Topic Modeling aus Audio: LDA, BERTopic und LLM-Clustering (2026)

Von Stunden Audio zur Themenlandkarte

Topic Modeling auf Audio bedeutet zwei Schritte: Die Aufnahmen in Text transkribieren und dann einen Modellierungsalgorithmus über das entstehende Korpus laufen lassen. Der Algorithmus findet Cluster verwandter Inhalte über alle Dokumente hinweg, sodass Sie in Stunden statt Wochen eine belastbare Themenliste erstellen können. Dieser Beitrag behandelt die drei Ansätze, die man 2026 kennen sollte, wann sich welcher eignet, und einen praktischen Workflow, der einen Stapel Aufnahmen in eine saubere Themen-Taxonomie überführt.

Der Umfang des Problems rechtfertigt meist die Investition. 30 Stunden Interviewtranskripte Wort für Wort durchzulesen kostet eine Woche. Drei zufällig ausgewählte Transkripte heranzuziehen ist verzerrt und unsystematisch. Topic Modeling über ein vollständiges Korpus ist das Werkzeug, das qualitative Analyse im großen Maßstab für eine einzelne Forscherperson oder ein kleines Team machbar macht.

Warum die Transkriptionsqualität die Obergrenze setzt

Topic Modeling behandelt jedes Wort als Signal, deshalb pflanzen sich Transkriptionsfehler bis in Ihre Themen fort. Wird „Kubernetes“ in Dutzenden Interviews als „couvernettes“ transkribiert, sieht der Algorithmus ein neues Wort und erzeugt möglicherweise einen Scheincluster dafür. Das Problem summiert sich: Ein 30-Stunden-Korpus kann 400.000 Wörter enthalten, und selbst eine Fehlerrate von 5 % schleust 20.000 fehlerhafte Tokens ins Signal ein.

Für die meisten englischen Aufnahmen genügt ein Modell, das auf 95–98 % Wortgenauigkeit abzielt. Fachspezifische Terminologie in medizinischen, juristischen oder technischen Interviews profitiert von einem abgestimmten Vokabular vor der Transkription, weil Fachbegriffe öfter scheitern als gebräuchliche Wörter.

Speaker-Diarisierung ist optional, lohnt sich aber oft. In strukturierten Forschungsinterviews stellt der Interviewer in allen Sitzungen ähnliche Fragen. Diese wiederholten Fragen bilden ihren eigenen Themencluster – strukturelles Rauschen statt Inhalte der Teilnehmenden. Diarisierung erlaubt es, vor der Modellierung auf die Beiträge der Teilnehmenden zu filtern, was die extrahierten Themen schärft. Wie diese Technologie funktioniert, erklärt Speaker-Diarisierung erklärt.

Wenn Sie ein Korpus aufgezeichneter Interviews transkribieren müssen, verarbeitet das Interview-Tool von ConvertAudioToText Audio im Batch – ganz ohne Konto-Einrichtung für schnelle Tests.

Die drei Ansätze im ehrlichen Vergleich

Drei Methoden dominieren den produktiven Einsatz. Sie unterscheiden sich darin, was sie von Ihnen verlangen, was sie liefern und was sie kosten.

LDA (Latent Dirichlet Allocation)

Die klassische Methode, entwickelt 2003 und bis heute weit verbreitet. Jedes Dokument wird als Mischung von Themen modelliert, jedes Thema als Wahrscheinlichkeitsverteilung über Wörter. Das Ergebnis ist eine feste Anzahl von Themen, jeweils dargestellt als gewichtete Wortliste.

Stärken: Schnell, gut erforscht, interpretierbare Ergebnisse. Die Fehlermodi sind nach zwei Jahrzehnten Einsatz dokumentiert. Das Python-Tooling (gensim, scikit-learn) ist ausgereift und stabil. Läuft auf CPU ohne GPU-Anforderungen.

Schwächen: Erfordert Vorverarbeitung: Tokenisierung, Stoppwortentfernung, Lemmatisierung. Themen entstehen als Wortlisten, nicht als benannte Konzepte – die Bezeichnungen muss weiterhin ein Mensch schreiben. Bei kurzen Dokumenten und kleinen Korpora stößt es an Grenzen, weil dort nicht genug Wort-Kookkurrenzen vorhanden sind, um Verteilungen zuverlässig zu schätzen.

Wann einsetzen: Große Korpora ab 500 Dokumenten, explorative Analysen, bei denen Sie einen schnellen ersten Durchlauf wollen, Pipelines, die bereits um Python-NLP-Tools herum gebaut sind.

BERTopic

BERTopic bettet Dokumente mithilfe von Transformer-Sentence-Encodern ein, reduziert die Dimensionalität, clustert nach semantischer Ähnlichkeit (typischerweise mit HDBSCAN) und extrahiert anschließend pro Cluster repräsentative Wörter mittels c-TF-IDF. Das Ergebnis sind Themen, die durch Bedeutung statt durch Wortfrequenz definiert sind.

Die Bibliothek wird aktiv gepflegt; neuere Ergänzungen umfassen Zero-Shot-Topic-Modeling, Modell-Zusammenführung und LLM-basierte Themenbeschriftung als Nachverarbeitungsschritt. Sie unterstützt über 50 Sprachen ab Werk.

Stärken: Bessere semantische Kohärenz als LDA, besonders bei fachspezifischen oder Kurztext-Korpora. Die Clusteranzahl ergibt sich datengetrieben, nicht vorab festgelegt. Ein optionaler LLM-Durchlauf kann Cluster mit menschenlesbaren Namen versehen.

Schwächen: Langsamer als LDA. Mehr Komponenten zu konfigurieren (Embedding-Modell, Dimensionsreduzierer, Clusterer). Empfindlichkeit gegenüber der Hyperparameter-Wahl bedeutet, dass Ergebnisse zwischen Läufen variieren können. Studien, die BERTopic- und LDA-Kohärenzwerte vergleichen, zeigen gemischte Befunde je nach Korpus: BERTopic punktet bei semantischer Interpretierbarkeit für die meisten Marketing- und Interviewkorpora, während LDA bei Kohärenzmetriken für Texte mit engem Fachvokabular die Nase vorn haben kann.

Wann einsetzen: Korpora von 100 bis 10.000 Dokumenten, Forschung, bei der semantische Kohärenz mehr zählt als statistische Reinheit, Situationen, in denen eine GPU vorhanden ist oder längere CPU-Laufzeiten tolerierbar sind.

LLM-basiertes Clustering

Ein Ansatz, der zwischen 2024 und 2026 praktikabel wurde: Das LLM übernimmt das Clustering direkt per Prompting. Jedes Transkript wird zu Kernthemen zusammengefasst, die Zusammenfassungen werden dem LLM mit einem Prompt übergeben, der eine Taxonomie anfordert, und das LLM liefert beschriftete Cluster mit Beispielzitaten zurück.

Stärken: Höchste semantische Kohärenz. Themen kommen mit menschenlesbaren Bezeichnungen und Beispieltextstellen. Keine Vorverarbeitungs-Pipeline nötig.

Schwächen: Kosten skalieren mit dem Tokenvolumen. Jede Audiostunde erzeugt grob 7.000–10.000 Wörter Transkript; Zusammenfassen und Clustern eines 30-Interview-Korpus über eine Frontier-API kostet je nach Modellstufe und Prompt-Design niedrige bis mittlere einstellige Dollarbeträge. Die Themenstruktur kann zwischen Läufen stärker variieren als bei statistischen Methoden, weil das LLM generativ statt deterministisch arbeitet.

Wann einsetzen: Kleine bis mittlere Korpora von 10 bis 150 Dokumenten, wenn die Zielgruppe der Analyse lesbare Ergebnisse ohne eigenen Beschriftungsschritt braucht, wenn Rechenbudget verfügbar ist.

Auf einen Blick

Transkripte für jede Methode vorbereiten

Die Vorbereitungsschritte unterscheiden sich spürbar.

Für LDA:

1. Tokenisieren Sie jedes Transkript in Wörter.
2. Entfernen Sie Stoppwörter („the“, „is“, „and“ und ähnliches Rauschen).
3. Lemmatisieren Sie, sodass flektierte Formen auf eine Wurzel zusammenfallen („running“, „ran“, „runs“ werden alle zu „run“).
4. Erstellen Sie eine Dokument-Term-Matrix.
5. Wählen Sie eine Themenanzahl, typischerweise 5 bis 20, und prüfen Sie die Kohärenz bei mehreren Werten, statt einmal zu raten.

Für BERTopic:

1. Teilen Sie Transkripte in Sätze oder kurze Absätze, nicht ganze Dokumente, damit jede Einheit eine fokussierte Bedeutung trägt.
2. Führen Sie sie durch einen Sentence Transformer, um Embeddings zu erhalten (das Modell all-MiniLM-L6-v2 ist ein gängiger Startpunkt).
3. Überlassen Sie BERTopics Standard-Pipeline die Dimensionsreduktion und das Clustering.
4. Prüfen Sie die Clusterzuordnungen und führen Sie Cluster zusammen, die offensichtlich Varianten desselben Themas sind.

Für LLM-Clustering:

1. Fassen Sie jedes Transkript mit einem strukturierten Prompt in 5 bis 10 Kernpunkte oder -themen zusammen (siehe den Beitrag Strukturierter Output vs. Fließtext-Zusammenfassung für Prompt-Muster, die ein konsistentes Format liefern).
2. Geben Sie alle Zusammenfassungen dem LLM mit einem Prompt, der sie in N Themen gruppieren und jedes beschriften soll.
3. Starten Sie pro Thema einen Folge-Prompt, der drei bis fünf repräsentative direkte Zitate aus den Quelltranskripten anfordert.

Ergebnisse beschriften und validieren

Keine Methode liefert publikationsfertige Ergebnisse. Das Modell findet Cluster; Sie beschriften und validieren sie.

Bei LDA sieht die Ausgabe etwa so aus:

Topic 1: pricing, plan, expensive, value, cost, charge, monthly
Topic 2: integration, slack, zapier, api, automate, workflow
Topic 3: support, help, response, ticket, slow, never

Die Bezeichnungen lassen sich hier erschließen (Preisfragen, Integrationsanwendungsfälle, Frust über den Support), aber pro Thema braucht es einen menschlichen Satz. Für 10 Themen über 30 Interviews dauert der Beschriftungsschritt 15 bis 30 Minuten.

BERTopic liefert ähnliche Wortlisten, oft semantisch kohärenter. LLM-Clustering erzeugt Entwurfsbezeichnungen direkt, die meist nur leichte Nachbearbeitung brauchen statt Schreiben von Grund auf.

Der Validierungsschritt wird oft unterbudgetiert. Ein Thema mit 200 unterstützenden Dokumenten kann sich als 180 Dokumente über das eine und 20 Dokumente über etwas anderes herausstellen, die das Modell vermischt hat. Ein Stichprobencheck der fünf wichtigsten Dokumente pro Thema findet die meisten dieser Vermischungen, bevor die Themen in einen Bericht einfließen.

Anwendungsfälle: Archive und Forschungskorpora

Der Anwendungsfall Forschungsinterviews bekommt in Beiträgen zum Topic Modeling die meiste Aufmerksamkeit, aber bei Archiv- und historischen Audiosammlungen zeigt sich das Skalierungsargument am überzeugendsten.

Oral-History-Projekte, Radiosendungsarchive und Bibliotheken aufgezeichneter Fokusgruppen enthalten oft hunderte bis tausende Stunden Audio, die sich über Jahre angesammelt haben. Eine manuelle thematische Analyse eines Archivs dieser Größe ist für ein kleines Team praktisch unmöglich. Eine Topic-Modeling-Pipeline verschiebt die Frage von „welche Aufnahmen analysieren wir“ zu „was sagt die gesamte Sammlung“ – ein anderes und mächtigeres Forschungsinstrument.

Für Archivarbeit einige praktische Hinweise:

Die Audioqualität schwankt stärker als bei kontrollierten Interviews. Ältere Aufnahmen, Feldaufnahmen und Telefoninterviews können erhebliches Rauschen enthalten, das die Transkriptionsgenauigkeit verschlechtert und in der Folge die Themenqualität mindert. Eine Stichprobe von 10–20 Transkripten vor dem Commit auf die volle Pipeline deckt Audioqualitätsprobleme früh auf.

LDA bewältigt sehr große Korpora effizient im Maßstab. BERTopic auf 5.000 Dokumenten mit Standardeinstellungen laufen zu lassen ist machbar, aber langsam auf CPU. Die MEGA-Scale-Variante der Bibliothek unterstützt Multi-GPU-Verarbeitung für Sammlungen, bei denen das relevant ist.

Vergleiche zwischen Sammlungen sind ein Anwendungsfall, den LDA und BERTopic gut abdecken. Haben Sie zwei Korpora, die zu unterschiedlichen Zeiten oder unter unterschiedlichen Bedingungen erhoben wurden, können Sie ein Modell auf dem einen trainieren und Themenverteilungen auf dem anderen inferieren – so lässt sich verfolgen, wie sich Themen verschoben haben. Der Beitrag Sentiment-Analyse aus Transkripten behandelt einen komplementären Ansatz, um Valenz neben Themen zu tracken.

Ein praktischer Workflow: Von 30 Interviews zum Themenbericht

Hier eine konkrete Abfolge für ein mittelgroßes qualitatives Forschungsprojekt:

1. Aufnahmephase. 30 Stunden Audio über alle Interviews.
2. Transkription. Alle Aufnahmen hochladen. Parallele Verarbeitung bearbeitet mehrere Dateien gleichzeitig; die Gesamtzeit für 30 Stunden beträgt je nach Warteschlangentiefe etwa 1,5 bis 2 Stunden.
3. Diarisierungsfilter. Nur die Beiträge der Teilnehmenden exportieren, Fragen des Interviewers ausschließen, damit das strukturelle Interviewgerüst nicht als Thema auftaucht.
4. Topic Modeling. BERTopic auf den Beiträgen der Teilnehmenden ausführen. Auf einer modernen Laptop-CPU dauern 30 Ein-Stunden-Transkripte 20 bis 40 Minuten.
5. Beschriftung. Eine Forscherperson beschriftet die 8 bis 15 entstehenden Themen. 30 bis 60 Minuten.
6. Zitatextraktion. Pro Thema 3 bis 5 repräsentative Zitate ziehen. 20 bis 30 Minuten.
7. Synthese. Den Themenabschnitt eines Forschungsberichts schreiben, mit den beschrifteten Themen und Zitaten als Gerüst.

Aktive Forschungszeit: rund 3 bis 5 Stunden für ein Korpus, dessen manuelle Analyse per Anhören und zeilenweisem Codieren 30 bis 60 Stunden bräuchte. Der Trade-off: statistisches Rauschen in den Clusterzuordnungen sowie der Validierungsaufwand, um Modellfehler abzufangen, bevor sie in den Bericht gelangen.

Tool-Empfehlungen

Für Python-basierte Workflows:

• gensim: Langjährig etablierte LDA-Implementierung. Gut dokumentiert, leichter Einstieg. Version 4.x, aktiv gepflegt.
• BERTopic: Aktuelle Allround-Empfehlung. Modulare Pipeline, aktive Entwicklung, integriert sich mit wichtigen Embedding-Modellen und LLMs für nachgelagerte Beschriftung.
• scikit-learn: Enthält LDA- und Clustering-Bausteine, falls Sie eine stärker eigene Pipeline bauen möchten.

Für GUI-orientierte Forschende:

• NVivo: Kommerzielles Tool für qualitative Forschung mit integriertem Codieren und neuen KI-Funktionen.
• MAXQDA: KI-gestütztes Codieren und Zusammenfassen via MAXQDA AI Assist; unabhängige Untersuchungen deuten darauf hin, dass es menschliche Codierungen genauer abbildet als die KI-Integrationen konkurrierender Tools.
• ATLAS.ti: Langjähriges Qualitative-Tool mit einem AI Lab, das LLM-basierte Code-Vorschläge bietet, wobei unabhängige Reviews anmerken, dass die Ergebnisse erhebliche manuelle Nachbearbeitung erfordern.

Meine Einschätzung zu den GUI-Tools: Alle drei haben KI-Funktionen ergänzt, aber keines ist KI-nativ. Sie funktionieren gut für Forschende, die Point-and-Click-Workflows wollen und mit Python nicht vertraut sind. Für große Korpora oder reproduzierbare Forschungspipelines geben codebasierte Ansätze mehr Kontrolle und Transparenz.

Für LLM-basiertes Clustering:

• OpenAIs Structured Outputs: Konsistente, per JSON-Schema erzwungene Antworten machen das Clustering zuverlässig, ohne sprödes Parsing.
• Anthropic Claude: Schneidet bei qualitativen Schlussfolgerungen gut ab und erzeugt kohärente Themen-Taxonomien mit guter Beschriftung.
• Open-Source-Modelle via Ollama: Brauchbar für budgetkritische Projekte; die Qualität schwankt stärker als bei Frontier-APIs, doch die Kosten für lokale Inferenz liegen nahe null.

Häufige Stolperfallen

Zu wenige Dokumente

Statistische Methoden brauchen genügend Dokumente für stabile Cluster. Unter 20 Interviews produzieren LDA und BERTopic oft Themen, die zwischen Läufen deutlich wechseln. Für kleine Korpora ist LLM-Clustering zuverlässiger, weil es über Bedeutung argumentiert statt Verteilungen zu schätzen.

Unbrauchbare Transkripte

Eine Transkriptionsgenauigkeit unter 90 % schleust so viel Rauschen ein, dass die entstehenden Themen Fehler ebenso widerspiegeln wie Inhalte. Siehe wie Sie die Transkriptionsgenauigkeit verbessern für die wichtigsten Vorbereitungsschritte.

Falsche Themenanzahl bei LDA

LDA verlangt, dass Sie die Anzahl der Themen vor dem Lauf festlegen. Zu wenige, und die Themen drängen sich zusammen; zu viele, und sie zerfallen in Beinahe-Duplikate. Kohärenzmetriken (speziell der C_v-Score) helfen, eine belastbare Zahl zu finden, aber drei oder vier Werte auszuprobieren und die menschlich beschriftete Ausgabe zu vergleichen ist verlässlicher, als allein auf die Metrik zu vertrauen.

Interviewstruktur ignorieren

Ein strukturiertes Interview, in dem dieselben Fragen über 30 Sitzungen auftauchen, erzeugt einen Themencluster für genau diese Fragen. Dieser Cluster bildet das Interviewprotokoll ab, nicht die Sichtweisen der Teilnehmenden. Filtern Sie die Interviewer-Beiträge vor der Modellierung heraus. Der Effekt ist am ausgeprägtesten bei fragenlastigen Interviews, in denen der Interviewer 30–40 % der Wörter spricht.

Themen als Wahrheit behandeln

Topic Modeling ist eine Clustering-Hypothese, keine Beschreibung der Realität. Die entstehenden Themen sind Ausgangspunkte für Analysen. Validieren Sie jedes Thema gegen die Quelltranskripte, bevor Sie es veröffentlichen oder darauf aufbauen. Der Beitrag KI- vs. menschliche Transkription behandelt verwandte Fragen dazu, wann statistische Ergebnisse eine menschliche Verifikation brauchen.

Häufige Fragen

Brauche ich Transkripte, bevor ich Topic Modeling auf Audio anwenden kann?

Ja. Keine der großen Topic-Modeling-Bibliotheken arbeitet direkt mit Audio. Sie transkribieren zuerst und speisen dann den Text in Ihre Modellierungs-Pipeline ein. Die Qualität Ihrer Transkripte setzt eine Obergrenze für die Qualität Ihrer Themen – daher lohnt sich die Investition in eine genaue Transkription.

Wie viele Interviews oder Aufnahmen brauche ich, damit Topic Modeling funktioniert?

Statistische Methoden wie LDA benötigen mindestens 50–100 Dokumente für stabile Cluster. Unter 20 variieren die Ergebnisse von Lauf zu Lauf erheblich. Für kleine Korpora mit 5–20 Aufnahmen ist LLM-basiertes Clustering zuverlässiger, weil es über Bedeutung argumentiert statt Wortfrequenzen zu zählen.

Was ist der praktische Unterschied zwischen LDA und BERTopic?

LDA behandelt jedes Dokument als Mischung von Themen, die durch Wortfrequenzen definiert sind. BERTopic bettet Dokumente zunächst in einen semantischen Raum ein und clustert dann nach Bedeutung. BERTopic-Themen sind tendenziell semantisch kohärenter, aber die Ergebnisse hängen von Korpusgröße und Hyperparameter-Wahl ab. Bei großen Korpora mit klaren Wortschatzmustern ist LDA schneller und die Ergebnisse lassen sich leichter prüfen. Bei unordentlichen oder kurzen Dokumenten gewinnt meist BERTopic.

Sollte ich Fragen der Interviewer herausfiltern, bevor ich die Antworten der Teilnehmenden modelliere?

In der Regel ja. Folgt Ihr Korpus einem strukturierten Interviewformat, bilden die wiederholten Fragen des Interviewers ihren eigenen Themencluster – Rauschen statt Signal über die Sichtweisen der Teilnehmenden. Mit Speaker-Diarisierung behalten Sie nur die Beiträge der Teilnehmenden. Der Effekt ist am deutlichsten, wenn dieselben Fragen in Dutzenden Interviews auftauchen.

Quellen

• BERTopic-Dokumentation: https://maartengr.github.io/BERTopic/index.html
• BERTopic auf PyPI: https://pypi.org/project/bertopic/
• Gensim-LDA-Dokumentation: https://radimrehurek.com/gensim/models/ldamodel.html
• "AI-powered topic modeling: comparing LDA and BERTopic in analyzing opioid-related cardiovascular risks in women," PubMed, 2025: https://pubmed.ncbi.nlm.nih.gov/40093658/
• "Comparative Analysis of BERTopic Versus LDA: Topic Modelling in Marketing Research," SAGE Journals, 2026: https://journals.sagepub.com/doi/10.1177/14413582251399667
• MAXQDA-vs.-ATLAS.ti-Vergleich, Skimle, 2026: https://skimle.com/blog/maxqda-vs-atlas-ti-qualitative-analysis-software-2026
• Top-Tools für qualitative Datenanalyse 2026, UserCall: https://www.usercall.co/post/top-5-qualitative-data-analysis-software-tools
• OpenAI-API-Preise, Value Add VC, 2026: https://valueaddvc.com/blog/openai-api-pricing-2026-gpt-4o-o3-and-gpt-5-cost-breakdown-for-developers