Was ist Transkription? Bedeutung, Funktionsweise, Kosten

Spielen Sie eine 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 rätseln Sie immer noch, ob die zweite Person „kann“ oder „kann nicht“ gesagt hat. Diese Lücke zwischen gehörter Sprache und geschriebenem Text zu schließen – genau das ist Transkription.

Vorab eine Abgrenzung, denn das Wort hat zwei Bedeutungen. In der Biologie ist Transkription der Schritt, in dem eine Zelle einen DNA-Abschnitt in RNA umschreibt – ein anderes Thema, um das es hier nicht geht. Dieser Artikel behandelt die andere Bedeutung: aufgezeichnete Sprache in geschriebenen Text umzuwandeln.

Was bedeutet Transkription? Eine Tätigkeit, kein Dokument

Transkription ist die Arbeit, Gesprochenes anzuhören und in derselben Sprache als Text wiederzugeben: ein Input, eine Methode (Mensch, Modell oder beides), ein Output. Verwirrung entsteht, weil Tätigkeit und Ergebnis denselben Wortstamm haben. Das fertige Dokument ist ein Transkript. Wie es aufgebaut ist, welche Stile es gibt und was es von Untertiteln unterscheidet, ist ein eigenes Thema: Wie ein fertiges Transkript aussieht, zeigen wir in einem eigenen Leitfaden. Hier geht es um das Transkribieren selbst.

Zwei verwandte Begriffe sollten Sie abgrenzen. Übersetzung wechselt die Sprache und behält das Medium; Transkription wechselt das Medium und behält die Sprache. Wer einen fremdsprachigen Film untertitelt, braucht beides, in dieser Reihenfolge. Und Diktieren heißt, Text bewusst durch Sprechen zu verfassen – Sie sind der Autor und sprechen zu einem Gerät. Transkription dagegen hat es mit Sprache zu tun, die nie ein Dokument werden sollte: ein Streit im Meeting, ein Zeuge, der auf eine Frage antwortet, drei Leute in einer schlechten Telefonkonferenz. Wenn Sie eigentlich diktieren wollen, hilft Ihnen unsere Liste der besten KI-Diktier-Apps weiter.

Dieser Unterschied in der Absicht macht Transkription auf eine Weise schwierig, die das Diktieren nicht kennt. Niemand spricht fürs Protokoll besonders deutlich. Menschen unterbrechen sich, verlieren den Faden, greifen zum falschen Wort und korrigieren es drei Wörter später, und sie nennen Eigennamen, die kein Modell je gehört hat.

Manuelle oder automatische Transkription – und der dritte Weg, der sich durchgesetzt hat

Manuelle Transkription heißt: ein Mensch mit Kopfhörern, einem Texteditor und meist einem Fußschalter, mit dem er zurückspult, ohne die Hände von der Tastatur zu nehmen. Ein paar Sekunden abspielen, tippen, zurückspulen, prüfen. Schwierige Passagen langsamer abspielen, den Namen des Medikaments nachschlagen, Unverständliches markieren und zum Schluss noch einmal gegen das Audio Korrektur lesen. Unspektakuläre Facharbeit, deren Preis echten Aufwand widerspiegelt und keinen Aufschlag: Eine Stunde Audio ist ganz sicher keine Stunde Arbeit.

Automatische Transkription überlässt dieselbe Aufgabe einem System zur automatischen Spracherkennung (Automatic Speech Recognition, ASR). Datei hochladen oder das Mikrofon live streamen, und der Text ist in Sekunden da. Das System wird nie müde, verlangt für einen schwierigen Akzent keinen Aufpreis und kostet eine Größenordnung weniger. Es merkt aber auch nicht, wenn es falsch liegt – und darum dreht sich alles Weitere.

Die Hybridlösung – erster Durchgang durch die Maschine, Korrektur durch einen Menschen – ist 2026 das, was die meisten professionellen Dienste tatsächlich machen, auch die, die mit menschlicher Transkription werben. Die Rechnung ist einfach: Das Modell erledigt die mechanischen 95 %, der Mensch kümmert sich um die 5 %, die Urteilsvermögen verlangen. In der Branche heißt das Post-Editing; wie der Ablauf aussieht, zeigt unsere Anleitung Audio in Text umwandeln.

Wie funktioniert automatische Transkription?

Die Mathematik brauchen Sie nicht. Aber ein grobes Bild der Verarbeitungskette erklärt fast jeden seltsamen Fehler, der Ihnen begegnen wird.

1. Signal aufnehmen und bereinigen

Das Audio wird neu abgetastet, in Mono umgewandelt und oft durch Rauschunterdrückung und Sprachaktivitätserkennung geschickt, um die Stellen zu finden, an denen tatsächlich gesprochen wird. Was hier verloren geht, ist nicht mehr zu retten: Kein Modell kann eine Stimme entschlüsseln, die nie sauber in der Datei gelandet ist.

2. Aus Klang wird ein Bild

Eine rohe Wellenform ist ein schlechter Input für ein neuronales Netz. Das System zerlegt das Audio in überlappende Abschnitte (Frames) von 20 bis 30 Millisekunden und berechnet für jedes Frequenzband die Energie. Heraus kommt ein Spektrogramm – eine Heatmap der Frequenzen über die Zeit. An diesem Punkt ähnelt Spracherkennung eher der Bilderkennung als irgendetwas Sprachlichem.

3. Aus dem Bild werden Wörter

Das Spektrogramm geht in ein großes neuronales Netz, fast immer auf Transformer-Basis, trainiert mit riesigen Mengen an Audio samt zugehörigem Text. Ältere Systeme verketteten drei Bausteine: ein akustisches Modell, das Phoneme schätzte, ein Aussprachewörterbuch, das sie Wörtern zuordnete, und ein Sprachmodell, das plausible Wortfolgen bewertete. End-to-End-Systeme vereinen all das in einem Modell, das direkt Text-Tokens ausgibt. Deshalb verallgemeinern 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 und Interpunktion wieder her, macht aus „vierzehnhundertzweiundneunzig“ die Zahl „1492“ (inverse Textnormalisierung), entfernt auf Wunsch Füllwörter und Versprecher und wendet Ihr eigenes Vokabular an – die am meisten unterschätzte Einstellung in jedem Transkriptions-Tool.

5. Erkennen, wer gesprochen hat

Die Sprecherzuordnung (Diarisierung) ist ein eigenes System und nicht Teil der Worterkennung. Sie wandelt kurze Abschnitte in Stimm-Embeddings um, gruppiert sie zu Clustern und gibt jedem Cluster eine ID. Deshalb stimmen oft die Wörter, aber nicht die Zuordnung: Zwei ähnliche Stimmen landen im selben Cluster, oder die Zuordnung springt um, wenn jemand näher ans Mikrofon rückt.

Tipp: Machen Sie der Sprechererkennung die Arbeit leicht. Wenn Ihre Plattform jede Person auf einer eigenen Audiospur aufzeichnen kann, schalten Sie das ein – mit einem Kanal pro Sprecher entfällt das Clustering-Problem ganz. Geht das nicht, lassen Sie zu Beginn des Calls alle einmal ihren Namen sagen. Acht Sekunden, und die Zuordnung lässt sich viel leichter korrigieren.

Wie genau ist KI-Transkription – und was die Werte ruiniert

Die Branche misst Genauigkeit mit der Wortfehlerrate (Word Error Rate, WER): Ersetzungen plus Auslassungen plus Einfügungen, geteilt durch die Zahl der Wörter im Referenztext. Eine WER von 5 % bedeutet 95 % Wortgenauigkeit – jedes zwanzigste Wort ist falsch, fehlt oder ist erfunden.

Der ehrliche Stand: Bei sauberem, gut aufgenommenem Audio erreichen die besten Systeme 95 bis 98 % Wortgenauigkeit; Whisper wurde mit rund 97,9 % gemessen. Auf Standard-Testsets mit vorgelesener Sprache kommen die führenden Cloud-Engines auf 2 bis 5 % WER, und Werte unter 2 % erreichen unter kontrollierten Bedingungen nahezu menschliches Niveau. Bei den offenen Modellen liegt das Feld eng beieinander: Cohere Transcribe führte im März 2026 das Open ASR Leaderboard von Hugging Face mit durchschnittlich 5,42 % WER an, fünf Wochen später unterbot IBMs Granite Speech 4.1 2B das knapp mit 5,33 %.

Das sind Laborbedingungen. Diese Faktoren verschieben die Werte, grob nach Schaden sortiert:

• Überlappende Sprache. Mit Abstand der größte Störfaktor. Wenn zwei Personen gleichzeitig sprechen, liefern die meisten Systeme einen verstümmelten Mix oder lassen eine Stimme stillschweigend weg. 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 entschlüsselt das Verschmierte.
• Akzente und Dialekte. Die Genauigkeit schwankt von Sprecher zu Sprecher, und der Abstand hängt davon ab, wie oft dieser Akzent in den Trainingsdaten vorkam. Das betrifft die ganze Branche, nicht einzelne Anbieter: Jedes Tool am Markt, unseres eingeschlossen, wird bei stark akzentgefärbter Sprache und häufigem Durcheinanderreden schlechter.
• Fachvokabular und Eigennamen. Medikamentennamen, Börsenkürzel, juristische Fundstellen, der Nachname Ihrer Geschäftsführerin. Ein Modell, das ein Wort nie gesehen hat, kann es nicht ausgeben und setzt das Ähnlichste ein, das es kennt.
• Sprachwechsel und Telefonaudio. Wer mitten im Satz die Sprache wechselt (Code-Switching), bringt Systeme aus dem Tritt, die sich vorab auf eine Sprache festgelegt haben. Und schmalbandige Telefonie schneidet genau die hohen Frequenzen ab, an denen man ähnliche Konsonanten unterscheidet – bei 8 kHz sind „S“ und „F“ kaum auseinanderzuhalten.

Ein Vorbehalt zur Kennzahl: Die WER gewichtet jeden Fehler gleich. Ein fehlendes „der“ zählt genauso viel wie ein fehlendes „nicht“ – deshalb drängt die Forschung auf semantische Fehlermaße. Ein Transkript mit 96 %, in dem in der Preisdiskussion die falsche Zahl steht, ist schlechter als eines mit 92 %, in dem die Zahlen stimmen.

Tipp: Das Mikrofon schlägt die Software. Der Umstieg vom eingebauten Laptop-Mikrofon auf ein USB-Mikrofon für 60 $ oder ein ordentliches Headset verbessert die Genauigkeit stärker als ein Anbieterwechsel. Ein Mikrofon nah am Mund schaltet den Raumhall aus, verbessert den Signal-Rausch-Abstand und lässt die Konsonanten intakt – alles, bevor das Modell überhaupt anfängt.

Was kostet eine Transkription? Kosten und Lieferzeit in Zahlen

Zahlen statt Adjektive. Professionelle Transkription durch Menschen kostet etwa 1,00 bis 3,00 $ pro Audiominute – rund 60 bis 180 $ pro Stunde Aufnahme –, spezialisierte juristische Arbeit geht bis an 5,00 $ pro Minute. Schwieriges Audio kostet extra: Hintergrundgeräusche, mehrere Sprecher oder starke Akzente bringen üblicherweise 25 bis 50 % Aufschlag. Die Standardlieferzeit liegt zwischen 12 Stunden und drei Werktagen.

Automatische Dienste werben bei Abrechnung nach Nutzung mit 0,10 bis 0,50 $ pro Minute, und das Ergebnis liegt praktisch sofort vor. Abo-Produkte bündeln stattdessen Minuten, was die Rechnung bei großem Volumen verändert. Laxis etwa enthält im kostenlosen Basic-Tarif 300 Transkriptionsminuten pro Monat; danach gilt ein fester Preis pro Nutzer und Monat: 15,99 $ im Premium-Tarif und 29,99 $ im Business-Tarif. Bei 20 Stunden Calls im Monat sieht die Rechnung pro Nutzer ganz anders aus als pro Minute.

Wann Sie weiterhin einen Menschen brauchen

Die ehrliche Frage lautet nicht „Wie gut ist die KI?“, sondern „Was passiert, wenn ein Wort falsch ist?“. Lautet die Antwort „nicht viel, das sehe ich schon“, gewinnt die Automatisierung klar. Geht es um ein Gericht, eine Aufsichtsbehörde, einen Patienten oder ein veröffentlichtes Zitat, gehört ein Mensch an die Aufgabe.

Konkret: Gerichtsverfahren, in denen das Transkript Beweismittel ist und oft beglaubigt werden muss; regulierte medizinische Dokumentation, in der ein Fehler dauerhaft in der Akte steht; alles, was mit namentlich genannter Quelle gedruckt wird; und wirklich schlechtes Audio – denn ein Mensch sagt Ihnen, dass eine Passage unverständlich ist, während ein Modell selbstbewusst Unsinn produziert.

Für das meiste auf dieser Liste ist die vollständig manuelle Transkription trotzdem nicht der klügste Weg. Besser ist die Hybridlösung: erst der maschinelle Durchgang, dann bezahlen Sie jemanden, der ihn gegen das Audio prüft.

Transkription als Beruf – mittendrin im Wandel

Es gibt weiterhin Menschen, die davon leben, und die Arbeit hat sich stärker verändert als die Zahl der Beschäftigten. Der klassische Weg führte über allgemeine Transkription für Medien und Unternehmen, mit Recht und Medizin als Spezialisierungen, die zusätzliche Ausbildung und Zertifizierung verlangen. In den USA liegt die Bezahlung 2026 je nach Quelle und Fachgebiet bei etwa 20 bis 29 $ pro Stunde: Indeed nennt einen Durchschnitt von rund 26,49 $, PayScale etwa 21,75 $ für Transkribierende, und laut Glassdoor kommen juristische Transkriptionskräfte auf knapp 29 $.

Geändert hat sich, wofür die Stunden draufgehen. Kaum noch jemand tippt eine leere Seite voll; meist wird ein Maschinenentwurf korrigiert. Das klingt nach Abstieg, ist es aber meistens nicht. Der Wert liegt jetzt dort, wo Modelle am schwächsten sind: bei Eigennamen, Sprecherzuordnung, Fachvokabular, Formatvorgaben und der beglaubigten Richtigkeitserklärung, die ein Dokument vor Gericht verwertbar macht. Wer nur schnell tippt, konkurriert mit Software, die schneller tippt.

Welcher Ansatz passt zu Ihnen?

Fünf Fragen:

1. Wie schwer wiegt ein Fehler? Juristisch, medizinisch oder zur Veröffentlichung – Mensch oder Hybrid. Interne Meetings und Recherche – automatisch.
2. Wie gut ist das Audio wirklich? Eine Person mit Headset ist ein anderes Problem als sechs Leute um einen Laptop. Schätzen Sie pessimistisch; das sagt das Ergebnis besser voraus als alles andere.
3. Wie viel Volumen haben Sie? Eine Handvoll Dateien pro Jahr spricht für Abrechnung pro Minute, zehn Stunden Meetings pro Woche sprechen für gebündelte Minuten – und die Gewinnschwelle ist früher erreicht, als die meisten erwarten.
4. Wann brauchen Sie das Ergebnis? Lautet die Antwort „bevor die Follow-up-Mail rausgeht“, scheidet eine Lieferzeit von zwei Tagen aus, egal wie genau das Ergebnis ist.
5. Wohin darf das Audio? Cloud-Verarbeitung leistet mehr, bedeutet aber, dass Ihre Aufnahme Ihren Rechner verlässt. Die meisten brauchbaren Tools arbeiten in der Cloud, Laxis eingeschlossen. Lesen Sie also die Richtlinie zur Datenspeicherung und prüfen Sie, ob der Anbieter mit Ihren Daten trainiert.

Bei wiederkehrenden Geschäftsmeetings läuft die Rechnung meist auf automatische Aufzeichnung hinaus – mit einem guten Mikrofon und einem Tool, das mit dem Ergebnis etwas anfängt, statt Ihnen eine Textwand hinzulegen: Zusammenfassungen, Aufgaben, CRM-Synchronisierung. Diese Kategorie behandelt unser Vergleich der besten KI-Notetaker 2026, und das ist eine andere Entscheidung als die Wahl eines Transkriptionsdienstes.

Aus jedem Call wird Text, mit dem Sie arbeiten können

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

Laxis kostenlos testen

Fazit

Die eigentlich spannende Veränderung ist nicht, dass Maschinen das inzwischen gut können. Sondern was billige Transkription mit der Frage gemacht hat, was überhaupt aufgezeichnet wird. Als die Umwandlung einer Stunde Audio 120 $ kostete, transkribierte man die Zeugenvernehmung und die Vorstandssitzung und sonst nichts. Bei ein paar Cent pro Minute ist der Engpass nicht mehr das Geld, sondern die Aufmerksamkeit. Heute wird alles transkribiert. Die schwierige Aufgabe ist also nicht mehr, den Text zu erzeugen, sondern zu entscheiden, welchen Bruchteil davon je ein Mensch liest. Zu erkennen, welche zwölf von neuntausend Sätzen wichtig waren – dorthin ist die Arbeit gewandert.

Häufig gestellte Fragen

Was ist Transkription?

Transkription ist der Vorgang, aufgezeichnete Sprache in geschriebenen Text umzuwandeln. Das kann eine geschulte Person durch Zuhören und Tippen erledigen, oder ein Modell zur automatischen Spracherkennung entschlüsselt das Audiosignal in Wörter. Die meiste professionelle Arbeit kombiniert 2026 beides: Die Maschine liefert den Entwurf, ein Mensch korrigiert.

Wie funktioniert automatische Transkription?

Automatische Transkription wandelt die Audiowellenform in ein Spektrogramm um, gibt es in ein neuronales Netz, das mit riesigen Mengen an Sprache samt zugehörigem Text trainiert wurde, und ermittelt die wahrscheinlichste Wortfolge. Weitere Stufen stellen danach Satzzeichen und Großschreibung wieder her, formatieren Zahlen und Datumsangaben und versuchen zuzuordnen, wer welchen Abschnitt gesprochen hat.

Wie genau ist KI-Transkription?

Bei sauberem Audio mit einer einzigen sprechenden Person erreichen führende Systeme rund 95 bis 98 % Wortgenauigkeit; OpenAIs Whisper wurde mit etwa 97,9 % gemessen. Unter realen Bedingungen sieht es schlechter aus. Starke Akzente, überlappende Sprache, Abstand zum Mikrofon, Hintergrundgeräusche und Fachvokabular drücken die Genauigkeit, teils deutlich.

Was kostet eine Transkription?

Professionelle Transkription durch Menschen kostet meist etwa 1,00 bis 3,00 $ pro Audiominute, also rund 60 bis 180 $ pro Audiostunde; spezialisierte juristische Arbeit erreicht etwa 5,00 $ pro Minute. Automatische Dienste werben typischerweise mit 0,10 bis 0,50 $ pro Minute, und Abo-Tools enthalten oft ein monatliches Minutenkontingent, statt nach Nutzung abzurechnen.

Sind Transkription und Übersetzung dasselbe?

Nein. Transkription behält die Sprache und wechselt das Medium: Aus gesprochenen Wörtern werden geschriebene. Übersetzung behält das Medium und wechselt die Sprache. Für Video-Untertitel braucht es oft beide Schritte nacheinander: zuerst das Originalaudio transkribieren, dann den 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, Eilaufträge am selben Tag gibt es gegen Aufpreis. Hybride Abläufe, bei denen ein Mensch einen Maschinenentwurf überarbeitet, liegen meist dazwischen.

Ist Transkribieren noch ein echter Beruf?

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