertriebsgespräch von vor drei Monaten befragen. Die Information ist da, kodiert in einer Wellenform, aber jeder Konsument, Mensch oder Werkzeug, muss linear zuhören.

Transkription dreht das um. Ein Transkript ist Text, und Text lässt sich indexieren, durchsuchen, zusammenfassen, einbetten, verlinken. Aus einer Stunde Besprechung wird ein abfragbares Objekt statt einer unöffenbaren Datei.

Aber Transkription allein ist nicht das Ziel. Das Ziel ist: Agenten, die mit dem Gesagten arbeiten können. Dafür braucht es drei Schichten:

1. Transkribieren, also Audio in Text mit Zeitstempeln und Sprecherzuordnung wandeln
2. Ablegen, also Transkripte abfragbar halten, so lange es die Compliance erlaubt
3. Öffnen, also Agenten einen strukturierten Weg zum Suchen und Lesen geben

Die ersten beiden sind bekanntes Gelände. Der dritte ist der Teil, den MCP möglich macht.

MCP in drei Sätzen

Das Model Context Protocol, Ende 2024 von Anthropic vorgestellt und inzwischen breit übernommen, ist ein einheitlicher Weg für Sprachmodelle, mit externen Systemen zu sprechen. Ein MCP-Server bietet Werkzeuge an, und die Laufzeit des Agenten ruft sie mitten im Gespräch auf.

Der Gewinn gegenüber früherem Function Calling ist die Austauschbarkeit. Ein Server, den Sie einmal anbinden, funktioniert mit Claude, mit Cursor, mit Zed und mit allem, was MCP spricht. Sie hören auf, pro Agent eine eigene Integration zu bauen.

Für Transkription passt das gut: der Agent sucht, bekommt Treffer mit Sprecher und Zeitstempel zurück und webt sie in seine Antwort. Aus welcher Besprechung die Antwort kam, muss der Nutzer erst wissen, wenn er nach Belegen fragt.

Architektur

Ein funktionierender Aufbau sieht so aus:

[Aufnahmequellen]                    [DeepScript]                    [Agent]

Zoom/Meet-Mitschnitte  ─►  ┌────────────────────┐   MCP-Abfrage   ┌─────────────┐
Telefonate             ─►  │  Transkribieren    │  ◄────────────  │  Claude     │
Feldaufnahmen          ─►  │  Ablegen + Index   │  ─ JSON ──────► │             │
                           └────────────────────┘                 └─────────────┘
                                    │                                    │
                                    └─ dauerhafte Speicherung via Pro ───┘

Drei Bestandteile.

Von der Quelle zu DeepScript. Was auch immer Audio produziert, legt die Dateien über die REST-API ab. Ein kleines Skript, das einen Ordner beobachtet, genügt.

Transkription und Ablage. Audio wird verarbeitet, Transkripte werden gespeichert. Voreingestellt sind 30 Tage Aufbewahrung; der Pro-Tarif hebt das auf. Für ein agentenlesbares Archiv brauchen Sie praktisch immer Pro.

MCP-Zugriff. DeepScript betreibt den MCP-Server selbst, unter https://mcp.deepscript.com, mit drei Werkzeugen: search_transcripts für die Volltextsuche, get_transcript für den vollständigen Text einer Transkription samt Wort-Metadaten, list_recent für die letzten N Transkriptionen.

Der Agent sieht nur, was seine Zugangsdaten erlauben, und die Zugangsdaten sind ein normaler ds_live_-API-Schlüssel. Ein Schlüssel gehört genau einer Ablage, damit ist die Ablagenstruktur das Werkzeug für die Rechtevergabe.

Einrichtung in einer Viertelstunde

1. Pro für die Ablage aktivieren, die der Agent sehen soll

Dauerhafte Speicherung setzt den Pro-Tarif voraus (22 € im Monat je Ablage). Andere Ablagen können auf der 30-Tage-Voreinstellung bleiben, die Abrechnung ist je Ablage und nicht pauschal.

Das läuft über die Abrechnung in der App, nicht über die öffentliche API: unter Billing → Pro aktivieren, einmal durch Stripe Checkout. Weitere Ablagen kommen ohne erneuten Checkout dazu.

2. API-Schlüssel als MCP-Zugang erzeugen

Es gibt keinen eigenen Tokentyp. Der MCP-Server nimmt denselben ds_live_-Schlüssel wie die REST-API, erzeugt unter Einstellungen → API-Schlüssel. Behandeln Sie ihn wie ein Passwort: er gibt Lesezugriff auf die Transkripte seiner Ablage.

3. Server in Claude Desktop eintragen

Nichts zu installieren, der Server ist gehostet:

{
  "mcpServers": {
    "deepscript": {
      "url": "https://mcp.deepscript.com",
      "headers": {
        "Authorization": "Bearer ds_live_xxx"
      }
    }
  }
}

Nach dem Neustart erscheinen die Werkzeuge. Jetzt lassen sich Fragen stellen wie:

• "Liste die letzten Besprechungen im Archiv"
• "Suche alles, was wir zum Rollout in Hamburg besprochen haben"
• "Was hat Sandra zum Budget im dritten Quartal gesagt?"
• "Hol die Stelle aus der Vollversammlung letzten Dienstag, wo es um Einstellungen ging"

Der Agent ruft search_transcripts, bekommt Ausschnitte samt Transkript-IDs, holt über get_transcript nach, wo er Zusammenhang braucht, und formuliert eine Antwort. Wer Belege verlangt, bekommt sie.

4. Den Upload automatisieren

Die häufigste Lücke ist "wir haben Audio, aber es landet nie in DeepScript". Der einfachste Weg ist ein Ordnerbeobachter:

import os, time, requests
from pathlib import Path

WATCH = Path("~/Aufnahmen").expanduser()
API_KEY = os.environ["DS_API_KEY"]

uploaded = set()
while True:
    for f in WATCH.glob("*.{mp3,wav,m4a,mp4}"):
        if f.name in uploaded:
            continue
        with open(f, "rb") as fh:
            r = requests.post(
                "https://api.deepscript.com/v1/transcriptions",
                headers={"Authorization": f"Bearer {API_KEY}"},
                files={"file": fh},
                data={"model": "premium"},
            )
        if r.ok:
            uploaded.add(f.name)
    time.sleep(60)

Der Upload trägt keine Ablage mit: der Schlüssel entscheidet, wo das Transkript landet. Bei Zoom-Cloud-Aufzeichnungen können Sie die lokale Datei überspringen und stattdessen recording.completed abonnieren, die Datei mit dem Recording-Token holen und weitergeben. Etwa 50 Zeilen.

Was das ermöglicht

Vertriebsgespräche wiederfinden. "Finde das Gespräch, in dem wir X bis Y zugesagt haben", statt 40 Aufnahmen zu hören. Die Belegstelle bringt Sie auf die Minute.

Forschungssynthese. Wer 30 anonymisierte Interviews hat, fragt nach Mustern zu einem Thema und bekommt Zusammenfassungen, die auf echten Zitaten stehen.

Compliance-Prüfung. Die Rechtsabteilung fragt, ob ein bestimmtes Thema im letzten Quartal in Kundengesprächen vorkam, und bekommt einen Bericht mit Zeitstempeln.

Einarbeitung. "Was wurde zu diesem Projekt im letzten halben Jahr entschieden?" Neue Kollegen bekommen eine chronologische Übersicht, statt fünf Leute zu fragen.

Das Muster ist überall dasselbe: Fragen, die vorher entweder Zuhören oder Kollegenbefragung verlangten, sind aus einer Chat-Oberfläche beantwortbar.

Was Sie damit nicht tun sollten

Echtzeit-Unterstützung. Der Abruf über MCP kostet Sekunden pro Anfrage. Für Assistenten während der Besprechung brauchen Sie Streaming-Transkription, nicht dieses Muster.

Sehr sensible Inhalte mit breitem Agentenzugriff. Wenn Transkripte Mandantengeheimnisse, Patientendaten oder Personalangelegenheiten enthalten, gehören sie in eine eigene Ablage mit eigenem Schlüssel. Geben Sie einem allgemeinen Agenten keinen Zugriff auf eine Ablage, die er nicht sehen soll: Agenten folgen Anweisungen, auch versehentlichen.

Gedächtnis ersetzen. Ein Agent über einem Archiv ist gut im Finden und Zusammenfassen. Er ist nicht gut darin, zu entscheiden, was wichtig ist. Das Transkript ist die Quelle, die Zusammenfassung eine nützliche, aber verlustbehaftete Sicht.

Die Datenschutzprüfung überspringen. Dauerhafte Speicherung heißt dauerhafte Verantwortung. Entscheiden Sie den Löschweg, bevor Sie anfangen zu sammeln. DELETE /v1/transcriptions/{id} funktioniert auf Pro-Material genauso wie auf Material mit Standardaufbewahrung, aber ein dokumentiertes Löschkonzept sollte vor dem ersten Jahr Aufnahmen stehen, nicht danach.

Die Datenschutzfragen, die wirklich zählen

Einen Agenten vor ein Audioarchiv zu setzen, bündelt viel Organisationswissen an einer Stelle. Das ist der Zweck, und es erhöht den Einsatz bei der Zugriffskontrolle.

Wer hat den Schlüssel, und zu welcher Ablage gehört er? Ein Schlüssel auf "alle Vertriebsgespräche" ist deutlich mächtiger als einer auf "Gespräche, an denen ich beteiligt war". Weil ein Schlüssel genau einer Ablage gehört, ist die Ablagenstruktur das Mittel: ein Schlüssel je Anwendungsfall.

Wo läuft der Agent? Ein selbst betriebener Agent verarbeitet die Transkripte auf Ihrer Hardware. Claude Desktop, das mit der Anthropic-API spricht, gibt Anfragen und abgerufene Inhalte an einen Dritten. Für DSGVO-gebundene Daten heißt das: Verarbeitungsbedingungen des Anbieters lesen, AVV abschließen, den Datenfluss ins Verarbeitungsverzeichnis aufnehmen. Bei Berufsgeheimnissen nach § 203 StGB ist bereits der Ausschnitt eine Offenbarung, und die braucht ihre eigene Grundlage.

Nachvollziehbarkeit. Legen Sie vorher fest, woran Sie Missbrauch merken würden. Jeder Schlüssel trägt einen Zeitstempel der letzten Nutzung, Zugriffe landen im Audit-Log des Kontos. Das gehört regelmäßig angesehen, nicht erst nach einem Vorfall.

Betroffenenrechte. Enthalten Transkripte personenbezogene Daten identifizierbarer Personen, gilt das Recht auf Löschung für das Transkript genauso wie für das Audio. Die Löschung je Transkription ist über die API möglich und muss in Ihrem Prozess vorgesehen sein.

Fazit

Die Kombination aus günstiger Transkription, strukturierter Ablage und einem standardisierten Agentenprotokoll ist wirklich neu. Vor fünf Jahren war "unser Archiv KI-abfragbar machen" ein sechsstelliges Beratungsprojekt. Heute ist es eine Wochenendarbeit: drei Bestandteile, jeder Massenware, verbunden mit etwa 100 Zeilen Code.

Der Engpass ist nicht mehr die Technik. Er liegt in den Entscheidungen, was archiviert wird, wer Zugriff bekommt und wie Material ausgemustert wird, bevor es zum Risiko wird. Das sind organisatorische Fragen, keine technischen.

Wer es ausprobieren will: der API-Einstieg dauert zehn Minuten, drei Transkriptionen sind kostenlos, und die Details zur Anbindung stehen auf der MCP-Integrationsseite.