Audio in Text umwandeln: Die besten Tools für Meetings

Um Audio in Text umzuwandeln, benötigt ein KI-Dienst für eine Stunde Aufnahme etwa 3 bis 10 Minuten und kostet rund 0,05 bis 0,25 US-Dollar pro Audiominute. Die Wortfehlerrate liegt bei echten Meeting-Aufnahmen mit mehreren Sprechern bei 8 bis 12 Prozent. Menschliche Transkription erreicht über 99 Prozent Genauigkeit, kostet aber etwa das Zwanzigfache.

Die Zahl, die auf keiner Preisseite steht, ist die mittlere. Anbieter werben mit "99 Prozent Genauigkeit", und sie lügen dabei nicht — sie beziehen sich auf sauberes Studiomaterial mit einer einzigen Stimme. Ihre Aufnahme besteht aus vier Personen an Laptop-Mikrofonen, eine davon im Auto. Dieser Leitfaden behandelt das, was das Ergebnis tatsächlich bestimmt: die fünf Wege von der Aufnahme zum Text, wie stark die Genauigkeit je nach Sprache schwankt, welche Dateiformate funktionieren, was das Ganze kostet — und welche rechtlichen Fragen Sie klären müssen, bevor Sie eine Datei hochladen.

Inhalt

• Live-Transkription oder Transkription der Aufnahme?
• Fünf Wege von der Aufnahme zum Text
• Wie genau ist KI-Transkription wirklich?
• Sprachunterstützung ist keine Ja-oder-Nein-Frage
• Dateiformate und Upload-Grenzen
• Schritt für Schritt zur Transkription
• Bessere Aufnahme statt besserer Korrektur
• DSGVO, § 201 StGB und der Betriebsrat
• Was Transkription 2026 kostet
• Welches Werkzeug zu Ihren Aufnahmen passt
• Häufig gestellte Fragen

Live-Transkription oder Transkription der Aufnahme?

Bevor Sie Werkzeuge vergleichen, teilen Sie das Problem in zwei Hälften. Es handelt sich um unterschiedliche Aufgaben mit unterschiedlichen Lösungen.

Live-Transkription läuft, während gesprochen wird. Der Text erscheint während des Gesprächs, geringe Verzögerung zählt mehr als Perfektion, und das Ergebnis dient zugleich der Barrierefreiheit. Wenn Sie das brauchen, entscheidet nicht ein separates Programm, sondern Ihre Meeting-Plattform — die Einstellungen dazu finden Sie in unserer Anleitung zu Live-Untertiteln in Videokonferenzen.

Transkription der Aufnahme passiert danach. Sie haben eine MP3, eine M4A vom Diktiergerät oder einen MP4-Export aus einer Besprechung und brauchen durchsuchbaren Text. Hier spielt Verzögerung überhaupt keine Rolle: Ein Modell kann die Datei mehrfach durchlaufen und Wörter am Anfang mit Kontext aus dem späteren Verlauf korrigieren. Genau deshalb liefert nachträgliche Transkription in der Regel saubereren Text als jedes Live-System.

Dieser Artikel behandelt überwiegend den zweiten Fall. Die Unterscheidung ist auch wirtschaftlich relevant: Wenn Ihre Meetings ohnehin automatisch ein Protokoll erzeugen, kaufen Sie gar kein Transkriptionswerkzeug. Die größte Ersparnis in dieser Kategorie ist selten der günstigere Minutenpreis — sie besteht darin, das zweite Werkzeug nicht zu brauchen.

Fünf Wege von der Aufnahme zum Text

Fast jedes Produkt am Markt ist eine Variante eines dieser fünf Ansätze. Wählen Sie zuerst die Zeile, die zu Ihrer Situation passt, und vergleichen Sie dann innerhalb dieser Zeile.

Die letzte Zeile wird regelmäßig übersehen. Meeyra erzeugt aus dem Meeting selbst ein zeitgestempeltes, übersetztes Protokoll, sodass aus dem Ton nie eine Datei wird, die Sie später verarbeiten müssen. Die Live-Übersetzung hält die Worte jedes Sprechers während des Gesprächs in 42+ Sprachen fest.

Wie genau ist KI-Transkription wirklich?

Der Branchenmaßstab ist die Wortfehlerrate (Word Error Rate, WER): der Anteil der Wörter, die das System ersetzt, auslässt oder hinzufügt. Niedriger ist besser, und der Kontext entscheidet alles.

Bei sauber vorgelesenem Englisch — dem LibriSpeech-Benchmark — liegen führende Modelle bei 2 bis 3 Prozent WER. Die Forschungsarbeit zum Whisper-Modell berichtet Werte in dieser Größenordnung für ihr größtes Modell; daher stammt die Marketingaussage von "97 bis 99 Prozent Genauigkeit".

Echte Besprechungen sind deutlich härter. Veröffentlichte Messungen setzen dieselbe Modellklasse bei Konferenzaufnahmen mit mehreren Sprechern auf etwa 8 bis 12 Prozent WER an, bei verrauschtem Material in Telefonqualität auf 15 bis 25 Prozent. Starker Akzent schlägt mit fünf bis zehn Punkten zu Buche, kräftige Hintergrundgeräusche mit fünf bis fünfzehn.

Dazu kommt ein zweites Genauigkeitsproblem, mit dem niemand wirbt: die Sprecherzuordnung. Eine Aufnahme danach aufzuteilen, wer wann gesprochen hat, heißt Diarisierung und wird getrennt gemessen. Produktionssysteme zielen auf unter 10 Prozent Fehlerrate, doch bei spontanen Gesprächen mit Zwischenrufen liegen veröffentlichte Ergebnisse regelmäßig im Bereich von 10 bis 20 Prozent. Praktisch heißt das: Der Text kann weitgehend stimmen, während die Namen daneben falsch stehen — genau der Fehler, der ein Protokoll zum Risiko macht, wenn man ungeprüft daraus zitiert.

Konkret gerechnet: Bei 10 Prozent WER entstehen aus einer Stunde Besprechung etwa 8.000 bis 9.000 Wörter, von denen rund 800 bis 900 falsch sind. Das ist ein brauchbarer Entwurf und ein hervorragendes Suchregister. Es ist kein Dokument, das Sie unterschreiben, an Kunden weiterleiten oder ungelesen in einen Vertrag übernehmen.

Sprachunterstützung ist keine Ja-oder-Nein-Frage

Jede Sprachenliste eines Anbieters ist eine Reihe von Häkchen. Die Liste stimmt und hilft trotzdem kaum weiter, denn innerhalb dieser Liste unterscheidet sich die Genauigkeit um den Faktor fünf.

Spracherkennungsmodelle lernen aus dem Audiomaterial, das in einer Sprache existiert — und dessen Verteilung ist extrem ungleich. Für Englisch, Spanisch, Deutsch und Französisch gibt es riesige Datenmengen. Für viele andere Sprachen nicht:

• Deutsch landet typischerweise im Bereich von 5 bis 7 Prozent WER und ist damit mit leichter Nachbearbeitung produktionsreif. Zusammengesetzte Substantive und Fachbegriffe bleiben die häufigste Fehlerquelle, Dialekte die zweite.
• Türkisch liegt spürbar höher. Eine 2024 in der Fachzeitschrift Electronics erschienene Untersuchung zur türkischen Spracherkennung maß Wortfehlerraten zwischen 4,3 und 14,2 Prozent je nach Modellgröße und berichtete nach Feinabstimmung eine Reduktion um bis zu 52 Prozent.
• Sprachen mit wenig Trainingsmaterial überschreiten leicht 25 Prozent WER — das ist eher eine Notiz über die Aufnahme als ein Protokoll.

Für den deutschen Alltag ist noch eine Eigenheit wichtig: Schweizerdeutsch und starke regionale Färbungen werden von Standardmodellen deutlich schlechter erkannt als Hochdeutsch. Wer regelmäßig mit Gesprächspartnern aus der DACH-Region arbeitet, sollte genau damit testen.

Daraus folgen zwei Regeln. Erstens: Testen Sie jedes Werkzeug mit Ihrem eigenen Material in Ihrer eigenen Sprache, bevor Sie zahlen — zehn Minuten Beispielaufnahme beantworten mehr als jede Vergleichstabelle, diese eingeschlossen. Zweitens: Wenn Ihre Besprechungen wirklich mehrsprachig sind, sollten Transkription und Übersetzung ein Schritt sein und nicht zwei. Ein fehlerhaftes Protokoll in eine Übersetzungsmaschine zu geben, multipliziert beide Fehlerquoten; wie sich das vermeiden lässt, zeigt unser Leitfaden zu mehrsprachigen Meetings.

Dateiformate und Upload-Grenzen

Die meisten gescheiterten Transkriptionen scheitern, bevor das Modell überhaupt startet. Das Problem ist die Datei selbst.

Drei Grenzen überraschen die meisten Nutzer. Monatliche Minutenkontingente in gebündelten Werkzeugen sind real und liegen häufig im niedrigen dreistelligen Bereich pro Nutzer — das sind zwei bis drei lange Besprechungen. Limits pro Datei für Größe oder Länge sind in kostenlosen Tarifen üblich und liegen meist zwischen 25 MB und wenigen Stunden. Und Videodateien verbrauchen beides unnötig, weil Sie ein Vielfaches der Datenmenge hochladen, die für die Sprache erforderlich wäre.

Wird eine Datei abgelehnt, hilft fast immer derselbe Griff: nur die Tonspur exportieren, als MP3 mit 128 kbit/s in Mono. Sprache braucht kein Stereo, und Mono halbiert den Upload.

Schritt für Schritt zur Transkription

Der folgende Ablauf gilt für alle fünf Ansätze. Für eine einstündige Aufnahme brauchen Sie etwa eine Viertelstunde, davon den größten Teil ohne Ihr Zutun.

1. Prüfen Sie, ob Sie die Aufnahme verarbeiten dürfen. Die rechtlichen Anforderungen stehen im nächsten Abschnitt und sind nicht optional.
2. Konvertieren Sie die Datei in ein unterstütztes Format. MP3, Mono, 128 kbit/s. Schneiden Sie Stille am Anfang und Ende sowie Small Talk vor dem eigentlichen Termin heraus.
3. Stellen Sie die Sprache vor dem Upload korrekt ein. Das ist die Einstellung mit der größten Wirkung. Ein auf Englisch eingestelltes Modell produziert aus deutschem Ton selbstbewussten Unsinn, und die automatische Erkennung kann mitten in der Datei umschalten, sobald jemand englische Fachbegriffe einstreut.
4. Aktivieren Sie die Sprechererkennung und geben Sie die Anzahl der Sprecher an, wenn danach gefragt wird. Dem System mitzuteilen, dass genau vier Stimmen vorkommen, verbessert die Zuordnung messbar.
5. Hinterlegen Sie ein eigenes Vokabular. Produktnamen, Firmierungen, Abkürzungen und die Nachnamen aller Beteiligten. Zwei Minuten Aufwand ersparen Ihnen Korrekturen, die Sie sonst in jeder Datei erneut vornehmen.
6. Starten Sie die Transkription. Cloud-Dienste liefern eine Stunde Material meist in drei bis zehn Minuten; ein lokales Modell auf einem Notebook ohne GPU kann länger brauchen als die Aufnahme selbst.
7. Gleichen Sie nur die relevanten Zeitstempel mit dem Ton ab. Lesen Sie nicht alles Korrektur. Suchen Sie Zahlen, Termine, Namen und Zusagen und hören Sie genau diese dreißig Sekunden nach.
8. Exportieren Sie im passenden Format. Reiner Text für Suche und Zusammenfassung, SRT oder VTT für Untertitel, DOCX, wenn jemand daran weiterarbeitet.

Schritt sieben entscheidet darüber, ob Sie einen Nachmittag sparen oder verlieren. Ein Transkript ist zuerst ein Suchindex und erst danach ein Dokument. Wenn Sie es so behandeln, verliert die Fehlerquote von 10 Prozent ihren Schrecken, denn Sie prüfen nur die Sätze, auf die Sie sich tatsächlich berufen.

Bessere Aufnahme statt besserer Korrektur

Keine Software holt eine Information zurück, die nie aufgezeichnet wurde. Jede Minute, die Sie in die Aufnahmequalität investieren, sparen Sie mehrfach bei der Nachbearbeitung.

• Bringen Sie das Mikrofon in Armlänge. Der Abstand ist die wichtigste Einzelvariable. Ein kabelgebundenes Headset schlägt das Laptop-Mikrofon am anderen Ende des Tisches deutlich.
• Bekämpfen Sie die Rückkopplung, nicht nur den Lärm. Lautsprecherton in einem hallenden Raum liefert dem Mikrofon eine verwaschene Kopie seiner selbst. Kopfhörer bei allen Beteiligten lösen das Problem vollständig.
• Nehmen Sie bei wichtigen Terminen jede Person separat auf. Getrennte Spuren machen die Sprecherzuordnung nahezu trivial, weil sie aus der Dateistruktur statt aus einer Modellschätzung stammt.
• Bitten Sie darum, einander ausreden zu lassen. Überlappende Sprache ist die Hauptursache sowohl für Wortfehler als auch für falsche Sprecheretiketten — und die einzige Variable, die sich nachträglich nicht reparieren lässt.
• Lassen Sie am Anfang die Namen nennen. Dreißig Sekunden "Hier spricht Frau Weber, hier spricht Herr Yılmaz" geben Ihnen einen Anker für spätere Korrekturen.

Eine vollständige Checkliste, die neben dem Mikrofon auch Kamera, Licht und Internetgeschwindigkeit abdeckt, finden Sie in unserer Anleitung zum Kamera- und Mikrofontest vor dem Gespräch.

DSGVO, § 201 StGB und der Betriebsrat

Eine Besprechungsaufnahme bei einem Transkriptionsdienst hochzuladen bedeutet, personenbezogene Daten anderer Menschen auf den Servern eines Dritten verarbeiten zu lassen. Dabei sind drei getrennte Fragen zu klären, und die Antwort auf eine erledigt die anderen nicht.

Durften Sie aufnehmen? § 201 StGB schützt die Vertraulichkeit des nicht öffentlich gesprochenen Wortes. Das heißt: Ohne wirksame Einwilligung ist die Aufzeichnung eines vertraulichen Gesprächs nicht bloß ein Compliance-Thema, sondern strafbewehrt — und die Teilnahme am Gespräch allein begründet keine Befugnis.

Auf welcher Rechtsgrundlage verarbeiten Sie? Die Gesellschaft für Datenschutz und Datensicherheit hat dazu eine Praxishilfe zur KI-gestützten Transkription von Videokonferenzen vorgelegt (Version 1.2, Juni 2026). Praktisch zentral ist die Einwilligung nach Art. 6 Abs. 1 lit. a DSGVO; die vertragliche Erforderlichkeit nach lit. b greift nur in Ausnahmefällen, das berechtigte Interesse nach lit. f verlangt eine dokumentierte Interessenabwägung. Betroffene müssen vor Beginn der Aufzeichnung über Zweck, Speicherdauer und Zugriffsberechtigte informiert werden — idealerweise bereits in der Einladung. Nach der Transkription sollen die Audioaufnahmen grundsätzlich gelöscht werden, sofern keine besonderen Gründe eine längere Aufbewahrung rechtfertigen.

Ist der Betriebsrat beteiligt? Bei Systemen, die Verhalten oder Leistung von Beschäftigten überwachen können, greift die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG. Ein Transkriptionswerkzeug, das Wortbeiträge einzelnen Mitarbeitenden zuordnet, fällt regelmäßig darunter. Eine Betriebsvereinbarung im Vorfeld ist deutlich einfacher als eine Diskussion im Nachhinein.

Diese Fragen sollten Sie jedem Anbieter stellen:

• Werden hochgeladene Audiodaten zum Training der Modelle des Anbieters genutzt? Ein Auftragsverarbeitungsvertrag nach Art. 28 DSGVO sollte das ausdrücklich ausschließen.
• Wo stehen die Server, und gibt es eine Drittlandübermittlung?
• Wird das Originalaudio nach der Transkription gelöscht oder standardmäßig unbefristet gespeichert?
• Erstellt der Dienst Stimmprofile? Zur Identifikation genutzte Stimmdaten sind biometrische Daten im Sinne von Art. 9 DSGVO und unterliegen strengeren Anforderungen.

Fallen die Antworten unbefriedigend aus und sind die Inhalte sensibel, betreiben Sie ein Open-Source-Modell lokal. Das ist langsamer und unbequemer, dafür verlässt die Datei Ihren Rechner nie. Für Personal-, Rechts- und Gesundheitsakten ist dieser Tausch meist der richtige — dieselbe Logik wie bei der Auswahl DSGVO-konformer Videokonferenz-Anbieter.

Was Transkription 2026 kostet

Die Preise teilen sich sauber entlang der Grenze zwischen Automatisierung und Handarbeit, und der Abstand beträgt etwa das Zwanzigfache.

Zur Einordnung des Marktes: Grand View Research erwartet, dass der Markt für Speech-to-Text-APIs bis 2030 auf rund 8,6 Milliarden US-Dollar wächst, bei etwa 14 Prozent jährlich. Dieser Wettbewerb drückt die Minutenpreise weiter — weshalb menschliche Tarife für interne Routinebesprechungen schwer zu rechtfertigen sind und für eine Zeugenvernehmung nach wie vor angemessen.

Für den deutschen Markt kommt ein Aufschlag hinzu, der sich lohnt: Anbieter mit Serverstandort in der EU und einem belastbaren Auftragsverarbeitungsvertrag sind selten die billigsten. Rechnen Sie diesen Aufpreis gegen den Aufwand einer Datenschutz-Folgenabschätzung — meist ist er die günstigere Seite der Gleichung. Und wenn das Protokoll direkt aus der Meeting-Plattform kommt, lautet der ehrliche Vergleich null Euro; ein Blick in Ihren aktuellen Tarif lohnt sich, bevor Sie ein weiteres Abo abschließen.

Welches Werkzeug zu Ihren Aufnahmen passt

Vier Situationen decken nahezu alle Fälle ab.

Gelegentliche Aufnahmen mit einer Stimme. Sprachmemos, Diktate, eine mitgeschnittene Vorlesung. Nutzen Sie, was in Ihrer vorhandenen Software steckt, und beenden Sie die Suche hier.

Regelmäßige Besprechungen in einer Sprache. Ein Cloud-Dienst mit Sprecherkennzeichnung und eigenem Vokabular rechnet sich binnen eines Monats — überwiegend durch die Suche im Archiv, nicht durch das Lesen.

Vertrauliche Aufnahmen. Betreiben Sie ein Modell lokal oder nutzen Sie eine Plattform, die an der Quelle transkribiert und das Audio anschließend löscht. Der Komfortverzicht ist genau der Punkt.

Mehrsprachige Besprechungen. Hier ist nachträgliche Transkription die falsche Form von Lösung. Eine Stunde gemischtes Deutsch, Englisch und Türkisch erst in eine Textdatei zu gießen und diese dann zu übersetzen, addiert die Fehler beider Stufen. Die Worte jedes Sprechers während des Gesprächs in der Sprache jedes Teilnehmers festzuhalten, liefert das bessere Protokoll und erspart den Dateiumweg — genau dafür ist die Meeting-Übersetzung von Meeyra gebaut: im Browser, ohne Installation, in 42+ Sprachen.

Für welche Zeile Sie sich auch entscheiden: Testen Sie mit Ihrer schlechtesten Aufnahme, nicht mit Ihrer besten. Das Werkzeug, das vier Personen an Laptop-Mikrofonen verkraftet, ist das Werkzeug, das in einem halben Jahr noch im Einsatz ist. Starten Sie ein kostenloses Meeting und sehen Sie sich das erzeugte Protokoll an, bevor Sie anderswo dafür bezahlen.

Häufig gestellte Fragen

Wie wandle ich eine Audiodatei in Text um?

Laden Sie die Datei bei einem Transkriptionsdienst hoch, stellen Sie vor dem Start die richtige Sprache ein, aktivieren Sie die Sprechererkennung und exportieren Sie das Ergebnis als Text, DOCX oder Untertiteldatei. Am besten funktioniert eine MP3 in Mono mit 128 kbit/s; eine Stunde Material ist meist in drei bis zehn Minuten fertig.

Kann ich Audio kostenlos in Text umwandeln?

Ja. Office-Pakete enthalten eine Transkription mit begrenztem monatlichem Minutenkontingent, mehrere Webdienste bieten 30 bis 300 Freiminuten, und Open-Source-Modelle laufen ohne Softwarekosten auf dem eigenen Rechner. Kostenlose Tarife begrenzen üblicherweise Dateilänge, Sprechertrennung und Exportformate — seltener die reine Genauigkeit.

Wie genau ist die automatische Transkription auf Deutsch?

Deutsch gehört zu den gut abgedeckten Sprachen und liegt bei sauberem Ton typischerweise bei 5 bis 7 Prozent Wortfehlerrate. Bei mehreren Sprechern, Hintergrundgeräuschen oder starkem Dialekt steigt der Wert deutlich, und zusammengesetzte Fachbegriffe bleiben die häufigste Einzelfehlerquelle.

Welches Dateiformat eignet sich am besten?

MP3 mit 128 kbit/s in Mono ist die beste Voreinstellung: überall unterstützt, klein genug für Upload-Limits und für Sprache völlig ausreichend. WAV bietet minimal mehr Qualität bei zehnfacher Dateigröße, und aus Videodateien sollten Sie vorher die Tonspur extrahieren.

Ist es erlaubt, ein Meeting aufzuzeichnen und zu transkribieren?

Nur mit tragfähiger Rechtsgrundlage. § 201 StGB schützt das nicht öffentlich gesprochene Wort, und die DSGVO verlangt zusätzlich eine Rechtsgrundlage nach Art. 6 Abs. 1 sowie Transparenz über Zweck, Speicherdauer und Zugriff vor Beginn der Aufzeichnung. Im Unternehmenskontext kommt die Mitbestimmung des Betriebsrats nach § 87 BetrVG hinzu.

Muss das Audio nach der Transkription gelöscht werden?

Nach der Praxishilfe der Gesellschaft für Datenschutz und Datensicherheit sollen Audioaufnahmen nach der Transkription grundsätzlich gelöscht werden, sofern keine besonderen Gründe eine längere Speicherung rechtfertigen. Prüfen Sie deshalb, ob Ihr Anbieter die Originaldatei automatisch entfernt oder standardmäßig unbefristet aufbewahrt.

Können Transkriptionsdienste Sprecher unterscheiden?

Die meisten Cloud-Dienste versuchen es, und die Fehlerquote liegt dabei deutlich über der Wortfehlerrate — bei Gesprächen mit Zwischenrufen sind 10 bis 20 Prozent üblich. Die Anzahl der Sprecher vorab anzugeben oder jede Person auf einer eigenen Spur aufzunehmen, verbessert das Ergebnis erheblich.

Nachträglich transkribieren oder live mitschreiben lassen?

Wenn Sie die Meeting-Plattform selbst wählen, ist die Live-Variante meist besser: Der Text steht mit dem Ende des Gesprächs bereit, es wird keine Datei zu einem Dritten hochgeladen, und die Sprecherzuordnung kommt aus der Plattform statt aus einer Schätzung. Nachträgliche Transkription lohnt sich für Material, das Sie nicht selbst erfasst haben — Telefonmitschnitte, Interviews und Termine vor Ort.