KI-Transkription bezeichnet die automatische Umwandlung von gesprochener Sprache in Text mittels KI-Modellen, mit einer Genauigkeit, die in vielen Anwendungsfällen manuelle Transkription nahezu überflüssig macht.
Rubrik: GenAI & Content Creation · Unterrubrik: KI-Workflows · Niveau: Einsteiger Synonyme / Auch bekannt als: Automatische Spracherkennung, Speech-to-Text, ASR (Automatic Speech Recognition)
Was ist KI-Transkription?
Bis 2022 war automatische Spracherkennung (ASR) notorisch unzuverlässig, besonders im Deutschen. Mit der Veröffentlichung von OpenAIs Whisper-Modell im September 2022 änderte sich das grundlegend: Whisper erreichte erstmals Transkriptionsgenauigkeiten, die manuelle Transkription für viele Anwendungsfälle ersetzen können.
Für Medienschaffende eröffnet das vollkommen neue Workflows: Podcasts werden in Minuten transkribiert, Interviews können textbasiert geschnitten werden, und stundenlange Aufnahmen liefern durchsuchbare Textdokumente.
Erklärung
Whisper (OpenAI, Open Source)
Whisper ist ein Open-Source-Spracherkennungsmodell von OpenAI, das unter der MIT-Lizenz veröffentlicht wurde.
Modellvarianten (Stand 2026):
- Whisper Tiny: Minimal, für ressourcenarme Geräte
- Whisper Base/Small/Medium: Gestaffelte Genauigkeit/Geschwindigkeit
- Whisper Large v3: Beste Open-Source-Qualität, empfohlen für professionellen Einsatz
- Whisper Large v3 Turbo (Sep 2024): 8x schneller als Large v3 bei ähnlicher Qualität (kein Translation-Modus)
- GPT-4o Transcribe (März 2025): OpenAI-API-Dienst mit noch niedrigerer Fehlerrate als Whisper, kostenpflichtig
Sprachunterstützung: 97+ Sprachen. Deutsch: sehr hohe Genauigkeit (~95 %+ WER-Wert bei klarer Aufnahme). Dialekte werden mit jeder Version besser unterstützt.
Nutzungsoptionen:
- Lokal (kostenlos): Auf eigenem Rechner ausführen via Python (
whisper audio.mp3 --model large-v3 --language de). Erfordert 10 GB GPU/CPU-RAM für Large v3. - OpenAI API: Kommerzieller Service, 0,006 $/Minute Audio. Keine eigene GPU nötig.
- Über Drittanbieter: Viele Tools (Descript, Grain, Otter.ai) nutzen Whisper im Backend.
Datenschutzvorteil: Lokale Ausführung, Audio-Dateien verlassen nie den eigenen Rechner.
Descript 5.x (2024)
Descript ist der de-facto-Standard für textbasierte Video- und Audio-Bearbeitung. Die Transkription ist ein integraler Bestandteil:
Features:
- Automatische Transkription beim Import (Whisper-basiert)
- Speaker-Diarization: Erkennt und benennt verschiedene Sprecher
- Inline-Editing: Wort in Transkript löschen = Audiosequenz wird entfernt
- Filler-Word-Entfernung: Automatische Erkennung von Ähms, Pausen
- Korrekturen direkt im Transkript möglich
- Export: Word, SRT, plain text, VTT
Preise (Stand 2026, jährliche Abrechnung):
- Free: Begrenzte Nutzung
- Hobbyist (24 $/Mo): 30 Stunden Medien, 4K-Export
- Creator (35 $/Mo): Mehr Stunden, erweiterte KI-Features
- Business (65 $/Mo): Team-Funktionen, Prioritäts-Support
Hinweis: Descript hat September 2025 sein Preismodell auf Media-Minutes plus KI-Credits umgestellt. Aktuelle Preise: descript.com/pricing.
Für Podcast-Produktion der empfohlene Einstieg: Transkription und Schnitt in einem Workflow.
Grain.com (für Meetings & Interviews)
Grain ist spezialisiert auf Meetings (Zoom, Google Meet, Teams) und Interviews:
Features:
- Automatische Meeting-Aufnahme und -Transkription
- KI-generierte Meeting-Zusammenfassungen
- Highlight-Reel-Erstellung: Wichtigste Passagen in Clip-Form
- CRM-Integration (HubSpot, Salesforce)
- Smart Topics: KI identifiziert wiederkehrende Themen
Besonders geeignet für:
- Journalisten, die Interviews via Videokonferenz führen
- Content Teams, die Meeting-Inhalte für Content nutzen
- Podcast-Redaktionen mit regelmäßigen Gäste-Interviews via Zoom
Preise (2024):
- Free: 5 Stunden/Monat
- Starter (15 $/Mo): 20 Stunden, CRM-Integration
Weitere wichtige Transkriptions-Tools
Otter.ai (2024):
- US-amerikanischer Marktführer für Meeting-Transkription
- Echtzeit-Transkription
- Stärke: Englisch; Deutsch-Qualität unter Whisper-Standard
- Preise: Free (300 Min/Monat), Pro (17 $/Mo)
Happy Scribe (2024):
- Schwerpunkt: Professionelle Medienproduktion
- Manuelle Korrekturoption (Hybrid-Service)
- Unterstützt 60+ Sprachen, sehr gutes Deutsch
- Preise: Pay-per-use (12 €/Stunde) oder Abo
Riverside.fm Transcription:
- Direkt in Aufnahme-Workflow integriert
- Automatische Transkription nach jeder Aufnahme
- Ideal für Podcaster, die bereits Riverside nutzen
Whisper.ai / Poodll / Amberscript:
- Spezialisierte Dienste für Bildung bzw. professionellen Journalismus
Beispiele
Beispiel 1: Podcast-Redaktion (wöchentlich, 60 Min.)
- Rohaufnahme in Descript hochladen
- Automatische Transkription: ~3 Minuten Wartezeit
- Füllwörter entfernen lassen: 1-Klick
- Rohschnitt via Transkript: 20 Minuten
- Export: Audiodatei + SRT-Untertitel + Transkript-Textdatei
Beispiel 2: Interview-Recherche (Longform-Journalismus)
- 90-Minuten-Interview via Zoom → Grain zeichnet auf und transkribiert
- KI-Zusammenfassung: Wichtigste Aussagen werden automatisch markiert
- Volltext-Suche im Transkript nach Schlüsselzitaten
- Zeitersparnis: 4 Stunden manuelle Transkription → 10 Minuten Durchsicht
Beispiel 3: Datenschutzkonforme Unternehmens-Transkription
- Vertrauliche Management-Interviews
- Lokales Whisper Large v3 auf eigenem Server
- Daten verlassen das Unternehmen nicht
- Kosten: nur Stromkosten (nach einmaliger Modell-Installation)
In der Praxis
Qualitätsfaktoren
Die Transkriptionsqualität hängt stark von der Aufnahmequalität ab:
| Faktor | Einfluss |
|---|---|
| Aufnahmequalität | Größter Einfluss, gutes Mikrofon = 10–15 % besser |
| Hintergrundgeräusche | Stark negativ, ruhiger Raum priorisieren |
| Sprechtempo | Normal = optimal; sehr schnell/langsam = schlechter |
| Akzent/Dialekt | Je stärker, desto mehr Fehler |
| Fachwortschatz | Spezielle Terme oft falsch, Korrekturrunde einplanen |
Typische Transkriptions-Fehler
- Eigennamen und Markennamen: "ChatGPT" → "Tchat GBT" (selten bei Whisper v3)
- Zahlen und Daten
- Abkürzungen und Akronyme
- Sprecherwechsel bei ähnlichen Stimmen
Empfehlung: Für veröffentlichbare Inhalte immer Korrekturrunde einplanen (15–20 Minuten pro Stunde Audio).
Vergleich & Abgrenzung
| Tool | Genauigkeit (DE) | Preis | Datenschutz | Besonderheit |
|---|---|---|---|---|
| Whisper Large v3 (lokal) | Sehr gut | Kostenlos | Sehr hoch | Self-hosted |
| Descript | Sehr gut | Ab 0 $/Mo | Mittel | Schnitt-Integration |
| Grain | Gut | Ab 0 $/Mo | Mittel | Meeting-Fokus |
| Happy Scribe | Sehr gut | Ab 12 €/Std | Hoch (EU) | Manuelle Korrektur |
| Otter.ai | Mittel | Ab 0 $/Mo | Gering | Echtzeit-Funktion |
Häufige Fragen (FAQ)
Wie genau ist KI-Transkription im Deutschen? Whisper Large v3 erreicht bei klaren Aufnahmen eine Wortfehlerrate (WER) von 3–8 % im Deutschen. Zum Vergleich: Menschliche Transkription liegt bei ~1–2 % WER. Für die meisten Medienproduktionen ist die Qualität ausreichend, wenn eine Korrekturrunde erfolgt.
Kann KI verschiedene Sprecher unterscheiden? Ja, "Speaker Diarization" ist in Descript, Grain und vielen anderen Tools integriert. Die Qualität variiert; bei 2–3 Sprechern mit deutlichen Stimmunterschieden funktioniert es sehr gut.
Ist es legal, Interviews automatisch zu transkribieren? Generell ja, wenn das Einverständnis der Interviewpartner vorliegt. Bei Cloud-Diensten muss die Datenweitergabe transparent gemacht werden. Für journalistische Interviews mit Quellenvertraulichkeit empfiehlt sich lokale Transkription mit Whisper.
Verwandte Einträge
- Automatische Untertitel mit KI
- KI-Workflow für Podcast-Produktion
- KI in der Videobearbeitung: CapCut, Descript, Runway
- KI-Workflow für Videoproduktion
Weiterführend
- OpenAI (2022): Whisper: Robust Speech Recognition via Large-Scale Weak Supervision. arXiv:2212.04356.
- Radford, A. et al. (2022): Robust Speech Recognition via Large-Scale Weak Supervision. OpenAI Technical Report.
- Descript (2024): Transcription and Speaker Detection.
- Happy Scribe (2024): German Speech Recognition Benchmark.
