Das Wichtigste in Kürze
macOS transkribiert keine Videodatei von sich aus. Was das System ohne jede zusätzliche Software kann: die Tonspur aus dem Video herauslösen, mit dem QuickTime Player – das Ergebnis ist eine deutlich kleinere Datei, mit der sich weiterarbeiten lässt. Die integrierte Diktierfunktion schreibt live mit, was das Mikrofon hört, während Sie sprechen – für eine bereits vorhandene Aufnahme ist sie also nicht gedacht. Die eigentliche Transkription ist ein eigener Schritt, und der läuft auf jedem Computer gleich ab.
Sie haben ein Video auf Ihrem Mac liegen. Eine Bildschirmaufnahme eines Meetings, eine Vorlesung, die jemand geschickt hat, ein Clip, den Sie gespeichert haben. Sie wollen an den Text heran. Und am liebsten, ohne sich bei irgendeiner Firma, die Sie noch nie gehört haben, ein Konto anzulegen.
Die Aufgabe zerfällt in zwei klar getrennte Schritte. Erstens: eine saubere Audiodatei aus dem Video gewinnen. Zweitens: diese Audiodatei in Text verwandeln. Den ersten Teil kann Ihr Mac bereits, und zwar sofort, mit Software, die schon installiert ist. Den zweiten Teil kann er nicht – und daran ändert auch das gründlichste Durchklicken der Systemeinstellungen nichts. Wer weiß, wo genau die Grenze verläuft, spart sich einen ganzen Nachmittag Suche nach einem Menüpunkt, den es nicht gibt.
Was macOS bereits kann
Der QuickTime Player ist auf jedem Mac vorinstalliert. Er spielt Videos ab, nimmt den Bildschirm auf und kann die Tonspur aus einer Videodatei exportieren. Genau das ist hier der nützliche Teil – und oft der einzige Schritt, den Sie erledigen müssen, bevor Sie die Datei an ein anderes Werkzeug weitergeben.
macOS bringt außerdem die Diktierfunktion mit, die gesprochene Sprache in Echtzeit in Text umwandelt, während Sie sprechen. Auch die App „Sprachmemos“ ist an Bord, und sie synchronisiert sich über iCloud mit derselben App auf dem iPhone. Zusammen können diese drei Werkzeuge Ton aufnehmen, speichern und per Stimme Text erzeugen.
Keines davon liest eine vorhandene Videodatei ein und liefert Ihnen ein Transkript. Das muss man klar so sagen, denn die Werkzeuge liegen thematisch so nah beieinander, dass man das Gefühl bekommt, die Funktion müsse sich irgendwo verstecken. Sie tut es nicht. Der Mac ist gut darin, Aufnahmen zu erzeugen, und schlecht darin, sie in Text zu verwandeln.
Erst die Audiospur herausziehen
Eine Videodatei ist im Grunde ein Behälter. Er enthält Bild und er enthält eine Tonspur, und die Transkription greift ausschließlich auf den Ton zu. Das Bild ist für diesen Zweck reiner Ballast.
Exportieren Sie also zuerst den Ton, bevor Sie irgendetwas anderes tun. Der QuickTime Player kann das, das heißt: Dieser erste Schritt kostet nichts und erfordert keine Installation. Am Ende erhalten Sie eine deutlich kleinere Datei als das ursprüngliche Video – je nach Ausgangsmaterial manchmal um ein Vielfaches kleiner.
Dieser Größenunterschied ist keine Theorie, sobald die Aufnahme lang ist. Eine zweistündige Vorlesung als Video lässt sich nur mühsam verschieben, hochladen oder in mehreren Kopien aufbewahren, während man noch überlegt, welches Werkzeug man eigentlich nutzen will. Dieselben zwei Stunden als Audiodatei sind eine überschaubare Datei, mit der man umgehen kann, ohne groß nachzudenken. Wer einen ganzen Ordner voller Aufnahmen durcharbeiten muss, merkt: Zuerst zu extrahieren macht den Unterschied zwischen einem Abend und einem ganzen Wochenende.
Die Extraktion klärt außerdem eine Frage, über die viele stolpern: ob man wirklich etwas braucht, das gezielt Videodateien in Text umwandelt, oder ob eine reine Audio-Transkription reicht. Sobald der Ton als eigene Datei vorliegt, spielt diese Unterscheidung keine Rolle mehr. Jedes Transkriptionswerkzeug, das Audio verarbeitet, verarbeitet auch Ihre Datei.
Diktat ist eine andere Aufgabe
Diktieren und Transkribieren werden oft so verwendet, als seien es Synonyme. Das sind sie nicht, und genau in diesem Unterschied liegt der Grund, warum Sie noch kein Transkript haben.
Die Diktierfunktion hört einem Mikrofon zu und schreibt in Echtzeit auf, was sie hört, während es passiert. Sie sprechen, Text erscheint. Das ist eine Eingabemethode. Die Transkription nimmt sich eine bereits existierende Aufnahme vor – etwas, das vor einer Stunde oder vor einem Jahr zu Ende war – und erzeugt daraus Text. Das eine ist ein Eingabegerät, das andere eine Umwandlung.
Man kann versuchen, die Lücke zu überbrücken, indem man das Video über die Lautsprecher abspielt und die Diktierfunktion mithören lässt. Das machen manche Leute. Es funktioniert schlecht. Man lässt ein Mikrofon einen Ton aufnehmen, der schon einmal aufgenommen wurde, in einem Raum, mit allem, was in diesem Raum sonst noch klingt – und man muss die gesamte Laufzeit dabei durchsitzen. Eine Stunde Video kostet Sie eine Stunde Zeit. Für alles, was länger ist als ein kurzer Clip, ist das keine ernsthafte Option. Zum Thema Sprache in Text umwandeln auf dem Mac und wo die Bordmittel an ihre Grenzen kommen, gibt es mehr zu sagen – die Kurzfassung lautet: Die Diktierfunktion war nie für Dateien gedacht.
Wenn die Datei noch nicht existiert
Alles oben Genannte setzt voraus, dass das Video schon auf der Festplatte liegt. Manchmal ist das nicht der Fall. Der Ton, aus dem Sie den Text gewinnen wollen, steckt in einem laufenden Anruf oder in einem Video, das in einem Browser-Tab läuft – und es gibt nichts zu extrahieren, weil noch nichts gespeichert wurde.
Genau hier stellt sich der Mac wirklich quer. Den eigenen Systemton aufzunehmen – also den Ton, der aus dem Gerät herauskommt, statt in das Mikrofon hinein – ist etwas, das macOS standardmäßig nicht anbietet. Eine Bildschirmaufnahme liefert das Bild. An den passenden Ton zu kommen ist ein eigenes Problem, und es ist genau der Schritt, an dem die meisten Leute hängenbleiben. Wer schon einmal mit einer stummen Aufnahme eines Meetings dastand und nicht verstand, was schiefgelaufen ist – genau das war die Ursache. Sie haben nichts falsch gemacht.
Es gibt Wege daran vorbei, und es lohnt sich, sie zu kennen, bevor man sie braucht, statt fünf Minuten in einen Anruf hinein, der sich nicht wiederholen lässt. Die Details zum Aufnehmen des Bildschirms auf dem Mac mit Ton sind ein eigenes Thema. Wichtig ist hier nur: Es ist ein Aufnahmeproblem, kein Transkriptionsproblem – und ist es gelöst, ist man wieder im gewöhnlichen Fall: eine Datei auf der Festplatte.
Ein Weg umgeht das Problem ganz. „Sprachmemos“ auf dem Mac teilt Aufnahmen über iCloud mit derselben App auf dem iPhone, sodass alles, was man auf dem Telefon aufnimmt, auf dem Mac erscheint, ohne dass man sich die Datei selbst mailen oder ein Kabel suchen müsste. Für ein persönliches Gespräch oder einen Vortrag, dem man live zuhört, ist es weniger Aufwand, auf dem Telefon aufzunehmen und die Datei dann am Rechner abzuholen, als sich mit dem Systemton-Problem herumzuschlagen. Für Ton, den der Mac selbst erzeugt, nützt das natürlich nichts.
Die Audiodatei in Text verwandeln
Sobald der Ton als eigene Datei vorliegt, spielen alle vorherigen Entscheidungen keine Rolle mehr. Der Transkription ist es egal, ob die Datei aus einem Video, von einem Telefon, aus einer Bildschirmaufnahme stammt oder von einem Kollegen geschickt wurde. Und es ist ihr egal, ob Sie einen Mac benutzen. Von hier an ist es dieselbe Aufgabe wie auf jedem anderen Gerät – die Auswahl beschränkt sich also ausschließlich auf das Transkriptionswerkzeug.
Genau hier trifft der Wunsch, sich nirgends anmelden zu müssen, auf die Realität, also ganz offen dazu: Alles, was vollständig im Browser läuft, kann versprechen, dass die eigene Datei nie das Gerät verlässt, und manche Werkzeuge halten dieses Versprechen tatsächlich. Aber Browser-Werkzeuge dieser Art erledigen meist Dinge wie Untertiteldateien oder Zählaufgaben – also Text, der bereits Text ist. Echte Spracherkennung bei einer zweistündigen Aufnahme ist deutlich rechenintensiver, und Werkzeuge, die das leisten, wollen in der Regel entweder als installierte App laufen oder Ihre Datei auf einem Server verarbeiten. Egal, wofür Sie sich entscheiden – das ist die Frage, die Sie stellen sollten, und die Antwort sollte leicht zu finden sein.
SozAI ist eine Option: eine Transkriptions-App für macOS, die Audio- und Videodateien, Aufnahmen und YouTube-Links verarbeitet, mit Sprecherkennzeichnung, Zusammenfassungen und Übersetzung in über 99 Sprachen. Auf derselben Website gibt es außerdem kostenlose, rein browserbasierte Werkzeuge für Untertitel und Zählaufgaben, die vollständig im Browser laufen, ohne Upload und ohne Konto – diese transkribieren keinen Ton, sind aber nützlich, sobald ein Transkript bereits vorliegt und weiterverarbeitet werden soll.
Was das Transkript nicht für Sie erledigt
Bitten Sie um Zeitstempel, wenn es darum geht, später einen bestimmten Moment wiederzufinden. Ein Transkript ohne Zeitstempel ist eine durchsuchbare Textwand – man findet den Satz, aber den Satz zu finden ist nicht dasselbe wie die Stelle im Video zu finden, an der er gesagt wurde. Wer eine Vorlesung transkribiert, um gezielt zu den zehn wichtigen Minuten springen zu können, für den sind Zeitstempel das eigentliche Feature. Wer den Text nur einmal lesen und das Video danach nie wieder öffnen will, für den sind sie nur Ballast. Entscheiden Sie das vorher, denn nachträglich hinzuzufügen bedeutet, die Arbeit zweimal zu machen.
Erwarten Sie, dass der Text die Aufnahme widerspiegelt, aus der er stammt. Spracherkennung arbeitet mit dem, was tatsächlich aufgezeichnet wurde, und eine Aufnahme aus einem Raum voller Menschen, die sich gegenseitig unterbrechen, liefert weniger brauchbares Material als eine saubere Aufnahme. Die Tonspur aus dem Video zu extrahieren verbessert den Ton nicht – es isoliert nur, was ohnehin schon da war. Ist die Tonqualität schlecht, werden Sie am Transkript nachbessern müssen, und kein früherer Schritt in diesem Ablauf behebt das.
Und akzeptieren Sie, dass ein Teil des Videos die Reise nicht überlebt. Folien, Diagramme, alles, was an eine Tafel geschrieben wurde, wer worauf gezeigt hat – all das fällt weg, weil man das Bild bewusst weggeworfen hat, um eine handhabbare Datei zu bekommen. Für ein Gespräch geht dabei nichts verloren. Für eine Produktvorführung oder eine Präsentation ist das Transkript nur die halbe Dokumentation, und man sollte das Originalvideo daneben aufbewahren.
