Was ist Transkription? Funktionsweise und Kosten

Spielen Sie eine beliebige Aufnahme ab, in der drei Leute durcheinanderreden, und versuchen Sie, exakt mitzuschreiben, was gesagt wurde. Zehn Minuten Audio kosten Sie fast eine Stunde, und am Ende streiten Sie immer noch mit sich selbst darüber, ob die zweite Stimme „kann nicht" oder „kann" gesagt hat. Diese Lücke – zwischen dem Hören von Sprache und dem Festnageln auf einer Seite – ist die ganze Disziplin.

Vorab eine Abgrenzung, denn das Wort hat einen Doppeljob. In der Biologie bezeichnet Transkription den Schritt, in dem eine Zelle einen DNA-Abschnitt in RNA kopiert – ein anderes Thema und nicht Gegenstand dieser Seite. Alles Folgende dreht sich um die andere Bedeutung: aufgezeichnete menschliche Sprache in geschriebenen Text zu überführen.

Transkription ist eine Tätigkeit, kein Gegenstand

Transkription ist die Arbeit, Sprache zu hören und sie in derselben Sprache als Text wiederzugeben: ein Input, eine Methode (Mensch, Modell oder beides), ein Output. Verwirrung entsteht, weil derselbe Wortstamm für die Tätigkeit und für ihr Ergebnis steht. Das fertige Dokument ist ein Transkript, und dessen Layout, Formatvorgaben und Unterschiede zu Untertiteln sind ein eigenes Thema – wie ein fertiges Transkript aussieht haben wir in einem eigenen Leitfaden behandelt. Auf dieser Seite geht es um das Tun.

Zwei Nachbarn sollte man ausschließen. Übersetzung wechselt die Sprache und behält das Medium; Transkription wechselt das Medium und behält die Sprache. Einen fremdsprachigen Film zu untertiteln braucht beides, in dieser Reihenfolge. Und Diktieren heißt, Text durch bewusstes Sprechen zu verfassen – Sie sind die Autorin oder der Autor und sprechen auf ein Gerät ein. Transkription hat es mit Sprache zu tun, die nie als Dokument gedacht war: ein Streit im Meeting, ein Zeuge, der auf eine Frage antwortet, drei Leute in einer schlechten Telefonkonferenz. Wenn Sie eigentlich Diktieren wollen, ist die Liste der besten KI-Diktier-Apps hilfreicher.

Genau dieser Unterschied in der Absicht macht Transkription auf eine Weise schwer, wie Diktieren es nie ist. Niemand artikuliert fürs Protokoll. Menschen unterbrechen sich, brechen Sätze ab, greifen zum falschen Wort und korrigieren es drei Wörter später, und sie sprechen Eigennamen aus, die kein Modell je gesehen hat.

Zwei Wege, es zu erledigen – und ein dritter, der still gewonnen hat

Manuelle Transkription ist ein Mensch mit Kopfhörern, einem Texteditor und meist einem Fußpedal, um zurückzuspulen, ohne die Hände von der Tastatur zu nehmen. Ein paar Sekunden abspielen, tippen, zurück, prüfen. Bei schwierigen Passagen langsamer abspielen, den Medikamentennamen nachschlagen, Unverständliches markieren und am Ende noch einmal gegen das Audio Korrektur lesen. Unglamouröse, anspruchsvolle Arbeit, deren Preis echte Arbeitszeit abbildet und keinen Aufschlag – eine Stunde Audio ist ganz sicher keine Stunde Arbeit.

Automatische Transkription übergibt dieselbe Aufgabe an ein System zur automatischen Spracherkennung (ASR). Datei hochladen oder Mikrofon streamen; der Text kommt in Sekunden zurück. Das System wird nie müde, verlangt keinen Aufpreis für einen schwierigen Akzent und kostet eine Größenordnung weniger. Es hat allerdings auch keine Ahnung, wann es falsch liegt – der Kern von allem, was folgt.

Der Hybrid – erster Durchgang Maschine, Korrektur durch Menschen – ist das, was die meisten professionellen Dienste 2026 tatsächlich betreiben, auch die, die sich als menschliche Transkription vermarkten. Die Rechnung ist offensichtlich: Das Modell erledigt die mechanischen 95 %, der Mensch verbringt seine Zeit mit den 5 %, die Urteilsvermögen verlangen. Die Branche nennt das Post-Editing; unser Leitfaden zum Thema Audio in Text transkribieren geht den kompletten Ablauf durch.

Was in einem ASR-System tatsächlich passiert

Sie brauchen die Mathematik nicht, aber ein grobes Bild der Verarbeitungskette erklärt fast jeden seltsamen Fehler, den Sie zu sehen bekommen.

1. Signal aufnehmen und säubern

Das Audio wird neu abgetastet, auf Mono gebracht und oft durch Rauschunterdrückung und Sprachaktivitätserkennung geschickt, um zu finden, wo tatsächlich gesprochen wird. Was hier Müll ist, bleibt Müll – kein Modell kann eine Stimme dekodieren, die nie sauber in der Datei gelandet ist.

2. Klang in ein Bild verwandeln

Eine rohe Wellenform ist ein schlechter Input für ein neuronales Netz. Das System zerlegt das Audio in überlappende Frames von 20 bis 30 Millisekunden und berechnet die Energie in jedem Frequenzband. Heraus kommt ein Spektrogramm – eine Heatmap der Frequenz über die Zeit. An diesem Punkt ist Spracherkennung näher an Bilderkennung als an irgendetwas Sprachwissenschaftlichem.

3. In Wörter dekodieren

Das Spektrogramm geht in ein großes neuronales Netz, fast immer transformerbasiert, trainiert auf riesigen Mengen gepaarter Audio- und Textdaten. Ältere Systeme verketteten ein akustisches Modell, das Phoneme riet, ein Aussprachewörterbuch, das diese Wörtern zuordnete, und ein Sprachmodell, das plausible Abfolgen bewertete. End-to-End-Systeme fassen all das in einem Modell zusammen, das direkt Text-Tokens ausgibt – deshalb generalisieren sie besser, und deshalb halluzinieren sie gelegentlich einen flüssigen Satz, den niemand gesagt hat.

4. Lesbar machen

Die Rohausgabe ist eine kleingeschriebene Zeichenkette ohne Satzzeichen. Die Nachbearbeitung stellt Groß- und Kleinschreibung sowie Interpunktion wieder her, wandelt „vierzehnhundertzweiundneunzig" in „1492" um (inverse Textnormalisierung), entfernt auf Wunsch Füllwörter und wendet Ihr eigenes Vokabular an – die am meisten unterschätzte Einstellung in jedem Transkriptionswerkzeug.

5. Herausfinden, wer gesprochen hat

Die Sprecherzuordnung – Diarisierung – ist ein eigenes System und nicht Teil der Wortdekodierung. Sie verwandelt kurze Segmente in Stimm-Embeddings, gruppiert sie in Cluster und vergibt pro Cluster eine ID. Deshalb stimmen die Wörter oft, während die Labels falsch sind: Zwei ähnliche Stimmen landen im selben Cluster, oder ein Label kippt, wenn jemand näher ans Mikrofon rückt.

Tipp: Geben Sie der Diarisierung eine Chance. Wenn Ihre Plattform jede Teilnehmerin und jeden Teilnehmer auf eine eigene Audiospur aufzeichnen kann, schalten Sie das ein – getrennte Kanäle pro Sprecher beseitigen das Clustering-Problem vollständig. Falls das nicht geht, lassen Sie alle zu Beginn des Calls einmal ihren Namen sagen. Acht Sekunden, und die Labels lassen sich sehr viel leichter korrigieren.

Die Genauigkeitswerte – und was sie leise ruiniert

Die Branche misst Genauigkeit über die Wortfehlerrate (WER): Ersetzungen plus Auslassungen plus Einfügungen, geteilt durch die Wörter der Referenz. 5 % WER bedeuten 95 % Wortgenauigkeit – jedes zwanzigste Wort ist falsch, fehlt oder ist erfunden.

Wie es ehrlich gesagt aussieht: Bei sauberem, gut aufgenommenem Audio landen die besten Systeme im Bereich von 95 bis 98 % Wortgenauigkeit, und Whisper wurde bei rund 97,9 % gemessen. Auf Standard-Testsets mit vorgelesener Sprache erreichen führende Cloud-Engines 2 bis 5 % WER, und Ergebnisse unter 2 % kommen unter kontrollierten Bedingungen an menschliches Niveau heran. Das Rennen der offenen Modelle ist eng geworden: Cohere Transcribe führte im März 2026 das Open ASR Leaderboard von Hugging Face mit 5,42 % durchschnittlicher WER an, und IBMs Granite Speech 4.1 2B zog fünf Wochen später mit 5,33 % knapp vorbei.

Das sind Laborbedingungen. Und das hier verschiebt die Werte, ungefähr nach Schadenshöhe sortiert:

• Überlappende Sprache. Der mit Abstand größte Übeltäter. Wenn zwei Leute gleichzeitig sprechen, erzeugen die meisten Systeme einen verstümmelten Mischmasch oder lassen still eine Stimme fallen. Meetings sind voll davon, Benchmark-Datensätze nicht.
• Abstand und Raumakustik. Ein Laptop-Mikrofon am anderen Ende des Konferenztischs fängt Hall und das Brummen der Klimaanlage ein. Nachhall verschmiert das Spektrogramm, und das Modell dekodiert die Schmiererei.
• Akzente und Dialekte. Die Genauigkeit schwankt von Person zu Person, und der Abstand hängt davon ab, wie viel von diesem Akzent in den Trainingsdaten vorkam. Das gilt branchenweit und nicht nur für einzelne Anbieter – jedes Werkzeug am Markt, unseres eingeschlossen, wird bei stark akzentuierter Sprache und viel Durcheinanderreden schlechter.
• Fachvokabular und Eigennamen. Medikamentennamen, Börsenkürzel, juristische Fundstellen, der Nachname Ihrer Geschäftsführung. Ein Modell, das ein Wort nie gesehen hat, kann es nicht ausgeben und setzt das Nächstbeste ein, das es kennt.
• Code-Switching und Telefonaudio. Wer mitten im Satz die Sprache wechselt, bringt Systeme aus dem Tritt, die sich vorab auf eine Sprache festgelegt haben, und schmalbandige Telefonie wirft genau die hohen Frequenzen weg, die ähnliche Konsonanten trennen – bei 8 kHz sind „S" und „F" kaum auseinanderzuhalten.

Ein Vorbehalt zur Metrik: Die WER behandelt jeden Fehler gleich. Ein fehlendes „der" zählt genauso wie ein fehlendes „nicht" – weshalb die Forschung weiter auf semantische Fehlermaße drängt. Ein Transkript mit 96 %, in dem die Zahl in der Preisdiskussion falsch ist, ist schlechter als eines mit 92 %, in dem die Beträge stimmen.

Tipp: Das Mikrofon schlägt die Software. Vom eingebauten Laptop-Mikrofon auf ein USB-Mikrofon für $60 oder ein ordentliches Headset umzusteigen bringt mehr Genauigkeit als ein Anbieterwechsel. Nah besprochene Mikrofone entfernen den Raumhall, heben den Störabstand und lassen Konsonanten intakt – alles, bevor das Modell überhaupt anfängt.

Kosten und Bearbeitungszeit: der Zielkonflikt in echten Zahlen

Zahlen statt Adjektive. Professionelle menschliche Transkription liegt bei etwa $1.00 bis $3.00 pro Audiominute – rund $60 bis $180 pro Stunde Aufnahme – wobei spezialisierte juristische Arbeit in Richtung $5.00 pro Minute klettert. Schwieriges Audio gibt es nicht umsonst: Hintergrundgeräusche, mehrere Sprecher oder starke Akzente bringen üblicherweise 25 bis 50 % Aufschlag. Die Standardbearbeitungszeit reicht von 12 Stunden bis zu drei Werktagen.

Automatisierte Dienste werben nutzungsabhängig mit $0.10 bis $0.50 pro Minute, und die Bearbeitungszeit ist praktisch null. Abo-Produkte bündeln stattdessen Minuten, was die Rechnung bei Volumen verändert. Laxis etwa enthält 300 Transkriptionsminuten pro Monat kostenlos und danach einen festen Preis pro Platz: $15.99 für Premium und $29.99 für Business – bei 20 Stunden Calls im Monat sieht die Rechnung pro Platz völlig anders aus als pro Minute.

Wann Sie weiterhin einen Menschen brauchen

Der ehrliche Test lautet nicht „Wie gut ist die KI?", sondern „Was passiert, wenn ein Wort falsch ist?". Wo die Antwort „nicht viel, das sehe ich schon" lautet, gewinnt Automatisierung klar. Wo eine Richterin, eine Aufsichtsbehörde, eine Patientin oder ein veröffentlichtes Zitat im Spiel ist, setzen Sie einen Menschen darauf an.

Konkret: Gerichtsverfahren, in denen das Transkript Beweismittel ist und häufig beglaubigt werden muss; regulierte medizinische Dokumentation, in der ein Fehler in eine dauerhafte Akte wandert; alles, was mit namentlich genannter Quelle in Druck geht; und wirklich schlechtes Audio, weil ein Mensch Ihnen sagt, dass eine Passage unverständlich ist, während ein Modell selbstbewussten Unsinn produziert.

Für den größten Teil dieser Liste ist der kluge Schritt nicht die vollständig manuelle Transkription. Es ist der Hybrid: den Maschinendurchlauf starten und danach jemanden dafür bezahlen, ihn gegen das Audio zu prüfen.

Transkription als Beruf, mitten in alledem

Menschen leben weiterhin davon, und die Arbeit hat sich stärker verändert als die Zahl der Beschäftigten. Der klassische Weg war allgemeine Transkription für Medien und Unternehmen, mit Recht und Medizin als Spezialisierungen, die zusätzliche Ausbildung und Zertifizierung verlangen. Die Bezahlung in den USA liegt 2026 je nach Quelle und Spezialgebiet bei etwa $20 bis $29 pro Stunde – Indeed nennt einen Durchschnitt nahe $26.49, PayScale berichtet rund $21.75 für Transkribierende, und Glassdoor sieht juristische Transkriptionskräfte bei knapp $29.

Verändert hat sich, wohin die Stunden fließen. Nur noch wenig von diesem Beruf besteht darin, eine leere Seite vollzutippen; das meiste ist die Korrektur eines Maschinenentwurfs, was nach Abstieg klingt und es meistens nicht ist. Der Wert hat sich dort konzentriert, wo Modelle am schlechtesten sind: Eigennamen, Sprecherzuordnung, Fachvokabular, Formatvorgaben und die beglaubigte Richtigkeitserklärung, die ein Dokument verwertbar macht. Wer nur schnell tippt, konkurriert mit Software, die schneller tippt.

So wählen Sie einen Ansatz

Fünf Fragen:

1. Wie schwer wiegt ein Fehler? Juristisch, medizinisch oder veröffentlicht – Mensch oder Hybrid. Interne Meetings und Recherche – automatisiert.
2. Wie gut ist das Audio wirklich? Eine Person mit Headset ist ein anderes Problem als sechs um einen Laptop. Seien Sie pessimistisch; das sagt das Ergebnis besser voraus als alles andere.
3. Wie viel Volumen? Eine Handvoll Dateien pro Jahr spricht für Abrechnung pro Minute; zehn Stunden Meetings pro Woche sprechen für gebündelte Minuten, und der Break-even kommt früher, als man denkt.
4. Wann brauchen Sie es? Lautet die Antwort „bevor die Follow-up-Mail rausgeht", scheidet eine Bearbeitungszeit von zwei Tagen aus, egal wie genau sie ist.
5. Wohin darf das Audio? Cloud-Verarbeitung kann mehr, und sie bedeutet, dass Ihre Aufnahme Ihr Gerät verlässt. Die meisten brauchbaren Werkzeuge laufen in der Cloud, Laxis eingeschlossen – lesen Sie also die Aufbewahrungsrichtlinie und prüfen Sie, ob der Anbieter mit Ihren Daten trainiert.

Bei wiederkehrenden Geschäftsmeetings fällt die Rechnung meist zugunsten automatisierter Aufzeichnung aus, mit einem guten Mikrofon und einem Werkzeug, das mit dem Ergebnis etwas anfängt, statt Ihnen eine Textwand hinzulegen: Zusammenfassungen, Aufgaben, CRM-Sync. Das ist die Kategorie, die unser Vergleich der besten KI-Notiztools 2026 abdeckt, und es ist eine andere Entscheidung als die Wahl eines Transkriptionsdienstes.

Machen Sie aus jedem Call Text, mit dem Sie wirklich arbeiten können

Laxis nimmt Zoom, Google Meet und Microsoft Teams auf, transkribiert und fasst zusammen – in über 100 Sprachen –, extrahiert Aufgaben und synchronisiert mit HubSpot und Salesforce. Der kostenlose Tarif enthält 300 Transkriptionsminuten pro Monat.

Laxis kostenlos testen

Das Fazit

Die wirklich interessante Verschiebung ist nicht, dass Maschinen darin gut geworden sind. Es ist das, was billige Transkription mit der Entscheidung gemacht hat, überhaupt etwas aufzunehmen. Als eine Stunde Audio $120 in der Umwandlung kostete, transkribierte man die Zeugenvernehmung und die Vorstandssitzung und sonst nichts. Bei ein paar Cent pro Minute ist die Beschränkung von den Kosten zur Aufmerksamkeit gewandert. Heute wird alles transkribiert, also besteht das schwierige Problem nicht mehr darin, den Text zu erzeugen, sondern zu entscheiden, welchen Bruchteil je ein Mensch lesen wird. Zu wissen, welche zwölf von neuntausend Sätzen zählten – dorthin ist die Arbeit gewandert.

Häufig gestellte Fragen

Was ist Transkription?

Transkription ist der Vorgang, aufgezeichnete Sprache in geschriebenen Text umzuwandeln. Eine geschulte Person kann das durch Hören und Tippen erledigen, oder ein Modell zur automatischen Spracherkennung dekodiert das Audiosignal in Wörter. Der größte Teil der professionellen Arbeit kombiniert 2026 beides: Die Maschine entwirft, der Mensch korrigiert.

Wie funktioniert automatische Transkription?

Automatische Transkription wandelt die Audiowellenform in ein Spektrogramm um, gibt dieses in ein neuronales Netz, das auf riesigen Mengen gepaarter Sprach- und Textdaten trainiert wurde, und dekodiert die wahrscheinlichste Wortfolge. Getrennte Stufen stellen anschließend Interpunktion und Großschreibung wieder her, formatieren Zahlen und Datumsangaben und versuchen zu kennzeichnen, wer welches Segment gesprochen hat.

Wie genau ist KI-Transkription?

Bei sauberem Audio mit nur einer sprechenden Person erreichen führende Systeme rund 95 bis 98 % Wortgenauigkeit, und OpenAIs Whisper wurde bei etwa 97,9 % gemessen. Reale Bedingungen sind härter. Starke Akzente, überlappende Sprache, Abstand zum Mikrofon, Hintergrundgeräusche und Fachvokabular drücken die Genauigkeit, teils deutlich.

Was kostet eine Transkription?

Professionelle menschliche Transkription kostet im Allgemeinen etwa $1.00 bis $3.00 pro Audiominute oder ungefähr $60 bis $180 pro Audiostunde, wobei spezialisierte juristische Arbeit rund $5.00 pro Minute erreicht. Automatisierte Dienste werben typischerweise mit $0.10 bis $0.50 pro Minute, und Abo-Werkzeuge bündeln oft ein monatliches Minutenkontingent, statt nach Nutzung abzurechnen.

Sind Transkription und Übersetzung dasselbe?

Nein. Transkription behält die Sprache und wechselt das Medium, sie macht aus gesprochenen Wörtern geschriebene. Übersetzung behält das Medium und wechselt die Sprache. Video-Untertitelung braucht oft beide Schritte nacheinander: erst das Originalaudio transkribieren, dann den entstandenen Text in die Zielsprache übersetzen.

Wie lange dauert eine Transkription?

Automatische Transkription ist praktisch sofort fertig und liefert Text in Echtzeit oder wenige Minuten nach dem Upload. Menschliche Dienste nennen als Standard meist 12 Stunden bis 3 Werktage, wobei taggleiche Eilbearbeitung gegen Aufpreis verfügbar ist. Hybride Abläufe, bei denen ein Mensch einen Maschinenentwurf überarbeitet, liegen üblicherweise dazwischen.

Gibt es den Beruf Transkriptionist noch wirklich?

Ja, auch wenn sich die Arbeit vom Tippen auf leerem Blatt zum Prüfen und Korrigieren von Maschinenentwürfen verschoben hat. Transkriptionskräfte in den USA verdienen 2026 je nach Spezialgebiet meist etwa $20 bis $29 pro Stunde, wobei juristische und medizinische Arbeit an der Spitze liegt. Zertifizierung und Fachvokabular zählen heute mehr als reine Tippgeschwindigkeit.