KI-Transkription: Von der Aufnahme zum geprüften Text

Was ist KI-Transkription – und was erhältst du?

Entscheide vorab, was du brauchst. Ein zitierfähiges Interview, lesbare Untertitel und eine knappe Besprechungsnotiz sind unterschiedliche Ziele. Wenn ein Anbieter „Transkription“ schreibt, prüfe das tatsächlich verfügbare Format und die weiteren Bearbeitungsschritte.

Dieser Artikel beschreibt dokumentierte Wege. Tokenwerk hat dafür keine Aufnahme hochgeladen, keine Mikrofonaufnahme gestartet und keine Erkennungsquote gemessen. Die Beispiele sind selbst erstellt.

Vor der Aufnahme: Zweck, Daten und Ton klären

Verwende für den ersten Versuch eine kurze selbst eingesprochene Probe ohne fremde oder vertrauliche Angaben. Bevor du andere Personen aufnimmst, müssen Aufnahme, Zweck und weitere Verarbeitung geklärt sein. Ein später aktiviertes Transkriptionswerkzeug ersetzt diese Klärung nicht.

Wähle einen möglichst ruhigen Raum und sprich mit gleichmäßigem Abstand zum Mikrofon. Höre die Datei vor der Verarbeitung an: Sind Wörter abgeschnitten, Stimmen überlagert oder einzelne Stellen unverständlich? Wo der Ton keine eindeutige Aussage trägt, darf das Ergebnis keine sichere Aussage vortäuschen.

Für die Übung kannst du sagen: „Der Test beginnt am vierzehnten November. Es gibt fünf Aufgaben. Die Veröffentlichung ist noch nicht freigegeben.“ Damit lassen sich Datum, Zahl und Verneinung prüfen. Das ist eine konstruierte Probe, kein realer Termin und keine Beispielausgabe eines Dienstes.

Die Lektion private Daten vor einer KI-Eingabe prüfen hilft dir, unnötige Angaben vor einem externen Upload zu entfernen. Prüfe bei vorhandenen Aufnahmen auch, wer Zugang zur Datei und zum späteren Text erhalten soll.

Lokal oder Cloud: den Verarbeitungsweg wählen

Bei lokaler Erkennung berechnet eine passende Laufzeit das Transkript auf deinem Gerät. Ein Browserrekorder kann dagegen Audio an einen Server übertragen. Die sichtbare Oberfläche sagt deshalb nicht, wo die Erkennung stattfindet. Lies die konkrete Produkt- und Datenverarbeitungsbeschreibung.

OpenAI empfiehlt in der aktuellen Dokumentation gpt-transcribe für abgeschlossene Sprachaufnahmen und gpt-live-transcribe für laufendes Audio. gpt-4o-transcribe-diarize ist ein spezieller Weg für Sprecherlabels. Für Wortzeitstempel, bestimmte Untertitelformate und Übersetzung ins Englische verweist die Dokumentation auf whisper-1. Funktionen sind somit nicht beliebig zwischen Modellen austauschbar.

Die dokumentierte Dateitranskription nimmt Dateien bis 25 MB an. Größere Aufnahmen benötigen einen passenden anderen Ablauf, beispielsweise sinnvoll geschnittene Teile; trenne möglichst nicht mitten im Satz. Das schrittweise Ausgeben von Text zu einer bereits fertigen Datei ist außerdem etwas anderes als die Verarbeitung laufenden Mikrofonaudios.

Cloudnutzung kann Kosten verursachen. Prüfe Preise, Dateigrenzen, Ausgabeformat und Datenbedingungen im konkreten Zugang. Ein kostenloses Chatkonto ist kein Beleg für enthaltene Transkriptions-API-Nutzung. Für die lokale Übung unten wird kein API-Schlüssel gebraucht.

Ein lokaler Einstieg mit whisper.cpp

Voraussetzungen: Die folgenden Befehle sind ein dokumentiertes Beispiel für eine macOS-/Linux-Shell mit Git, CMake, C/C++-Buildwerkzeugen und ffmpeg. Sie sind keine Anleitung für die native Windows-Eingabeaufforderung. Das Projekt unterstützt weitere Plattformen, deren Einrichtung du getrennt prüfen musst.

Geprüft wurde der stabile Release whisper.cpp v1.9.5 vom 6. Oktober 2026. Die Vorlage legt für einen reproduzierbaren Einstieg diese Version fest. Lade die benötigten Werkzeuge aus ihren offiziellen Quellen, statt unbekannte Installationsskripte blind auszuführen.

git clone --branch v1.9.5 --depth 1 https://github.com/ggml-org/whisper.cpp.git
cd whisper.cpp
cmake -B build
cmake --build build --config Release
sh ./models/download-ggml-model.sh base

# Eigene, erlaubte Aufnahme vorher als input.mp3 in diesen Ordner legen.
ffmpeg -i input.mp3 -ar 16000 -ac 1 -c:a pcm_s16le aufnahme.wav
./build/bin/whisper-cli -m models/ggml-base.bin -f aufnahme.wav -l de -otxt -osrt

base ist hier die mehrsprachige Variante; base.en ist nicht derselbe Download. Die Konvertierung erstellt eine Mono-WAV-Datei mit 16 kHz und 16-Bit-PCM. -otxt und -osrt aktivieren Text- und SRT-Ausgabe. Nutze ./build/bin/whisper-cli -h, um die tatsächlich gebauten Optionen zu prüfen. Wähle für die Ausgabe neue Dateinamen und sichere vorhandene Fassungen. Die vollständige Anleitung Whisper lokal mit whisper.cpp einrichten führt vom Bau der Laufzeit bis zur kontrollierten TXT- und SRT-Ausgabe.

Die Modellgewichte werden zunächst aus dem Netz geladen. Danach erfolgt dieser lokale CLI-Aufruf ohne einen Transkriptions-Cloudaufruf. Das ist keine Aussage über sämtliche anderen Programme auf deinem Rechner. Die Befehle wurden für den Artikel an den Dokumentations- und Versionsdateien abgeglichen, hier aber nicht installiert oder mit Audio ausgeführt.

Whisper ist ein Spracherkennungsmodell. Ein lokaler Textchat in LM Studio oder Ollama ist nicht automatisch dasselbe Werkzeug. Der Vergleich lokale Textmodelle und Laufzeiten hilft, die verschiedenen Aufgaben auseinanderzuhalten.

So prüfst du das Transkript am Originalton

Höre kritische Stellen erneut und gleiche sie Wort für Wort ab. Ein vertauschtes Datum oder eine fehlende Verneinung kann wichtiger sein als mehrere harmlose Zeichensetzungsfehler. Bei mehreren Stimmen kontrollierst du zusätzlich die Zuordnung. Eine Sprecherkennung beweist keinen Personennamen.

Datei und erlaubter Verwendungszweck:
Laufzeit / Modell / Version / Einstellungen:
Ausgabeformat und Zeitstempel:

Datum / Zahl / Einheit am Original geprüft:
Namen und Fachbegriffe geprüft:
Verneinungen und Einschränkungen erhalten:
Sprecherwechsel und Überlappung geprüft:
Unverständliche Stellen mit Zeitmarke offen markiert:
Manuelle Änderungen nachvollziehbar dokumentiert:
Freigabe und zulässige Empfänger:

Bei passenden Diensten können Kontexthinweise die Schreibweise erwarteter Fachwörter unterstützen. Sie sind keine Pflichtliste, die in den Text hineingehört. Ein vorgeschlagener Begriff, der gar nicht gesprochen wurde, darf nicht allein wegen des Hinweises erscheinen. Auch automatische Nachkorrekturen musst du am Ton prüfen.

Eine fremde „98 Prozent“-Angabe beantwortet diese Prüfung nicht. Dafür müsstest du Testaudio, Sprache, Messmethode und Fehlerdefinition kennen. Halte deine konkreten Fehler und Nacharbeit fest, statt daraus eine allgemeine Anbieterquote zu machen.

Erst korrigieren, dann zusammenfassen und weitergeben

Bewahre drei Stände getrennt auf: Originalaudio, unverändertes Rohtranskript und geprüfte Fassung. Eine lesbare redigierte Fassung darf Füllwörter entfernen, wenn das deinem Zweck entspricht. Kennzeichne sie entsprechend und behandle sie nicht als wortgetreues Zitat.

Erstelle eine Zusammenfassung erst aus der geprüften Grundlage. Kontrolliere, ob offene Punkte offen bleiben und ob aus „noch nicht freigegeben“ versehentlich ein zugesagter Start wird. Ergänze keine Zuständigen, Termine oder Entscheidungen, die in der Aufnahme fehlen.

Das Prinzip aus KI-Aussagen an der Originalquelle prüfen gilt auch hier: Die Aussage muss im Original belegt sein. Beim Audio hilft dafür eine Zeitmarke statt einer Seitenzahl. Teile nur die für den vereinbarten Zweck nötige Fassung mit den vorgesehenen Empfängern.