Ein Beispiel für eine Audio-zu-Text-Transkription zeigt, wie gesprochene Sprache in schriftlicher Form aussieht: Zeitstempel am linken Rand, ein Absatz pro Sprecherwechsel und ein Sprecherlabel, sobald eine andere Stimme einsetzt. Die beiden gängigen Varianten sind geglätteter Wortlaut(Clean Verbatim), bei dem Füllwörter entfallen, und vollständiger Wortlaut (Full Verbatim), der jedes „Ähm“ und jeden abgebrochenen Satz enthält.
So weit sind sich die meisten Leitfäden einig. Nur lassen die wenigsten Sie auch die Aufnahme hören, auf der ihr Beispiel beruht.
Das ist wichtiger, als es klingt. Eine klare Studioaufnahme ergibt ein ganz anderes Transkript als ein Gespräch mit vier Personen, die um ein einziges Tischmikrofon sitzen. Hier finden Sie deshalb drei echte Aufnahmen – ein Meeting, ein Interview und eine Sprachnachricht – jeweils mit dem unveränderten Transkript aus unserer Verarbeitung. Die Hervorhebung folgt der Aufnahme Wort für Wort; wir haben nichts nachträglich umgeschrieben oder geglättet.
Für das Meeting stellt der zugrunde liegende Korpus ein von Menschen erstelltes Referenztranskript bereit. Daher können wir unser Ergebnis direkt damit vergleichen und die genaue Fehlerrate angeben.
Beispiel 1: Meeting mit drei Personen und entferntem Mikrofon
Die Hervorhebung folgt dem gesprochenen Wort; bei einem Sprecherwechsel ändert sich auch das Label.
Das ist bewusst der schwierige Fall. Das Mikrofon steckt nicht am Revers einer Person, sondern steht mitten auf dem Tisch. Es nimmt alle aus einiger Entfernung samt Raumhall auf, während drei Personen sprechen und sich gegenseitig ins Wort fallen.
Darauf sollten Sie achten – genau so sehen reale Meetingtranskripte häufig aus:
Gerade diese kurzen, leisen Einwürfe sind eine typische Schwäche automatischer Systeme bei Fernfeldaufnahmen. Im Abschnitt zur Genauigkeit beziffern wir diesen Effekt.
Beispiel 2: Interview mit nahem Mikrofon
Dieselbe Verarbeitung, aber ein völlig anderes Ergebnis: Die Personen sprechen nacheinander, das Mikrofon befindet sich nah am Mund und niemand fällt dem anderen ins Wort. Die Sätze werden vollständig erfasst, die Zeichensetzung folgt den Sprechpausen und es gibt keine Überlagerungen aufzulösen.
Der Vergleich mit dem Meeting zeigt die wichtigste Regel zur Transkriptionsgenauigkeit: Die Aufnahmequalität entscheidet über das Ergebnis. Ein Ansteckmikrofon oder Headset verbessert das Transkript meist stärker als jede Softwareeinstellung.
Beispiel 3: Sprachnachricht mit einer Stimme, 16 Sekunden
Eine kurze Aufnahme mit nur einer Stimme ist der einfachste Fall. Entsprechend schlicht ist das Format: keine Sprecherlabels und Zeitstempel nur am Anfang eines neuen Satzblocks.
So sehen Transkripte vieler Alltagsaufnahmen aus – etwa von Sprachmemos, Vorlesungen oder diktierten Notizen: eine Spalte mit Zeitstempeln und eine mit Text.
Geglätteter oder vollständiger Wortlaut?
Beide Varianten geben dieselbe Aufnahme wieder. Sie unterscheiden sich nur darin, welche Sprechmerkmale erhalten bleiben.
Der vollständige Wortlaut enthält alles Gesagte, auch Wiederholungen und Passagen, die man vermutlich nicht zitieren würde:
```
0:08 I had to figure out how to how to do the same thing for the
summary, that's how I see it.
```
Das doppelte „how to“ ist kein Transkriptionsfehler – der Sprecher hat die Wörter tatsächlich wiederholt.
Der geglättete Wortlaut entfernt Wiederholungen, Füllwörter und abgebrochene Satzanfänge, ohne den Inhalt zu verändern:
```
0:08 I had to figure out how to do the same thing for the summary.
```
Welche Variante passt, hängt vom Verwendungszweck ab:
| Verwendung | Variante | Warum || --- | --- | --- || Qualitative Forschung, Rechtswesen, Medizin | Vollständiger Wortlaut | Zögern und Wiederholungen können relevante Daten sein || Meetingnotizen, interne Dokumentation | Geglätteter Wortlaut | Füllwörter erschweren das Lesen unnötig || Veröffentlichung, Untertitel, Marketing | Geglätteter und anschließend redigierter Text | Gute Lesbarkeit steht im Vordergrund || Sprachwissenschaft | Vollständiger Wortlaut plus nichtsprachliche Markierungen | etwa `[Pause]`, `[Lachen]`, `[unverständlich]` |Eine nützliche Faustregel: Erstellen Sie zuerst die vollständige Fassung und glätten Sie anschließend eine Kopie. Das Kürzen dauert nur wenige Minuten. Um ausgelassene Füllwörter und Wiederholungen nachträglich wiederherzustellen, müssten Sie dagegen die gesamte Aufnahme erneut anhören.
Das Multi-Sprecher-Format
Sobald mehrere Personen sprechen, muss das Transkript kenntlich machen, wer gerade zu Wort kommt. Üblich ist ein eigener, links oder oberhalb beschrifteter Absatz pro Sprecherbeitrag:
```
Sprecher 1 So did you have to write it in the way that they wrote it,
is that what you did?
Sprecher 2 Yeah, just search for specific string.
Sprecher 1 Fish the data, I was just thinking that, yeah.
```
Drei bewährte Regeln, die Sie auch im Meetingbeispiel oben sehen:
1. Fassen Sie nie zwei Personen in einem Absatz zusammen. Ein Absatz mit zwei Stimmen lässt sich weder sauber zitieren noch sinnvoll codieren oder durchsuchen.
2. Setzen Sie ein Label beim Sprecherwechsel, nicht in jeder Zeile. Wenn sechs aufeinanderfolgende Zeilen jeweils mit „Sprecher 1“ beginnen, wird das Transkript unnötig anstrengend zu lesen.
3. Ersetzen Sie die Labels erst am Ende durch Namen. Automatische Systeme verwenden zunächst `Sprecher 1` und `Sprecher 2`. Die Umbenennung dauert meist nur wenige Minuten und sollte nach der inhaltlichen Bearbeitung erfolgen.
So sieht ein Videotranskript aus
Ein Videotranskript ist im Kern ein Audiotranskript, denn transkribiert wird die Tonspur. Der eigentliche Unterschied besteht darin, wie die Zeitstempel anschließend genutzt werden:
Aus derselben Datei lässt sich beides erzeugen. Ein SRT-Export ist daher lediglich ein anderes Ausgabeformat und keine neue Transkription.
Die Genauigkeit, die niemand veröffentlicht
Bei der Genauigkeit verlieren viele Beispielseiten ihren Aussagewert. SpeakWrite nennt „99–100 % Genauigkeit“, TranscribeMe „99 %+“. Beide veröffentlichen jedoch weder die zugrunde liegende Aufnahme noch das Referenztranskript. Die Angaben lassen sich deshalb nicht überprüfen oder sinnvoll vergleichen.
Das Meeting oben ist dagegen überprüfbar, weil der AMI-Korpus ein von Menschen erstelltes Referenztranskript enthält.
| | Menschliche Referenz | Unser Transkript || --- | --- | --- || Wörter | 208 | 163 || Äußerungen/Segmente | 20 | 10 || Sprecher | 3 | 2 || Kurze Reaktionen („Okay“, „Right“, „Mm-hmm“) | 7 | 2 |Wortfehlerrate in diesem Ausschnitt: 30,8 % – 41 Ersetzungen, 17 Auslassungen und 6 Einfügungen.
In der gesamten 35-minütigen Besprechung gibt es 17 vergleichbare 45-Sekunden-Fenster. Ihre mittlere Fehlerrate beträgt 36,8 %, beim besten Fenster sind es 15,5 %.
Die Zahl sagt drei Dinge aus – und eines ausdrücklich nicht:
Fernfeldaufnahmen von Meetings sind ausgesprochen schwierig. Ein Mikrofon in der Tischmitte, drei Personen und überlappende Sprache ergeben nahezu den ungünstigsten realistischen Fall. Deshalb liegt der Wert weit von „99 %“ entfernt.
Sie zeigt, wo die Fehler entstehen. Im Raum sprechen drei Personen, erkannt werden zwei. Die dritte Person wirft fast nur kurze Reaktionen wie „Okay“, „Yeah“ oder „Mm-hmm“ ein. Fünf der sieben kurzen Reaktionen fehlen. Fehler verteilen sich also nicht gleichmäßig, sondern häufen sich bei kurzen Einwürfen und leisen Stimmen.
Sie zeigt, was Sie zuerst verbessern sollten. Keine Softwareeinstellung schließt bei dieser Aufnahme eine Lücke von 30 %. Ein eigenes Mikrofon pro Person kann das sehr wohl.
Sie sagt nicht voraus, wie gut Ihre Datei abschneidet. Hören Sie sich das Interview aus Beispiel 2 an: dieselbe Verarbeitung, aber ein nahes Mikrofon und ein flüssig lesbares Transkript. Das ist der typische Fall; das Meeting ist bewusst ein Stresstest.
So erstellen Sie ein Transkript Ihrer eigenen Aufnahme
1. Nehmen Sie so nah wie möglich am Mund auf. Ein günstiges Ansteckmikrofon verbessert das Ergebnis oft stärker als jede Softwareeinstellung.
2. Wählen Sie die Sprache der Aufnahme aus, sofern Sie sie kennen, statt sie aus den ersten Sekunden automatisch erkennen zu lassen.
3. Aktivieren Sie bei mehreren Stimmen die Sprechererkennung, bevor Sie die Transkription starten.
4. Wählen Sie vorab die passende Wortlautvariante: vollständig, wenn Zögern und Wiederholungen relevant sind, ansonsten geglättet.
5. Vergleichen Sie die erste Minute mit der Aufnahme. Fehler häufen sich bei Namen, Fachbegriffen und Akronymen; diese Stellen sollten Sie von Hand korrigieren.
Mit TranscribeNext können Sie Audio in Text umwandeln oder eine MP4-Datei transkribieren, Sprecherlabels und Zeitstempel einfügen und das Ergebnis bei Bedarf als SRT-Untertitel exportieren.
Häufig gestellte Fragen
Wie sieht ein Audio-Transkript aus?
Typisch sind eine Spalte mit Zeitstempeln und eine mit Text sowie ein eigener Absatz pro Sprecherbeitrag. Bei nur einer Stimme sind keine Sprecherlabels nötig; bei mehreren Stimmen bleiben sie erhalten.
Was ist der Unterschied zwischen geglättetem und vollständigem Wortlaut?
Die vollständige Fassung enthält jedes gesprochene Wort einschließlich Füllwörtern, Wiederholungen und Satzabbrüchen. Die geglättete Fassung entfernt diese Elemente, ohne den Inhalt zu verändern. Für Forschung und juristische Zwecke ist meist die vollständige Fassung sinnvoll; für Meetingnotizen in der Regel die geglättete.
Wie genau ist die automatische Transkription?
Die Genauigkeit hängt stärker von der Aufnahme als von der Software ab. Beim Fernfeld-Meeting oben beträgt die Fehlerquote gegenüber der menschlichen Referenz 30,8 %. Bei nah mikrofonierter Sprache wie im Interviewbeispiel sind meist nur einzelne Namen oder Fachbegriffe zu korrigieren. Genauigkeitsangaben ohne zugehörige Aufnahme und Referenztranskript sind daher kaum aussagekräftig.
Enthalten Transkripte Sprechernamen?
Automatische Systeme vergeben zunächst allgemeine Labels wie `Sprecher 1` und `Sprecher 2`, weil die Aufnahme allein keine Namen enthält. Diese Labels können Sie anschließend durch echte Namen ersetzen.
Kann ich ein Transkript eines Videos erhalten?
Ja. Für die Transkription wird die Tonspur des Videos verwendet. Das Ergebnis sieht daher wie ein Audiotranskript aus und kann zusätzlich als Untertiteldatei exportiert werden.