Das Wichtigste in Kürze
Bevor Sie ein aufgezeichnetes Telefonat transkribieren lassen, klären Sie, ob die Aufnahme dort, wo die Gesprächspartner sich befanden, überhaupt zulässig war. Je nach Land oder Bundesland müssen entweder alle Beteiligten zustimmen oder es reicht die Zustimmung einer einzigen Person – diese Frage war spätestens beim Drücken der Aufnahmetaste entschieden. Danach wird es ein technisches Problem: Telefonaudio ist schmalbandig, der verwendete Codec wirft genau die Details weg, auf die eine Transkription angewiesen ist, und viele Aufnahmen mischen beide Gesprächsseiten in einen einzigen Kanal, wodurch die Zuordnung der Sprecher unsicher wird. Am stärksten leiden Zahlen, Namen und Adressen darunter. Prüfen Sie solche Angaben immer gegen die Originalaufnahme, statt sich blind auf den Text zu verlassen.
Sie haben eine Audiodatei. Jemand hat darin etwas Wichtiges gesagt – eine Summe, ein Datum, einen Namen, eine Zusage –, und Sie möchten das als Text festhalten, um später darauf verweisen zu können. Die Datei in Text zu verwandeln ist dabei der einfache Teil. Die beiden Faktoren, die entscheiden, ob am Ende etwas Verlässliches herauskommt, liegen bereits hinter Ihnen, bevor Sie die Datei überhaupt öffnen: War die Aufnahme erlaubt, und wie wurde das Audio aufgenommen?
Klären wir zuerst die rechtliche Seite. Sie hat mit Technik nichts zu tun, und keine noch so sorgfältige Transkription rettet eine Aufnahme, die Sie eigentlich nicht hätten machen dürfen.
Zuerst die Frage der Rechtmäßigkeit
Ob ein Telefonat aufgezeichnet werden darf, hängt davon ab, wo sich die Gesprächspartner befanden. Die Regelungen unterscheiden sich je nach Rechtsraum. Manche verlangen die Zustimmung aller Beteiligten. Andere verlangen nur, dass eine einzige Person zustimmt – das kann auch die Person sein, die aufnimmt. Das sind grundverschiedene Regeln, und welche für Sie gilt, lässt sich nicht aus der Audiodatei selbst herauslesen.
Das ist eine rechtliche, keine technische Frage. Das ist wichtiger, als es zunächst klingt, denn die Antwort stand bereits in dem Moment fest, in dem die Aufnahme entstand. Nichts, was Sie danach tun, ändert das noch. Die Datei zu transkribieren ändert nichts daran. Einen Teil der Datei zu löschen ändert nichts daran. Und wenn die andere Person nachträglich zustimmt, macht das aus der ursprünglichen Aufnahme nicht rückwirkend etwas anderes.
Waren Sie und Ihr Gesprächspartner nicht am selben Ort, können sogar mehrere Rechtsordnungen gleichzeitig greifen – und genau dann lohnt es sich, jemanden zu fragen, der die Rechtslage vor Ort tatsächlich kennt, statt sich auf etwas zu verlassen, das man irgendwo gelesen hat. Das ist ein kurzes Gespräch, und es sollte geführt werden, bevor Sie irgendetwas auf der Aufnahme aufbauen.
Das alles ist kein Grund, eine bereits existierende Aufnahme wegzuwerfen. Viele Telefonate werden mit dem Wissen aller Beteiligten aufgezeichnet, oder an Orten, an denen die Zustimmung einer Person genügt, oder von jemandem, der selbst am Gespräch teilnahm und sich nur zur eigenen Erinnerung eine Notiz machen wollte. Klären Sie die Frage aber, bevor Sie das Transkript weitergeben, daraus zitieren oder es irgendwo anhängen. Ein Transkript verbreitet sich weiter als eine Audiodatei – und deutlich schneller.
Warum Telefonaudio schwieriger ist als eine Aufnahme im Raum
Ein Telefonat läuft schmalbandig. Der Codec, der das Gespräch übertrgt, verwirft schon vor dem Speichern einen großen Teil des Klangs, weil er nur so viel behalten muss, dass ein Mensch dem Gespräch in Echtzeit folgen kann. Menschen sind sehr gut darin, Lücken aus dem Kontext zu ergänzen. Eine automatische Transkription kann das deutlich weniger gut – und genau das Detail, mit dem sie einen Laut von einem ähnlichen unterscheiden würde, gehört zu dem, was der Codec bereits verworfen hat.
Deshalb wird derselbe Satz von derselben Person, aufgenommen mit einem Aufnahmegerät auf dem Tisch, zuverlässiger transkribiert als über eine Telefonleitung. Das liegt nicht daran, dass die Software im einen Fall besser wäre als im anderen. Die Information ist im Telefonaudio schlicht nicht mehr vorhanden. Nichts, was danach kommt, stellt sie wieder her – keine Rauschunterdrückung, keine Lautstärkenormalisierung, kein zweiter Durchlauf durch ein anderes Tool. Sie arbeiten mit dem, was den Codec überlebt hat.
Kommen die üblichen Bedingungen eines echten Telefonats dazu, wird es noch dünner: Eine Person läuft nebenbei herum. Eine andere hat eine schlechte Verbindung, und das Audio setzt für Silben immer wieder aus. Jemand spricht der anderen Person ins Wort. Bei einer Raumaufnahme ist überlappende Sprache schon schwierig; bei einem komprimierten Telefonat ist sie oft gar nicht mehr rekonstruierbar – und das Transkript wird sich still und leise für eine Stimme entscheiden und die andere weglassen, statt Ihnen zu sagen, dass es an dieser Stelle gescheitert ist.
Ein Telefonat über Lautsprecher mit einem zweiten Gerät aufnehmen
Das Gespräch auf Lautsprecher zu stellen und mit einem zweiten Handy oder einem Diktiergerät aufzunehmen, wirkt wie eine praktische Lösung. Tatsächlich ist das Ergebnis schlechter als das Original. Die Gegenseite des Gesprächs wurde bereits auf Schmalband komprimiert, und jetzt nehmen Sie dieses komprimierte Audio noch einmal auf, während es über einen kleinen Lautsprecher läuft, von den Wänden zurückhallt und sich mit allem anderen Umgebungsgeräusch im Raum mischt. Sie behalten jeden Verlust, den der Codec verursacht hat, und packen eine ganze Schicht Verzerrung obendrauf.
Kann ein Gerät oder Dienst das Gespräch direkt aufnehmen, nutzen Sie diese Möglichkeit. Die Lautsprecher-Methode ist eine Notlösung – und es lohnt sich, das zu wissen, bevor Sie sich auf irgendetwas Präzises verlassen, das dabei herauskommt.
Ein Kanal oder zwei: Davon hängt die Sprechererkennung ab
Viele Anrufaufzeichnungen mischen beide Seiten des Gesprächs in einen einzigen Kanal. Alles landet in einem Strom, und das eindeutigste Merkmal, um die beiden Personen zu unterscheiden – welche Leitungsseite jeweils sprach –, ist damit verloren. Was bleibt, sind die Stimmen selbst: Tonhöhe, Sprechtempo, Klangfarbe. Das funktioniert bei zwei sehr unterschiedlichen Stimmen deutlich besser als bei zwei ähnlichen, und es funktioniert bei Schmalbandaudio schlechter, weil genau die Stimmmerkmale, die zur Unterscheidung nötig wären, zu den Details gehören, die der Codec verworfen hat.
Werden beide Gesprächsseiten dagegen als getrennte Kanäle gespeichert, wird die Zuordnung deutlich zuverlässiger. Jeder Kanal entspricht genau einer Person, es muss nichts mehr geraten werden. Bietet das verwendete Aufnahmeprogramm eine entsprechende Einstellung an, lohnt es sich, danach zu suchen – am besten schon vor dem Anruf, nicht erst danach.
Arbeiten Sie mit einer gemischten Aufnahme, behandeln Sie die Sprecherkennzeichnung als hilfreiche Vermutung, nicht als verlässliche Angabe. Über längere, ununterbrochene Passagen liegt sie meist richtig, an den Wechseln dagegen häufig falsch – besonders dort, wo sich beide Personen unterbrechen. Geht es im Transkript genau darum, wer was zugesagt hat, sind es ausgerechnet diese Wechselstellen, an denen die Zuordnung stimmen muss. Prüfen Sie diese Momente also gegen das Original.
So bekommen Sie den Text aus der Datei
Sobald eine Anrufaufzeichnung exportiert wurde, ist sie kein Telefonat mehr, sondern eine gewöhnliche Audiodatei, die sich wie jede andere transkribieren lässt. Wie der Export genau funktioniert, unterscheidet sich je nach Aufnahme-App, Telefonanlage oder Anbieter – meist findet sich die Option unter einem Teilen-Symbol oder einem Drei-Punkte-Menü direkt bei der Aufnahme. Holen Sie die Datei zuerst heraus, und denken Sie dann nicht mehr an ein Telefonat, sondern schlicht an Audio.
Von da an läuft es genauso wie bei jeder anderen Audiodatei, die Sie in Text umwandeln möchten. SozAI transkribiert Aufnahmen auf iOS, Android und macOS mit Sprecherkennung, Zusammenfassungen und Übersetzung in über 99 Sprachen; die App gibt es hier zum Herunterladen, und derselbe Weg funktioniert auch für Sprachnachrichten auf dem Anrufbeantworter, die aus demselben Grund schmalbandig sind und sich entsprechend verhalten. Es ist nur eine von mehreren Möglichkeiten, und die Wahl des Tools zählt weniger als die Qualität der Ausgangsdatei.
Handelt es sich nicht um ein einzelnes Gespräch, sondern um einen ganzen Ordner voller Aufnahmen, die sich über Monate angesammelt haben, ändert sich das Problem grundlegend. Alles zu transkribieren, nur um einen einzigen Satz wiederzufinden, ist meist der falsche Ansatz – sinnvoller ist es, in der Lage zu sein, einen ganzen Bestand an Anrufaufzeichnungen zu durchsuchen, statt ihn komplett zu lesen.
Wenn die Aufnahme als Beweismittel dienen soll
Eine Aufnahme, die nur zur eigenen Erinnerung dient, und eine, die als Beweismittel eingesetzt wird, unterliegen unterschiedlichen Maßstäben. Für die private Nutzung reicht ein Transkript mit ein paar Ungenauigkeiten völlig aus – Sie wissen ja, was tatsächlich gesagt wurde, und der Text dient nur als Gedächtnisstütze. Soll die Aufnahme jedoch formell verwendet werden, muss die Originaldatei in der Regel unverändert erhalten bleiben.
Das bedeutet: Lassen Sie die Datei genau so, wie sie vom Gerät kam. Schneiden Sie die Stille am Anfang nicht heraus. Entfernen Sie keine unwichtigen Passagen in der Mitte. Exportieren Sie die Datei nicht neu in einem anderen Format, um sie kleiner zu machen, und lassen Sie sie nicht durch ein Tool laufen, das die Lautstärke normalisiert und dabei eine neue Datei erzeugt. All das produziert eine abgeleitete Version, und rechtlich zählt das Original. Arbeiten Sie mit einer Kopie und lassen Sie das Original unangetastet.
Das Transkript ist in diesem Zusammenhang ein Arbeitsdokument, das neben der Aufnahme steht, sie aber nicht ersetzt. Es hilft dabei, die entscheidenden dreißig Sekunden schnell zu finden. Was in diesen dreißig Sekunden tatsächlich gesagt wurde, zeigt aber nur die Aufnahme selbst. Ob eine Aufnahme überhaupt als Beweismittel zugelassen wird, ist eine eigene Frage – und die gehört zu demselben Gespräch, in dem Sie auch die Rechtmäßigkeit der Aufnahme klären sollten.
Was Sie trotzdem von Hand nachprüfen müssen
Die Teile eines Telefonats, die man hinterher am dringendsten braucht, sind Zahlen, Namen und Adressen – eine Vorgangsnummer, ein Betrag, die Schreibweise eines Nachnamens, eine Straße. Genau diese Teile werden durch Schmalbandaudio am stärksten beschädigt, weil sie sich nicht aus dem Kontext ergänzen lassen. Ein ganzer Satz lässt sich aus den umgebenden Wörtern rekonstruieren. Eine siebenstellige Zahl nicht. Ist eine Ziffer falsch, gibt es im umgebenden Audio kein Signal, das darauf hinweist – das Transkript präsentiert die falsche Ziffer mit derselben scheinbaren Sicherheit wie alles andere.
Behandeln Sie deshalb jede Zahl, jeden Namen und jede Adresse in einem Telefontranskript als etwas, das noch geprüft werden muss, nicht als etwas, das Sie einfach verwenden können. Suchen Sie die Stelle im Text, springen Sie an die entsprechende Stelle in der Aufnahme, hören Sie hinein. Das dauert pro Angabe nur eine Minute, macht aber den Unterschied zwischen einem Transkript, auf das Sie sich verlassen können, und einem, das bloß plausibel klingt. Ein guter Maßstab: Würde ein Fehler an dieser Stelle Sie etwas kosten, muss die Stelle geprüft werden.
Für den Rest des Textes können Ihre Erwartungen entsprechend gesetzt sein. Ein Transkript eines Telefonats gibt den inhaltlichen Verlauf meist gut wieder – wie das Gespräch aufgebaut war, was vorgeschlagen wurde, was zugesagt wurde, welchen Ton eine Meinungsverschiedenheit hatte. Bei präzisen Details ist es weniger verlässlich, und noch schwächer wird es dort, wo zwei Personen gleichzeitig sprechen oder die Verbindung ausgesetzt hat. Zu wissen, welchen Teilen man vertrauen kann, ist der größte Teil des Könnens dabei. Das Transkript liefert Ihnen eine schnelle, durchsuchbare Version des Gesprächs und einen Weg zurück zur genauen Sekunde in der Aufnahme, die Sie brauchen. Ersetzen kann es die Aufnahme nicht – bei einer Schmalbandaufnahme konnte es das von Anfang an nicht.
