Audio und Video in Text verwandeln, mit dem sich arbeiten lässt
Die Aufnahmequalität bestimmt die Transkriptqualität stärker als das Modell. Wie Sie eine Datei vorbereiten, welche Genauigkeit realistisch ist, und warum Interviews und Besprechungen nicht auf fremde Server gehören.
Aktualisiert am 24. August 20267 Min. Lesezeit
Spracherkennung ist inzwischen so gut geworden, dass das Modell nur noch selten der begrenzende Faktor ist. Was ein Transkript heute begrenzt, ist die Aufnahme: wie weit das Mikrofon von der sprechenden Person entfernt war, wie stark der Raum hallte, ob zwei Menschen gleichzeitig redeten. Geben Sie einer modernen Erkennung eine saubere Aufnahme, und Sie erhalten etwas beinahe Veröffentlichungsreifes. Geben Sie ihr ein Telefon auf dem Besprechungstisch, und keine Software rettet das.
Wovon Genauigkeit tatsächlich abhängt
Transkriptionsgenauigkeit wird üblicherweise als Wortfehlerrate angegeben – der Anteil eingefügter, ausgelassener oder falsch erkannter Wörter. Ein gutes Ergebnis bei sauberer Sprache liegt unter 5 %, also etwa ein Fehler alle zwei Sätze, den man beim Lesen leicht korrigiert. Oberhalb von rund 20 % dauert das Korrigieren länger als das Neutippen, und nützlich ist zu wissen, welche Bedingungen Sie über diese Grenze drücken.
| Bedingung | Wirkung | Was dagegen hilft |
|---|---|---|
| Mikrofon nah an der sprechenden Person | Bester Fall, unter 5 % | Nichts – das ist das Ziel |
| Telefon auf dem Tisch, zwei Meter entfernt | Merklich schlechter | Beim nächsten Mal näher heran; das ist der größte Hebel |
| Halliger Raum, harte Oberflächen | Schwerwiegend – Nachhall verwischt die Wortgrenzen | Weiche Textilien, oder näher aufnehmen |
| Dauerhaftes Hintergrundbrummen | Mäßig | Hier hilft Rauschreduktion erheblich |
| Zwei Menschen sprechen gleichzeitig | Beide gehen verloren | Im Nachhinein nicht zu beheben |
| Starker Akzent oder schnelles Sprechen | Etwas schlechter | Rechnen Sie mit mehr Fehlern bei Namen und Fachbegriffen |
| Musik unter der Sprache | Schlecht | In einer bereits gemischten Aufnahme nicht zu beheben |
Beachten Sie, wie viele dieser Zeilen Entscheidungen sind, die vor der Existenz der Aufnahme fallen. Transkription ist eine der wenigen Aufgaben, bei denen fünf Sekunden Vorbereitung jede spätere Verarbeitung schlagen – und die Vorbereitung besteht fast immer darin, das Mikrofon näher an den Mund zu bringen.
Eine Datei so vorbereiten, dass sie sich gut transkribiert
Holen Sie den Ton aus dem Video
Wenn Ihre Quelle eine Bildschirmaufnahme oder ein gefilmtes Interview ist, extrahieren Sie zuerst die Tonspur. Wählen Sie das Format, das das Werkzeug als verlustfreie Kopie kennzeichnet – bei einem MP4 meist M4A –, dann wird die Spur ohne Neukodierung herauskopiert; mit einer 30-MB-Audiodatei statt eines 2-GB-Videos zu arbeiten beschleunigt alles Weitere. Der kostenlose Tarif nimmt Videos bis 300 MB an und extrahiert bis zu einer Stunde Ton; Pro hebt diese Grenzen für MP4, MOV, WebM und MKV auf.
Beseitigen Sie gleichmäßiges Hintergrundgeräusch
Klimaanlage, Rechnerlüfter und Verkehrsrauschen sind konstant, also genau die Art Geräusch, die Rauschreduktion gut entfernt. Bleiben Sie bei einer leichten Einstellung: Aggressive Reduktion frisst Konsonanten, und auf Konsonanten stützt sich die Erkennung.
Schneiden Sie die Stellen ohne Sprache heraus
Zehn Minuten Vorgeplänkel vor Beginn des Interviews sind zehn Minuten unnötige Verarbeitung. Der Stille-Entferner verkürzt lange Lücken, und Anfang und Ende von Hand zu kürzen dauert Sekunden.
Teilen Sie sehr lange Aufnahmen auf
Lange Aufnahmen funktionieren mit Pro (der kostenlose Tarif deckt 10 Minuten pro Datei ab), aber ein Abbruch nach zwei Dritteln kostet Sie alles. Eine lange Datei in Abschnitte von fünfzehn bis zwanzig Minuten zu teilen macht die Arbeit fortsetzbar und das Korrekturlesen gegen den Ton leichter.
Transkribieren, dann einmal gegen den Ton lesen
Lesen Sie den Text nicht für sich allein Korrektur. Spielen Sie die Aufnahme mit 1,5× ab, während Sie das Transkript lesen: Fehler, die auf dem Papier plausibel wirken, sind offensichtlich, sobald man hört, was wirklich gesagt wurde.
Was das Modell falsch machen wird
Die Fehler moderner Erkennung sind nicht zufällig – sie sind selbstsicher, grammatisch und plausibel, was sie schwerer auffindbar macht als das Kauderwelsch älterer Systeme. Die Kategorien zu kennen sagt Ihnen, wo Sie hinsehen müssen.
- Eigennamen. Namen von Personen, Firmen und Produkten sind mit Abstand die häufigsten Fehler, weil sie seltene Wörter sind, die das Modell kaum bevorzugen wird. Legen Sie eine Liste der Namen aus der Aufnahme an und suchen Sie sie danach gezielt.
- Homophone im Kontext. *das* und *dass*; *seid* und *seit*; *wieder* und *wider*. Alle grammatisch, alle stillschweigend falsch.
- Zahlen und Einheiten. Schnell gesprochene Zahlen werden oft als Wörter transkribiert oder als ganz andere Zahl. Alles Finanzielle oder Medizinische muss direkt gegen den Ton geprüft werden.
- Sprecherzuordnung. Wo ein Transkript Sprechende trennt, verschieben sich die Grenzen nach Unterbrechungen und können zwei Personen über eine ganze Passage vertauschen.
- Erfundene Flüssigkeit. Auf geschriebenen Texten trainierte Systeme neigen dazu, Sprache zu glätten und Fehlstarts und Selbstkorrekturen wegzulassen. Meist willkommen, gelegentlich ein Problem, wenn es auf den genauen Wortlaut ankommt.
- Halluzinierte Sätze in der Stille. Lange stille oder musikalische Passagen können plausible Sätze hervorbringen, die nie gesprochen wurden. Schneiden Sie sie vorher heraus.
Warum das kein Upload sein sollte
Denken Sie daran, was üblicherweise transkribiert wird. Interviews mit Quellen. Ärztliche Gespräche. Anwaltstelefonate. Aufsichtsratssitzungen. Therapiestunden. Forschungsgespräche unter einem Ethikvotum, das festlegt, wo die Daten liegen dürfen. Die Sorte Audio, die Menschen transkribiert haben wollen, überschneidet sich fast vollständig mit der Sorte Audio, die man niemandem Dritten übergeben sollte.
Der übliche Online-Transkriptionsdienst lädt Ihre Aufnahme hoch, verarbeitet sie auf gemeinsam genutzter Infrastruktur und gibt Text zurück. Die Aufnahme liegt in deren Speicher unter einer Aufbewahrungsregel, die Sie nicht ausgehandelt haben, kann je nach Zustimmung zur Verbesserung ihrer Modelle dienen und unterliegt dem Recht dort, wo ihre Server stehen. Für einen großen Teil professioneller Aufnahmen macht schon das allein das Werkzeug unbrauchbar, unabhängig von seiner Genauigkeit.
Wenn Sie eine Datei transkribieren, führt das Spracherkennungs-Werkzeug hier das Erkennungsmodell auf Ihrem eigenen Gerät aus: Die Aufnahme wird auf Ihrem Gerät verarbeitet, nicht auf unseren Servern, und das Transkript bleibt bei Ihnen. Das beseitigt auch die Wartezeit fürs Hochladen vollständig – eine zweistündige Aufnahme beginnt sofort mit der Verarbeitung statt nach zwanzig Minuten Übertragung (kostenlos: bis 10 Minuten und 50 MB pro Datei; Pro: so lang, wie Ihr Gerät verkraftet) – und sobald das Modell einmal heruntergeladen ist, funktioniert die Dateitranskription auch ohne Verbindung. Live-Diktat per Mikrofon funktioniert anders: Es nutzt den Sprachdienst Ihres Geräts, der in der Cloud laufen kann, und das Werkzeug zeigt für jede Sitzung an, ob sie auf dem Gerät oder in der Cloud läuft.
Dateitranskription, die auf Ihrem Gerät läuft, nicht auf unseren Servern – keine Upload-Wartezeit, keine Serverkopie, keine Aufbewahrungsregel zum Nachlesen.
Aufnahme transkribierenAus einem Rohtranskript etwas Nützliches machen
Die Rohausgabe einer Transkription ist eine Textwand: keine Absätze, uneinheitliche Zeichensetzung und jedes *äh* getreu bewahrt. Was Sie damit tun, hängt vom Zweck ab, und die vier üblichen Ziele verlangen ziemlich Unterschiedliches.
| Zweck | Was bleibt | Was gestrichen wird |
|---|---|---|
| Untertitel | Alles, mit Zeitmarken | Nichts – die Treue zum gesprochenen Wort zählt |
| Zitat in einem Artikel | Der exakte Wortlaut, gegen den Ton geprüft | Nichts, aber jede Auslassung ehrlich kennzeichnen |
| Besprechungsnotizen | Entscheidungen, Aufgaben, Zahlen | Fast alles – das ist Zusammenfassen |
| Blogbeitrag aus einem Vortrag | Aufbau und Argumentation | Füllwörter, Wiederholungen, mündliche Syntax |
| Durchsuchbares Archiv | Der vollständige Text unverändert | Nichts; auch unvollkommener Text ist durchsuchbar |
Fürs Aufräumen selbst entfernt der Text-Trimmer überflüssige Leerzeichen und Leerzeilen in einem Zug, und der Wortzähler sagt Ihnen, womit Sie es zu tun haben: Eine Stunde Gespräch sind typischerweise acht- bis zehntausend Wörter – nützlich zu wissen, bevor Sie jemandem eine zweiseitige Zusammenfassung versprechen.
Eine Gewohnheit, die sich von der professionellen Transkription abschauen lässt: Bewahren Sie die Rohausgabe als eigene Datei auf und bearbeiten Sie eine Kopie. Sind Füllwörter und Fehlstarts erst entfernt, lassen sie sich nur durch Rückgriff auf den Ton wiederherstellen – und der Moment, in dem Sie den exakten ursprünglichen Wortlaut brauchen, kommt ausnahmslos nach dem Aufräumen.
Häufige Fragen
Wie genau ist automatische Transkription?
Bei einer sauberen Aufnahme mit nahem Mikrofon irrt moderne Erkennung typischerweise bei weniger als einem von zwanzig Wörtern, was sich beim Lesen rasch korrigieren lässt. Abstand zum Mikrofon, Raumhall und einander überlappende Sprechende verschlechtern das jeweils deutlich, und keine Software holt zurück, was eine schlechte Aufnahme nie deutlich erfasst hat.
Kann ich ein Video direkt transkribieren?
Ja, es geht aber schneller, zuerst die Tonspur zu extrahieren. Das Extrahieren ist flott – und verlustfrei, wenn Sie das ursprüngliche Format der Spur beibehalten – und macht aus einem großen Video eine handliche Audiodatei, was das anschließende Säubern, Aufteilen und Transkribieren deutlich beschleunigt.
Ist es sicher, vertrauliche Aufnahmen online zu transkribieren?
Nur wenn die Verarbeitung auf Ihrem eigenen Gerät stattfindet. Ein Dienst, der den Ton hochlädt, besitzt eine Kopie davon, unterworfen seiner Aufbewahrungsregel und seiner Rechtsordnung – das schließt die meisten professionellen Aufnahmen aus: Interviews, Sprechstunden, Anwaltsgespräche. Eine Transkription, die auf Ihrem Gerät läuft, sendet die Datei nirgendwohin, es gibt also nichts aufzubewahren.
Warum schreibt das Transkript Namen falsch?
Eigennamen sind für jede Erkennung die schwierigste Kategorie, weil sie selten sind und das Modell keinen kontextuellen Grund hat, eine ungewöhnliche Schreibweise einem ähnlich klingenden geläufigen Wort vorzuziehen. Effizient ist, die in der Aufnahme vorkommenden Namen aufzulisten und anschließend nach Beinahe-Treffern zu suchen, statt beim Lesen darauf zu lauern.