Anleitung

So transkribieren Sie eine zweistündige Aufnahme

Lange Dateien scheitern auf Arten, wie es kurze nie tun — Minutenpreise, Upload-Grenzen, Arbeitsspeicher und Transkripte, die sich auf halber Strecke in wiederholtem Text auflösen.

30 August 2026

Ein zehnminütiges Sprachmemo lässt sich mit fast allem sauber transkribieren. Eine zweistündige Vorstandssitzung ist ein anderes Problem, und die meisten Werkzeuge kommen damit auf eine von vier bestimmten Arten schlecht zurecht.

Wenn Sie eine lange Aufnahme haben und herausfinden wollen, warum es nicht gut läuft, ist das hier die Landkarte.

Die vier Dinge, die brechen #

1. Der Preis, wenn Sie pro Minute zahlen #

Cloud-Transkription wird meist nach Audiominuten verkauft. Zum üblichen Tarif kostet eine zweistündige Aufnahme ein paar Dollar — einmal in Ordnung, als Gewohnheit schmerzhaft. Wenn Sie eine wöchentliche zweistündige Besprechung aufzeichnen, landen Sie bei einem Abo, das Sie tatsächlich merken, für etwas, das Ihr Laptop erledigen kann, während Sie Kaffee kochen.

Das ist von den vieren am leichtesten zu lösen: Lokale Transkription hat keinen Minutenzähler, weil es dort keinen Zähler geben kann.

2. Upload-Dauer und Dateigrenzen #

Eine zweistündige WAV kann mehrere hundert Megabyte groß sein. Das über Hotel-WLAN hochzuladen dauert länger als die Besprechung selbst, und viele Dienste begrenzen Dateigröße oder Dauer und lehnen sie schlicht ab.

Der Behelf, zu dem viele greifen, ist Komprimieren oder Aufteilen der Datei vor dem Upload, was Qualität kostet und die Grenzprobleme aus Punkt vier erzeugt.

3. Arbeitsspeicher auf Ihrem eigenen Rechner #

Wenn Sie lokal transkribieren, muss das Werkzeug das Audio als Rohsamples im Speicher halten. Zwei Stunden bei 16 kHz sind rund 470 MB an Float-Samples, und Whisper baut darauf ein Spektrogramm vergleichbarer Größe auf.

Auf einem Mac mit 16 GB RAM merkt das niemand. Auf einem iPhone wird eine App, die naiv die ganze Datei lädt, mittendrin vom System beendet — weshalb manche mobilen Transkriptions-Apps die Dateilänge stillschweigend begrenzen oder bei langen Aufnahmen abstürzen, ohne zu erklären, warum.

Die Lösung ist, in Fenstern zu transkribieren: einen Abschnitt dekodieren, transkribieren, freigeben, weitergehen. Der Speicherbedarf hängt dann von der Fenstergröße ab statt von der Länge der Datei, und eine zweistündige Aufnahme kostet ungefähr so viel wie eine fünfzehnminütige.

4. Das Transkript zerfällt in der Mitte #

Das ist der Punkt, der überrascht, weil die ersten zehn Minuten perfekt aussehen.

Lange Aufnahmen enthalten Stille — bevor die Besprechung beginnt, während der Pause, nachdem alle gegangen sind. Whisper erzeugt Text zu allem, was man ihm gibt, und bei Stille wiederholt es sich, manchmal seitenweise. Wir haben die Ursache ausführlich beschrieben, weil es die mit Abstand häufigste Beschwerde über automatische Transkription ist.

Bei einer zweistündigen Datei ist das kein kosmetisches Problem. Es kann das letzte Viertel Ihres Transkripts in Rauschen verwandeln.

Einen sauberen Durchlauf bekommen #

Nehmen Sie die Datei so auf, dass sie sich transkribieren lässt #

Alles Weitere entscheidet sich hier, und vor einer langen Sitzung sind dreißig Sekunden Nachdenken es wert:

• Bringen Sie das Mikrofon näher an die Sprechenden als an die Klimaanlage. Ein Telefon in der Mitte eines Konferenztischs ist der klassische Fehler — es ist von allen gleich weit entfernt, was bedeutet, dass es von allen weit weg ist.
• Nehmen Sie unkomprimiert auf, wenn möglich. WAV oder M4A mit normaler Bitrate. Starke Kompression entfernt genau die hochfrequenten Details, die ähnliche Konsonanten unterscheidbar machen.
• Stoppen Sie das Aufnahmegerät, wenn die Besprechung endet. Zwanzig Minuten Zusammenpack-Geräusche sind das Rohmaterial für das Wiederholungsproblem.

Legen Sie die Sprache ausdrücklich fest #

Die automatische Erkennung wertet den Anfang der Datei aus. Wenn Ihre Aufnahme mit dreißig Sekunden Raumgeräusch beginnt oder mit jemandem, der eine andere Sprache spricht als der Rest der Besprechung, kann die Erkennung falsch wählen und zwei Stunden lang falsch bleiben.

Wenn Sie die Sprache kennen, stellen Sie sie ein. In Offline Transcription können Sie den Transkribieren-Button einer Datei gedrückt halten und ihre Sprache direkt wählen, was vor allem dann zählt, wenn Sie einen Stapel Aufnahmen in verschiedenen Sprachen transkribieren.

Starten Sie und machen Sie etwas anderes #

Eine zweistündige Datei dauert auf einem modernen Mac mit Apple Silicon Minuten, nicht Stunden — die Engine auf dem Gerät läuft um ein Mehrfaches schneller als Echtzeit. Auf einem älteren Intel-Mac ist es langsamer und eher vor der Mittagspause zu starten, als dabei zuzusehen.

Was Sie von der App währenddessen wollen, ist Ehrlichkeit: ein Prozentwert und eine Restzeit, damit Sie wissen, ob sie arbeitet oder feststeckt. Ein Ladekreisel ohne Fortschritt ist bei einer zweistündigen Datei nicht von einem Hänger zu unterscheiden.

Prüfen Sie die Übergänge, nicht das Ganze #

Sie werden keine zwei Stunden Text Korrektur lesen. Das müssen Sie auch nicht.

Die Fehler in einem langen Transkript häufen sich an vorhersehbaren Stellen: Namen und Abkürzungen, die erste Minute (bevor das Modell Kontext hat), Momente, in denen Leute durcheinanderreden, und jeder Punkt, an dem die Aufnahme ihren Charakter ändert — jemand kommt per Freisprecheinrichtung dazu, der Raum bewegt sich, ein Video läuft.

Eine Segmentansicht mit Zeitstempeln macht das schnell: Überfliegen Sie diese Momente und spielen Sie das Audio hinter jeder Zeile ab, die falsch aussieht, statt eine zweistündige Wellenform danach abzusuchen.

Wenn Sie einen Stapel langer Aufnahmen haben #

Die Mechanik pro Datei zählt weniger als die Warteschlange. Legen Sie alle ab, lassen Sie sie nacheinander laufen und kommen Sie später zurück — lokal gibt es keinen Grund, sie einzeln zu bearbeiten, weil es keinen Upload und keine Kosten pro Datei gibt.

Das Einzige, was sich pro Datei lohnt, ist die Sprache einzustellen, falls sie sich unterscheidet.

Die Kurzfassung #

Lange Aufnahmen scheitern an Preis, Upload-Grenzen, Arbeitsspeicher und stillebedingter Wiederholung. Lokale Transkription beseitigt die ersten beiden vollständig. Für die anderen beiden wollen Sie ein Werkzeug, das in Fenstern transkribiert, statt die ganze Datei zu laden, und das Sprachaktivitätserkennung ausführt, damit die stillen Abschnitte das Modell nie erreichen. Prüfen Sie das Transkript dann an den Übergängen, statt alle zwei Stunden zu lesen.

Offline Transcription behandelt den Zwei-Stunden-Fall gezielt: fensterweise Transkription, damit der Speicherbedarf flach bleibt, Spracherkennung, damit Stille nicht zu wiederholtem Text wird, und laufender Fortschritt mit Restzeit, damit Sie wissen, wo Sie stehen. Der Download und das Ausprobieren sind kostenlos, auf Mac und iPhone.