Was ist ein Transkript? Bedeutung, Arten, Formate, Beispiel

Jemand bittet Sie, das Transkript zu schicken, und Sie sagen zu – Sie wissen ja, was das ist. Dann kommt die Datei: alle paar Sekunden ein Zeitstempel, Namen in Großbuchstaben und eine Zeile, in der nur [gleichzeitiges Sprechen] steht. Plötzlich ist es nicht mehr ganz so klar.

Vorab eine Abgrenzung. Im Englischen heißt Transcript auch die offizielle Aufstellung der belegten Kurse und erzielten Noten, die eine Schule oder Hochschule ausstellt; an deutschen Hochschulen kennt man sie als „Transcript of Records“. Wenn Sie dieses Dokument brauchen, ist das Prüfungsamt oder Studierendensekretariat Ihrer Hochschule die richtige Adresse. Dieser Leitfaden behandelt die andere Bedeutung: die schriftliche Fassung von etwas Gesprochenem, erstellt aus einer Aufnahme.

Was bedeutet Transkript? Ein Dokument, keine Tätigkeit

Ein Transkript ist ein Textdokument, das festhält, was in einer Aufnahme gesagt wurde – in der Reihenfolge, in der es gesagt wurde, und jeweils der Person zugeordnet, die es gesagt hat. Das ist die ganze Definition. Alles andere – Zeitstempel, Anmerkungen in eckigen Klammern, der Kopfbereich, die Dateiendung – sind Konventionen, die das Dokument erst brauchbar machen.

Im Alltag sagt man oft „Transkription“ und meint damit die Arbeit ebenso wie ihr Ergebnis – genau da beginnt die Verwirrung. Wie das Dokument entsteht – Kosten, Tempo, Maschine oder Mensch –, ist ein eigenes Thema; den Transkriptionsprozess selbst erklären wir in einem eigenen Leitfaden. Hier geht es um das Ergebnis.

Zwei Eigenschaften unterscheiden ein Transkript von Notizen. Es ist linear: Es folgt der Aufnahme vom Anfang bis zum Ende, statt zu den interessanten Stellen zu springen. Und es ist vollständig – im Rahmen des Stils, den es für sich beansprucht. Eine Zusammenfassung wählt aus, ein Transkript darf das nicht. Wer die langweiligen fünf Minuten weglässt, in denen niemand die richtige Folie fand, hat Notizen. Nennt man sie Transkript, gibt es früher oder später Streit.

Vier Arten von Transkripten – und was jede weglässt

Jedes Transkript entscheidet, wie viel vom Durcheinander echter Sprache es behält. Vier Stile decken dieses Spektrum ab, und der falsche Stil ist der häufigste Grund, warum ein Transkriptionsauftrag schiefgeht.

Full Verbatim (auch True Verbatim)

Die wörtliche Transkription im strengsten Sinn: alles. Jedes „äh“, jedes Stottern, jeder abgebrochene Satz, dazu Nichtsprachliches wie Lachen, lange Pausen und Hintergrundgeräusche, alles markiert. Full Verbatim hält nicht nur fest, was gesagt wurde, sondern auch, wie. Es ist aufwendig zu erstellen und mühsam zu lesen. Genau das ist gewollt, wo es vorgeschrieben ist: in Gerichtsverfahren, bei polizeilichen Vernehmungen und in der Forschung, wenn das Zögern selbst zu den Daten gehört.

Clean Verbatim: wörtlich, aber geglättet

Die Worte, wie sie gesprochen wurden, nur ohne Störgeräusche. Clean Verbatim streicht Füllwörter, sprachliche Ticks und Stottern, formuliert aber nichts um – die Sätze bleiben die der sprechenden Person. Die meisten Dienstleister behalten aussagekräftige Satzabbrüche und Selbstkorrekturen, weil sie echte Unsicherheit zeigen, streichen aber das reflexhafte „sozusagen“, das vierzig Mal pro Stunde fällt. Clean Verbatim ist der Standard für Meetings, Konferenzvorträge, Fokusgruppen und Vorlesungsaufzeichnungen.

Intelligent Verbatim

Noch ein Schritt in Richtung Lesbarkeit. Neben den Füllwörtern korrigiert die transkribierende Person behutsam die Grammatik, fasst Wiederholungen zusammen und streicht bedeutungslose Einschübe („Moment, mein Hund dreht gerade durch“). Der Tonfall der Person bleibt, die Holprigkeit nicht. Forschende nutzen diesen Stil gern für Interviews, aus denen sie zitieren wollen. Verwirrend: Manche Anbieter verwenden „Intelligent Verbatim“ und „Clean Verbatim“ synonym.

Redigiertes Transkript

Die am stärksten bearbeitete Fassung. Eine Redakteurin oder ein Redakteur stellt Satzteile um, strafft Sätze, korrigiert die Grammatik und richtet den Text auf Leser aus, die nicht dabei waren. So entstehen veröffentlichte Interviews, Redemanuskripte und Shownotes für Podcasts. Der Preis dafür: Ein redigiertes Transkript liest sich am angenehmsten und taugt am wenigsten als Beleg.

Tipp: Legen Sie den Stil fest, bevor die Arbeit beginnt. Die Begriffe sind nicht genormt – was bei einem Anbieter „Clean Verbatim“ heißt, ist beim nächsten „Intelligent Verbatim“. Verlassen Sie sich nicht auf das Etikett. Schicken Sie stattdessen eine Vorgabe in zwei Zeilen: „Satzabbrüche behalten, Füllwörter entfernen, unverständliche Stellen mit Zeitstempel markieren.“ Dieser eine Satz verhindert die teuerste Nacharbeit überhaupt: vierzig Stunden Audio noch einmal zu transkribieren, weil die Füllwörter doch drinbleiben sollten.

Wie sieht ein Transkript aus? Ein Beispiel

Beschreibungen helfen nur bis zu einem gewissen Punkt. Hier ist ein Transkript eines kurzen Geschäftsmeetings in Clean Verbatim, formatiert wie die meisten professionellen Transkripte.

Beispiel-Transkript – Clean Verbatim

TRANSKRIPT – Pricing-Review Q3 Aufgenommen: 5. August 2026 | Dauer: 00:42:11 | Sprecher: 3 Stil: Clean Verbatim

[00:00:04] MAYA CHEN: Okay, die Aufnahme läuft. Dan, hast du die überarbeiteten Margenzahlen?

[00:00:09] DAN OKAFOR: Hab ich. Enterprise liegt bei einundsechzig Prozent Bruttomarge, vier Punkte mehr als in Q2. Im Mid-Market wird es hässlich.

[00:00:21] MAYA CHEN: Hässlich inwiefern?

[00:00:23] DAN OKAFOR: Supportaufwand. Gleicher Preis, ungefähr dreimal so viele Tickets. Ich glaube, es liegt [unverständlich 00:00:27] am Onboarding.

[00:00:31] PRIYA RAO: Passt ins Bild. Wir haben im Juni das Self-Service-Onboarding eingeführt, und die Nutzung liegt unter dreißig Prozent.

[00:00:38] MAYA CHEN: Die Lösung ist also nicht – [gleichzeitiges Sprechen] –

[00:00:39] DAN OKAFOR: – die Lösung ist das Onboarding, nicht der Preis.

[00:00:44] MAYA CHEN: Dann eine Aufgabe. Priya, kannst du bis Donnerstag die Nutzung nach Kohorten auswerten?

[00:00:51] PRIYA RAO: Klar. Bis Mittwoch.

[00:00:53] [Aufnahme pausiert]

Hier greifen vier Konventionen, die fast überall gelten:

• Ein Kopfbereich. Titel, Datum, Dauer, Zahl der Sprecher, Stil. So wird aus einer Textwand ein Dokument, das sich auch sechs Monate später noch zitieren lässt.
• Sprecherkennzeichnung. Vollständige Namen in Großbuchstaben oder Rollen wie INTERVIEWER und BEFRAGTE, wenn Anonymität wichtig ist. Bleiben Sie einheitlich: Heißt dieselbe Person mal „DAN“ und mal „D. OKAFOR“, findet keine Suche mehr alle Stellen.
• Zeitstempel. Bei jedem Sprecherwechsel wie oben oder in festen Abständen von 30 Sekunden bis zwei Minuten. Feiner wird zum Rauschen, gröber macht Stellen schwer auffindbar.
• Eckige Klammern für alles, was keine Sprache ist. [unverständlich], [gleichzeitiges Sprechen], [Lachen], [Aufnahme pausiert]. Sorgfältige Transkripte versehen die Markierung [unverständlich] mit einem Zeitstempel, damit jemand nachhören und die Lücke füllen kann.

Alle vier von Hand sauber umzusetzen ist mühsam, deshalb wird das meiste inzwischen automatisch erzeugt. Meeting-Tools liefern Kopfbereich, Sprecherkennzeichnung und Zeitstempel von selbst. Laxis zum Beispiel transkribiert Calls in Zoom, Google Meet und Microsoft Teams zu einem Dokument mit Sprecherzuordnung und Zeitstempeln und zieht die Aufgaben gleich mit heraus – die Aufgabe, die Priya eben übernommen hat, hängt also nicht davon ab, dass jemand daran denkt, sie zu notieren. Woher Ihr Transkript auch kommt: An den Konventionen oben wird es gemessen. Wie das Transkribieren praktisch funktioniert, zeigt unsere Anleitung Audio in Text umwandeln.

Transkript, Closed Captions, Untertitel, Protokoll: vier verschiedene Dokumente

Die vier Begriffe werden ständig synonym verwendet, sind aber nicht austauschbar. Es kommt auf zwei Fragen an: Ist der Text mit einer Zeitachse synchronisiert? Und ist er vollständig oder eine Auswahl?

Ein Transkript ist vollständig und steht für sich – Sie können es lesen, ohne das Video zu öffnen. Closed Captions sind ebenfalls vollständig, aber zeitsynchron: in Häppchen zerlegt, die zum Ton eingeblendet werden. Sie enthalten auch Nichtsprachliches, weil sie für Menschen gemacht sind, die nicht hören können. Untertitel sind zeitsynchron, aber selektiv, nur Dialog – sie setzen voraus, dass Sie den Ton hören und nur die Sprache nicht verstehen. Ein Protokoll ist weder das eine noch das andere: eine strukturierte Zusammenfassung von Entscheidungen, Verantwortlichen und Fristen.

Diese Dokumente lassen sich nur in eine Richtung umwandeln. Aus einem Transkript können Sie Captions schneiden und takten oder ein Protokoll zusammenfassen. Zurück geht es nicht zuverlässig: Captions wurden an willkürlichen Stellen umbrochen und haben keine Absätze mehr, und ein Protokoll hat 95 % der Wörter absichtlich weggelassen. Behalten Sie also das Transkript.

Closed Captions oder Untertitel: der Unterschied, den fast alle verwechseln

Fragen Sie zehn Leute, was Untertitel sind, und neun beschreiben Closed Captions. Der Unterschied ist nicht kosmetisch: In regulierten Bereichen entscheidet er darüber, ob Sie die Vorgaben erfüllen oder nicht.

Untertitel setzen voraus, dass Sie hören können. Sie lösen ein Sprachproblem und enthalten deshalb den Dialog und sonst nichts. Eine Tür, die außerhalb des Bildes zuschlägt, braucht keinen Untertitel – Sie haben sie ja gehört.

Closed Captions setzen voraus, dass Sie nicht hören können. Sie lösen ein Zugangsproblem und enthalten deshalb alles, was die Tonspur transportiert: wer spricht, was gesagt wird und die Geräusche, die für das Verständnis wichtig sind – [bedrohliche Musik schwillt an], [Glas zerbricht], [seufzt]. Deshalb wirken Captions voller.

Zwei weitere Begriffe gehören dazu. SDH (Subtitles for the Deaf and Hard of Hearing, also Untertitel für Gehörlose und Schwerhörige) ist die Mischform: Darstellung wie Untertitel, Inhalt wie Captions – und genau das liefern Streaming-Plattformen meist aus. „Closed“ bedeutet nur, dass sie sich zuschalten lassen; Open Captions sind fest ins Video eingebrannt und lassen sich nicht abschalten, weshalb sie Feeds dominieren, in denen Videos stumm automatisch starten. Selbst technisch unterscheiden sich die Formate: Closed Captions im Fernsehen sind traditionell auf etwa 32 Zeichen pro Zeile begrenzt, SDH-Dateien erlauben bis zu 42 – deshalb bricht dieselbe Zeile in zwei Playern mit demselben Film unterschiedlich um.

Tipp: Prüfen Sie, was Ihre Barrierefreiheitsvorgaben tatsächlich verlangen. Immer wieder liefern Teams übersetzte Untertitel aus, haken die Barrierefreiheit ab und merken später, dass sie die Anforderung nie erfüllt haben. Für gehörlose und schwerhörige Menschen braucht es Captions oder SDH – Text, der die Sprecher benennt und wichtige Geräusche beschreibt. Ein internationales Publikum braucht übersetzte Untertitel. Die meisten Videobibliotheken brauchen beides, als getrennte Dateien mit getrennten Kosten.

Welche Dateiformate gibt es für Transkripte?

Die Dateiendung verrät, wofür ein Transkript gedacht ist. Etwa sechs werden Ihnen begegnen.

.txt ist der kleinste gemeinsame Nenner: keine Formatierung, keine Metadaten, lässt sich überall öffnen und problemlos in Skripte und Suchsysteme einspeisen. .docx ist richtig, wenn ein Mensch das Transkript liest, kommentiert oder schwärzt – das Format bewahrt Formatierung, hängende Einzüge und Änderungsverfolgung. .pdf ist die Fassung, die unterschrieben, beglaubigt oder abgelegt wird, mit festem Layout. .json ist am reichhaltigsten: Zeitstempel auf Wortebene, Konfidenzwerte pro Wort, Sprecher-IDs als strukturierte Felder. Wenn Sie auf Ihren Transkripten Suche oder Auswertungen aufbauen wollen, fragen Sie nach JSON.

Dann die beiden Caption-Formate, die oft fälschlich für Transkriptformate gehalten werden. .srt (SubRip) ist das universelle Upload-Format: nummerierte Blöcke mit Start- und Endzeit, akzeptiert von fast jedem Schnittprogramm, Player und jeder Plattform; Millisekunden werden mit Komma abgetrennt: 00:00:01,500. .vtt (WebVTT) ist fürs Web gemacht, für das HTML5-Element <track>. Es verlangt eine Zeile WEBVTT am Anfang, trennt mit Punkt statt Komma (00:00:01.500), macht die Nummerierung der Blöcke optional und kann, was SRT nicht kann: CSS-Styling, Positionierung im Bild, Kapitelmarken, Metadatenspuren und einen besseren Umgang mit Sprachen, die von rechts nach links laufen, etwa Arabisch und Hebräisch.

Als Ablage für ein Transkript taugen beide nicht. Beide verwerfen die Absatzstruktur, und aus getakteten Häppchen wieder lesbaren Fließtext zu machen ist eine wirklich lästige Arbeit. Behalten Sie eine Text- oder JSON-Datei als Master und exportieren Sie SRT oder VTT, wenn ein Video sie braucht.

Wer mit Transkripten arbeitet

Transkripte wirken wie ein Nischenprodukt – bis man die Berufe zählt, die auf ihnen aufbauen.

• Recht. Die mit Abstand strengsten Nutzer: Zeugenvernehmungen und Gerichtsverhandlungen verlangen wörtliche Protokolle in Full Verbatim, meist mit Zeilennummern, damit eine Anwältin „Seite 43, Zeile 12“ zitieren kann. Ein beglaubigtes Transkript enthält eine unterschriebene Erklärung zur Richtigkeit und dient als Beweismittel.
• Medizin. Ärztinnen und Ärzte diktieren Befunde, OP-Berichte und Entlassbriefe, die in die Patientenakte eingehen. Die Anforderungen an die Genauigkeit sind unerbittlich, das Vokabular ist dicht, und die Aufbewahrungsfristen betragen Jahre.
• Forschung. Qualitative Forschung arbeitet mit transkribierten Interviews und Fokusgruppen. Forschende kodieren Transkripte Zeile für Zeile nach Themen, deshalb prägt die Wahl des Stils – ob das Zögern erhalten bleibt – die Ergebnisse.
• Medien. Journalistinnen und Journalisten transkribieren Interviews, um korrekt zu zitieren und das Zitat später belegen zu können. Podcaster veröffentlichen Transkripte, weil gesprochene Inhalte nur so durchsuchbar werden – so wurden Transkripte ganz nebenbei zum SEO-Faktor.
• Unternehmen. Die größte und unübersichtlichste Gruppe: Vertriebsgespräche, Vorstandssitzungen, All-Hands-Meetings, Aufzeichnungen aus Compliance-Gründen. Niemand liest sie von vorn bis hinten; sie sind dazu da, durchsucht, zitiert und nach Entscheidungen ausgewertet zu werden. Ein Laxis-Transkript zum Beispiel synchronisiert deshalb Zusammenfassung und nächste Schritte nach HubSpot oder Salesforce – damit die Gesprächsnotizen dort landen, wo der Deal geführt wird, und nicht in einem Dokument, das niemand öffnet.

Und dann alle anderen: Sprachmemos, Vorlesungen, Interviews für die Familienchronik, YouTube-Videos, die Sie lieber lesen als ansehen. Hier berühren sich Transkript und Diktat, obwohl es zwei verschiedene Dinge sind: Beim Diktieren verfassen Sie bewusst Text, indem Sie sprechen. Wenn Sie das suchen, ist unser Überblick über die besten KI-Diktier-Apps der bessere Einstieg.

Ein sauberes Transkript mit Sprecherzuordnung – für jedes Meeting

Laxis zeichnet Meetings in Zoom, Google Meet und Microsoft Teams auf, transkribiert sie in über 100 Sprachen und fasst sie zusammen – mit Sprecherzuordnung, Zeitstempeln und Aufgaben. Der kostenlose Basic-Tarif umfasst 300 Transkriptionsminuten pro Monat.

Laxis kostenlos testen

Fazit

Transkripte altern genau umgekehrt wie fast alles andere, was Sie erstellen. Eine Zusammenfassung ist in der Woche nützlich, in der Sie sie schreiben, und ein Jahr später wertlos, weil sie festhält, was der verfassenden Person an jenem Dienstag wichtig war. Ein Transkript ist in der Woche seiner Entstehung nahezu nutzlos – niemand liest 9.000 Wörter über ein Meeting, bei dem er dabei war – und wird mit jedem Monat wertvoller, weil es auch das festhält, wovon niemand wusste, dass es einmal zählen würde. Deshalb verdienen die langweiligen Formatierungsdetails Aufmerksamkeit. Sie sind nicht für Sie gedacht, sondern für die Person, die in achtzehn Monaten genau einen Satz darin finden muss.

Häufig gestellte Fragen

Was ist ein Transkript?

Ein Transkript ist ein Textdokument, das festhält, was in einer Audio- oder Videoaufnahme gesagt wurde, in der Reihenfolge, in der es gesagt wurde. Es nennt jede sprechende Person und enthält meist Zeitstempel, sodass sich jede Zeile einem Moment in der Quelldatei zuordnen lässt.

Wie sieht ein Transkript aus?

Ein Transkript beginnt mit einem kurzen Kopfbereich mit Titel, Datum, Dauer und Teilnehmenden. Danach folgen die Wortbeiträge der Reihe nach. Jeder Beitrag beginnt mit einem Zeitstempel und dem Namen der sprechenden Person in Großbuchstaben. Unklares steht in eckigen Klammern, etwa [unverständlich] oder [gleichzeitiges Sprechen].

Welche Arten von Transkripten gibt es?

Üblich sind vier Stile. Full Verbatim behält jedes Geräusch, auch Stottern und Füllwörter. Clean Verbatim behält die Worte, streicht aber Füllwörter und sprachliche Ticks. Intelligent Verbatim glättet zusätzlich die Grammatik und streicht Wiederholungen. Ein redigiertes Transkript wird für die Veröffentlichung umgeschrieben. Anbieter verwenden die Bezeichnungen uneinheitlich, klären Sie also, was Ihr Anbieter damit meint.

Was ist der Unterschied zwischen einem Transkript und Untertiteln?

Ein Transkript ist ein eigenständiges Dokument, das Sie ohne Video lesen. Untertitel sind kurze Dialogzeilen, in getaktete Blöcke zerlegt und über dem Video eingeblendet, meist übersetzt für Zuschauer, die den Ton hören, aber die Sprache nicht verstehen.

Ist ein Transkript dasselbe wie ein Meeting-Protokoll?

Nein. Ein Transkript hält alles Gesagte Wort für Wort und in Reihenfolge fest. Ein Protokoll ist eine kurze, strukturierte Zusammenfassung dessen, was beschlossen wurde: Teilnehmende, Entscheidungen, Verantwortliche und Fristen. Aus einer Stunde Meeting können ein Transkript mit 9.000 Wörtern und ein einseitiges Protokoll entstehen, und beide sind korrekt.

In welchem Dateiformat sollte ein Transkript vorliegen?

Nehmen Sie .docx oder .pdf, wenn ein Mensch das Dokument lesen, kommentieren oder ablegen soll. Nehmen Sie .txt oder .json, wenn Software es verarbeitet. Nehmen Sie .srt oder .vtt nur, wenn der Text als Captions synchron zum Video laufen muss. Behalten Sie eine Klartextfassung als Master und exportieren Sie den Rest daraus.

Bedeutet „Transcript“ auch Notenübersicht?

Ja, im Englischen. Ein Academic Transcript ist die offizielle Aufstellung der belegten Kurse und erzielten Noten, ausgestellt von der Schule oder Hochschule; an deutschen Hochschulen heißt sie „Transcript of Records“. Mit dem Transkript einer Aufnahme teilt sie nur das Wort. Anfordern können Sie sie beim Prüfungsamt.