Anleitung

Ihr Transkript ist ungenau — das hilft wirklich dagegen

Die meisten greifen zuerst zu einem größeren Modell. Das ist die am wenigsten wirksame Änderung, die zur Verfügung steht, und das Mikrofon, das Sie bereits besitzen, ist die wirksamste.

30 August 2026

Wenn ein Transkript voller Fehler zurückkommt, ist der Reflex, dem Werkzeug die Schuld zu geben und ein besseres zu suchen. Manchmal ist das richtig. Meistens liegt das Problem weiter vorn in der Kette, und die Lösung kostet nichts.

Hier steht, was die Genauigkeit tatsächlich bewegt, nach Wirkung geordnet.

1. Mikrofonabstand (mit Abstand der größte Faktor) #

Spracherkennung verschlechtert sich mit dem Verhältnis von Stimme zu allem anderen. Nichts zerstört dieses Verhältnis schneller als Abstand: Der Schalldruck fällt mit der Entfernung ab, während das Rauschen des Raums konstant bleibt, jeder Schritt zurück macht die Sprache also leiser im Verhältnis zur Klimaanlage, zum Verkehr und zur Kaffeemaschine.

Ein Telefon in einem halben Meter Abstand vom Mund erzeugt ein dramatisch besseres Transkript als dasselbe Telefon in zwei Metern Entfernung, mit derselben App und demselben Modell. Das ist kein kleiner Effekt — es ist der Unterschied zwischen einem Transkript, das Sie in fünf Minuten korrigieren, und einem, das Sie neu tippen.

Wenn Sie genau eine Sache ändern können, ändern Sie diese.

2. Wo das Aufnahmegerät liegt #

Verwandt, aber davon verschieden — und genau hier gehen Besprechungsaufnahmen schief.

Ein Gerät in der Tischmitte ist von allen gleich weit entfernt, was bedeutet, dass es von allen weit weg ist und nah am Tisch — der jedes Klopfen, jedes Rutschen und jede Kaffeetasse direkt ins Mikrofon leitet. Besser: Heben Sie das Aufnahmegerät von der Oberfläche ab und richten Sie es auf die Person, die am meisten spricht.

Wenn der Raum bei einer Vorlesung oder Präsentation eine Beschallungsanlage oder eine offizielle Aufzeichnung hat, ist dieses Signal besser als alles, was Sie vom Sitzplatz aus aufnehmen können.

3. Legen Sie die Sprache ausdrücklich fest #

Die automatische Spracherkennung wertet den Anfang der Datei aus. Wenn die ersten dreißig Sekunden Raumgeräusche, Musik oder jemanden enthalten, der eine andere Sprache spricht als der Rest der Aufnahme, kann sich die Erkennung auf die falsche Sprache festlegen und für die gesamte Datei falsch bleiben.

Das Symptom ist unverkennbar und verwirrend: ein Transkript in einer Sprache, die niemand gesprochen hat, oder Ausbrüche davon. Wenn Sie die Sprache kennen, stellen Sie sie ein, statt das Werkzeug raten zu lassen. In Offline Transcription können Sie den Transkribieren-Button einer Datei gedrückt halten und ihre Sprache wählen, was vor allem dann zählt, wenn Sie mehrere Aufnahmen in verschiedenen Sprachen haben.

4. Nehmen Sie nicht überkomprimiert auf #

Unterhalb von etwa 64 kbit/s entfernt verlustbehaftete Kompression die hochfrequenten Details, die ähnliche Konsonanten unterscheidbar machen — der Unterschied zwischen „fünfzehn" und „fünfzig" wohnt dort oben. Kein Transkriptionswerkzeug kann Informationen zurückholen, die der Encoder weggeworfen hat.

Nehmen Sie unkomprimiert oder mit normaler Bitrate auf. Wenn Sie eine Datei mit niedriger Bitrate bekommen, ist das Ihre Genauigkeitsobergrenze, und keine Einstellung ändert das.

5. Schneiden Sie die Stille heraus #

Lange Abschnitte ohne Sprache sind nicht neutral. Whisper erzeugt Text zu allem, was man ihm gibt, und bei Stille wiederholt es sich, manchmal seitenweise.

Sprachaktivitätserkennung löst das sauber, indem sie dem Modell die stillen Teile nie zeigt. Ist das nicht möglich, kürzen Sie die Aufnahme vor dem Transkribieren.

6. Dann, vielleicht, ein größeres Modell #

Das steht aus gutem Grund am Ende der Liste.

Die Modellgröße verbessert die Genauigkeit tatsächlich, und die Verbesserung ist real, aber kleiner, als die meisten erwarten — und sie kostet viel Zeit und Speicherplatz. Wichtiger noch: Ein größeres Modell behebt keines der obigen Probleme. Es transkribiert eine entfernte, verrauschte, überkomprimierte Aufnahme etwas besser und immer noch schlecht.

Ehrlich formuliert: Die Modellgröße ist ein Multiplikator auf Ihre Audioqualität. Schlechtes Audio zu multiplizieren ergibt etwas-weniger-schlechte Ergebnisse. Unsere Anleitung zur Modellwahl behandelt diesen Kompromiss.

Was überhaupt nicht hilft #

Dieselbe Datei erneut durchlaufen lassen. Das Sampling ist nicht vollständig deterministisch, Sie bekommen also womöglich leicht andere Fehler. Das ist Streuung, keine Verbesserung.

Die Lautstärke anheben. Eine leise Aufnahme zu verstärken verstärkt das Raumrauschen genauso. Das Verhältnis — worauf es ankommt — bleibt unverändert.

Rauschunterdrückung, meistens. Aggressives Entrauschen erzeugt Artefakte, die das Modell genauso verwirren wie es das Rauschen tat. Sanftes Hochpassfiltern gegen tieffrequentes Dröhnen kann leicht helfen. Starke Bearbeitung schadet meist.

Mehr pro Minute bezahlen. Cloud-Dienste betreiben dieselbe Modellfamilie. Preis ist nicht Genauigkeit.

Wie ein gutes Ergebnis aussieht #

Selbst wenn alles stimmt, ist automatische Transkription nicht perfekt, und kein Werkzeug macht sie dazu. Rechnen Sie damit, dass Folgendes mit einer gewissen Rate falsch bleibt: unbekannte Eigennamen, Fachjargon, schnell gesprochene Zahlen und Momente, in denen zwei Personen durcheinanderreden.

Deshalb zählt der Arbeitsablauf genauso viel wie die Genauigkeit: Verwenden Sie eine Segmentansicht mit Zeitstempeln, damit Sie das Audio hinter jeder zweifelhaften Zeile abspielen können, und prüfen Sie die Teile, auf die Sie sich stützen wollen. Unsere Interview-Anleitung beschreibt einen schnellen Weg dafür.

Die Kurzfassung #

Bringen Sie das Mikrofon näher heran. Holen Sie das Aufnahmegerät vom Tisch und richten Sie es auf die sprechende Person. Legen Sie die Sprache ausdrücklich fest, statt der Erkennung zu vertrauen. Nehmen Sie nicht mit niedrigen Bitraten auf. Kürzen Sie Stille oder lassen Sie sie erkennen. Erst dann denken Sie über die Modellgröße nach, den kleinsten der sechs Hebel.