Mit freundlicher Unterstützung von
← Zurück zu GenAI & Content Creation
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?

Lange war automatische Spracherkennung (ASR) für den Produktionsalltag zu fehleranfällig, besonders im Deutschen. Mit OpenAIs Whisper-Modell (veröffentlicht 2022, Paper von Radford et al.) wurde frei verfügbare, mehrsprachige Spracherkennung so robust, dass sie manuelle Transkription in vielen Anwendungsfällen weitgehend ersetzt.

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: November 2026, laut GitHub-Repository):

  • Whisper Tiny: Minimal, für ressourcenarme Geräte
  • Whisper Base/Small/Medium: Gestaffelte Genauigkeit/Geschwindigkeit
  • Whisper Large (large-v3): höchste Genauigkeit unter den Whisper-Modellen, empfohlen für professionellen Einsatz
  • Whisper Turbo (optimierte Large-v3-Variante, 809 Mio. Parameter): laut OpenAI rund 8-mal schneller als Large bei geringem Genauigkeitsverlust, nicht für Übersetzung trainiert
  • API-Transkriptionsmodelle: In der OpenAI-API löst eine neuere Modellgeneration Whisper ab; das API-Modell whisper-1 ist zum 26. Februar 2027 abgekündigt (Nachfolger laut OpenAI: gpt-transcribe bzw. gpt-live-transcribe)

Sprachunterstützung: Whisper ist mehrsprachig trainiert; die vollständige Sprachliste steht in der Datei tokenizer.py des Repositorys. Deutsch wird bei klarer Aufnahme gut erkannt, Dialekte und Fachbegriffe erhöhen die Fehlerquote.

Nutzungsoptionen:

  1. Lokal (kostenlos): Auf eigenem Rechner ausführen via Python (whisper audio.mp3 --model large-v3 --language de). Das Large-Modell braucht laut Repository rund 10 GB Grafikspeicher (VRAM), Turbo rund 6 GB, Medium rund 5 GB, Small rund 2 GB, Base und Tiny je rund 1 GB.
  2. OpenAI API: Kommerzieller Service, Whisper 0,006 $/Minute Audio (Stand: November 2026). Keine eigene GPU nötig.
  3. Über Drittanbieter: Viele Tools bieten eigene Transkription an, teils auf Basis offener Modelle wie Whisper.
Whisper lokal, benötigter Grafikspeicher je Modell
Tinyrund 1 GB
Baserund 1 GB
Smallrund 2 GB
Mediumrund 5 GB
Turborund 6 GB
Largerund 10 GB
Quelle: OpenAI, Whisper-Repository auf GitHub (README, Tabelle Available models), abgerufen November 2026

Datenschutzvorteil: Lokale Ausführung, Audio-Dateien verlassen nie den eigenen Rechner.

Descript

Descript ist ein verbreitetes Werkzeug für textbasierte Video- und Audio-Bearbeitung; laut eigener Angabe nutzen es mehr als 6 Millionen Creator und Teams. Die Transkription ist ein integraler Bestandteil:

Features:

  • Automatische Transkription beim Import
  • 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: November 2026, laut descript.com/pricing, pro Person und Monat):

  • Free: kostenloser Einstieg
  • Hobbyist (24 $ monatlich, 16 $ bei Jahreszahlung): 10 Medienstunden, 400 KI-Credits, Export in 1080p ohne Wasserzeichen
  • Creator (35 $ bzw. 24 $): 30 Medienstunden, 800 KI-Credits, Export in 4K
  • Business (65 $ bzw. 50 $): 40 Medienstunden, 1.500 KI-Credits, Übersetzung und Dubbing in über 30 Sprachen
  • Enterprise: individuell
Descript, Medienstunden pro Monat je Tarif
Hobbyist10 Stunden
Creator30 Stunden
Business40 Stunden
Quelle: Descript, Pricing (descript.com/pricing), Stand November 2026

Descript rechnet in Medienstunden plus KI-Credits ab.

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: Es gibt einen kostenlosen Einstieg und bezahlte Tarife; aktuelle Konditionen stehen auf grain.com.

Weitere wichtige Transkriptions-Tools

Otter.ai:

  • US-amerikanischer Anbieter für Meeting-Transkription
  • Echtzeit-Transkription
  • Schwerpunkt Englisch; deutschsprachige Aufnahmen vorab testen
  • Kostenloser Einstieg und bezahlte Tarife

Happy Scribe:

  • Schwerpunkt: Professionelle Medienproduktion
  • Optional mit menschlicher Korrektur (Hybrid-Service)
  • Viele Sprachen, darunter Deutsch
  • Abrechnung nach Nutzung oder im Abo

Riverside.fm Transcription:

  • Direkt in Aufnahme-Workflow integriert
  • Automatische Transkription nach jeder Aufnahme
  • Ideal für Podcaster, die bereits Riverside nutzen

Amberscript:

  • Europäischer Anbieter mit automatischer und menschlich korrigierter Transkription

Beispiele

Beispiel 1: Podcast-Redaktion (wöchentlich, 60 Min.)

  • Rohaufnahme in Descript hochladen
  • Automatische Transkription: wenige 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
  • Statt stundenlanger manueller Transkription bleibt vor allem die Durchsicht der markierten Stellen

Beispiel 3: Datenschutzkonforme Unternehmens-Transkription

  • Vertrauliche Management-Interviews
  • Lokales Whisper (Large oder Turbo) 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:

FaktorEinfluss
AufnahmequalitätGrößter Einfluss, ein gutes Mikrofon senkt die Fehlerquote deutlich
HintergrundgeräuscheStark negativ, ruhiger Raum priorisieren
SprechtempoNormal = optimal; sehr schnell/langsam = schlechter
Akzent/DialektJe stärker, desto mehr Fehler
FachwortschatzSpezielle Terme oft falsch, Korrekturrunde einplanen

Typische Transkriptions-Fehler

  • Eigennamen und Markennamen (etwa „ChatGPT“ als „Tschat GPT“)
  • 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

ToolPreisDatenverarbeitungBesonderheit
Whisper (lokal)Kostenlos (Open Source)Auf eigenem RechnerSelf-hosted
DescriptFree, bezahlt ab 16 $/Monat (jährlich)CloudSchnitt-Integration
GrainFree und bezahlte TarifeCloudMeeting-Fokus
Happy ScribeNutzung oder AboCloudOptional menschliche Korrektur
Otter.aiFree und bezahlte TarifeCloudEchtzeit-Funktion

Preise laut Herstellerseiten, Stand: November 2026. Bei Cloud-Diensten gehören Speicherort, Auftragsverarbeitungsvertrag und Löschfristen vor dem Einsatz auf den Prüfstand.


Häufige Fragen

Wie genau ist KI-Transkription im Deutschen? Bei klaren Aufnahmen ist die Wortfehlerrate (WER) aktueller Modelle im Deutschen niedrig; wie niedrig, hängt stark von Mikrofon, Raum, Sprechtempo und Fachwortschatz ab (Radford et al. 2022 berichten Werte je Sprache und Datensatz). Für die meisten Medienproduktionen reicht die Qualität, 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? In der Regel ja, wenn die Interviewpartner/innen der Aufnahme zugestimmt haben. Bei Cloud-Diensten werden personenbezogene Daten an Dritte übermittelt; dafür braucht es nach DSGVO eine Rechtsgrundlage und meist einen Auftragsverarbeitungsvertrag, und die Betroffenen sollten informiert werden. Für journalistische Interviews mit Quellenvertraulichkeit empfiehlt sich lokale Transkription mit Whisper. Dies ist keine Rechtsberatung.


Verwandte Einträge


Weiterführend

  • Radford, A. et al. (2022): Robust Speech Recognition via Large-Scale Weak Supervision. arXiv:2212.04356.
  • OpenAI: Whisper (Code, Modelle, MIT-Lizenz).
  • Descript: Pricing.
  • OpenAI: Deprecations (whisper-1).
← Zurück zu GenAI & Content Creation
Infotag

Sei am Freitag dabei.
Bring Eltern oder Freunde mit.

Ein halber Nachmittag, der dir drei Jahre Klarheit bringen kann. Kostenlos, unverbindlich, ehrlich.

  • Rundgang durch Studios, Schnitträume und Tonstudio
  • Echte Absolventenfilme sehen
  • 1:1-Beratung zu Bewerbung & BAföG
  • Studierende direkt fragen
  • Kaffee, kein Sales-Pitch
  • Auch online möglich

Platz beim Infotag reservieren

Dauert 30 Sekunden. Bestätigung per E-Mail.
100 % kostenlos · keine Verpflichtung · jederzeit absagbar