Blog

Eine Aufnahme transkribieren: Methoden und Schritte

Autor: Hushscript | Veröffentlicht: 11. September 2026 | Zuletzt geprüft: 11. September 2026

Eine Aufnahme wird erst nützlich, wenn sie zu Text wird. Ein Meeting, ein Telefonat, eine Sprachnotiz, ein Interview mit einem einzelnen Gast – welche Quelle auch immer, das Problem sieht immer gleich aus: Sie brauchen Wörter, die Sie durchsuchen, zitieren und an jemanden weitergeben können, der nicht im Raum war. Dieser Leitfaden behandelt eine typische Aufnahme, von wenigen Minuten bis zu ein paar Stunden, von der Wahl der Methode bis zum fertigen Export. Für eine Aufnahme über der Zweistundenmarke siehe wie man eine lange Aufnahme transkribiert; für mehrere Dateien auf einmal siehe Transkribieren eines Ordners mit Aufnahmen.

Manuell, automatisch oder hybrid

Es gibt drei Wege von Audio zu Text, und die meisten Menschen nutzen je nach Aufnahme am Ende mehr als einen.

Manuelle Transkription bedeutet, jedes Wort selbst anzuhören und einzutippen. Sie gibt Ihnen volle Kontrolle, ohne dass ein Dritter beteiligt ist, ist aber langsam: Ein sorgfältiger Durchgang durch eine Stunde klaren Audios dauert leicht mehrere Stunden, wenn man Abspielen, Erneutes Tippen und Korrekturlesen mitzählt. Sie ist sinnvoll für einen kurzen Clip, eine Aufnahme in einer Sprache, die Ihr automatisches Tool schlecht beherrscht, oder Material, das Ihre Hände wirklich nicht verlassen darf.

Automatische Spracherkennung erledigt dieselbe Aufgabe in Minuten statt Stunden. Ein Modell hört sich die Wellenform an, sagt die wahrscheinlichsten Wörter voraus und liefert einen Entwurf mit bereits gesetzter Zeichensetzung und Sprecherlabels zurück. Der Entwurf ist nicht perfekt, aber bei den meisten alltäglichen Aufnahmen ist er nah genug dran, dass ein kurzer Durchlesevorgang den Rest auffängt.

Hybride Transkription ist der automatische Entwurf plus Ihr eigener Korrekturdurchgang. Darauf läuft die meiste wiederkehrende Transkriptionsarbeit hinaus: Das Modell übernimmt den Großteil des Tippens, Sie übernehmen Namen, Fachbegriffe und alles, was falsch verstanden wurde. Es kostet einen Bruchteil der manuellen Arbeit und liefert ein saubereres Ergebnis als ein ungeprüfter automatischer Entwurf.

Welche Methode passt, hängt weniger von der Länge der Aufnahme ab als davon, was später mit dem Transkript geschieht. Ein Zitat für einen Artikel braucht den genauen Wortlaut gegen das Audio geprüft, unabhängig von der Methode. Grobe Meeting-Notizen für den eigenen Gebrauch brauchen so gut wie nie eine Überprüfung.

Was die Genauigkeit wirklich bestimmt

Der mit Abstand größte Faktor für die Transkriptionsgenauigkeit ist die Aufnahme selbst, nicht die Software, die sie liest. Klares, nah am Mikrofon aufgenommenes Audio mit jeweils nur einer sprechenden Person liefert bei fast jedem automatischen System einen sauberen Entwurf. Eine Aufnahme quer durch einen Raum, über eine schlechte Telefonleitung oder mit drei Personen, die durcheinanderreden, erzeugt Fehler, unabhängig davon, welches Tool sie liest. Der W3C-Leitfaden zur Erstellung akkurater Transkripte macht denselben Punkt aus Sicht der Barrierefreiheit: Ein Transkript steht stellvertretend für das Audio, seine Genauigkeit muss also für sich selbst bestehen, unabhängig davon, wie gut die Originalaufnahme für eine Person im Raum klang.

Ein paar Dinge, die Sie vor dem Hochladen kontrollieren, zählen mehr als jede Einstellung danach:

• Nehmen Sie nah an der sprechenden Person auf, nicht quer durch den Raum.
• Vermeiden Sie es, zwei Mikrofone auf dasselbe Gespräch zu richten; das verdoppelt den Raumklang, ohne Signal hinzuzufügen.
• Wenn die Datei Ihnen die Wahl lässt, bevorzugen Sie eine höhere Bitrate gegenüber einer kleineren Datei. Kompressionsartefakte wirken auf ein Sprachmodell wie Rauschen auf ein menschliches Ohr.

Aktuelle Arbeiten zur automatischen Spracherkennung, darunter ein Überblick von 2024 über Deep-Learning-Ansätze für ASR, verfolgen, wie weit die Genauigkeit bei sauberem Audio bereits gekommen ist und wie stark sie weiterhin von Trainingsdaten für einen bestimmten Akzent, ein Fachgebiet oder ein Rauschprofil abhängt. Kein System liest jede Aufnahme gleich gut, daher bleibt es die sicherere Gewohnheit, mit dem eigenen Audio zu testen, bevor man einem Ergebnis bei etwas Wichtigem vertraut.

Eine Aufnahme Schritt für Schritt transkribieren

1. Laden Sie die Datei hoch. Legen Sie die Aufnahme bei Audio zu Text ab. Gängige Audio- und Videoformate werden direkt akzeptiert; handelt es sich um ein Video, wird der Ton in Ihrem Browser herausgelöst, bevor irgendetwas hochgeladen wird.
2. Prüfen Sie die Vorschau. Die ersten paar Minuten kommen transkribiert zurück, bevor Sie sich anmelden, inklusive Sprecherlabels, sodass Sie beurteilen können, ob das Audio sauber genug ist und die Aufteilung stimmt.
3. Melden Sie sich an und lassen Sie es laufen. Die vollständige Datei wird hochgeladen, und der Auftrag läuft von selbst zu Ende; Sie müssen den Tab nicht geöffnet lassen.
4. Benennen Sie die Sprecher um. Generische Labels wie Sprecher A werden mit je einer Bearbeitung zu echten Namen, angewendet im gesamten Transkript.
5. Lesen Sie es für alles Wichtige gegen das Audio. Überfliegen Sie Namen, Zahlen und Fachbegriffe, die Stellen, an denen ein Modell am ehesten falsch rät.
6. Exportieren. Wählen Sie das Format, das der nächste Schritt braucht, nicht einfach das, welches zuerst lädt.

Sprecherlabels, wenn mehr als eine Person spricht

Jede Aufnahme mit mehr als einer Stimme braucht eine Sprechertrennung, bevor das Transkript wirklich lesbar wird; eine geschlossene Textwand ohne Sprecherwechsel ist kaum nützlicher als das Audio selbst. Sprechererkennung trennt das Gespräch nach Stimmen und lässt Sie die generischen Labels einmal umbenennen, wobei die Änderung überall angewendet wird, wo dieser Sprecher vorkommt. Sie funktioniert besser, wenn jede Person hinreichend unterscheidbar ist und die anderen nicht ständig unterbricht; zwei ähnlich klingende Stimmen, die übereinander sprechen, sind der Fall, der noch immer jedes System aus dem Tritt bringt, nicht nur automatisierte.

Das Exportformat für den nächsten Schritt wählen

Der richtige Export hängt davon ab, wohin der Text geht, nicht davon, welcher am vollständigsten aussieht:

• Reiner Text zum Einfügen in ein anderes Dokument oder zum Füttern eines Zusammenfassungstools.
• SRT oder VTT, wenn Sie ein Video untertiteln und Zeitstempel brauchen, die ein Player lesen kann.
• DOCX zum Teilen mit jemandem, der kommentieren oder bearbeiten möchte.
• JSON, wenn Sie das Transkript mit intakten Sprecher- und Timing-Daten in Ihr eigenes Tooling einspeisen.

Mehr als ein Format aus demselben Auftrag zu exportieren, kostet nichts extra. Es gibt also keinen Grund, im Voraus das eine richtige Format zu erraten, wenn Sie gleich die zwei oder drei nehmen können, die Sie tatsächlich brauchen.

Datenschutz, wenn die Aufnahme nicht aufbewahrt werden soll

Nicht jede Aufnahme gehört in ein dauerhaftes Archiv. Ein vertrauliches Telefonat, ein sensibles Interview, eine einmalige Notiz, die Sie transkribiert brauchen und danach verschwunden sehen möchten: Diese Fälle verlangen eine andere Einstellung als Ihre alltägliche Arbeit. Private Transkription speichert nichts in Ihrem Konto. Das Ergebnis kommt als passwortgeschützter Download zurück, der abläuft, wenn Sie ihn nie öffnen, statt unbegrenzt in Ihrem Verlauf zu liegen.

Bei allem, bei dem Sie sich nicht sicher sind, ist der Privatmodus die sicherere Standardeinstellung. Sie können sich beim nächsten Transkript jederzeit dafür entscheiden, es zu behalten; dieses hier können Sie nicht nachträglich wieder entspeichern.

Was eine typische Aufnahme kostet

Die Kosten richten sich nach Minuten Audio, nicht nach der Datei, dem Format oder der Anzahl der Sprecher. Ein 45-minütiges Telefonat und eine 45-minütige Sprachnotiz kosten bei der Transkription gleich viel. Beim 5,99-Dollar-Paket mit 5 Std. (300 Min.) zieht eine 45-minütige Aufnahme etwa 45 Minuten von diesem Guthaben ab, ein kleiner Bruchteil des Pakets, der Rest bleibt für die nächste Aufnahme verfügbar. Es läuft kein Abo, ob Sie es nutzen oder nicht; wie die Pakete von dort aus skalieren, erklärt Pay-as-you-go-Transkription.

Eine einzelne Aufnahme in Text zu verwandeln, ist eine kleinere Entscheidung, als es aussieht: Wählen Sie manuell, automatisch oder hybrid danach, wogegen das Transkript bestehen muss, füttern Sie das Modell mit sauberem Audio, wenn Sie Einfluss auf die Aufnahme haben, und prüfen Sie das Ergebnis gegen die Stellen, auf die es wirklich ankommt. Für die Fälle bei Länge oder Menge, die dieser Leitfaden beiseitelässt, behandeln wie man eine lange Aufnahme transkribiert und Transkribieren eines Ordners mit Aufnahmen diese ausführlicher.