Was ist Transkription? Gesprochenes als Text, verständlich erklärt

Transkription ist das schriftliche Festhalten von gesprochener Sprache. Die Grundlage ist immer eine Aufnahme, also eine Audio- oder Videodatei, und das Ergebnis ist ein Text, der wiedergibt, was gesagt wurde. Der Text kann dabei jedes gesprochene Wort enthalten oder in eine geglättete, gut lesbare Form gebracht sein.

Wichtig ist die Abgrenzung zum Wortstamm: Transkribieren heißt hier schlicht "in Schrift übertragen". Es geht nicht um Übersetzung in eine andere Sprache und auch nicht um den Begriff aus der Zellbiologie, bei dem Erbinformation von DNA in RNA umgeschrieben wird. In diesem Ratgeber geht es ausschließlich um Sprache aus Medien, also um Aufnahmen von Menschen, die sprechen.

Erstellt wird eine Transkription entweder manuell, indem jemand die Aufnahme anhört und mittippt, oder automatisch, indem eine Spracherkennung das Audio verarbeitet und den Text ausgibt. Manuelle Transkription ist genau, aber langsam; für eine Stunde Gespräch rechnet man je nach Qualität mehrere Stunden Tipparbeit. Eine KI liefert denselben Rohtext in wenigen Minuten, den man anschließend nur noch korrigiert.

Man unterscheidet vor allem danach, wie nah der Text am gesprochenen Wort bleibt. Die wörtliche oder verbatim Transkription hält alles fest, auch Versprecher, Wiederholungen, Fülllaute wie "ähm" und abgebrochene Sätze. Sie ist üblich in der qualitativen Forschung, bei Gericht und überall dort, wo es auf den exakten Wortlaut ankommt.

Die geglättete oder lesbare Transkription lässt Fülllaute und offensichtliche Versprecher weg und macht aus dem Gesprochenen einen sauberen, flüssigen Text. Diese Form eignet sich für Protokolle, Artikel, Untertitel-Vorlagen und alles, was am Ende gut lesbar sein soll.

Eine dritte Variante ist die zusammenfassende Transkription, bei der nur die inhaltlich wichtigen Aussagen festgehalten werden. Sie ist keine vollständige Wiedergabe, sondern eine verdichtete Mitschrift, etwa für Meeting-Notizen. Quer dazu gibt es Zusatzebenen wie Sprecherkennzeichnung (wer hat was gesagt) und Zeitstempel (an welcher Stelle der Aufnahme eine Aussage fällt).

Diese drei Begriffe werden oft vermischt, meinen aber Verschiedenes. Eine Transkription ist der fortlaufende Text einer Aufnahme in derselben Sprache. Sie steht für sich und lässt sich lesen, durchsuchen oder in ein Protokoll einbauen.

Untertitel sind eine bestimmte Aufbereitung dieses Textes für die Anzeige im Video. Der Transkriptionstext wird dafür in kurze, zeitlich passende Blöcke geschnitten, damit er synchron zum Bild eingeblendet werden kann. Untertitel bauen also auf einer Transkription auf, sind aber an feste Zeitfenster und Formate wie SRT oder VTT gebunden. Untertitel in derselben Sprache nennt man auch Captions, sie richten sich unter anderem an gehörlose und schwerhörige Zuschauer.

Übersetzung schließlich ist der Wechsel in eine andere Sprache. Ein deutsches Interview zu transkribieren liefert einen deutschen Text; erst ein weiterer Schritt macht daraus einen englischen oder spanischen. Kurz gesagt: Transkription bleibt in der Ausgangssprache, Untertitel formatieren den Text fürs Video, Übersetzung wechselt die Sprache.

In Interviews und in der qualitativen Forschung ist die Transkription die Arbeitsgrundlage. Erst als Text lassen sich Aussagen codieren, vergleichen und wörtlich zitieren, und mit Sprecherkennzeichnung ist klar, von wem eine Aussage stammt.

Im Journalismus und bei Meetings ersetzt die Transkription das hektische Mitschreiben. Man bekommt das vollständige Protokoll, kann jede Passage per Stichwort finden und dank Zeitstempel direkt zur richtigen Stelle springen, statt die Aufnahme erneut abzuhören.

Auch für Podcasts, Vorlesungen und Videos ist Transkription der Ausgangspunkt: Aus dem Text entstehen Show-Notes, Blogartikel, durchsuchbare Archive und Untertitel. Und Transkription ist ein Baustein der Barrierefreiheit, weil geschriebener Text Inhalte für Menschen zugänglich macht, die lieber lesen oder nicht gut hören.

Der wichtigste Faktor ist die Qualität der Aufnahme. Nahe am Mikrofon aufgenommene Stimmen, wenig Hintergrundgeräusch und Sprecher, die sich nicht ins Wort fallen, ergeben einen Text, der kaum Korrektur braucht. Hall, Musik oder ein weit entferntes Mikrofon führen dagegen zu mehr Fehlern, egal ob Mensch oder KI transkribiert.

Nützlich wird eine Transkription vor allem durch die Zusatzebenen. Sprecherkennzeichnung trennt sauber, wer was gesagt hat, Zeitstempel führen dich zur genauen Fundstelle, und eine automatische Zusammenfassung mit Kapiteln verschafft dir in Sekunden den Überblick über eine lange Aufnahme. Bei Pepys kannst du zusätzlich direkt mit dem Transkript chatten und etwa fragen, was beschlossen wurde oder was eine bestimmte Person gesagt hat.

Pepys transkribiert in über 99 Sprachen und rechnet nach dem Prinzip: Guthaben einmal kaufen, es verfällt nie, ab einem niedrigen Preis pro Stunde. Deine Aufnahmen und Texte werden nie zum Training von KI verwendet, auf Wunsch löscht die automatische Löschung deine Dateien nach getaner Arbeit. Die ersten 60 Minuten sind gratis, ganz ohne Kreditkarte.