Transkribieren während der Live-Aufnahme: Wann es sich lohnt (2026)

Wenn Sie Untertitel auf dem Bildschirm benötigen, während jemand spricht, ist Live-Transkription das richtige Werkzeug. Wenn Sie lediglich ein zuverlässiges Protokoll des Gesagten brauchen, liefert Ihnen die vorherige Aufnahme mit anschließendem Upload genauere Ergebnisse bei weniger Einrichtungsaufwand.

Die Genauigkeitskosten des Live-Betriebs

Live- und Batch-Transkription nutzen unterschiedliche Verarbeitungsmodi, und dieser Unterschied zeigt sich im Ergebnis.

Eine Batch-Engine erhält die vollständige Audiodatei, verarbeitet das gesamte Material und kann Unklarheiten durch Vorauslesen auflösen. Eine Streaming-Engine muss sich auf jedes Wort festlegen, bevor der nächste Satz fällt. Wenn ein Sprecher im Englischen sagt „I'd like to present the new Reed proposal“, erkennt eine Batch-Engine das Wort „proposal“ im Voraus und transkribiert korrekt „Reed“ statt „read“. Eine Live-Engine, die bislang nur „the new Reed“ gehört hat, wählt womöglich das falsche Wort, bevor weiterer Kontext folgt.

Der praktische Genauigkeitsunterschied liegt bei sauberem Audio bei etwa 2 bis 5 WER-Punkten (Wortfehlerrate) und fällt bei Hintergrundgeräuschen, Akzenten oder Durcheinanderreden noch größer aus. Benchmarks von AssemblyAI für Universal-3 Pro Streaming weisen für das Streaming-Modell eine durchschnittliche WER von 6,3 % aus, verglichen mit niedrigeren Raten ihrer Batch-Modelle bei demselben Audio. Nova-3 von Deepgram zielt auf Latenzen unter 300 ms ab, veröffentlichte Selbsttests zeigen jedoch etwa 5 bis 7 % WER bei allgemeinem englischen Audio im Streaming-Modus.

Otter.ai arbeitet nach diesem Prinzip. Die Live-Untertitel, die Sie während eines Zoom-Calls sehen, stammen aus dem ersten Durchlauf der Engine. Otter führt nach Ende des Meetings einen zweiten Genauigkeitsdurchlauf aus; deshalb wirkt das endgültig gespeicherte Transkript oft sauberer als das, was in Echtzeit auf dem Bildschirm erschien.

Mehr darüber, wie Engines die Genauigkeit unter verschiedenen Bedingungen handhaben, erfahren Sie unter Transkriptionsgenauigkeit erklärt.

Wann Live-Transkription wirklich erforderlich ist

Drei Szenarien rechtfertigen den Kompromiss bei der Genauigkeit.

Live-Untertitel für ein Publikum, das in Echtzeit zuschaut. Webinare, virtuelle Konferenzen und Live-Streams, bei denen Zuschauende Untertitel synchron zum Ton benötigen. WCAG 2.1 Erfolgskriterium 1.2.4 verlangt Untertitel für Live-Audioinhalte in synchronisierten Medien auf Level AA, und die im April 2026 für viele Organisationen in Kraft getretene Vorschrift nach ADA Title II macht dies für viele öffentlich zugängliche Videos verpflichtend. Eine Verzögerung von 5 Minuten erfüllt diese Anforderung nicht. Eine Verzögerung von 500 ms schon.

Meeting-Notizen, auf die Sie zugreifen, während das Gespräch weiterläuft. Wenn Sie ein Discovery-Gespräch führen und mitten im Call zurückscrollen möchten, um eine Aussage des Interessenten von vor drei Minuten zu zitieren, ermöglicht Ihnen das ein Live-Transkriptions-Stream. Die finale Genauigkeit lässt sich später korrigieren; der Mehrwert besteht darin, einen durchsuchbaren Textverlauf zur Verfügung zu haben, während Sie noch im Gespräch sind.

Vertriebscoaching, bei dem eine Führungskraft während eines laufenden Telefonats mitliest. Manche Vertriebsteams nutzen Live-Untertitel-Streams, damit Führungskräfte das Gespräch eines Mitarbeiters in Echtzeit verfolgen und Coaching-Hinweise per Chat senden können, ohne zu unterbrechen. Der Mitarbeiter kann nicht innehalten, um nachzulesen; die Führungskraft benötigt den Text sofort.

Für jeden anderen Anwendungsfall gilt: Erst aufnehmen, danach transkribieren.

Die beiden Hauptansätze

Meeting-Bots (ohne Programmieraufwand)

Otter.ai lässt sich direkt in Zoom integrieren, um während des Anrufs Live-Untertitel für alle Teilnehmenden einzublenden. Ohne jeglichen Entwicklungsaufwand. Die Untertitel erscheinen im nativen Untertitelfenster von Zoom. Nach dem Meeting führt Otter einen zweiten Durchlauf durch und liefert ein bereinigtes Transkript. Der Pro-Plan von Otter kostet 8,33 $ pro Nutzer und Monat bei jährlicher Abrechnung, mit einem kostenlosen Tarif bis 300 Minuten pro Monat. Laut der aktuellen Preisseite von Otter hebt der Business-Plan für 19,99 $ pro Nutzer und Monat (jährlich) die Beschränkungen der Meeting-Dauer auf und unterstützt Sitzungen bis zu 4 Stunden.

Fireflies.ai tritt Ihrem Meeting als Bot-Teilnehmer bei, zeigt ein Live-Transkript-Panel in einem Seitenfenster und stellt das finale Transkript sowie die Zusammenfassung nach dem Anruf bereit. Es sendet Untertitel nicht wie Otter in das native Untertitelfenster von Zoom, weshalb es sich eher für Notizen als für barrierefreie Zuschauerzugänge eignet. Fireflies unterstützt mehr als 60 Sprachen, verglichen mit 16 bei Otter.

Einen ausführlicheren Vergleich der beiden Tools finden Sie unter Fireflies vs Otter: Ein ehrlicher Vergleich.

Eine aufgezeichnete Meeting-Datei, bereit zum Hochladen für die nachträgliche Transkription

Streaming-APIs (Entwickler-Integration)

Wenn Sie ein Produkt entwickeln, das Live-Untertitel benötigt, führen Mitte 2026 zwei APIs den Markt an.

Deepgram Nova-3 liefert laut Dokumentation eine Streaming-Latenz von unter 300 ms bei Kosten von 0,0048 $/Min im Pay-as-you-go-Modell für einsprachiges englisches Streaming. Die API nutzt WebSocket-Verbindungen: Ihr Client streamt Audioblöcke von 100 bis 200 ms an den Deepgram-Endpunkt und empfängt partielle Transkript-Updates mit einem is_final-Flag, sobald sich die Engine auf einen Satz festgelegt hat. Nova-3 unterstützt Schlüsselbegriff-Prompting zur Steigerung der Genauigkeit bei fachspezifischem Vokabular.

AssemblyAI Universal-3 Pro Streaming weist eine P50-Latenz von rund 300 ms und eine durchschnittliche WER von 6,3 % in seinen Streaming-Benchmarks aus (Stand März 2026). Es bietet integrierte Sprecherwechselerkennung mit rund 90 % Genauigkeit sowie Sprecherdiarisierung in Echtzeit.

Beide APIs rechnen pro gestreamter Audiominute ab, nicht pro transkribiertem Wort. Eine 60-minütige Veranstaltung mit 10 Minuten Stille wird trotzdem mit 60 Minuten abgerechnet, da die Verbindung über die gesamte Sitzung offen bleibt.

Preisvergleiche beider Anbieter finden Sie unter Speech-to-Text API-Preise 2026.

Das Record-First-Muster (und wann man es nutzt)

Die meisten Transkriptionsanforderungen erfordern kein Live-Verfahren. Wenn Sie einen Podcast, ein Interview, ein Webinar zur späteren Wiedergabe oder ein internes Meeting aufzeichnen, für das kein Live-Publikum in Echtzeit Untertitel benötigt, liefert das nachträgliche Hochladen der Aufnahme bessere Ergebnisse.

Die Batch-Verarbeitung desselben Audios übertrifft Streaming durchweg bei Genauigkeit, Sprecherzuordnung und Zeichensetzung. Die Datei nach der Sitzung liefert der Engine den vollständigen Kontext. Sie kann eine Pause, ein Husten oder gleichzeitiges Sprechen verarbeiten, ohne sich auf ein falsches Wort festzulegen, das sie nachträglich nicht mehr korrigieren kann.

Der professionelle Workflow für Events, die beides erfordern: Streamen Sie während der Sitzung Live-Untertitel für das Publikum und zeichnen Sie gleichzeitig das Roh-Audio lokal auf. Laden Sie die lokale Aufnahme nach der Veranstaltung hoch, um ein hochpräzises Archivtranskript zu erhalten. Die Batch-Version wird zur maßgeblichen Referenz; die Live-Version hat im jeweiligen Moment ihren Zweck für die Barrierefreiheit erfüllt.

Wenn Sie lediglich ein sauberes Transkript ohne Bot im Meeting benötigen: Das Meeting-Transkriptions-Tool von ConvertAudioToText akzeptiert hochgeladene Aufnahmen und liefert ein strukturiertes Transkript mit Sprecherbezeichnungen, in der Regel innerhalb weniger Minuten für eine normale 1-stündige Datei.

Was bei Live-Streams schiefgehen kann

Einige Fehlerquellen treten speziell bei Live-Transkriptionen auf und betreffen Batch-Verfahren nicht.

Audioausfall ist dauerhaft. Eine 10-sekündige Netzwerkunterbrechung während einer Live-Sitzung bedeutet, dass die Engine 10 Sekunden Audio nie erhalten hat. Anders als bei einem Batch-Auftrag, der ab Dateibeginn wiederholt werden kann, gibt es beim Live-Streaming keine Wiederherstellung für verpasstes Audio. Deshalb ist eine lokale Aufzeichnung als Backup bei wichtigen Inhalten unverzichtbar.

Zeichensetzung und Satzgrenzen sind nur Näherungen. Live-Engines erkennen Satzenden anhand von Pausenmustern, was ungenau ist. Rechnen Sie im Vergleich zu Batch-Ergebnissen mit einer höheren Rate an Punkten mitten im Satz und fehlenden Kommas.

Eigennamen erleiden den größten Genauigkeitsverlust. Die Engine legt sich auf Interpretationen mit gebräuchlichen Begriffen fest, bevor der eigentliche Kontext vorliegt. „Aaron“ wird zu „Erin“, „PostgreSQL“ wird zu „post-grade SQL“, und der Name einer sprechenden Person wird während der gesamten Sitzung wiederholt falsch erkannt. Ein Vokabular-Prompting für Fachbegriffe (verfügbar in Deepgram Nova-3 und der Streaming-API von AssemblyAI) reduziert diesen Effekt, beseitigt ihn jedoch nicht vollständig.

Häufige Fragen

Ist Live-Transkription ungenauer als Batch-Transkription?

Ja, messbar. Streaming-Engines müssen sich auf jedes Wort festlegen, bevor sie den Rest des Satzes hören. Dadurch fehlt ihnen der Kontext, den Batch-Engines zur Auflösung von Mehrdeutigkeiten nutzen. Bei sauberem Audio liegt der Unterschied bei etwa 2 bis 5 WER-Punkten (Wortfehlerrate). Bei Lärm, starkem Akzent oder schnellen Sprechern vergrößert sich die Lücke weiter. Otter führt beispielsweise nach dem Ende Ihres Meetings einen zweiten Genauigkeitsdurchlauf durch. Deshalb sieht das fertige Transkript oft sauberer aus als die Untertitel in Echtzeit.

Wie hoch ist die realistische Latenz bei Live-Untertiteln?

Deepgram Nova-3 Streaming zielt laut eigener Dokumentation unter guten Netzwerkbedingungen auf eine End-to-End-Latenz von unter 300 ms ab. Universal-3 Pro Streaming von AssemblyAI gibt für das 50. Perzentil rund 300 ms an. Rechnet man je nach Region 20 bis 200 ms für den Netzwerk-Roundtrip hinzu, liegt die typische Anzeigeverzögerung der Untertitel unter normalen Bedingungen bei 300 bis 500 ms. Das ist schnell genug, dass die meisten Zuschauer die Verzögerung nicht bemerken.

Brauche ich eine Live-Transkription für ein aufgezeichnetes Meeting?

Nein. Wenn Ihr Publikum keinen Live-Stream mit aktivierten Untertiteln verfolgt, bringt Live-Transkription keinen Vorteil. Nehmen Sie das Meeting auf, laden Sie die Audiodatei danach hoch und Sie erhalten in wenigen Minuten ein Batch-Transkript. Das Batch-Ergebnis ist genauer und bietet eine bessere Sprechererkennung. Live-Transkription ist nur nötig, wenn Menschen Wörter genau in dem Moment auf dem Bildschirm lesen müssen, in dem sie gesprochen werden.

Welche Tools eignen sich für Live-Transkription ohne Programmieraufwand?

Otter.ai ist die stärkste Option für Live-Untertitel in Meetings, mit einer direkten Zoom-Integration, die Untertitel in Echtzeit an alle Teilnehmenden überträgt. Fireflies.ai tritt Meetings als Bot bei und zeigt während des Anrufs ein Live-Transkript-Fenster, bietet jedoch keine native Untertitelübertragung in Zoom wie Otter. Für Entwickler, die Live-Untertitel in eigene Produkte integrieren möchten, sind Deepgram Nova-3 und AssemblyAI Universal-3 Pro Streaming Stand Mitte 2026 die beiden führenden APIs.

Quellen

• Deepgram: Measuring Streaming Latency Latenzbereiche für Nova-3-Streaming
• Deepgram Pricing Nova-3 Streaming 0,0048 $/Min Pay-as-you-go, geprüft im Juli 2026
• AssemblyAI: Universal-3 Pro Streaming 300 ms P50-Latenz, 6,3 % mittlere WER, Benchmarks vom März 2026
• AssemblyAI: Real-time vs Batch Transcription Analyse der Genauigkeitskompromisse
• Otter.ai Pricing Pro 8,33 $/Nutzer/Monat jährlich, Business 19,99 $/Nutzer/Monat jährlich, geprüft im Juli 2026
• Otter.ai: Zoom Live Captions Details zur nativen Untertitel-Integration in Zoom
• WCAG 2.1 SC 1.2.4 and ADA Title II 2026 Update Compliance-Anforderungen für Live-Untertitel