Meeting-Transkription per KI: Software im Vergleich

Die KI-gestützte Transkription wandelt gesprochene Meeting-Audio in Text mit Zeitstempeln und Sprecherzuordnung um, während das Gespräch läuft. Bei sauberer Aufnahme erreichen aktuelle Sprachmodelle rund 98 Prozent Wortgenauigkeit. Die Schwachstelle ist die Sprecherzuordnung: 88 bis 95 Prozent bei zwei Personen, unter 80 Prozent, sobald acht Menschen durcheinandersprechen.

Diese Lücke zwischen den Worten und der Frage, wer sie gesagt hat, erklärt den größten Teil der Unzufriedenheit mit Transkriptionswerkzeugen. Der reine Text stimmt meistens. Trotzdem muss ein Mensch darübergehen, weil Namen vertauscht sind, Fachbegriffe verstümmelt wurden und ausgerechnet der eine entscheidende Satz der falschen Person zugeordnet ist.

Der Markt wächst dennoch schnell. Die Kategorie der KI-gestützten Meeting-Assistenten stieg von 3,14 Milliarden Dollar im Jahr 2025 auf 3,91 Milliarden Dollar im Jahr 2026; The Business Research Company erwartet bis 2030 einen Anstieg auf 9,33 Milliarden Dollar bei 24,3 Prozent jährlichem Wachstum. Nahezu jede Meeting-Plattform bietet inzwischen irgendeine Form der Transkription an, was die Auswahl eher erschwert als erleichtert.

Dieser Leitfaden zeigt, was die Technik tatsächlich leistet, wo ihre Genauigkeitsversprechen brechen, was die vier Verfahren kosten und welche Kriterien zählen, wenn Ihre Meetings nicht in einer einzigen Sprache stattfinden.

Inhalt

• So funktioniert Meeting Transkription mit KI
• Wie genau ist die KI Transkription wirklich
• Vier Wege zum Meeting Transkript
• Diese Kriterien unterscheiden die Anbieter
• Warum mehrsprachige Meetings die Transkription ausbremsen
• DSGVO, Betriebsrat und Einwilligung
• So bekommen Sie ein brauchbares Transkript

So funktioniert Meeting Transkription mit KI

Jedes ernstzunehmende System durchläuft dieselben vier Stufen. Wer sie kennt, weiß genau, an welcher Stelle ein Transkript kippt und was sich dagegen tun lässt.

1. Sprachaktivitätserkennung. Das System trennt den Audiostrom in Sprache und Nicht-Sprache und filtert Stille, Tastaturgeräusche und Raumrauschen heraus, bevor überhaupt transkribiert wird. Dieser Schritt verhindert, dass das Modell in ruhigen Passagen Text erfindet.
2. Spracherkennung. Jedes Sprachsegment geht an ein akustisches Modell, das die Wörter vorhersagt. Diese Stufe bewerben die Anbieter, und genau hier hat sich die Branche weitgehend angeglichen: Die meisten Produkte bauen auf denselben wenigen Modellfamilien auf.
3. Wortgenaue Ausrichtung. Ein Phonemmodell verankert jedes Wort auf der Zeitachse der Aufnahme. Daraus entstehen anklickbare Zeitstempel, durchsuchbare Transkripte und synchrone Untertitel.
4. Sprecherzuordnung. Neuronale Segmentierung, Sprecher-Embeddings und Clustering gruppieren die Segmente nach Stimme und beantworten die Frage, wer was gesagt hat. Diese Stufe läuft unabhängig von der Spracherkennung, beruht auf anderer Mathematik und scheitert aus anderen Gründen.

Der vierte Punkt wiegt schwerer, als die meisten Einkäufer annehmen. Ein Werkzeug kann die Wörter nahezu fehlerfrei erfassen und trotzdem ein unbrauchbares Protokoll liefern. Eine Aufzeichnung, in der die Beiträge von drei Personen unter "Sprecher 2" zusammenfallen, ist keine Dokumentation einer Entscheidung.

Wichtig ist außerdem der zeitliche Unterschied. Live-Transkription erzeugt den Text während des Gesprächs und speist damit Untertitel und Echtzeitübersetzung. Nachgelagerte Transkription läuft erst nach Ende der Aufnahme, geht ein zweites Mal über das gesamte Audio und liefert meist ein etwas saubereres Ergebnis. Manche Produkte beherrschen nur eines von beiden. Dieser Unterschied entscheidet, ob das Transkript den Teilnehmenden schon im Meeting hilft oder erst danach.

Wie genau ist die KI Transkription wirklich

Die Genauigkeitsangaben der Anbieter sind echt, beschreiben aber Laborbedingungen. Im MLPerf-Inferenz-Benchmark von MLCommons erreichte eine Whisper-Referenzimplementierung 97,93 Prozent Wortgenauigkeit auf den LibriSpeech-Entwicklungsdaten und senkte die Wortfehlerrate des Vorgängermodells um mehr als 72 Prozent. Das ist ein belastbares Ergebnis für vorgelesene, gut aufgenommene englische Sprache.

Ihr Montagsmeeting ist keine vorgelesene, gut aufgenommene englische Sprache. Unabhängige Auswertungen produktiver Sprachdaten zeigen, dass die Wortfehlerrate gegenüber veröffentlichten Benchmarks um das 2,8- bis 5,7-Fache steigt, sobald echtes Audio ins Spiel kommt: Notebook-Mikrofone, Großraumbüros, Teilnehmende, die sich vom Bildschirm zurücklehnen, und überlappende Beiträge.

Drei Faktoren verursachen den größten Teil des Qualitätsverlusts:

• Akzent und Nicht-Muttersprachler. Begutachtete Studien finden durchgängig höhere Fehlerraten bei Sprechenden, deren Muttersprache eine andere ist. Der Hauptgrund liegt darin, dass akzentbehaftete Trainingsdaten deutlich schwerer und teurer zu beschaffen und zu annotieren sind.
• Durcheinandersprechen und Teilnehmerzahl. Branchenvergleiche aus dem Jahr 2026 verorten die Fehlerrate der Sprecherzuordnung bei drei bis fünf Personen mit leichter Überlappung im Bereich von 15 bis 25 Prozent, bei schwierigem Audio mit sechs und mehr Sprechenden bei 30 bis 40 Prozent.
• Fachvokabular. Produktnamen, interne Abkürzungen und Kundennamen sind genau die Wörter, die Sie im Protokoll brauchen, und genau die, die das Modell nie gesehen hat. Werkzeuge mit eigener Vokabelliste schließen diese Lücke weitgehend.

Eine praktische Lesart jeder Genauigkeitsangabe: Nehmen Sie an, der beworbene Wert gilt für Ihre bestaufgenommene Person mit Headset, und rechnen Sie bei allen, die aus dem Auto oder dem Café zugeschaltet sind, mit spürbar schlechteren Ergebnissen.

Vier Wege zum Meeting Transkript

Ein Meeting-Transkript entsteht auf vier Wegen, und diese unterscheiden sich weit stärker in Arbeitsablauf und Kosten als in der reinen Erkennungsqualität.

Zwei Hinweise zur Tabelle. Erstens sammelt sich das meiste Marketingrauschen in der Kategorie der Notizbots, und genau diese Kategorie setzt einen sichtbaren zusätzlichen Teilnehmer in Ihr Meeting, was manche Kunden und Rechtsabteilungen ablehnen. Zweitens ist die menschliche Transkription nicht überholt: Bei Anhörungen, regulierten Interviews und beweisrelevanten Aufzeichnungen kauft der Preisunterschied eine Verlässlichkeit, die automatische Systeme bei schwierigem Ton weiterhin nicht erreichen.

Die integrierte Transkription ist für viele Teams still und leise zum Standard geworden, weil sie ohne zusätzlichen Anbieter, ohne zusätzlichen Auftragsverarbeiter und ohne zusätzlichen Bot im Raum auskommt. Wenn Ihre Meeting-Plattform bereits ein Transkript mit Zeitstempeln zum Download liefert, liegt die Begründungslast bei jedem eigenständigen Werkzeug, das ein zweites Abonnement rechtfertigen soll.

Diese Kriterien unterscheiden die Anbieter

Die Wortgenauigkeit hat sich angeglichen. Diese Kriterien machen 2026 noch einen echten Unterschied:

• Sprecherzuordnung bei Überlappung. Testen Sie mit Ihrem lautesten Regeltermin, nicht mit einem Demo-Gespräch zu zweit. Hier liegt der größte Qualitätsunterschied zwischen den Produkten.
• Sprachabdeckung und Sprachwechsel. Fünfzig Sprachen einzeln zu unterstützen ist etwas anderes, als einen Sprecher zu verstehen, der mitten im Satz die Sprache wechselt. Fragen Sie gezielt nach gemischtsprachigem Audio.
• Live oder nachgelagert. Wenn Menschen dem Meeting in Echtzeit folgen sollen, brauchen Sie Live-Transkription und Untertitel, keine Zusammenfassung per E-Mail eine Stunde später.
• Eigenes Vokabular. Namen, Produkte und Abkürzungen vorab zu hinterlegen verbessert die wahrgenommene Genauigkeit meist stärker als jedes Modell-Update.
• Datenhaltung. Wo das Audio liegt, wie lange es gespeichert wird, ob es in das Training des Anbieters fließt und ob Sie es auf Anfrage löschen lassen können. In regulierten Branchen entscheidet dieses Kriterium die engere Auswahl noch vor jeder Funktion.
• Bearbeitung und Export. Ein Transkript, das Sie nicht korrigieren, durchsuchen und in einem gängigen Format exportieren können, ist eine Demo und kein Arbeitsablauf.
• Sichtbarkeit im Meeting. Ein Bot, der als Teilnehmer beitritt, verhält sich anders als eine in die Plattform integrierte Transkription: in Einwilligungsgesprächen, bei Gästen und in externen Terminen.

Gewichten Sie diese Punkte nach Ihren eigenen Terminen. Ein Vertriebsteam mit Gesprächen zu zweit und ein Forschungsteam mit Workshops zu acht sollten nicht beim selben Werkzeug landen.

Warum mehrsprachige Meetings die Transkription ausbremsen

Sobald ein Meeting nicht mehr einsprachig ist, verlieren die meisten Produkte den Halt. Zwei Fehlerbilder treten dabei regelmäßig auf.

Das erste ist der Sprachwechsel. Modelle bekommen üblicherweise gesagt, welche Sprache sie erwarten sollen, oder sie erkennen die Sprache einmalig zu Beginn. Wer einen Satz auf Deutsch beginnt und mit einem englischen Fachbegriff beendet, erzeugt genau das Audio, mit dem beide Varianten schlecht umgehen. Das Transkript liefert dann keinen offensichtlichen Fehler, sondern flüssig klingenden Unsinn. Im deutschen Berufsalltag mit seinem hohen Anteil englischer Fachsprache ist das kein Randfall, sondern die Regel.

Das zweite ist die ungleiche Qualität je Sprache. Mehrsprachige Modelle werden mit sehr unterschiedlichen Datenmengen pro Sprache trainiert. Die Whisper-Veröffentlichung berichtet einen starken Zusammenhang zwischen den Trainingsstunden einer Sprache und ihrer Fehlerrate: Bei sechzehnfacher Datenmenge halbiert sich der Fehler ungefähr. Englisch steht an der Spitze dieser Kurve. Deutsch liegt gut, aber nicht gleichauf, und ein Siegel mit "über 90 Sprachen" sagt nichts darüber aus, wo Ihre Sprache tatsächlich steht. Regionale Färbungen kommen hinzu: Stark dialektal gefärbte Beiträge treiben die Fehlerrate zuverlässig nach oben.

Damit hören Transkription und Übersetzung auf, getrennte Probleme zu sein. Wenn Ihre Teilnehmenden keine gemeinsame Sprache haben, löst ein einsprachiges Transkript nichts: Wer dem Meeting nicht folgen konnte, kann auch das Protokoll nicht lesen. Gebraucht wird das Gespräch in der jeweils eigenen Sprache, und zwar während es stattfindet. Das ist eine andere Produktarchitektur, bei der Erkennung, Übersetzung und Ausgabe gemeinsam im Live-Audiopfad laufen.

Meeyra verfolgt genau diesen Ansatz. Gesprochenes wird im Browser in 42+ Sprachen transkribiert und übersetzt; jede Person erhält Untertitel und Sprachausgabe in der Sprache, die sie beim Beitritt gewählt hat, und nach dem Termin ein Transkript mit Zeitstempeln. Es gibt nichts zu installieren, Gäste treten ohne Konto über einen Link bei. Wenn Ihre Meetings regelmäßig Sprachgrenzen überschreiten, beginnen Sie bei KI-Übersetzung und Live-Übersetzung statt bei einem Transkriptionswerkzeug, für das andere Sprachen ein Nachgedanke sind. Zur Praxis am Meeting-Tag helfen unsere Leitfäden zu Live-Untertiteln in Videokonferenzen, zur KI-Übersetzung für Meetings und zur Durchführung mehrsprachiger Meetings.

DSGVO, Betriebsrat und Einwilligung

Transkription ist Aufzeichnung. Dass am Ende Text statt Ton steht, ändert die rechtliche Bewertung nicht, und "die KI hat nur mitgeschrieben" ist nirgends eine Verteidigung. In Deutschland kommen drei Ebenen zusammen, die Sie parallel bedienen müssen.

Strafrechtlich schützt § 201 StGB die Vertraulichkeit des Wortes. Wer das nicht öffentlich gesprochene Wort eines anderen ohne dessen Einverständnis auf einen Tonträger aufnimmt, macht sich strafbar. Eine automatische Mitschrift des Gesprochenen fällt in denselben Bereich, und ein stiller Hinweis in einer Fußzeile ersetzt kein Einverständnis.

Datenschutzrechtlich brauchen Sie eine Rechtsgrundlage nach Art. 6 DSGVO für die Verarbeitung und einen Auftragsverarbeitungsvertrag mit dem Anbieter, der nach Art. 28 DSGVO Auftragsverarbeiter ist. Speichert der Anbieter Audio außerhalb der EU oder nutzt er Kundenaufnahmen zur Verbesserung eigener Modelle, gehören beide Punkte in Ihr Verarbeitungsverzeichnis, bevor das erste Meeting mitgeschrieben wird, nicht danach.

Arbeitsrechtlich kommt die Mitbestimmung hinzu. Ein System, das Meetings aufzeichnet und Beiträge automatisch Personen zuordnet, ist eine technische Einrichtung, die zur Überwachung von Verhalten und Leistung geeignet ist. Damit greift § 87 Abs. 1 Nr. 6 BetrVG, und der Betriebsrat hat ein echtes Mitbestimmungsrecht, keine bloße Anhörung. Ohne Betriebsvereinbarung oder Zustimmung lässt sich KI-Transkription in einem Betrieb mit Betriebsrat nicht ausrollen.

Drei Praktiken decken den größten Teil des Risikos ab:

• Kündigen Sie die Transkription zu Beginn mündlich an und lassen Sie eine sichtbare Anzeige laufen, damit auch später Hinzukommende sie sehen.
• Legen Sie eine Aufbewahrungsfrist fest, die zum Zweck des Transkripts passt, und löschen Sie automatisch nach Ablauf.
• Geben Sie Teilnehmenden einen echten Widerspruchsweg, einschließlich eines Termins ohne Mitschrift, wenn jemand ablehnt.

Verschlüsselung gehört ebenfalls hierher. Ein Transkript ist die durchsuchbare und indexierbare Aufzeichnung von allem Gesagten und damit ein attraktiveres Ziel als das Video je war. Ein Blick auf die Sicherheitsarchitektur lohnt sich im Vergleich dazu, was Ihre heutige Lösung mit gespeichertem Audio macht.

So bekommen Sie ein brauchbares Transkript

Der größte Teil der Transkriptqualität entscheidet sich vor dem Termin, über das Audio und nicht über das Modell.

• Setzen Sie alle auf ein Headset. Ein kabelgebundenes oder Bluetooth-Headset mit Bügelmikrofon ist die größte verfügbare Genauigkeitsverbesserung und kostet weniger als ein Monat der meisten Abonnements.
• Ein Mikrofon pro Person. Eine Konferenzspinne mit sechs Personen ringsum ist die schwierigste denkbare Eingabe für die Sprecherzuordnung. Einzelne Notebooks mit einzelnen Mikrofonen liefern deutlich bessere Zuordnungen.
• Hinterlegen Sie Ihr Vokabular vorab. Tragen Sie Produkt- und Kundennamen sowie Abkürzungen vor dem Termin in das Wörterbuch des Werkzeugs ein, statt sie hinterher zu korrigieren.
• Lassen Sie alle einmal ihren Namen sagen. Eine kurze Vorstellungsrunde gibt dem Modell und der später lesenden Person einen Anker für die Sprecheridentität.
• Reduzieren Sie Durcheinandersprechen. Naheliegend, oft ignoriert und für die Transkriptqualität wertvoller als jede Einstellung im Produkt.
• Prüfen Sie innerhalb von 24 Stunden. Korrigieren Sie die Namen und die fünf wichtigsten Sätze, solange Sie sich erinnern. Ein ungeprüftes Transkript wird früher oder später zitiert, als wäre es geprüft.

Für Regeltermine zahlt sich eine weitere Gewohnheit aus: Führen Sie eine kurze Begriffsliste und ergänzen Sie sie, sobald das Modell einen Ausdruck zum zweiten Mal verstümmelt. Über ein Quartal hinweg bringt diese Liste mehr als ein Anbieterwechsel.

Häufig gestellte Fragen

Wie genau ist die KI-Transkription von Meetings?

Bei sauberer, gut aufgenommener Sprache erreichen führende Modelle rund 98 Prozent Wortgenauigkeit. Bei echtem Meeting-Audio mit Nebengeräuschen, Akzenten und überlappenden Beiträgen liegt der Wert deutlich darunter, und die Sprecherzuordnung verschlechtert sich schneller als die Worterkennung.

Was bedeutet Sprecherzuordnung?

Sprecherzuordnung bezeichnet das Verfahren, das ermittelt, wer wann gesprochen hat, und jedem Abschnitt des Transkripts eine Person zuweist. Es läuft getrennt von der Spracherkennung, weshalb ein Transkript korrekte Wörter und falsche Sprecherangaben zugleich enthalten kann.

Darf ich ein Meeting ohne Hinweis mitschreiben lassen?

Nein. § 201 StGB schützt die Vertraulichkeit des gesprochenen Wortes, und die DSGVO verlangt eine Rechtsgrundlage sowie Transparenz gegenüber den Betroffenen. Kündigen Sie die Transkription zu Beginn an und ermöglichen Sie Widerspruch.

Muss der Betriebsrat der Meeting-Transkription zustimmen?

In Betrieben mit Betriebsrat in aller Regel ja. Ein System, das Beiträge automatisch Personen zuordnet, ist zur Verhaltens- und Leistungskontrolle geeignet und fällt damit unter § 87 Abs. 1 Nr. 6 BetrVG. Üblich ist eine Betriebsvereinbarung, die Zweck, Zugriff und Löschfristen regelt.

Was kostet die Transkription von Meetings?

Automatische Verfahren liegen bei etwa 0,25 Dollar je Audiominute oder 8 bis 30 Dollar pro Nutzer und Monat im Abonnement, kostenlose Stufen sind häufig bei 300 Minuten monatlich gedeckelt. Menschliche Transkription kostet rund 1,50 bis 5 Dollar je Audiominute.

Kann KI ein Meeting in mehreren Sprachen gleichzeitig transkribieren?

Manche Systeme können das, die Qualität schwankt jedoch stark. Die meisten Werkzeuge gehen von einer Sprache je Termin aus und geraten bei Sprachwechseln ins Straucheln. Plattformen für mehrsprachige Gespräche verarbeiten Erkennung und Übersetzung gemeinsam, sodass alle das Meeting in ihrer eigenen Sprache lesen oder hören.

Brauche ich eine separate App für die Transkription?

Meist nicht. Wenn Ihre Plattform bereits Transkripte mit Zeitstempeln zum Download erzeugt, bedeutet ein eigenständiges Werkzeug ein zweites Abonnement, einen zweiten Auftragsverarbeiter und häufig einen Bot im Raum. Ergänzen Sie eines nur, wenn Ihnen eine Funktion wirklich fehlt.

Welcher Weg passt zu Ihren Meetings

Sind Ihre Termine intern, einsprachig und ohnehin aufgezeichnet, reicht die integrierte Transkription Ihrer Plattform fast immer aus; ein zusätzlicher Notizbot bringt Ihnen Zusammenfassungen, keine höhere Genauigkeit. Sind Ihre Termine beweisrelevant oder stark reguliert, planen Sie für die entscheidenden Aufnahmen menschliche Transkription ein und automatisieren Sie den Rest. Überschreiten Ihre Meetings Sprachgrenzen, ist das Transkript die kleinere Hälfte des Problems: Dann brauchen Sie ein Werkzeug, das zuerst das laufende Gespräch für alle verständlich macht.

Für genau diesen Fall ist Meeyra gebaut: Videomeetings im Browser mit Echtzeitübersetzung und Untertiteln in 42+ Sprachen, Ende-zu-Ende-Verschlüsselung und Transkripten zum Download. Vergleichen Sie die Tarife oder legen Sie ein kostenloses Konto an und führen Sie Ihr nächstes mehrsprachiges Meeting, ohne jemandem ein Protokoll in einer fremden Sprache zuzumuten.