Wie man eine Interview-Aufnahme transkribiert 2026

Kurzfassung. Ein einstündiges Interview braucht von Hand vier bis sechs Stunden zum Transkribieren und mit KI etwa fünf Minuten plus eine 15- bis 30-minütige Korrekturrunde. Den Großteil Ihrer finalen Genauigkeit entscheiden Sie, bevor Sie auf Aufnehmen drücken: Mikrofonwahl, Raum und Einwilligung. Wählen Sie Clean Verbatim für den Journalismus, lassen Sie das Audio durch ein Transkriptionstool laufen, korrigieren Sie Eigennamen und Zahlen in einer schnellen Korrekturrunde und prüfen Sie jedes Direktzitat gegen die Aufnahme, bevor Sie veröffentlichen. Bewahren Sie das Originalaudio auf.

Ein typisches Interview ergibt 30 bis 60 Minuten Audio, das in präzise Zitate, Themen und Analysen überführt werden muss. Das Transkript ist das Fundament. Machen Sie es richtig, fließt das Schreiben. Machen Sie es falsch, verlieren Sie Stunden damit, falsch zitierte Wörter anhand der Aufnahme zurückzuverfolgen – oder schlimmer, Sie veröffentlichen ein Phantomzitat und müssen eine Richtigstellung bringen.

Ich baue ConvertAudioToText, lese und redigiere daher den ganzen Tag Transkripte. Der folgende Workflow hält auch unter Termindruck stand – für Journalisten und qualitative Forschende. Es geht nicht darum, welches Logo „das beste Tool" ist. Die Entscheidungen, die Sie vor dem Interview treffen, bewirken weit mehr für die Genauigkeit als die Software. Journalisten sollten sich außerdem die Seite Transkriptionstools für Journalisten ansehen, die den Newsroom-Workflow von Anfang bis Ende abdeckt.

Wie viel Zeit KI tatsächlich spart

Die ehrliche Version des Versprechens. Manuelle Transkription folgt einem gut dokumentierten Verhältnis: erfahrene Transkriptoren brauchen etwa vier Stunden Tipparbeit pro Stunde Audio, und schlechtes Audio oder mehrere Sprecher können das verdoppeln oder verdreifachen (GMR Transcription). Ihr Gehirn folgt Sprache mit 125 bis 175 Wörtern pro Minute, aber die meisten Menschen tippen 60 bis 90 – daher pausieren und spulen Sie ständig zurück.

KI dreht die Rechnung um. Ein 60-minütiges Interview wird in etwa drei bis fünf Minuten transkribiert, und die gesparte Zeit fließt in den Teil, der einen Menschen braucht: Redigieren und Recherche.

Die Rechnung geht für fast jedes Interview eindeutig auf. Von Hand gewinnt nur, wenn die Aufnahme so chaotisch ist, dass ein KI-Entwurf länger zu reparieren wäre als neu zu tippen – was meist bedeutet, dass das Quellaudio schlecht war. Das ist ein Aufnahmeproblem, und mit der Aufnahme fangen wir an.

Vor der Aufnahme: Was über Ihre Genauigkeit entscheidet

Das sauberste Transkript entsteht aus dem saubersten Audio, und sauberes Audio ist eine Vorbereitungsentscheidung, keine Nachbearbeitung. Kein Modell holt Wörter zurück, die das Mikrofon nie aufgezeichnet hat.

Passen Sie das Mikrofon an das Format an

• Persönlich vor Ort. Zwei Lavaliermikrofone oder ein Richtmikrofon, zwischen Ihnen und dem Gesprächspartner positioniert. Ein Feldrecorder wie die Zoom-H-Serie kann jeden Sprecher auf einer eigenen Spur aufnehmen, was Sprecherlabels deutlich zuverlässiger macht.
• Videoanruf remote. Nehmen Sie jeden Sprecher lokal auf, wo immer möglich (Riverside, Zencastr oder Ähnliches können das), sodass jede Stimme ihre eigene saubere Datei bekommt statt eines komprimierten Streams in Telefonqualität.
• Telefon. Nutzen Sie eine Aufnahme-App oder einen dedizierten Recorder, nicht den Freisprecher, den ein Raum-Mikrofon aus einem halben Meter Entfernung einfängt.

Was Sie vermeiden sollten: das eingebaute Laptop-Mikrofon über den Schreibtisch hinweg, oder beide Personen, die sich zu einem einzelnen Handy auf dem Tisch hinneigen. Beides erzeugt mittelmäßiges Audio, das ein KI-Modell zwar trotzdem transkribiert – nur mit mehr Fehlern, die Sie anschließend mühsam nach Gehör aufspüren müssen. Für einen tieferen Blick auf die Ausrüstung siehe die besten Recorder für Journalisten und wie man Hintergrundgeräusche in einer Aufnahme behandelt.

Holen Sie die Einwilligung dokumentiert ein

Aufnahmerechtliche Regeln variieren je nach Rechtsraum und sie sind wichtig. Eine Kerngruppe von US-Bundesstaaten verlangt Zustimmung aller Beteiligten (jede Person stimmt zu, bevor Sie aufnehmen), und Kalifornien, Florida, Illinois und Pennsylvania gehören zu den strengsten. Mehrere Bundesstaaten sind tatsächlich umstritten oder Hybridfälle (Nevada und Michigan werden von verschiedenen Gerichten unterschiedlich ausgelegt) – vertrauen Sie also keiner simplen Liste aus dem Internet, auch diesem Absatz nicht. Die Einzelheiten für Ihren Bundesstaat finden Sie in Interviews rechtskonform aufnehmen – Bundesstaat für Bundesstaat und der Justia-Übersicht aller 50 Bundesstaaten.

Selbst in Bundesstaaten, in denen die Einwilligung einer Person genügt, ist eine aufgezeichnete Einwilligung gute Praxis und schützt Sie, falls das Interview später bestritten wird. Der übliche Einstieg: „Ich zeichne das der Genauigkeit halber auf, ist das in Ordnung?" Warten Sie auf das verbale „Ja". Dieser Satz landet im Transkript und wird zu Ihrer dokumentierten Autorisierung.

Wählen Sie zuerst den Transkriptionsstil

Entscheiden Sie schon vor dem Interview, wie wörtlich das Transkript sein soll. Diese Wahl verändert, wie Sie redigieren und wie Sie zitieren können.

• Striktes Verbatim behält jedes „ähm", jeden Anlaufabbruch und jede Pause. Erforderlich für rechtliche Beweise, Stimmanalyse und Teile der qualitativen Forschung.
• Intelligentes Verbatim streicht Füllwörter und Anlaufabbrüche, behält die Grammatik wie gesagt. Standard in der akademischen Forschung.
• Clean Verbatim streicht Füllwörter und glättet Anlaufabbrüche leicht. Standard im Journalismus.
• Redigiert schreibt alles in saubere Prosa um. Nur für das final veröffentlichte Zitat verwenden, niemals als archiviertes Transkript.

Für den Journalismus ist Clean Verbatim fast immer richtig: Es erhält die Stimme des Sprechers intakt und entfernt gleichzeitig das Rauschen, das jeden auf dem Papier schlecht aussehen lässt. Die Abwägungen sind in Verbatim vs. Clean Transkription aufgeschlüsselt.

Während des Interviews: drei Gewohnheiten, die sich später auszahlen

• Lassen Sie den Gesprächspartner ausreden. Simultansprechen ist die größte einzelne Quelle für Transkriptionsfehler, denn weder ein Modell noch ein Diarisierer trennt zwei ineinander sprechende Personen sauber. Die halbe Sekunde Pause wirkt im Raum lang und liest sich auf dem Papier sauber.
• Wiederholen Sie ungewöhnliche Namen und Begriffe. „Nur zur Bestätigung, das schreibt sich C-O-O-L-I-F-Y?" gibt dem Transkript einen sauberen Anker und erspart Ihnen später eine Faktenprüfung.
• Notieren Sie den Zeitstempel jedes herausragenden Zitats. „23:17, Mission Statement" im Notizbuch verwandelt eine spätere Zitatjagd in einen 10-Sekunden-Sprung.

Der Transkriptionsdurchlauf

1. Zuschneiden und konvertieren

Schneiden Sie stille Passagen am Anfang und Ende weg. Wenn die Datei Video ist (Zoom- oder Riverside-MP4), reicht reines Audio und lädt schneller hoch:

ffmpeg -i interview.mp4 -vn -acodec mp3 -ab 192k interview.mp3

Das reduziert die Dateigröße um rund 80 Prozent ohne nennenswerten Genauigkeitsverlust bei Sprache.

2. Hochladen und konfigurieren

Ziehen Sie die Datei in Ihr Transkriptionstool. Der kostenlose englische Transkriptor bewältigt kurze Interviews ohne Konto, und die Journalismus-Interview-Vorlage ist der richtige Einstieg, wenn Sie strukturierte Ausgabe wollen (Pull-Zitate, faktenprüfbare Behauptungen, Lead-Kandidaten) statt einer rohen Textwand.

Drei Einstellungen, die die Genauigkeit beeinflussen:

• Sprache. Geben Sie sie explizit an, statt sich auf die automatische Erkennung zu verlassen, besonders bei nicht-englischem Audio.
• Sprecheranzahl. Stellen Sie die tatsächliche Zahl ein (2 für Eins-zu-eins, 3 für einen Reporter plus zwei Gesprächspartner). Diarisierung ist genauer, wenn sie nicht raten muss, wie viele Stimmen sie finden soll.
• Vokabular- oder Keyword-Boost. Übergeben Sie alle ungewöhnlichen Namen, Fachbegriffe oder Eigennamen. Eine Liste mit fünf Wörtern findet die Marken- und Familiennamenfehler, die sonst in jedem ersten Durchlauf auftauchen.

3. Starten

Ein 60-minütiges Interview wird typischerweise in drei bis fünf Minuten verarbeitet und skaliert ungefähr linear. Moderne KI-Transkription liegt bei etwa 8 bis 12 Prozent Wortfehlerrate auf realem Gesprächsaudio, besser bei sauberen Aufnahmen und schlechter bei verrauschten in Telefonqualität (Whisper-WER-Benchmarks). Deshalb existiert die Korrekturrunde – und deshalb zählt Ihr Mikrofon-Setup: Eine saubere Aufnahme landet am guten Ende dieser Spanne.

4. Die 15-minütige Korrekturrunde

Das ist der wichtigste Schritt – und der, den Leute überspringen. Öffnen Sie das Transkript synchron zum Audio (der CATT-Editor verknüpft Text mit Audio, sodass Sie auf jedes Wort klicken können, um dorthin zu springen):

1. Spielen Sie mit 1,5-facher Geschwindigkeit ab und überfliegen Sie den Text beim Zuhören.
2. Pausieren Sie, um die Dinge zu korrigieren, die Ihnen Ärger einbringen:
   • Eigennamen. Fast immer beim ersten Durchlauf falsch.
   • Zahlen. Ein falsch wiedergegebener Dollarbetrag oder ein falsches Datum ist unverändert publizierbar und peinlich.
   • Sprecherlabels. Prüfen Sie, ob die erste Minute stimmt – der Rest folgt meist.
   • Sinnesändernde Fehler. Ein fehlendes „nicht" oder „seid" statt „seit".
3. Überspringen Sie stilistische Präferenzen, Debatten über Füllwörter (falls Sie Clean Verbatim gewählt haben) und kleinere Interpunktion.

Ein 60-minütiges Interview sollte 15 bis 30 Minuten Korrektur brauchen. Dauert es länger, war das Quellaudio schlecht und Sie schreiben um statt zu korrigieren. Mehr dazu, wie Sie die Genauigkeitslücke schließen, in warum die Transkriptionsgenauigkeit variiert.

Zitate ziehen und überprüfen

Das Transkript existiert. Jetzt brauchen Sie Zitate – und sie müssen exakt das wiedergeben, was gesagt wurde.

Finden Sie die Zitate

• Suchen und überfliegen bei kürzeren Stücken, bei denen Sie den Blickwinkel schon kennen: Keywords suchen, Passagen herausheben.
• Markierdurchgang bei längeren Stücken: das ganze Transkript einmal lesen, alles Zitierfäh