Echtzeit- vs. Nach-Meeting-Transkription: Die Abwägungen

Wenn Ihr einziges Ergebnis ein Dokument ist, das Sie erst nach dem Gespräch lesen, dann nutzen Sie die Nach-Meeting-Batch-Transkription. Sie ist genauer, im Betrieb günstiger und geht mit der Sprecherdiarisierung besser um. Echtzeit-Streaming ist die richtige Wahl, wenn jemand die Wörter schon während des Gesprächs selbst lesen muss.

Dieser Satz deckt 80 % aller Entscheidungen ab. Der Rest dieses Beitrags nimmt die Trade-offs auseinander, damit Sie auch die verbleibenden 20 % sicher entscheiden.

Was die beiden Modi tatsächlich tun

Echtzeit-Transkription (Streaming) sendet Audio in kleinen Blöcken – typischerweise 100–250 ms – an ein Sprachmodell. Das Modell liefert nahezu sofort Teilergebnisse zurück, insgesamt mit einer End-to-End-Verzögerung von rund 300–850 ms gegenüber dem Sprecher. Die Wörter erscheinen auf dem Bildschirm, während der Sprecher spricht.

Nach-Meeting-Transkription (Batch) läuft, nachdem die Aufzeichnung gespeichert wurde. Sie laden eine Datei hoch (oder ein Bot zeichnet das Gespräch auf), und das Modell verarbeitet das komplette Audio. Ein 60-minütiges Gespräch ist typischerweise nach 3–10 Minuten fertig, wobei viele API-Anbieter bei Dateien üblicher Länge schon in unter 2 Minuten Ergebnisse liefern.

Der architektonische Unterschied ist entscheidend: Streaming-Modelle verarbeiten Audio, ohne zu wissen, was als Nächstes kommt. Batch-Modelle lesen die gesamte Datei und können künftigen Kontext nutzen, um frühere Schätzungen zu korrigieren.

Die Genauigkeitslücke

Die Lücke ist real und messbar. Deepgram hat WER-Werte für sein Nova-3-Modell auf einem 81-Stunden-Benchmark mit neun Domänen veröffentlicht: Beim Streaming lag der mediane WER bei 6,84 %, während Batch mit demselben Audio auf 5,26 % kam. Das ist ein Vorteil von rund 1,5 Prozentpunkten für Batch – sprich: weniger falsche Wörter pro Absatz.

Bei schwierigerem Audio wird die Lücke größer:

• Starke Akzente oder sich überschneidende Sprecher treiben den Streaming-WER nach oben, weil sich das Modell für eine Schätzung festlegt, bevor es klärenden Kontext hört.
• Technisches Vokabular (Produktnamen, medizinische Begriffe, Juristensprache) wird im Batch-Modus häufiger korrigiert, wo der umgebende Satz sichtbar ist.
• Whisper Large-v3, eines der genauesten Open-Source-Modelle, wurde für die Batch-Verarbeitung entwickelt. Es im Pseudo-Streaming-Modus zu betreiben erfordert Chunking-Workarounds, welche die Genauigkeit im Vergleich zur Verarbeitung der vollständigen Datei merklich verschlechtern.

Für die Konformität mit ADA Title II zielt die branchenübliche Praxis auf eine Untertitelgenauigkeit von 99 % oder mehr. Automatisierte Echtzeitsysteme schaffen auf sauberem Audio typischerweise 95–98 %. Diese Lücke ist rechtlich relevant: Zooms integrierte Live-Untertitel liefern unter realen Bedingungen rund 80–90 % Genauigkeit – deutlich unterhalb der 99-%-Schwelle. Die ADA-Title-II-Frist im April 2026 (für öffentliche Stellen mit 50.000 oder mehr Menschen) schreibt Live-Untertitel für Live-Videositzungen vor; ob diese Untertitel genau genug sind, ist von der gesetzlichen Pflicht zu ihrer Bereitstellung jedoch getrennt zu betrachten.

Mehr dazu, wie Genauigkeit gemessen wird und was die Zahlen praktisch bedeuten, erklärt die Erklärung zur Transkriptionsgenauigkeit.

Die Diarisierungslücke

Sprecherzuordnung fällt im Streaming-Modus schwerer. Ein Batch-Modell sieht die gesamte Aufzeichnung, wenn es Sprecher-IDs vergibt, und kann Stimmen daher global clustern. Ein Streaming-Modell muss in jedem Moment raten, wer gerade spricht, ohne zu wissen, wer später noch sprechen wird.

In der Praxis liegt die Batch-Diarisierung mit zwei Sprechern auf einer sauberen Aufnahme bei rund 95 % oder mehr Genauigkeit. Echtzeit-Diarisierung desselben Audios fällt auf 80–90 % ab, und manche Tools „korrigieren rückwirkend“ frühere Labels, sobald neues Audio eingeht. Das bedeutet: Ein Label, das Sie vor 30 Sekunden gelesen haben, kann sich ändern, wenn das Modell mehr Kontext bekommt. Für ein finales Transkript unproblematisch, aber irritierend, wenn Sie live mitlesen.

Im Beitrag zur Sprecherdiarisierung steht, warum sich dieses Problem im Streaming-Modus architektonisch nur schwer lösen lässt.

Die Latenz-Stellschraube

Mit Streaming-Tools tauschen Sie Latenz gegen Genauigkeit. Die meisten bieten ungefähr drei Modi:

Für Live-Untertitel auf einem Präsentationsdisplay ist mittlere Latenz der pragmatische Sweet Spot. Das Publikum liest ungefähr im Takt des Sprechers, Korrekturen kommen selten vor, und die Genauigkeit ist spürbar besser als im Modus mit niedriger Latenz. Für gehörlose Teilnehmer, die einem schnell geführten Gespräch folgen, wiegt niedrige Latenz schwerer als Genauigkeit – denn ein verpasstes Wort stört weniger als ein Untertitel, der erst Sekunden eintrifft, nachdem der Moment vorbei ist.

Kostenunterschiede

Auf API-Ebene ist Batch günstiger. AssemblyAI verlangt rund 0,15 $ pro Stunde für Batch-Transkription und etwa 0,45 $ pro Stunde für Streaming – ein Echtzeit-Aufschlag von Faktor 3. Deepgram führt Nova-3 für beide Modi zum selben nominellen Minutenpreis an (0,0077 $ pro Minute, Pay-as-you-go), doch Streaming schlägt mit Infrastrukturkosten zu Buche: Sie halten für die Dauer des Gesprächs eine dauerhafte WebSocket-Verbindung offen, wofür mehr Serverkapazität nötig ist als für die asynchrone Verarbeitung einer Datei.

Bei Tools für Endanwender steckt die Preisgestaltung in Abo-Stufen, sodass die Kosten pro Modus weniger sichtbar sind. In den Produktentscheidungen zeigt sich die Ökonomie trotzdem: Otter.ai (mit Live-Transkription) verlangt ab 8,33 $ pro Nutzer und Monat (Pro, jährlich) für 1.200 Minuten pro Monat. Fireflies (mit Fokus auf Nach-Meeting) startet bei 10 $ pro Seat und Monat (Pro, jährlich) mit 8.000 Minuten Speicher pro Seat. Beide bieten kostenlose Tarife an.

Für eine detailliertere Aufschlüsselung lohnt der Vergleich der Transkriptionspreise.

Entscheidungstabelle

Wann Echtzeit die einzige Option ist

Drei echte Szenarien, in denen nur Streaming geht:

1. Barrierefreiheit für einen gehörlosen Teilnehmer in einem Live-Gespräch. Der Text muss während der Besprechung erscheinen, nicht danach.
2. Live-Untertitel bei einer öffentlichen Veranstaltung oder einem Webinar. Das verlangen inzwischen viele Rechtsordnungen. Automatisierte Untertitel mit 95–98 % Genauigkeit sind weit verbreitet, erreichen aber nicht den über-99-%-Standard strenger ADA-Konformität; hochkritische Veranstaltungen kombinieren automatisierte Untertitel deshalb oft mit einem menschlichen CART-Dienstleister.
3. Assistenz oder Coaching für Agenten in Echtzeit. Ein Support-Agent oder Vertriebler erhält Vorschläge, Warnhinweise oder Compliance-Markierungen basierend auf dem, was der Kunde während des Gesprächs sagt. Das darf nicht warten, bis das Gespräch vorbei ist.

Für alles andere ist Batch mit kurzer Bearbeitungszeit der Standard.

Wann Batch trotz Echtzeit-Wunsch die richtige Wahl ist

Drei häufige Anfragen, bei denen nach Echtzeit verlangt wird, obwohl eigentlich schnelles Batch gemeint ist:

„Ich will das Transkript fertig haben, sobald ich auflege.“ Schnelle Batch-Verarbeitung liefert ein 60-minütiges Gespräch typischerweise in unter fünf Minuten. Das genügt meist völlig. Dasselbe Gespräch in Echtzeit zu streamen kostet mehr und bringt ein ungenaueres Transkript hervor.

„Ich will mir aus den Live-Untertiteln Notizen machen.“ Wer Untertitel liest und dabei zuhört, zerreißt seine Aufmerksamkeit. Den meisten fällt es leichter, das Meeting laufen zu lassen und das Batch-Transkript anschließend durchzugehen – oft mit einer KI-Zusammenfassung, die die Kernpunkte herauszieht.

„Ich will das Gespräch durchsuchen, während es stattfindet.“ Technisch möglich, doch der tatsächliche Anwendungsfall ist fast immer „das Gespräch im Nachhinein durchsuchen“ – und das ist ein Batch-Job über die fertige Aufzeichnung.

Das professionelle Standard-Setup

Die meisten Workflows in der Praxis kombinieren beide Schritte hintereinander:

1. Live-Untertitel laufen während der Besprechung – für Barrierefreiheit oder als Echtzeit-Referenz.
2. Die Batch-Transkription läuft nach Gesprächsende über die Aufzeichnung und erzeugt das maßgebliche Dokument.

Die Echtzeit-Ausgabe wird als flüchtig behandelt. Die Batch-Ausgabe ist das, was gespeichert, bearbeitet, verlinkt und nachgelagert in Zusammenfassungen, Action Items und Archiven verwendet wird. Zoom, Google Meet und Microsoft Teams folgen alle diesem Muster: Live-Untertitel während des Gesprächs, eine Transkriptdatei nach dem Gespräch innerhalb der gespeicherten Aufzeichnung.

Für die Batch-Transkription aufgezeichneter Zoom-Calls, Teams-Besprechungen oder Google-Meet-Sessions übernimmt das Meeting-Transkriptionstool den Upload und liefert ein Transkript mit Sprecherlabels – ganz ohne Meeting-Bot.

Wenn Sie einfach nur ein sauberes Transkript aus einer Aufnahme brauchen, nimmt ConvertAudioToText die Datei direkt entgegen – ohne Bot-Installation und ohne Kalenderzugriff.

Häufig gestellte Fragen

Ist Echtzeit-Transkription ungenauer als Batch-Transkription?

Ja, um einen messbaren Abstand. Deepgrams Nova-3 weist beim Streaming 6,84 % WER auf gegenüber 5,26 % bei Batch auf demselben Benchmark-Audio – eine Lücke von rund 1,5 Prozentpunkten. Bei schwierigerem Audio (Akzente, Übersprechen, Fachbegriffe) wird die Lücke größer, weil Streaming-Modelle sich für jedes Wort festlegen müssen, ohne den nachfolgenden Satz zu sehen.

Wie viel Verzögerung hat die Echtzeit-Transkription?

Die End-to-End-Latenz bei Streaming-Transkription liegt typischerweise zwischen 300 und 850 ms. Die meisten Tools bieten eine Latenzeinstellung: Niedrigere Latenz bedeutet, dass Wörter schneller erscheinen, dafür gibt es mehr Korrekturen; höhere Latenz (3–5 Sekunden) kommt nahe an Batch-Genauigkeit heran und wirkt dennoch live, gemessen an der menschlichen Lesegeschwindigkeit.

Ist Batch-Transkription günstiger als Echtzeit?

Meistens ja, auf API-Ebene. AssemblyAI verlangt für Streaming ungefähr das Dreifache von Batch. Manche Anbieter wie Deepgram führen denselben nominellen Minutenpreis, aber Streaming verursacht zusätzliche Infrastrukturkosten durch dauerhaft offene WebSocket-Verbindungen, die Batch mit einem simplen Datei-Upload vermeidet. Wenn Sie während des Gesprächs keinen Text brauchen, ist Batch die wirtschaftlichere Wahl.

Verwenden Zoom, Meet und Teams Echtzeit- oder Batch-Transkription?

Beides. Die Live-Untertitel während des Gesprächs sind Echtzeit-Streaming. Das nach dem Gespräch gespeicherte Transkript Ihrer Aufzeichnung wird nach Meetingende per Batch verarbeitet. Die Nach-Meeting-Version ist in der Regel genauer und enthält bessere Sprecherlabels. Die meisten Meeting-Plattformen behandeln die Batch-Ausgabe als maßgebliches Protokoll.

Wann ist Echtzeit-Transkription gesetzlich vorgeschrieben?

ADA Title II (in der aktualisierten Fassung) schreibt Live-Untertitel für Live-Videositzungen vor, die von erfassten öffentlichen Stellen durchgeführt werden – Einhaltungsfrist ist der 24. April 2026 für Stellen, die 50.000 oder mehr Menschen bedienen. Viele Rechtsordnungen haben ähnliche Anforderungen an öffentliche Veranstaltungen und Rundfunk. Automatisierte Live-