KI-Transkription & Untertitel-Generator für Audio und Video: Aus Aufnahmen wird präziser, bearbeitbarer Text

Früher habe ich mir jeden Sonntag vier Stunden freigehalten, um Interviews für die Shownotes abzutippen. Jetzt lade ich die Folge hoch, hole mir einen Kaffee, und bevor die Tasse leer ist, ist alles fertig. Das sind rund 16 Stunden im Monat, die ich jetzt wirklich in die Show stecke.

Ich habe einer Transkriptionistin rund 90 $ pro Folge gezahlt. Wöchentliche Show – rechnen Sie selbst. Seit dem Umstieg kostet mich der ganze Monat weniger als zwei dieser alten Rechnungen. Die Genauigkeit reicht, dass ich nur noch Namen und ab und zu einen Markennamen korrigiere.

Eine Zuschauerin schrieb mir, sie sei schwerhörig und meine alten automatischen Untertitel seien unbrauchbar. Das war an einem Nachmittag erledigt. Jetzt hat jedes Video saubere Untertitel, und solche Beschwerden bekomme ich gar nicht mehr.

Das hat meine Arbeit leise, aber grundlegend verändert. Eine Quelle bezog sich auf ein Gespräch von 2024, und ich hatte den genauen Satz in etwa zehn Sekunden gefunden. Jedes Interview, das ich je aufgenommen habe, ist jetzt durchsuchbarer Text.

Unsere Redaktion hat fast 600 Dollar im Monat für Transkription durch Menschen ausgegeben. Für heikle Gerichtssachen nutzen wir das weiterhin, alles andere haben wir umgestellt. Die Rechnung ist um rund 70 % gesunken, und über die Entwürfe hat sich niemand beschwert.

Früher war eine Fokusgruppe am Donnerstag durch, und brauchbare Transkripte gab es erst in der Woche darauf. Jetzt sind sie am selben Abend fertig, und das Team wertet aus, solange alles noch frisch ist. Beim letzten Mal gingen die Ergebnisse drei Tage früher an den Kunden.

Ich sammle Zeitzeugenberichte älterer Menschen, die Portugiesisch und Ukrainisch sprechen. Genaue Transkripte in diesen Sprachen waren früher richtig schwierig und teuer. Jetzt läuft das im selben Ablauf, und für das Archiv hänge ich gleich eine Übersetzung an.

Als Einzelanwalt ist meine Zeit das Produkt. Früher habe ich Mandantengespräche aus dem Gedächtnis zusammengefasst oder die Aufnahme noch einmal angehört. Heute habe ich das komplette Transkript und finde in Minuten, was ich brauche. Das ist Zeit, die ich abrechne, statt sie zu verbrennen.

Ich muss niemanden mehr zum Protokollschreiben abstellen. Transkript und Zusammenfassung landen in unserem Channel, und alle sind mit dem markiert, was sie zugesagt haben. Weniger „Ich dachte, du kümmerst dich darum“-Momente – allein das hat sich gelohnt.

Mein Vertriebsteam hat früher die letzten zehn Minuten jedes Tages damit verbracht, das CRM aus dem Gedächtnis nachzupflegen. Jetzt landen Gesprächstranskript und Kernpunkte automatisch dort. Das ist echte Verkaufszeit – für ein Team von sechs Leuten.

Wir haben unsere Produktvideos ins Deutsche, Französische und Portugiesische gebracht, ohne für jede Sprache einen Übersetzungsdienstleister zu beauftragen. Zwei Quartale später machen diese Regionen einen spürbaren Teil unserer Pipeline aus. Gleiche Inhalte, neuer Umsatz – und kein zusätzliches Personal im Marketing.

Untertitel und Übersetzungen für unsere Kursbibliothek haben bei den Anmeldungen aus dem Ausland am meisten bewirkt. Teilnehmende aus nicht englischsprachigen Ländern springen nicht mehr ab. Inzwischen kommt rund ein Drittel der Neuanmeldungen von außerhalb unseres Heimatmarkts.

Unsere Agentur verarbeitet irre viel Kundenmaterial. Bei der alten, manuellen Untertitelung sind Projekte regelmäßig versandet. Das Problem ist weg: Untertitelaufträge sind jetzt in Stunden erledigt, und wir konnten zwei weitere Stammkunden annehmen, weil wir die Kapazität hatten.

Was ich nicht erwartet hatte: wie viel Inhalt in einer Folge steckt, sobald sie als Text vorliegt. Aus einem Transkript ziehe ich drei, vier Zitatkarten, einen Newsletter-Teaser und ein paar Reel-Texte, ohne mir irgendetwas noch mal anzusehen. Statt zweimal pro Woche poste ich jetzt fast täglich.

Als ich mit Untertiteln anfing, stellte sich heraus: Die Hälfte meines YouTube-Publikums sitzt in Lateinamerika. Jetzt bekommt jedes Video englische und spanische Untertitel, und die spanischen Versionen holen fast so viele Aufrufe wie die Originale. Hätte ich bloß ein Jahr früher angefangen.

Vierzig Minuten Telefoninterview, dreißig Minuten bis zur Abgabe. Früher hieß das: panisch spulen und Zitate abtippen. Diesmal habe ich die Aufnahme hochgeladen, nach den zwei Sätzen gesucht, die ich brauchte, und sie mit fünf Minuten Puffer in den Text kopiert.

Ich berichte über Migration, und viele meiner Interviews sind nicht auf Englisch. Seit ich sie an einem Ort transkribieren und übersetzen kann, warte ich nicht mehr drei Tage auf einen externen Dienst. Ein echter Engpass in meiner Arbeit ist weg.

Ich mache qualitative Studien – jedes Interview muss erst ein Transkript werden, bevor die Analyse überhaupt beginnen kann. Was früher zwei volle Wochen eines Projekts gefressen hat, dauert jetzt ein paar Tage. Die Sprecherzuordnung ist so genau, dass ich mich bei der Zuordnung von Aussagen darauf verlasse.

Mein Stipendium reicht nicht für eine professionelle Transkription von 40 Interviews. Hiermit schaffe ich den kompletten Datensatz meiner Dissertation für weniger, als mir ein Dienst für fünf Dateien angeboten hat. Bei genuschelten Aufnahmen ist es nicht fehlerfrei, aber mit dem Editor ist das schnell bereinigt.

Wir haben Protokolle von Zeugenvernehmungen ausgelagert, und bei unserer Fallzahl summierten sich die Rechnungen schnell. Seit wir die Routinefälle selbst erledigen, geben wir weniger als die Hälfte aus. Was vor Gericht geht, lassen wir weiterhin von Menschen prüfen, aber das Tagesgeschäft läuft.

Zwischen den Terminen bin ich in Dokumentation versunken. Jetzt diktiere ich und bekomme eine saubere Abschrift zurück – meine Notizen sind fertig, bevor der nächste Patient im Zimmer sitzt. Ich komme wieder pünktlich aus der Praxis.

Als UX-Researcherin führe ich pro Studie etwa acht Nutzerinterviews. Wenn alle noch am selben Tag als durchsuchbarer Text vorliegen, markiere ich Zitate und schreibe am Bericht, während die Interviews noch laufen. Beim letzten Projekt hat mir das rund eine Woche gespart.

Ich arbeite als virtuelle Assistentin und biete meinen Kunden darauf aufbauend Meeting-Protokolle als Service an. Ich zahle eine monatliche Pauschale, rechne pro Kunde ab, und die Marge finanziert die meisten meiner anderen Tools. Dass ein Transkriptionstool mal zur Einnahmequelle wird, hätte ich nicht gedacht.

Bei einem Dutzend Bewerbungsgesprächen waren meine Notizen früher ein einziges Gekritzel. Jetzt wird jedes Gespräch gleich transkribiert, und ich kann die Antworten direkt nebeneinanderlegen. Unsere Abstimmungsrunden sind kürzer, und wir entscheiden weniger aus dem Bauch heraus.

Wir sind ein kleiner gemeinnütziger Verein, und Untertitel für unsere öffentlichen Webinare fielen immer dem Budget zum Opfer. Jetzt sind die Kosten so niedrig, dass wir sie dauerhaft stemmen können. Alles, was wir veröffentlichen, ist barrierefrei – und genau darum geht es bei unserer Arbeit.