Das Wichtigste in Kürze
Ja, das ist möglich – aber seltener, als die Werbung glauben macht. Transkription, die auf dem eigenen Gerät läuft, und Transkription, die auf einem Server läuft, sind zwei unterschiedliche Bauweisen, keine Einstellung, die man einfach umlegt. Die meisten Apps setzen auf die Server-Variante, weil ein lokales Modell Speicherplatz kostet und auf älterer Hardware langsamer läuft. Eine Datenschutzerklärung, die Verschlüsselung während der Übertragung verspricht, beschreibt nur den Übertragungsweg – nicht das Ziel. Stellen Sie jedem Werkzeug drei Fragen: Verlässt die Audiodatei das Gerät? Wie lange wird sie gespeichert? Und wird sie zum Trainieren irgendetwas verwendet?
Wenn Sie eine Aufnahme einer Therapiesitzung, eines Gesprächs mit einem Anwalt oder eines Meetings besitzen, das nie den Raum hätte verlassen sollen, ist die Frage alles andere als akademisch. Sie wollen wissen, ob sich die Datei in Text verwandeln lässt, ohne dass irgendwo eine Kopie auf fremder Hardware landet. Die Antwort gibt es – und sie ist deutlich konkreter, als die meisten Produktseiten zugeben.
Im Folgenden geht es um das ehrliche Bild: Was tatsächlich lokal läuft, was nicht, warum die Grenze genau dort verläuft, wo sie verläuft, und was Sie prüfen sollten, bevor Sie einem Tool Audio anvertrauen, das Sie nicht zurückholen können.
Transkription auf dem Gerät und auf dem Server sind zwei verschiedene Bauweisen
Das Wichtigste zuerst: Das ist keine Datenschutz-Option, die eine App Ihnen gewährt. Transkription, die auf Ihrem Smartphone oder Laptop passiert, und Transkription, die auf einem entfernten Rechner passiert, sind unterschiedliche Architekturen. Eine App wurde auf die eine oder die andere Art gebaut. Es gibt keinen versteckten Schalter in den Einstellungen, der die Arbeit von einem Server auf Ihr Gerät verlegt – denn die Bausteine, die für lokale Verarbeitung nötig sind, wurden entweder von Anfang an mitgeliefert oder eben nicht.
Lokale Transkription bedeutet: Ein Spracherkennungsmodell liegt auf Ihrem Gerät. Die Audiodatei wird dort verarbeitet, der Text entsteht dort, und nichts muss irgendwohin wandern. Server-Transkription bedeutet: Ihre Audiodatei wird irgendwohin geschickt, auf Hardware verarbeitet, die Sie nicht kontrollieren, und der Text kommt zurück. Beide Varianten können gut umgesetzt sein. Beide können schlecht umgesetzt sein. Aber nur eine davon behält die Audiodatei in Ihrer Hand – und welche Variante Sie nutzen, ist eine Eigenschaft der Software, keine Frage der sorgfältigen Konfiguration.
Dass die meisten Apps den Weg über den Server wählen, liegt nicht an Gleichgültigkeit. Ein lokales Modell muss auf dem Gerät gespeichert werden, und das kostet echten Speicherplatz. Es läuft auf dem Prozessor, den das Gerät gerade hat – was bedeutet, dass es auf älterer Hardware langsamer läuft und bei langen Dateien noch langsamer. Diese beiden Einschränkungen reichen aus, um die meisten Produkte auf Server zu drängen, wo das Modell groß sein darf, die Hardware schnell ist und nichts heruntergeladen werden muss. Dieser Tausch erklärt im Kern, warum die private Variante die Ausnahme ist.
Verschlüsselung während der Übertragung beschreibt den Weg, nicht das Ziel
Genau hier fühlen sich viele vernünftige Menschen sicherer, als sie es sein sollten. Eine Datenschutzerklärung erklärt, dass Ihre Daten während der Übertragung verschlüsselt sind. Dieser Satz stimmt fast sicher – und er sagt nichts darüber aus, ob Ihre Audiodatei auf einem Server verarbeitet oder dort im Anschluss gespeichert wird.
Verschlüsselung während der Übertragung bedeutet, dass die Verbindung zwischen Ihrem Gerät und dem Dienst geschützt ist, während die Daten unterwegs sind. Das ist eine Aussage über den Weg. Sie lässt sich problemlos damit vereinbaren, dass Ihre Audiodatei auf einem Server ankommt, dort verarbeitet wird und so lange in einem Speicher liegt, wie die Aufbewahrungsrichtlinie es erlaubt. Wenn überhaupt, ist ein Versprechen zur Verschlüsselung während der Übertragung eine stille Bestätigung, dass tatsächlich etwas unterwegs ist. Eine Audiodatei, die das Gerät nie verlässt, braucht keine geschützte Verbindung, weil sie keine Reise antritt.
Wenn Sie also eine Sicherheitsseite lesen, trennen Sie die Aussagen. Der Schutz der Verbindung ist eine Aussage. Wo die Verarbeitung stattfindet, ist eine andere. Wie lange die Audiodatei aufbewahrt wird, ist eine dritte. Eine Seite kann bei der ersten Aussage vollkommen ehrlich sein und zu den anderen beiden einfach schweigen – und Sie glauben am Ende etwas, das die Seite so nie behauptet hat.
Was ein Browser wirklich leisten kann, ohne Ihre Datei zu versenden
Es gibt tatsächlich Tools, die eine Datei vollständig im Browser verarbeiten. Sie öffnen eine Seite, wählen eine Datei aus, und die Arbeit passiert direkt im Tab. Nichts wird hochgeladen. Das ist kein Werbeversprechen, sondern die tatsächliche Bauweise – und sie bedeutet, dass die Datei Ihr Gerät nie verlässt.
Der Haken liegt darin, was diese Tools leisten können. Verarbeitung direkt im Browser funktioniert für Aufgaben, die kein Modell brauchen: Untertitelformate umwandeln, Zeitstempel verschieben, damit Untertitel zu einem neu geschnittenen Video passen, Wörter oder Zeichen in einem bereits vorhandenen Transkript zählen. Das sind Umformungen von Text und Zeitangaben. Sie sind klein, eindeutig berechenbar und brauchen außer der Datei selbst nichts weiter.
Sprache in Text zu verwandeln ist keine solche Aufgabe. Dafür braucht es ein Spracherkennungsmodell, und ein Modell ist etwas Großes, das irgendwoher kommen und irgendwo liegen muss. Eine Webseite, die anbietet, Ihre Audiodatei zu transkribieren, schickt diese Datei in der Praxis an einen Server zur Verarbeitung. Die Seite ist nur die Oberfläche; die eigentliche Arbeit passiert anderswo. Transkribiert ein Browser-Tool tatsächlich Sprache, gehen Sie von einem Upload aus – und suchen Sie nach der Aufbewahrungsrichtlinie, nicht nach der Beruhigungsformel.
Die drei Fragen, die Antworten von Marketing trennen
Sie müssen keine Infrastruktur überprüfen. Sie brauchen drei Antworten – und alle drei zusammen, denn eine gute Antwort auf eine Frage kann eine schlechte Antwort auf eine andere verdecken.
- Verlässt die Audiodatei das Gerät? Nicht „Ist es sicher?“ und nicht „Ist es verschlüsselt?“ – sondern: Reist die Datei irgendwohin? Ein Dienst, der auf einem Server verarbeitet, sollte das klar sagen.
- Wie lange wird sie aufbewahrt? Wird eine Audiodatei irgendwohin geschickt, wird sie irgendwo gespeichert – zumindest kurz. Die Frage ist, ob das Minuten sind, Tage, oder bis Sie die Löschung verlangen.
- Wird sie zum Trainieren irgendetwas verwendet? Eine Audiodatei zu verarbeiten und aus ihr zu lernen sind zwei verschiedene Dinge. Ein Dienst kann bei der ersten Frage ehrlich sein und bei der zweiten vage bleiben.
Beantwortet eine Seite nur die erste Frage, haben Sie ein Drittel des Bildes. Beantwortet sie keine davon und bietet stattdessen nur Formulierungen zur Verschlüsselung, werten Sie das selbst als Antwort. Unklarheit bei der Aufbewahrung ist selten Zufall.
Wendet man diesen Maßstab hier an: die Transkriptions-App SozAI läuft auf einem Server, das heißt, Audiodateien, die Sie aufnehmen oder hochladen, werden zur Verarbeitung übertragen, und die Einzelheiten zu Aufbewahrung und Umgang mit den Daten stehen auf der Seite zu Sicherheit und Datenverarbeitung. Die kostenlosen Untertitel- und Zähl-Tools auf der Website sind der Teil, der vollständig im Browser läuft, und sie transkribieren nicht.
Das Transkript zu löschen ist nicht dasselbe wie die Audiodatei zu löschen
Das ist die Falle für alle, die sonst alles richtig gemacht haben. Sie sind mit einer sensiblen Aufnahme fertig, löschen das Transkript aus der App, und der Eintrag verschwindet aus Ihrer Liste. Es fühlt sich abgeschlossen an.
Transkript und Audiodatei unterliegen meist getrennten Aufbewahrungsregeln. Ein Transkript aus einer App zu löschen entfernt es aus Ihrer Ansicht der App. Die Audiodatei, aus der es entstanden ist, liegt weiterhin beim Dienst, der die Verarbeitung übernommen hat, unter dessen jeweiliger Aufbewahrungsrichtlinie – und diese Richtlinie wird durch das Löschen eines Textstücks nicht automatisch ausgelöst. Es sind zwei getrennte Vorgänge, und nur einer davon liegt vor Ihnen sichtbar.
Wenn die Audiodatei also wichtig ist, suchen Sie gezielt nach der Antwort zur Aufbewahrung – in der Datenschutzerklärung oder wo immer ein Dienst das dokumentiert. Suchen Sie nach einem konkreten Zeitraum oder einem beschriebenen Weg, die Löschung der Ursprungsdatei zu verlangen, nicht nur des Ergebnisses. Finden Sie keins von beiden, haben Sie keine Richtlinie gefunden, die das abdeckt, was Sie eigentlich beunruhigt.
Was Sie aufgeben, wenn Sie auf lokale Verarbeitung bestehen
Entscheiden Sie sich dafür, dass nichts das Gerät verlässt – Punkt –, ist das eine vertretbare Haltung, die aber einen Preis hat. Machen Sie sich diesen Preis klar, bevor Sie sich festlegen, denn die Enttäuschung kommt meist später, mitten in einer langen Aufnahme.
Das Modell muss auf Ihrem Gerät liegen, also zahlen Sie mit Speicherplatz. Es muss auf Ihrem Gerät laufen, also zahlen Sie mit Zeit, und diese Rechnung wächst bei älterer Hardware und langen Aufnahmen. Ein zweistündiges Meeting ist auf einem einige Jahre alten Smartphone keine Sache von zwei Minuten. Innerhalb der lokalen Architektur lässt sich das nicht wegkaufen, denn der ganze Sinn der Sache ist, dass keine schnellere Maschine im Spiel ist.
Bei der Genauigkeit sollten Sie widerstehen, eine allgemeine Regel in irgendeine Richtung zu akzeptieren. Sicher ist nur: Eine lokale Lösung ist begrenzt durch das, was auf das Gerät passt und was das Gerät berechnen kann, eine Server-Lösung ist das nicht. Ob sich das in Ihrem Transkript bemerkbar macht, hängt vom Modell ab, von der Aufnahme, den Akzenten, den Hintergrundgeräuschen und der Sprache. Der einzige ehrliche Test ist Ihre eigene Audiodatei, mit dem Tool, das Sie in Betracht ziehen, bevor Sie sich bei etwas Wichtigem darauf verlassen.
Und es gibt einen Mittelweg, den viele übersehen: Nicht jede Aufnahme braucht dieselbe Behandlung. Die Therapiesitzung und das Stand-up-Meeting verlangen keine identische Handhabung. Es ist durchaus vernünftig, für den Großteil der Arbeit ein server-basiertes Tool zu nutzen und eine kleine Auswahl an Aufnahmen davon komplett auszunehmen – die dann von Hand transkribiert werden oder gar nicht. Zu entscheiden, in welchen Stapel eine Datei gehört, führt meist schneller zu einem guten Gefühl als die Suche nach einem einzigen Tool, das jeden Fall abdeckt.
