Transkription für Dokumentarfilmer: Die Pipeline

Im Transkript wird der Film gefunden. Bevor sich auch nur ein Clip auf der Timeline bewegt, lesen, markieren und ordnen die meisten Dokumentarfilm-Editoren Transkripte um, bis die Kontur einer Story sichtbar wird. Im Jahr 2026 hat die KI-Transkription die Ingest-Phase von Wochen auf Tage verkürzt – und damit verändert sich, wie viel Budget und Terminplan Sie für die eigentliche redaktionelle Arbeit schützen können.

Das Problem im Dokumentarfilm-Schnittraum

Die Bearbeitung eines Dokumentarfilms unterscheidet sich strukturell vom Schnitt nach Drehbuch, weil es kein Drehbuch gibt. Die Story existiert irgendwo zwischen den Interviews, dem Verité-Material, den Archivbeständen und den Entwürfen des Kommentars. Ein Editor an einem 100-Stunden-Projekt würde mit manueller Protokollierung zwei bis vier Wochen allein für die Clip-Transkription aufwenden, bevor die Story-Montage beginnen kann. Das ist Zeit, die man der Schnittassistenz bezahlt – nicht dem Film.

Moderne KI-Engines verarbeiten dokumentspezifisches Audio deutlich schneller als Echtzeit. Ein zweistündiges Interview läuft in drei bis fünf Minuten durch Whisper Large-v3, Deepgram Nova-3 oder AssemblyAI Universal. Die Aufgabe der Assistenz verschiebt sich vom „Beim Zuhören Mitschreiben“ zum „Namen korrigieren, Passagen mit geringer Konfidenz markieren und Themen verschlagworten“. Das ist ein anderer Job – und er ist viel schneller.

Interview-Selects: Der erste Filter

Beim Selects-Durchgang wird aus Rohmaterial redaktionelles Material. Nach der Transkription arbeiten sich die Editoren durch die Transkripte und markieren die Zeilen, denen sie Story-Wert beimessen: die starke Antwort, das ehrliche Zögern, die Zeile, die dem widerspricht, was jemand anderes gesagt hat, die Zeile, die den zentralen Konflikt des Films beim Namen nennt.

Der Workflow pro Interview:

1. Transkribieren Sie mit Zeitstempeln auf Wortebene und Sprecherlabels. Speaker-Diarisierung meistert zwei bis vier Sprecher gut; die Genauigkeit sinkt, je höher die Sprecherzahl steigt. Bei einer Panel-Diskussion mit fünf oder mehr Sprechern planen Sie zusätzliche Zeit für einen Korrekturdurchgang ein.
2. Lesen Sie das Transkript im Dokument, nicht am Bildschirm. Editoren drucken lange Interviews oft aus und markieren sie mit einem Textmarker. Der Abstand zum Video hilft bei der Objektivität.
3. Mit Farben codieren oder nach Thema verschlagworten. Tools wie Reduct erlauben es, Transkriptsegmenten Labels zuzuweisen und diese mit Mitarbeitern zu teilen, ohne das Video zu senden.
4. Exportieren Sie die markierten Auswahlen als Selects-Dokument mit Timecodes. Daraus entsteht das Rohmaterial für den Paper Edit.

Die Genauigkeitsschwelle dieser Phase liegt niedriger als bei der Untertitel-Auslieferung. Ein Fehler bei einem Namen oder ein holpriger Satz zerstört den Paper Edit nicht. Sie suchen nach Story Beats, nicht nach wörtlicher Genauigkeit.

Der Paper-Edit-Workflow

Ein Paper Edit ist die Story-Struktur des Films, schriftlich festgehalten, bevor irgendeine Bildbearbeitung beginnt. Ein Dokument umzuordnen geht schneller, als Clips zu verschieben – deshalb fallen in der Paper-Edit-Phase die meisten strukturellen Entscheidungen.

Der typische Ablauf:

1. Jedes Interview wird mit Zeitstempeln auf Wortebene transkribiert. Editoren leiten das Audio durch ein Audio-zu-Text-Tool oder extrahieren die Tonspur aus statischen Interview-Kameradateien und verarbeiten sie stapelweise.
2. Die Transkripte wandern in die Paper-Edit-Umgebung: ein gemeinsames Google-Doc, Notion, Reduct oder Lumberjack Builder – je nachdem, was das Team bevorzugt.
3. Der Editor ordnet die ausgewählten Zitate im Dokument in Story-Reihenfolge an. Die Timecodes wandern mit jedem Zitat mit.
4. Das geordnete Dokument wird zum Leitfaden für den Assembly Cut. Die Zeitstempel verraten der Schnittassistenz genau, welche Clips gezogen werden müssen, und ungefähr, wo sie auf der Timeline liegen.

Lumberjack Builder NLE exportiert den textbasierten Schnitt direkt als XML-Sequenz nach Premiere Pro oder Final Cut Pro und erspart damit den Schritt, den Assembly Cut manuell in der NLE aufzubauen.

Mehrsprachige Interviewpartner

Internationale Dokumentarfilme haben häufig Interviewpartner, die Spanisch, Französisch, Arabisch, Mandarin, Portugiesisch oder eine Mischung sprechen. In der Originalsprache zu transkribieren und das Transkript anschließend zu übersetzen, ist genauer als fremdsprachiges Audio in einem einzigen Schritt ins Englische zu transkribieren.

Das praktische Vorgehen:

• Transkribieren Sie jedes Interview in der Muttersprache des Interviewpartners. Whisper Large-v3 unterstützt 99 Sprachen und liefert ein besseres Transkript in der Originalsprache, als es eine zwischengeschaltete englische Übersetzung täte.
• Lassen Sie einen menschlichen Übersetzer das Transkript in der Originalsprache für den Schnittraum ins Englische übertragen. Der Übersetzer arbeitet mit sauberem Text, nicht mit Audio.
• Führen Sie das Transkript in der Originalsprache zusammen mit dem Clip – zur Überprüfung der Genauigkeit und für die Archivierung.

AssemblyAIs Universal-Modell unterstützt ebenfalls 99 Sprachen, mit Speaker-Diarisierung in 95 davon. Bei der Speaker-Diarisierung in mehrsprachigen Projekten zählt die Qualität des sprachspezifischen Modells mehr als die Gesamtzahl der Sprachen.

Archivrecherche und durchsuchbare Bibliotheken

Archivmaterial ist oft der langsamste Teil der Dokumentarfilm-Recherche. Sie wissen, welches Motiv Sie brauchen („jeder Clip, in dem dieser Beamte den Vertrag erwähnt“), aber die Suche über Protokollnotizen ist unpräzise und hängt davon ab, wer die Notizen geschrieben hat.

Transkription macht das Archiv volltextdurchsuchbar:

1. Spielen Sie Archivclips über eine Transkriptions-Pipeline ein. Selbst degradiertes Audio aus Nachrichtenarchiven lässt sich für Suchzwecke ausreichend gut transkribieren.
2. Speichern Sie die Transkripte in einer durchsuchbaren Datenbank mit der Clip-ID als Schlüssel. Eine Tabelle genügt für kleine Projekte; Serien-Dokumentarfilme bauen oft eine echte Asset-Management-Anbindung auf.
3. Suchen Sie nach Stichwort oder Phrase. Das Ergebnis ist eine Liste von Clip-IDs mit Zeitstempel, an denen der Begriff auftaucht. Ziehen Sie das passende Material aus dem Archiv.

Dieses Muster skaliert besonders gut für Serien-Dokumentarfilme, die über mehrere Episoden hinweg auf dieselben Archivquellen zurückgreifen. Die Transkriptdatenbank wird zu einer gemeinsamen Ressource für das gesamte Editorial-Team.

Untertitel für Festival- und Streaming-Auslieferung

Festival und Streaming stellen unterschiedliche Anforderungen an das Untertitelformat, und es lohnt sich, diesen Unterschied zu verstehen, bevor Ihre Deliverables-Phase beginnt.

Für Festival-Screener, die über FilmFreeway oder ähnliche Plattformen eingereicht werden, ist SRT weithin akzeptiert. Für die DCP-Auslieferung, die große Festivals für die Vorführung vor Ort verlangen, sind die Untertitel direkt im DCP-Paket eingebettet und werden nicht als separate Datei geliefert. Für die Streaming-Auslieferung verlangt Netflix das Format TTML1 oder IMSC1 (.xml oder .ttml). Amazon Prime Video akzeptiert DFXP/TTML und SRT. Der US-Broadcast verwendet in der Regel SCC.

Der praktische Workflow für die meisten Dokumentarfilm-Teams:

1. Export des Locked Picture aus der NLE.
2. Audio wird mit Zeitstempeln auf Wortebene transkribiert, um eine genaue SRT-Datei zu erzeugen.
3. Manueller Prüfdurchgang für Zeilenumbrüche und Zeichen pro Zeile. Als häufig zitierter Standard gelten 40 bis 42 Zeichen pro Zeile, wobei einzelne Plattformen eigene Spezifikationen haben.
4. Konvertierung der SRT in das erforderliche Auslieferungsformat mit einem Untertitel-Finish-Tool.

Der Untertitel-Generator übernimmt den Schritt von der Transkription zum SRT. Die Konvertierung zu TTML oder IMSC für die Streaming-Auslieferung erfolgt danach in einem dedizierten Untertitel-Finish-Tool.

Bei Langfilmen ist die Rechnung mit Minutentarifen bitter. Ein 90-minütiger Film kostet bei 0,25 US-Dollar pro Minute 22,50 US-Dollar für diesen einen Durchlauf. Rechnet man das gesamte Projekt ein – alle Interviews, Pickups und Archivmaterial –, summieren sich 150 Drehstunden zu diesem Satz auf rund 2.250 US-Dollar. Ein monatlicher Flatrate-Tarif von etwa 10 bis 20 US-Dollar über einen 12-monatigen Schnitt bringt dasselbe Audio auf unter 240 US-Dollar.

Vergleich der Workflow-Tools

Die Tool-Landschaft der Dokumentarfilm-Postproduktion gliedert sich in drei Bereiche, und die meisten professionellen Teams nutzen mindestens zwei davon.

Descripts Creator-Tarif kostet 24 US-Dollar pro Monat bei jährlicher Abrechnung und enthält 30 Stunden Medien pro Monat – das deckt einen arbeitsreichen redaktionellen Monat ab, aber keine 150-stündige Ingest-Phase. Für den Massen-Ingest ist ein separates Transkriptionstool meist kostengünstiger. Für die Paper-Edit- und Story-Montage-Phase spielt der transkriptgebundene Editor seine Stärke aus.

Happy Scribes Pro-Tarif kostet 29 Euro pro Monat und enthält 600 Minuten; darüber hinaus fallen 0,20 Euro pro Minute an. Bei einem großen Projekt ist dieses Limit schnell erreicht, ohne auf den Business-Tarif mit 89 Euro pro Monat für 6.000 Minuten upzugraden. Der menschliche Korrekturlese-Service beginnt bei 1,75 Euro pro Minute für hochkritische Inhalte.

TurboScribe Unlimited kostet 10 US-Dollar pro Monat bei jährlicher Abrechnung, ohne Limits bei der Dateianzahl – damit ist es eine kostengünstige Option für den Massen-Ingest. Es basiert auf Whisper, verarbeitet Dateien bis zu 10 Stunden Länge und unterstützt Batch-Uploads.

Einen ausführlicheren Vergleich von Minutentarifen und Flatrate-Modellen aller großen Anbieter finden Sie im Preisvergleich für Transkription.

Logging über das gesamte Projekt

Ein 150-stündiges Dokumentarfilmprojekt erzeugt eine Logging-Last, die jede einzelne Person überfordern kann. Die KI-Transkription löst das auf zwei Ebenen.

Auf der buchstäblichen Ebene ist das Transkript das Log. Jeder erwähnte Name, jedes referenzierte Ereignis, jedes Thema, das auftaucht: Es steht im Text und ist durchsuchbar.

Auf der Metadaten-Ebene kann ein KI-Durchlauf nach der Transkription automatisch Absatz-Zusammenfassungen und Themen-Tags für jeden Clip generieren. Das Muster: das Rohtranskript nehmen, durch einen Zusammenfassungs-Prompt laufen lassen und eine Absatz-Zusammenfassung plus einen Satz Tags zurückbekommen. Diese Metadaten werden zur durchsuchbaren Kopfzeile jedes Clips im Asset-Manager. Ein Audio-Zusammenfassungs-Durchlauf erledigt das, ohne dass ein separates Tool nötig wäre.

Für größere Teams entsteht so eine gemeinsame Suchebene über das gesamte Projekt. Jeder Editor kann nach einem Thema suchen, eine Liste von Clips erhalten und die relevante Transkriptstelle herausziehen, ohne die Bin-Struktur des Projekts zu kennen.

Wo der Minutenpreis zählt

Die Ausnahme von der Flatrate-Logik ist rechtlich sensibles Material. Die menschliche Transkription bleibt der Standard für Depositions, Interviews mit rechtlich sensiblen Aussagen oder jegliches Material, das in ein Gerichtsverfahren Eingang finden könnte. Revs veröffentlichter Preis für menschliche Transkription beginnt bei 1,99 US-Dollar pro Minute. Das ist teuer, aber dafür gibt es menschliche Haftung und eine höhere Genauigkeitsgrenze bei schwierigem Audio.

Die praktische Aufteilung für die meisten Dokumentarfilm-Budgets: KI für die 98 Prozent des Materials, die die redaktionellen Entscheidungen tragen, menschliche Transkription für die zwei oder drei Interviews, bei denen Genauigkeit und Verantwortlichkeit wirklich zählen.

Wenn Ihr Projekt in der Dailies-Phase steckt und Sie noch keinen Transkriptions-Workflow gewählt haben, schicken Sie zuerst ein einzelnes 10-minütiges Interview durch ConvertAudioToText. Der Test zeigt Ihnen, ob die Genauigkeit für Ihre konkreten Audiobedingungen passt und ob das Exportformat in Ihre bestehende Pipeline passt. Das ist eine bessere Grundlage für eine Tool-Entscheidung als das Lesen von Rezensionen.

Für einen tieferen Blick auf die Kostenstruktur von Minutentarifen versus Flatrate-Transkription siehe Unbegrenzte versus verbrauchsabhängige Transkriptionspreise.

FAQ

Welches Transkriptionsformat eignet sich am besten für einen dokumentarischen Paper Edit?

Transkripte mit Zeitstempeln auf Wortebene sind das nützlichste Format für Paper Edits. Damit lässt sich die Story-Struktur in einem Dokument aufbauen und anschließend exakte Clips per Timecode ziehen, ohne durch das Material zu spulen. SRT ist dafür nicht ideal, weil die Cue-Struktur auf die Anzeige statt auf die Bearbeitung ausgelegt ist. Die meisten Editoren exportieren für die Paper-Edit-Phase ein Klartext-Transkript oder eines mit Sprechermarkierungen und erzeugen das SRT separat für die Untertitel-Auslieferung.

Wie genau ist KI-Transkription bei Dokumentarfilm-Interviewaudio?

Bei sauberem Ein-Sprecher-Interviewaudio, aufgenommen mit Richtmikrofon oder Ansteckmikrofon, erreichen moderne Engines (Whisper Large-v3, Deepgram Nova-3, AssemblyAI Universal) typischerweise 88 bis 93 Prozent Wortgenauigkeit. Die Genauigkeit sinkt bei überlappenden Dialogen, starken Akzenten, Archivaufnahmen mit Rauschen und mehr als vier gleichzeitigen Sprechern. Planen Sie einen Korrekturdurchgang für sämtliches Archivmaterial und für Sequenzen mit Gruppendiskussion ein.

Welches Untertitelformat verlangen Filmfestivals und Streaming-Plattformen?

Für Festival-Screener, die über FilmFreeway und ähnliche Plattformen eingereicht werden, ist SRT weithin akzeptiert. Bei der DCP-Auslieferung sind die Untertitel direkt im Paket eingebettet und werden nicht als Sidecar-Datei geliefert. Für die Auslieferung an große Streaming-Dienste verlangt Netflix TTML1/IMSC1 (.xml oder .ttml), während Amazon Prime Video DFXP/TTML und SRT akzeptiert. Der US-Broadcast nutzt in der Regel SCC. Die meisten Untertitel-Finish-Tools konvertieren von SRT in diese Formate; daher ist es der praktische Workflow, zunächst nach SRT zu transkribieren und downstream zu konvertieren.

Welche Transkriptionstools lassen sich direkt mit Premiere Pro oder Final Cut Pro integrieren?

Lumberjack Builder NLE exportiert per XML direkt nach Premiere Pro und Final Cut Pro, sodass Sie einen textbasierten Schnitt als Sequenz in die NLE bringen können, ohne ihn manuell neu aufzubauen. Descript exportiert eine XML-Schnittsequenz nach Premiere. Reduct bietet eine NLE-Integration, um markierte Transkriptauswahlen direkt in eine Timeline zu ziehen. Diese Integrationen ersparen den Schritt, Clips anhand der Transkript-Timecodes manuell in der Timeline zu finden und zu platzieren.

Sollte ich bei einem rechtlich sensiblen Interview KI- oder menschliche Transkription verwenden?

Für Interviews, die in Gerichtsverfahren, Depositions oder dokumentarischen Arbeiten im Umfeld von Rechtsstreitigkeiten verwendet werden sollen, ist die menschliche Transkription die richtige Wahl. KI-Engines können subtile Fehler bei Eigennamen, Zahlen und Namen machen, die im rechtlichen Kontext wichtig sind, und sie bringen nicht die Verantwortlichkeit mit, die ein zertifiziertes menschliches Transkript mit sich bringt. Revs Service mit menschlicher Transkription beginnt laut veröffentlichter Preisliste bei 1,99 US-Dollar pro Minute. Für den Großteil Ihres redaktionellen Materials ist die KI für Paper Edits genau genug und kostet nur einen Bruchteil dieses Satzes.

Quellen

• Rev-Preise (geprüft im Juli 2026): https://www.rev.com/pricing
• Happy-Scribe-Preise (geprüft im Juli 2026): https://www.happyscribe.com/pricing
• Descript-Preise (geprüft im Juli 2026): https://www.descript.com/pricing
• TurboScribe-Preise (geprüft im Juli 2026): https://turboscribe.ai/pricing
• AssemblyAI-Preise (geprüft im Juli 2026): https://www.assemblyai.com/pricing
• Reduct zum dokumentarischen Paper Edit: https://reduct.video/blog/paper-edits-for-documentary-filmmakers/
• Lumberjack-Builder-NLE-Integration: https://www.lumberjacksystem.com/builder-nle-2/
• Netflix-Anforderungen an die Untertitel-Auslieferung: https://www.gothamlab.com/netflix-subtitle-delivery-requirements-complete-guide/
• Leitfaden zur Untertitel-Auslieferung für Festivals: https://www.gothamlab.com/film-festival-subtitle-requirements-the-complete-guide-for-2026/