Das Wichtigste in Kürze
Bei einer zweistündigen Aufnahme braucht die automatische Transkription selbst nur einen kleinen Teil dieser Zeit – die Software ist nicht der Flaschenhals. Was den Abend wirklich bestimmt, ist die anschließende Korrektur: Ein grobes, durchsuchbares Transkript braucht kaum Nacharbeit, während eines, das du zitieren oder veröffentlichen willst, ein vollständiges Gegenhören mit dem Original erfordert – inklusive Namen, Zahlen und Durcheinanderreden. Wer stattdessen von Hand mittippt, braucht ein Vielfaches der Aufnahmelänge, und bei schlechter Tonqualität wird es noch schlimmer. Plane also Zeit für die Korrektur ein, nicht für die Software.
Zwei Stunden Gesprochenes ergeben, beim üblichen Sprechtempo, ungefähr sechzehn- bis achtzehntausend Wörter – etwa die Länge eines kurzen Buchs. Allein diese Zahl sagt schon etwas über den bevorstehenden Abend: Niemand will das am Stück durchlesen, und kaum jemand will es von Grund auf abtippen, wenn es einen anderen Weg gibt.
Die ehrliche Antwort auf die Frage, wie lange das dauert, hängt von zwei Dingen ab, die du beeinflussen kannst, und einem, das du nicht beeinflussen kannst: wie sauber die Tonqualität ist, wie fehlerfrei das fertige Transkript sein muss – und wie schnell du selbst tippst oder zuhörst. Software verändert nur einen Teil dieser Gleichung. Die anderen beiden bleiben unberührt.
Erst mal rechnen
Vorträge und Präsentationen laufen meist mit 130 bis 150 Wörtern pro Minute. Gespräche sind schneller und unregelmäßiger – Leute reden sich gegenseitig ins Wort, brechen Sätze ab, verlieren den Faden. Beim Vortragstempo ergibt eine Stunde Gesprochenes rund acht- bis neuntausend Wörter. Das verdoppelt sich bei einer zweistündigen Aufnahme auf sechzehn- bis achtzehntausend Wörter Rohtext – mehr noch, wenn mehrere Personen diskutieren statt eine einzelne zu sprechen.
Und das, bevor überhaupt entschieden ist, wie der Text erstellt werden soll. Wer vor der eigentlichen Arbeit schnell wissen will, wie viele Wörter die eigene Aufnahme ungefähr ergibt, kommt mit einem Rechner für die Sprechzeit in etwa einer Minute zum Ergebnis – lohnt sich, bevor der Abend beginnt, denn ein Fünfzehn-Minuten-Clip und ein zweistündiges Meeting fühlen sich ähnlich an, sind aber unterschiedliche Aufgaben, bis man sie tatsächlich gemessen hat. Diese Schätzung lässt sich mit dem Sprechzeit-Rechner ermitteln.
Selbst Abtippen ist langsamer, als es klingt
Wer heute Abend erwägt, das Ganze von Hand abzutippen, sollte den echten Multiplikator vorher kennen. Ein Transkript per Hand zu schreiben braucht ein Vielfaches der Aufnahmelänge – nicht weil Tippen an sich langsam ist, sondern weil man nicht im Sprechtempo zuhören und gleichzeitig fehlerfrei mittippen kann. Man stoppt die Aufnahme, spult ein paar Sekunden zurück, tippt das Gehörte und beginnt von neuem. Dieser Zyklus wiederholt sich ständig und wird schlimmer bei unbekanntem Vokabular, schnellerer Sprache oder Stellen, an denen zwei Personen gleichzeitig reden.
Der Multiplikator wächst mit der Schwierigkeit der Aufnahme, er schrumpft nicht. Ein saubres Interview in normalem Gesprächstempo braucht am Ende vielleicht das Drei- oder Vierfache seiner Länge, wenn man das ganze Stoppen und Zurückspulen mitzählt. Ein Vortrag voller Fachbegriffe, die man selbst nicht kennt, kann deutlich länger dauern, weil man ständig anhält, um Schreibweise und Formulierung zu klären, die man sonst einfach durchtippen würde. Bei zwei Stunden Audio ist das Abtippen von Hand keine Aufgabe für einen Abend. Es ist eine Aufgabe für mehrere Abende – und das lieber vorher wissen als erst nach einer Stunde.
Automatische Transkription wird nicht langsamer – sie wird schlechter
Das überrascht die meisten beim ersten Mal. Automatische Transkription braucht nicht länger, wenn die Aufnahme schwierig ist. Die Verarbeitungszeit bleibt ungefähr gleich, egal ob es sich um eine klare Einzelstimme in einem ruhigen Raum handelt oder um drei Personen, die über eine schlechte Telefonverbindung streiten. Was sich bei schwierigerem Audio ändert, ist die Qualität des Ergebnisses, nicht die Zeit, die zur Erstellung nötig ist.
Das ist gute und schlechte Nachricht in einem Atemzug. Gut, weil man bei schlechteren Bedingungen nicht länger warten muss – die Software läuft nach ihrem eigenen Zeitplan durch. Schlecht, weil die vorne eingesparte Zeit nicht verschwindet, sondern sich nach hinten verschiebt, in die Menge der nötigen Korrekturen am Transkript. Ein System wie das hinter der Umwandlung von Audio in Text liefert für eine zweistündige Datei rasch ein vollständiges Dokument. Ob dieses Dokument nahezu fertig ist oder eine sorgfältige Durchsicht braucht, hängt vollständig davon ab, was ins Mikrofon gesprochen wurde – nicht davon, wie die Software damit umgegangen ist.
Die Korrekturrunde entscheidet über den Abend
Das ist die Zahl, die niemand einplant, und genau die zählt am meisten. Ein Transkript, das nur zum späteren Durchsuchen dient – um die Stelle zu finden, an der jemand ein Datum genannt hat, oder um eine Entscheidung zu überfliegen – braucht kaum Korrektur. Kleine Fehler liest man einfach mit, weil man ungefähr weiß, was dort stehen müsste. Bei einer zweistündigen Aufnahme reicht dafür oft eine Durchsicht von zwanzig Minuten, um sicherzugehen, dass alles brauchbar ist.
Ein Transkript, das man zitieren, veröffentlichen oder an jemanden weitergeben will, der nicht selbst dabei war, ist eine ganz andere Aufgabe. Dafür braucht es ein vollständiges Gegenhören mit dem Original, Satz für Satz – denn ein Fehler in einem Zitat ist etwas anderes als ein Fehler in einer privaten Notiz für sich selbst. Bei zwei Stunden Ausgangsmaterial dauert eine solche sorgfältige Durchsicht fast genauso lange wie die Aufnahme selbst, manchmal länger, wenn der Inhalt dicht oder technisch ist.
Die Fehler verteilen sich nicht gleichmäßig über die Aufnahme, und das ist hier die einzig wirklich gute Nachricht. Namen, Fachbegriffe, Zahlen und Durcheinanderreden sind die Stellen, an denen die automatische Ausgabe tatsächlich versagt. Der Großteil einer zweistündigen Aufnahme kommt im Wesentlichen korrekt zurück, und nur einige wenige Minuten – meist dort, wo zwei Personen gleichzeitig reden oder jemand schnell eine Zahl nennt – brauchen wirkliche Aufmerksamkeit. Wer ungefähr weiß, wo diese Minuten liegen, kann direkt dorthin springen statt das ganze Dokument von vorne bis hinten erneut zu lesen. Wer die eigenen Zahlen vorher durchrechnet – anhand der Länge der Aufnahme und dem, wofür das Transkript tatsächlich gebraucht wird – mit einem Rechner für die Transkriptionszeit, kommt zu einem realistischeren Plan als bei einer bloßen Schätzung vorab.
Die Datei aufzuteilen spart keine Zeit, rettet aber den Abend
Eine zweistündige Aufnahme vor der Transkription in vier Teile von je dreißig Minuten zu zerschneiden, macht die Gesamtaufgabe nicht schneller. Die Rechnung aus den vorherigen Abschnitten ändert sich nicht – man transkribiert weiterhin zwei Stunden Gesprochenes und korrigiert, was korrigiert werden muss, egal wie die Datei zerteilt wird. Was sich ändert, ist, ob die Arbeit unterbrochen werden kann.
Eine einzelne zweistündige Datei ist praktisch eine einzige Sitzung, denn sie später wieder zu öffnen bedeutet, sich erneut durch eine Textwand ohne natürliche Pausen zu suchen. Vier einzelne Dateien sind vier Sitzungen, und man kann eine heute Abend beenden, eine morgen und den Rest nächste Woche, ohne den Überblick zu verlieren, wo man aufgehört hat. Bei einer so langen Aufnahme – lang genug, dass die meisten sie nicht in einem Zug schaffen – zählt diese Unterbrechbarkeit mehr als jeder Zeitgewinn durch paralleles Verarbeiten der Teile. Wer die Korrekturrunde ordentlich machen will, sollte sie lieber aufteilen, statt zu erwarten, sich einmal hinzusetzen und alles auf einmal fertigzubekommen.
Eine App, die die ganze Datei auf einmal verarbeitet, statt einem das Aufteilen selbst zu überlassen, ist an dieser Stelle eine Option, die man kennen sollte. Die Transkriptions-App SozAI steht über die Download-Seite für iOS, Android und macOS zur Verfügung und verarbeitet Audio, Video, Aufnahmen oder einen YouTube-Link zu Text mit Sprecherkennzeichnung, einer Zusammenfassung und Übersetzung in mehr als 99 Sprachen – ein Weg unter mehreren, wie oben beschrieben, keine Abkürzung an der Korrekturrunde selbst vorbei.
Was sich realistisch nicht automatisieren lässt
Automatische Transkription kennt die Namen der Sprecher nicht, sofern man sie nicht selbst angibt. Sie vergibt eine Bezeichnung statt eines Namens, den sie unmöglich erraten kann, und das bleibt so, bis jemand es korrigiert. Ebenso wird sie einen Namen, den sie noch nie geschrieben gesehen hat, einen Fachbegriff aus einem bestimmten Bereich oder eine Zahl, die mitten in einem schnellen Satz genannt wird, nicht zuverlässig erfassen. Genau das sind die Stellen, um die sich jede Korrektur dreht, und keine noch so große Rechenleistung kommt daran vorbei.
Durcheinanderreden ist bei keinem der beiden Wege wirklich zu retten. Wenn zwei Personen gleichzeitig sprechen, verlieren sowohl die automatische Transkription als auch eine Person, die von Hand tippt, einen Teil davon – die Software entscheidet sich für einen Redestrang und lässt den anderen fallen, und wer von Hand tippt, hat dasselbe Problem, nur langsamer. Enthält eine zweistündige Aufnahme längere Passagen mit überlappendem Gespräch, sollte man gezielt zusätzliche Korrekturzeit für genau diese Stellen einplanen und von keiner der beiden Methoden erwarten, beide Stimmen sauber wiederzugeben.
Die Zwei-Stunden-Schätzung selbst ist ein Ausgangspunkt, keine Garantie. Eine Aufnahme mit gleichmäßigem Sprechtempo, nur einer sprechenden Person und vertrautem Fachvokabular kommt bei jedem hier beschriebenen Schritt schneller durch als eine mit drei Personen, einem schlechten Mikrofon und einem Thema, das man nicht schon gut kennt. Die Rechnung oben liefert einen Plan für den Abend. Sie verspricht nicht, dass man ihn an einem Stück durchsteht.
