Transkription

Transkription bedeutet, gesprochene Sprache in geschriebenen Text zu übertragen. Früher saßen dafür Menschen mit Kopfhörern am Schreibtisch und tippten mit, etwa bei Gerichtsverhandlungen oder Interviews. Heute übernehmen das Programme, die eine Tonaufnahme entgegennehmen und daraus fertigen Text machen. Eine Stunde Aufnahme ist damit oft in weniger als einer Minute verschriftlicht. Wichtig ist die Abgrenzung: Transkription schreibt nur auf, was gesagt wurde. Sie übersetzt nicht in eine andere Sprache und fasst auch nichts zusammen — das sind eigene Arbeitsschritte, die man danach anhängen kann.

Warum Ton als Text plötzlich nutzbar wird

Eine Tonaufnahme ist für einen Computer lange Zeit eine geschlossene Kiste gewesen. Man kann sie abspielen, aber nicht durchsuchen. Wer in einem dreistündigen Podcast eine bestimmte Aussage sucht, muss sie hören. Als Text dauert dieselbe Suche einen Augenblick. Transkription verwandelt also totes Material in etwas, mit dem man arbeiten kann.

Daraus ist ein ganzer Markt entstanden. Journalisten transkribieren Interviews, Ärzte diktieren Befunde, Firmen protokollieren Videokonferenzen automatisch. Der Zeitgewinn ist erheblich: Ein Mensch braucht für die saubere Verschriftlichung einer Stunde Gespräch typischerweise drei bis fünf Stunden. Genau diese Rechnung erklärt, warum Transkriptionsfunktionen inzwischen in fast jedem Konferenzprogramm stecken.

Es gibt auch einen Zugänglichkeitsaspekt. Untertitel in Videos entstehen fast immer aus einer Transkription. Für gehörlose und schwerhörige Menschen entscheidet das darüber, ob ein Video überhaupt nutzbar ist. In vielen Ländern schreiben Gesetze solche Untertitel für öffentliche Anbieter sogar vor.

Vom Schallsignal zum Satz

Ein Mikrofon liefert zunächst nur eine Kurve: Luftdruckschwankungen, tausende Messwerte pro Sekunde. Das Programm zerlegt diese Kurve in sehr kurze Abschnitte, meist einige Hundertstelsekunden lang. Für jeden Abschnitt berechnet es, welche Tonhöhen darin wie stark vorkommen. Aus dieser Zahlenfolge muss dann Sprache werden.

Diesen Schritt übernimmt ein neuronales Netz, also ein Programm, das aus sehr vielen Beispielen gelernt hat. Trainiert wird es mit Tausenden Stunden Audio, zu denen der korrekte Text bereits vorliegt. Dabei lernt es, welche Klangmuster zu welchen Lauten und Wörtern gehören. Moderne Systeme wie Whisper von OpenAI beherrschen so mehrere Dutzend Sprachen mit einem einzigen Modell.

Ein entscheidender Trick ist der Blick auf den Zusammenhang. Die Wörter „Lehre“ und „Leere“ klingen identisch, nur der Satz verrät die richtige Schreibweise. Deshalb bewerten gute Systeme immer ganze Wortfolgen statt einzelner Laute. Ein typischer Irrtum ist übrigens, Transkription mit dem Verstehen von Inhalt gleichzusetzen. Das Modell erkennt Klangmuster sehr zuverlässig, ohne den Sinn zu erfassen — deshalb entstehen bei Fachbegriffen, Eigennamen und starken Dialekten weiterhin Fehler.

Untertitel, Meeting-Protokolle und Sprachassistenten

Am häufigsten begegnet dir Transkription auf Videoplattformen. Die automatischen Untertitel bei YouTube entstehen genau so, ebenso die Live-Untertitel in Videokonferenzen. Auch Sprachnachrichten in Messengern lassen sich inzwischen als Text anzeigen. Wer in der Bahn sitzt und keine Kopfhörer dabei hat, liest die Nachricht einfach.

Sprachassistenten wie Siri oder Alexa beginnen jede Anfrage mit einer Transkription. Erst danach entscheidet ein zweites System, was mit dem Text geschehen soll. Ähnlich arbeiten Meeting-Werkzeuge: Sie transkribieren das Gespräch und erzeugen aus dem Text anschließend eine Zusammenfassung mit Aufgabenliste.

In Nachrichten taucht der Begriff meist im Zusammenhang mit Datenschutz auf. Eine Transkription macht ein Gespräch dauerhaft durchsuchbar, und viele Anbieter verarbeiten die Aufnahme auf ihren eigenen Servern. In Deutschland müssen deshalb alle Teilnehmer einer Videokonferenz informiert werden, bevor mitprotokolliert wird. Ein zweiter Streitpunkt sind Fehler in sensiblen Bereichen: Ein falsch transkribierter Medikamentenname im Arztbericht kann echten Schaden anrichten.