Transkriptions- und Übersetzungs-Workflow: Die richtige Pipeline für 2026

Der richtige Workflow hängt von einer Frage ab: Benötigen Sie den Text in der Originalsprache oder nur die englische Ausgabe? Wenn Sie nur Englisch brauchen und die Quelle ohnehin verwerfen, reicht ein Ein-Schritt-Modell. Für fast jeden professionellen Anwendungsfall wollen Sie das Transkript in der Originalsprache – und das heißt: zwei Schritte.

Zwei Schritte: Erst transkribieren, dann übersetzen

Die Pipeline in zwei Schritten:

1. Transkribieren Sie das Audio mit einem KI-Transkriptionsdienst in die Ausgangssprache (Deepgram, AssemblyAI, Whisper oder ein darauf aufbauendes Produkt).
2. Übersetzen Sie den entstandenen Text mit DeepL, der Google Translate API oder einem LLM in Ihre Zielsprache.

Der entscheidende Vorteil ist die Überprüfbarkeit. Sie können das Quellaudio abspielen und den Text in der Ausgangssprache prüfen, bevor die Übersetzung beginnt. Fehler, die bis zum Übersetzungsschritt durchschlüpfen, lassen sich schwerer auf ihre Ursache zurückverfolgen und schwerer beheben, weil Übersetzer und Redakteure nun mit einem nachgelagerten Artefakt arbeiten, nicht mit dem Original.

Wann der Zwei-Schritt-Ansatz punktet

Zwei Schritte sind die richtige Wahl, wann immer das Transkript in der Originalsprache einen eigenständigen Wert hat. Das betrifft:

• Archiv- und Suchanwendungen (ein spanisches Transkript ist auf Spanisch indexierbar).
• Redaktionelle Workflows, bei denen Journalisten Original und Übersetzung nebeneinander zitieren müssen.
• Qualitative Forschung, bei der Kodierung und Annotation in der Ausgangssprache erfolgen.
• Jeden Workflow, bei dem Sie später möglicherweise erneut übersetzen müssen (heute ins Portugiesische, nächsten Monat ins Französische).
• Untertitel-Erstellung, bei der die SRT-Datei in der Ausgangssprache das Timing für alle übersetzten Versionen vorgibt.

Wann zwei Schritte mehr kosten

Ein Transkriptionsaufruf plus ein Übersetzungsaufruf bedeuten tatsächlich zusätzlichen Zeit- und Kostenaufwand. Für einen 60-minütigen spanischen Podcast kostet der Transkriptionsschritt ungefähr so viel, wie Ihr Transkriptionsdienst für 60 Minuten berechnet. Hinzu kommen beim Übersetzungsschritt die Kosten dafür, den entstandenen Text (typischerweise 10.000–15.000 Zeichen Spanisch) durch eine Übersetzungs-API zu schicken. Beim Growth-API-Tarif von DeepL mit 27,50 $ pro Million Zeichen liegen die Kosten für eine einzelne Folge deutlich unter 1 $.

Die Mehrkosten sind real, aber gering. Der zusätzliche Zeitaufwand ist bei Pipelines mit hohem Volumen meist die größere Sorge.

Ein Schritt: Übersetzende Transkription

Whisper large-v3 verfügt über eine eingebaute Translate-Aufgabe. Sie senden Audio in einer seiner 99 unterstützten Eingabesprachen, und das Modell gibt direkt englischen Text aus. Ein API-Aufruf, Englisch heraus, die Ausgangssprache verschwunden.

Das ist kein universelles mehrsprachiges Übersetzungssystem. Die Ausgabesprache ist ausschließlich Englisch. Wenn Sie deutsches Audio in französischen Text brauchen, hilft Whispers Translate-Aufgabe nicht: Sie bräuchten weiterhin einen zweiten Übersetzungsschritt vom Englischen ins Französische.

Wann der Ein-Schritt-Ansatz punktet

Ein Schritt lohnt sich für schnelle, rein englische Nutzung: Forschende, die einen fremdsprachigen Clip schnell erfassen wollen und ihn nicht zitieren werden, Journalisten, die prüfen, ob eine Aufnahme einer Vertiefung wert ist, oder Batch-Pipelines, die fremdsprachiges Audio für eine rein englische Indexierung aufnehmen.

Anwendungsfälle, in denen ein Schritt angemessen ist:

• Sichtung fremdsprachiger Feeds in der Redaktion.
• Persönliche Forschungsnotizen aus Interviews, die Sie in einer anderen Sprache geführt haben.
• Monitoring-Pipelines, bei denen die Erkennung englischer Schlüsselwörter das Ziel ist, nicht das Transkript selbst.

Was der Ein-Schritt-Ansatz verliert

Das Transkript in der Ausgangssprache ist dauerhaft verloren, es sei denn, Sie führen das Modell erneut im Transkriptionsmodus aus. Sprecherlabels beziehen sich auf die englische Ausgabe, was die Überprüfung von Zitaten gegen das Originalaudio deutlich erschwert. Eine erneute Übersetzung in eine dritte Sprache aus der Quelle ist nicht möglich: Sie würden aus einer englischen Maschinenübersetzung übersetzen und damit eine zweite Generation von Qualitätsverlust erzeugen.

Der übersetzenden Transkription fehlt zudem der Kontext. Das Modell verarbeitet Audio in Blöcken und übersetzt währenddessen, ohne zuvor die vollständige Dokumentstruktur zu sehen. Bei Reden, Vorträgen und Interviews mit Rückbezügen und Verweisen auf frühere Aussagen kann das kohärentes, aber kontextlich flaches Englisch erzeugen.

Qualitätsprüfungen zwischen den Schritten

Der häufigste Fehler in Transkriptions- und Übersetzungs-Pipelines besteht darin, ein unüberprüftes Transkript zur Übersetzung zu schicken. Fehler multiplizieren sich. Ein falsch transkribierter Name in der Quelle wird zu einem falsch übersetzten Namen im Ziel, und niemand bemerkt es, weil die Redakteure die Zielsprache lesen.

Setzen Sie folgende Qualitätsprüfungen zwischen den Transkriptions- und Übersetzungsschritt ein:

Prüfen Sie zuerst Eigennamen und Fachbegriffe. KI-Transkriptionsmodelle leiten unbekannte Namen, Marken und Fachvokabular aus der Phonetik ab. Durchsuchen Sie das Transkript nach den Namen der wichtigsten Sprecher, Firmennamen, Produktnamen und Abkürzungen. Korrigieren Sie diese vor der Übersetzung: „GPT", transkribiert als „G-P-T" oder „GBT", führt je nach Tool zu unterschiedlichen Übersetzungen.

Verifizieren Sie Zahlen. Daten, Statistiken, Geldbeträge und Prozentangaben sind besonders wertvoll und fehleranfällig. Ein transkribiertes „14" und „40" klingt in vielen Sprachen ähnlich. Kontrollieren Sie stichprobenartig jede Zahl, bei der ein Fehler ins Gewicht fallen würde.

Kontrollieren Sie die Sprechergrenzen. Falls Ihr Transkript eine Sprecherdiarisierung enthält, prüfen Sie an einer Stichprobe von Gesprächsbeiträgen, ob die Sprechergrenzen korrekt sind – insbesondere bei Unterbrechungen und Simultansprechen. Falsch zugeordnete Zitate wandern ungekennzeichnet in die übersetzte Ausgabe.

Bestätigen Sie die Satzgrenzen. Die KI-Transkription zerlegt Sätze manchmal falsch, insbesondere bei langen Pausen. Ein Satzfragment, das einem Übersetzungsmodell zugeführt wird, kann grammatikalisch seltsame Ausgaben erzeugen. Gehen Sie den ersten Absatz jedes wichtigen Sprecherbeitrags durch, bevor Sie den gesamten Text übersetzen.

Diese Prüfungen kosten bei einer typischen 60-minütigen Aufnahme 5 bis 15 Minuten und ersparen Ihnen später Stunden der Nachbearbeitung.

Wann Sie das Transkript übersetzen sollten statt Audio in der Zielsprache neu zu transkribieren

Diese Frage stellt sich immer dann, wenn Sie sowohl eine Aufnahme in der Originalsprache als auch eine Version in der Zielsprache haben: ein synchronisiertes Video, eine professionell übersetzte Rede, die vorgelesen wird, oder ein zweisprachiges Interview, in dem jeder Sprecher eine andere Sprache verwendet.

Übersetzen Sie das Transkript (die übliche Antwort), wenn:

• Sie den ursprünglichen Sprecher aufgenommen haben. Das Quellaudio ist die maßgebliche Fassung. Transkribieren Sie es, prüfen Sie es, übersetzen Sie den Text.
• Die Version in der Zielsprache eine Synchronfassung ist. Synchronaudio bringt Prosodieverschiebungen, Timing-Verzerrungen und mitunter veränderte Formulierungen aus dem Synchronisationsprozess mit. Wer die Synchronfassung transkribiert und als Referenz behandelt, arbeitet mit einem abgeleiteten Artefakt samt eigener Fehlerschicht.
• Sie mehrere Zielsprachen ausgeben müssen. Ein überprüftes Quelltranskript lässt sich parallel ins Portugiesische, Französische und Deutsche übersetzen. Drei getrennt transkribierte Synchronfassungen weichen unweigerlich voneinander ab.

Transkribieren Sie das Audio in der Zielsprache direkt neu, wenn:

• Sie die Quellaufnahme nicht besitzen. Ein synchronisiertes Video ohne Original ist eben das, was Sie haben: Transkribieren Sie die Synchronfassung direkt.
• Die Version in der Zielsprache von menschlichen Sprechern erstellt wurde, die einen Originaltext vortragen – nicht durch eine mechanische Synchronisation. Konferenzreden, die gleichzeitig in zwei Sprachen gehalten werden, sind beispielsweise jeweils eigenständige Darbietungen.
• Die beiden Sprachversionen inhaltlich erheblich voneinander abweichen. Viele synchronisierte Produktionen kürzen oder schreiben Szenen um; weicht der Inhalt ab, benötigt jede Version ihr eigenes Transkript.

Für Workflows zur Untertitelübersetzung lautet die praktische Regel: Beginnen Sie stets mit der SRT- oder VTT-Datei in der Ausgangssprache, übersetzen Sie den Cue-Text Segment für Segment und gleichen Sie das Timing mit dem Quellaudio ab, bevor Sie die übersetzte Untertiteldatei veröffentlichen.

Das richtige Übersetzungstool für Ihre Pipeline wählen

Das richtige Übersetzungstool hängt von Ihrem Volumen, Ihren Sprachpaaren und davon ab, wie viel Gewicht der Kontext hat.

Für die meisten Content-Arbeiten (Podcasts, Interviews, Vorträge, Geschäftsgespräche) liefern DeepL bei europäischen Sprachpaaren oder ein LLM wie GPT-4o mini bei nichteuropäischen Paaren starke Ergebnisse zu geringen Kosten. Menschliche Übersetzung ist ihre Kosten nur wert, wenn Genauigkeit rechtliche oder medizinische Konsequenzen hat.

Beim Übersetzen von Podcasts ins Spanische oder anderen großen Sprachen genießt DeepLs Genauigkeit speziell beim Paar Spanisch–Englisch in Direktvergleichen einen guten Ruf. Für die Kommunikation mehrsprachiger Teams siehe den Hinweis zur Transkription für internationale Teams.

Sprecherlabels durch die Übersetzung hindurch

Sprecherlabels überstehen die Übersetzung nur, wenn Sie das Format richtig handhaben.

Der heikle Weg: den kompletten Transkripttext als einen Block in eine Übersetzungsoberfläche kopieren. Sprecherlabels wie „Sprecher 1: [Text]" überstehen das vielleicht – oder auch nicht, je nachdem, ob das Übersetzungstool sie als übersetzbaren Inhalt behandelt.

Der robuste Weg: in einem strukturierten Format exportieren (SRT, VTT oder JSON mit Objekten pro Äußerung) und das Textfeld jedes Segments unabhängig übersetzen. Die Sprecherzuordnung liegt in einem eigenen Feld und kommt mit dem Übersetzungsprozess nie in Kontakt. Die meisten LLM- und API-Übersetzungspipelines unterstützen das mit einem einfachen Vorverarbeitungsschritt.

Für interviewlastige Projekte erklärt der Leitfaden zur Interview-Transkription, wie Sie Transkripte strukturieren, bevor sie in einen Übersetzungsschritt gehen.

Häufige Workflow-Muster

Redaktion: Aufnahmen von Auslandskorrespondenten

Transkribieren Sie das Audio in der Ausgangssprache mit Sprecherlabels. Setzen Sie eine Qualitätsprüfung für Eigennamen ein (Personennamen, Orte, Regierungsorgane). Übersetzen Sie ins Englische und geben Sie Kontextnotizen (z. B. „Sprecher 1 ist der Minister") dem LLM als Systemprompt mit. Reporter gleichen englische Zitate vor der Veröffentlichung mit dem Quelltranskript ab.

Podcast-Lokalisierung

Transkribieren Sie in der Ausgangssprache. Erstellen Sie Shownotes und Kapitelmarker in der Ausgangssprache. Übersetzen Sie das vollständige Transkript für jede Zielregion. Exportieren Sie die SRT-Datei jeder Zielregion für die Untertitelverbreitung. Das Quelltranskript bleibt die kanonische Fassung: Jede Korrektur wirkt sich auf alle übersetzten Ausgaben aus.

Qualitative Forschung

Transkribieren Sie Interviews in der Feldsprache. Wenden Sie qualitative Codes und thematische Annotationen auf das Transkript in der Ausgangssprache an. Übersetzen Sie für die Auswertung ins Englische. Zitieren Sie den Text in der Ausgangssprache in Anhängen, um Reproduzierbarkeit zu gewährleisten. Eine übersetzende Transkription in einem Schritt hätte die Kodierungsebene der Ausgangssprache zerstört.

YouTube-Untertitel in mehreren Sprachen

Transkribieren Sie in der Ausgangssprache und exportieren Sie die Quell-SRT. Übersetzen Sie den Cue-Text der SRT in jede Zielsprache und bewahren Sie dabei die Zeitstempel. Laden Sie jede übersetzte SRT in den Untertitelmanager von YouTube hoch. Transkribieren Sie synchronisierte Fassungen nicht neu, wenn die SRT der Originalsprache das Timing bereits exakt abbildet. Mehr dazu behandelt der Leitfaden zum Untertitel-Übersetzungs-Workflow, der die Verarbeitung von Cue-Segmenten im Detail erklärt.

Wo ConvertAudioToText ins Spiel kommt

Wenn Sie Audio in 99+ Sprachen transkribieren und das entstehende Transkript danach übersetzen wollen, übernimmt CATT den ersten Schritt – mit Sprecherlabels, Zeitstempeln und KI-Vorlagen. Der kostenlose Tarif enthält 10 Transkriptionsminuten, die einmalig bei der Registrierung gutgeschrieben werden; der Pro-Tarif (unbegrenzte Transkription) kostet 9,99 $ pro Monat. Die Tools translate-audio und translate-video verbinden Transkription und LLM-gestützte Übersetzung in einer Oberfläche für unterstützte Sprachpaare und liefern ein übersetztes Transkript mit erhaltenen Sprecherlabels.

CATT bietet keine menschliche Übersetzungskorrektur an. Für diese Ebene kombinieren Sie es nach dem KI-Übersetzungsschritt mit einem Dienst für menschliches Review.

FAQ

Was ist der Unterschied zwischen dem Transkribieren und dem Übersetzen von Audio?

Bei der Transkription wird Sprache in Text derselben Sprache wie das Audio umgewandelt. Bei der Übersetzung wird dieser Text anschließend in eine andere Sprache übertragen. Manche Tools fassen beide Schritte in einem einzigen API-Aufruf zusammen, doch die meisten professionellen Pipelines trennen sie, damit Sie das Transkript prüfen und bearbeiten können, bevor die Übersetzung Fehler weiter verstärkt.

Sollte ich einen Ein-Schritt- oder einen Zwei-Schritt-Workflow für Transkribieren und Übersetzen verwenden?

Verwenden Sie den Ein-Schritt-Ansatz (Whispers Translate-Aufgabe) nur, wenn Sie eine schnelle rein englische Fassung benötigen und den Text in der Originalsprache verwerfen. Verwenden Sie den Zwei-Schritt-Ansatz immer dann, wenn Sie das Transkript in der Ausgangssprache für Archivierung, Bearbeitung, Sprecherprüfung oder erneute Übersetzung brauchen – oder wenn Ihre Zielsprache nicht Englisch ist.

Wann sollte ich das Transkript übersetzen, statt Audio in der Zielsprache neu zu transkribieren?

Übersetzen Sie das Transkript, wenn Sie die Aufnahme des Sprechers in der Originalsprache haben – sie ist die maßgebliche Quelle. Transkribieren Sie Audio in der Zielsprache nur dann direkt neu, wenn Ihnen eine synchronisierte oder professionell neu eingesprochene Version in der Zielsprache vorliegt, denn synchronisiertes Audio weist oft Timing-Verzerrungen und Verschiebungen der Prosodie auf, die Transkriptionsfehler noch verstärken.

Welches Übersetzungstool funktioniert am besten mit einem KI-Transkript?

Für die meisten Inhalte (Podcasts, Interviews, Vorträge) liefert DeepL Individual für rund 8,74 $ pro Monat starke Qualität bei europäischen Sprachpaaren. Bei kontextreichen oder fachspezifischen Inhalten geht ein LLM wie GPT-4o oder Claude besser mit Nuancen um. Die Google Translate API deckt den größten Sprachumfang zu geringeren Kosten ab, lässt aber bei weniger verbreiteten Paaren qualitativ nach.

Wie bewahre ich Sprecherlabels beim Übersetzungsschritt auf?

Exportieren Sie Ihr Transkript vor der Übersetzung in einem strukturierten Format (SRT, VTT oder JSON mit Sprecher-Tags) und übersetzen Sie anschließend jedes Segment einzeln, statt den gesamten Text als einen Block einzuspeisen. Die meisten LLMs und die DeepL API akzeptieren strukturierte Eingaben Segment für Segment und erhalten so die Sprecherzuordnung. Prüfen Sie vor der Veröffentlichung eine Stichprobe der zugeordneten Zitate gegen das Originalaudio.

Quellen

• OpenAI-Modellkarte für Whisper large-v3 und Dokumentation der Translate-Aufgabe: huggingface.co/openai/whisper-large-v3
• DeepL-Preise (Individual, API Growth): eesel.ai/blog/deepl-pricing (geprüft am 2026-07-02)
• Rev.com-Transkriptionspreise: rev.com/pricing (geprüft am 2026-07-02)
• Otter.ai-Preispläne: otter.ai/pricing (geprüft am 2026-07-02)
• TurboScribe-Preise: turboscribe.ai/pricing (geprüft am 2026-07-02)
• OpenAI-API-Preise (GPT-4o): openai.com (geprüft am 2026-07-02)