Interview oder Vorlesung transkribieren (2026): alle Wege, in Stunden und Dollar gerechnet

Wenn Sie eine Stunde Audio und einen Abgabetermin haben, laden Sie die Datei bei einem Dienst hoch und halten wenige Minuten später ein grobes Transkript in der Hand. Wenn Sie eine Stunde Audio und eine Verpflichtung gegenüber der Person darauf haben, sollten Sie diese Abkürzung langsam entscheiden, denn die meisten dieser Dienste behalten die Datei, und manche schreiben offen, dass sie darauf trainieren. Alles Weitere ist um diese Gabelung herum sortiert: drei Wege, die nichts kosten, mehrere, die Geld kosten, einer, der Ihren Nachmittag kostet, und eine ehrliche Aufstellung dessen, was jeder davon falsch macht.

Von der VoiceBoard-RedaktionAktualisiert am 28. August 2026

Unsere Empfehlungen

Eine Klarstellung vor den Methoden, weil die beiden Wörter ständig verwechselt werden. Transkription macht aus einer vorhandenen Aufnahme Text. Diktieren macht aus Ihrer gesprochenen Sprache Text, während Sie schreiben. Wenn Sie eigentlich sprechen statt tippen wollen, brauchen Sie eine Diktier-App, und dafür haben wir eigene Ratgeber für Windows und Mac.

Bevor Sie irgendetwas hochladen

Beantworten Sie eine Frage, und der Rest dieser Seite schrumpft auf zwei oder drei Optionen.

Hat die Person auf der Aufnahme zugestimmt, dass ihre Stimme an ein Unternehmen geht, von dem sie nie gehört hat?

Der Aufnahme zuzustimmen ist nicht dasselbe, wie dem Hochladen zuzustimmen. Eine Quelle, die sagt „klar, nehmen Sie auf“, denkt an Ihr Notizbuch und nicht an die Server eines Anbieters, an einen Dienstleister für Datenannotation und an einen Trainingslauf für ein Modell. Bei einer Pressekonferenz oder Ihren eigenen Vorlesungsnotizen spielt das keine Rolle. Bei einem Whistleblower, einer Patientin, einer Studienteilnehmerin, die eine Einwilligung unterschrieben hat, in der genau steht, wer ihre Daten verarbeitet, oder bei jemandem, der über etwas spricht, das ihn den Job kosten könnte, entscheidet es den ganzen Arbeitsablauf.

Wenn die Antwort nein lautet oder Sie unsicher sind, springen Sie zu Whisper lokal. Das läuft auf Ihrem eigenen Computer, kostet nichts, und das Audio bewegt sich nie. Bei allem anderen auf dieser Seite geben Sie die Datei aus der Hand.

Diese Sorge ist keine Randmeinung. Die Freedom of the Press Foundation, die Journalistinnen und Journalisten genau zu solchen Entscheidungen schult, hat die verbreiteten Transkriptionswerkzeuge geprüft und kam in einem am 2. Juni 2026 aktualisierten Beitrag zu einem klaren Schluss: „Jedes dieser Unternehmen hat die technische Möglichkeit, auf das von Ihnen hochgeladene Audio zuzugreifen“, und: „Wir empfehlen, ganz auf Transkription zu verzichten, wenn Ihr Audio in den falschen Händen Menschen gefährden könnte.“ Ihre Sicherheitstrainer verweisen dieselben Leute auf Whisper, offline auf dem eigenen Gerät.

Ein forschender Entwickler hat die praktische Version besser formuliert, als wir es könnten. Er schrieb am 17. Juli 2026 auf Hacker News, warum er sich ein eigenes Transkriptionswerkzeug gebaut hat: „Es gibt keine echten Optionen für Interviewtranskriptionen mit Sprechererkennung, die man in einer universitären Studienauswertung einsetzen kann, ohne die Daten in die Cloud von jemand anderem mit fragwürdigen Datenschutzregeln zu laden.“

Auf einen Blick

Die Kosten gelten je Stunde Aufnahme, weil das die Einheit ist, die Sie tatsächlich vorliegen haben. Alles geprüft am 27. August 2026.

Weg 1. Selbst tippen

Am besten für: kurze Ausschnitte, furchtbaren Ton und Material, in dem Sie jedes Zögern hören müssen.

Niemand in der Softwarebranche möchte, dass Sie wissen, wie lange das dauert, hier also drei Schätzungen von Leuten, die Transkription verkaufen und deshalb keinen Grund haben, den Aufwand zu Ihren Gunsten zu übertreiben. SpeakWrite setzt „etwa das Vierfache der Länge des Audios“ an. Otters eigener Ratgeber sagt „3 bis 6 Stunden pro Stunde Audio“. Der CEO von Happy Scribe nennt im September 2025 als Arbeitsverhältnis 4:1, „bis hin zu 6:1 oder sogar 8:1 bei komplexen Transkriptionen“, wobei das Korrekturlesen „weitere 25-50%“ obendrauf legt.

Keine der drei Angaben nennt eine Studie, nehmen Sie die Zahlen also als das, was sie sind: eine übereinstimmende Schätzung aus der Branche von Leuten, die das täglich tun. Rechnen Sie mit einem vollen Arbeitstag für ein einstündiges Interview, mit mehr, wenn zwei Personen durcheinanderreden.

Warum macht es dann überhaupt noch jemand? Aus drei echten Gründen. Sehr kurze Ausschnitte sind schneller getippt als hochgeladen und bereinigt. Ton, der in einer Bar, am Telefon, durch eine Maske oder mit starkem Akzent aufgenommen wurde, kann jedes Modell auf dieser Seite besiegen, und Sie verbringen den Tag damit, die Ratereien der Maschine zu reparieren, statt Ihre eigenen zu schreiben. Und in der qualitativen Forschung ist Transkribieren bereits Analyse: Wer seine Interviews selbst tippt, bemerkt Dinge, die er beim Überfliegen eines sauberen Transkripts nie gesehen hätte.

Wenn Sie es von Hand machen, tun Sie es nicht mit einem Mediaplayer und einer Textverarbeitung. oTranscribe ist ein kostenloser, quelloffener Editor für genau diese eine Aufgabe: Player und Text sitzen im selben Fenster, Sie wechseln also nie die Anwendung, und die Tastatur steuert Pause und Rücklauf, ohne dass Ihre Hände die Tasten verlassen. Das Projekt ist MIT-lizenziert, und im Repository landeten am 10. August 2026 noch Commits, was man von den meisten kostenlosen Werkzeugen dieser Generation nicht sagen kann. Ihre Datei bleibt auf Ihrem Computer.

Entscheiden Sie sich vor dem Start für einen Stil, denn ein Wechsel auf halber Strecke verdirbt die ganze Sitzung.

• Wörtlich behält jedes „ähm“, jeden Fehlstart und jede Wiederholung. Die Konversationsanalyse braucht das. Sonst niemand.
• Bereinigt wörtlich lässt Füllwörter und Stottern weg und behält alles Bedeutungstragende. Das ist der Standard im Journalismus und in den meisten Forschungsprojekten.
• Redigiert macht aus Grammatikfehlern und halben Sätzen lesbare Prosa. Gut für ein veröffentlichtes Q&A, schlecht für alles, was Sie später als gesprochenes Wort zitieren.

Weg 2. Die kostenlosen Routen

Alle drei sind wirklich kostenlos, und keiner der acht Artikel, die derzeit für dieses Thema ranken, erwähnt auch nur einen davon. Sie haben auch alle echte Grenzen, lesen Sie also die Ausfallbedingungen, bevor Sie einen Nachmittag investieren.

Transkribieren in Word

Am besten für: fast jeden, der ohnehin für Microsoft 365 zahlt und nicht gemerkt hat, dass es diese Funktion gibt.

Öffnen Sie Word im Browser, gehen Sie auf Start, klicken Sie auf den Pfeil neben Diktieren, wählen Sie Transkribieren und laden Sie die Datei hoch. Microsofts eigene Dokumentation setzt die Grenzen: „Benutzer mit einem Microsoft 365-Abonnement können maximal 300 Minuten hochgeladener Audiodateien pro Monat transkribieren“, und 30.000 Minuten, wenn Sie eine Copilot-Lizenz haben. Es nimmt .wav, .mp4, .m4a und .mp3, läuft nur in Edge und Chrome, braucht eine Verbindung und trennt Sprecher automatisch. Die Verarbeitung dauert ungefähr so lange wie die Aufnahme. Das Ergebnis landet in einem Ordner „Transcribed Files“ auf Ihrem OneDrive, und Sie können einzelne Passagen oder das ganze Transkript direkt ins Dokument übernehmen.

Fünf Stunden im Monat, kostenlos, mit Sprechertrennung, in einem Produkt, für das zig Millionen Menschen längst zahlen. Das ist das am stärksten unterschätzte Angebot dieser Kategorie.

Die Haken, sortiert danach, wie oft sie zubeißen. Es ist Cloud-Verarbeitung: Microsoft erklärt, „Ihre Audiodateien werden an Microsoft gesendet und nur dafür verwendet, Ihnen diesen Dienst bereitzustellen“, was eine klare Zusage ist und trotzdem bedeutet, dass die Datei Ihre Maschine verlässt. Es funktioniert nur in der Browser-Version, nicht in der Desktop-App. Und eine Größengrenze von 200 MB je Datei kursiert breit, auch in Microsofts eigenen Support-Antworten, steht aber nicht auf der aktuellen Dokumentationsseite, weshalb wir sie nicht als Tatsache behaupten. Teilen Sie lange Aufnahmen, wenn Ihre sich nicht hochladen lässt.

Automatische Untertitel bei YouTube

Am besten für: einen Vortrag, eine Vorlesung oder eine Podiumsdiskussion, die schon auf YouTube liegt oder die Sie gern veröffentlichen.

Wenn das Video auf YouTube existiert, haben Sie das Transkript womöglich schon. Klicken Sie in der Beschreibung auf „Transkript anzeigen“, und der Text erscheint in einem scrollbaren Bereich mit Zeitmarken; ein Klick auf eine Zeile springt im Video dorthin. Bei einem eigenen Upload gibt YouTube Studio Ihnen die Untertiteldatei selbst: Untertitel, Video auswählen, neben der Sprache auf Bearbeiten, Optionen, Untertitel herunterladen.

Google veröffentlicht die Liste der Sprachen mit automatischen Untertiteln, und sie ist lang, von Afrikaans bis Zulu mit rund sechzig Einträgen. Google veröffentlicht ungewöhnlich klar auch, wann das misslingt. Untertitel erscheinen nicht bei Ton, der zu komplex für die Verarbeitung ist, bei nicht unterstützten Sprachen, wenn „das Video zu lang ist“, bei „schlechter Tonqualität oder wenn YouTube die Sprache nicht erkennt“, nach einer „langen Phase der Stille am Anfang“ und bei „mehreren Sprechern, deren Sprache sich überlappt, oder mehreren Sprachen gleichzeitig“. Der letzte Punkt beschreibt die meisten Interviews. Und die Warnung zur Genauigkeit kommt von Google selbst: „Automatische Untertitel können den gesprochenen Inhalt aufgrund von falscher Aussprache, Akzenten, Dialekten oder Hintergrundgeräuschen falsch wiedergeben.“

Es gibt den vielgenutzten Trick, ein privates oder nicht gelistetes Video nur hochzuladen, um die Untertitel abzuernten. Oft klappt das. Wir empfehlen es aus zwei Gründen nicht: Google dokumentiert nicht, ob der Sichtbarkeitsstatus die Untertitelerstellung beeinflusst, das Verhalten könnte sich also ohne Ankündigung ändern, und das Interview einer Quelle auf YouTube hochzuladen heißt, es zu Google hochzuladen. Für Ihre eigenen Vorlesungsaufnahmen in Ordnung. Für alles Heikle nein.

Whisper lokal

Am besten für: Aufnahmen, die Ihren Computer nicht verlassen dürfen, und für zwanzig Dateien auf einmal.

OpenAI hat Whisper als offenes Modell veröffentlicht, und das Ökosystem darum ist inzwischen die stärkste kostenlose Option in dieser Kategorie. Nichts wird hochgeladen, nichts wird abgerechnet, und die Qualität bei sauberem Ton liegt nah genug an den bezahlten Diensten, dass die meisten den Unterschied nicht mehr bemerken.

Der einfachste Einstieg ist eine grafische Oberfläche. Buzz ist kostenlos und quelloffen, läuft auf Mac, Windows und Linux, nimmt eine Datei oder einen YouTube-Link und exportiert reinen Text oder Untertitel. MacWhisper ist die polierte Mac-Variante, Freemium, und das Geld wert, wenn Sie das wöchentlich tun (laden Sie es nur von macwhisper.com, denn die Website selbst warnt vor Nachahmerseiten mit Schadsoftware). Unter beiden sitzt whisper.cpp, das keine Abhängigkeiten braucht, allein auf der CPU läuft und auf Apple Silicon stark optimiert ist, wo Core ML den Encoder „mehr als 3x schneller machen kann als reine CPU-Ausführung“.

Die Modellwahl ist die eine Entscheidung, die Sie treffen müssen, und der Handel lautet Geschwindigkeit gegen Genauigkeit. Das Modell large hat 1550M Parameter und will rund 10 GB VRAM. turbo ist eine optimierte Fassung von large-v3, läuft etwa achtmal schneller und bringt laut OpenAI „minimalen Genauigkeitsverlust“. Am unteren Ende läuft tiny auf allem und bekommt Namen ständig falsch. Eine Faustregel aus der Praxis, Hacker News im Juni 2026: „medium ist bei Englisch oft der Sweetspot zwischen Genauigkeit und Tempo, besonders wenn danach noch ein Nachbearbeitungsdurchgang folgt.“

Stellen Sie Ihre Erwartungen nach Leuten ein, die das täglich betreiben, und nicht nach der Demo. Einer von ihnen schrieb im August 2026: „Als erster Durchgang, den jemand danach überarbeitet, funktioniert es großartig, aber nicht allein.“ Das ist die ehrliche Zusammenfassung jedes Weges auf dieser Seite, kostenlos oder bezahlt, und der Grund, warum keiner den Bearbeitungsschritt abschafft.

Die echte Schwäche ist die Sprecherkennzeichnung. Reines Whisper gibt Ihnen eine ununterscheidbare Textwand, und das seit 2023, als jemand es auf Hacker News so zusammenfasste: „Das Einzige, was Whisper fehlt, ist die Sprecher-Diarisierung.“ Drei Jahre später ist die Lösung immer noch angeflanschtes Werkzeug: WhisperX für Zeitmarken auf Wortebene plus Diarisierung, oder whisper-diarization. Beides funktioniert. Beides bedeutet eine zusätzliche Installation, einen Modell-Download und eine Lizenz zum Lesen, und ein Entwickler ist im Juli 2026 genau wegen der Lizenz des zugrundeliegenden Sprechermodells von WhisperX weggegangen. Bei einem Interview zu zweit, das auf getrennten Kanälen aufgenommen wurde, umgehen Sie das Problem, indem Sie jeden Kanal einzeln transkribieren.

Wenn Sie lieber nichts installieren, liegt dasselbe Modell auf OpenAIs API bei $0.006 pro Minute, also 36 Cent für eine Stunde Audio. Das ist ein bezahlter Weg, gehört aber hierher, weil er der billigste auf dieser Seite ist, um zwei Größenordnungen, und weil das günstigere gpt-4o-mini-transcribe bei der Hälfte davon liegt. Sie laden dann natürlich wieder hoch.

Der Umweg über das Nachsprechen

Am besten für: ehrlich gesagt nichts, aber es wird ständig danach gefragt.

Der Trick: Spracheingabe in Google Docs oder Diktieren in Word öffnen, die Aufnahme laut abspielen und das Mikrofon mithören lassen. Es funktioniert halb. Die Erkennung ist auf eine lebende Person in Gesprächsentfernung ausgelegt, ein Telefonlautsprecher quer über dem Schreibtisch verliert also Wörter, die Zeichensetzung bricht zusammen, und die Sitzung endet gern, sobald Sie das Fenster wechseln. Googles Dokumentation sagt nichts über Aufnahmen, Wiedergabe oder virtuelle Audiogeräte, nichts davon ist also unterstütztes Verhalten.

Die Variante, die wirklich funktioniert, ist ausgesprochen mühsam: über Kopfhörer zuhören und das Gehörte deutlich ins Mikrofon wiederholen. Professionelle Schreibkräfte nennen das Nachsprechen, und es ist eine echte Technik. Sie läuft etwa in Echtzeit plus Korrekturen, rechnen Sie also mit anderthalb Stunden für eine Stunde. Da Transkribieren in Word dieselbe Aufgabe unbeaufsichtigt und kostenlos erledigt, ist das heute ein Notbehelf für Leute ohne Microsoft-365-Abo und ohne die Möglichkeit, Software zu installieren.

Weg 3. Die Dienste

Diese erledigen die Aufgabe in Minuten, formatieren das Ergebnis, kennzeichnen Sprecher und exportieren etwas, das Sie weitergeben können. Der Grund zu zahlen ist nicht die Genauigkeit, ein lokales Modell kommt nah heran. Der Grund zu zahlen sind Formatierung, Sprecherkennzeichnung und der Export, den Sie sonst bei jeder einzelnen Datei von Hand zusammenbauen.

Transkriptor

Am besten für: die ganze Aufgabe zum wenigsten Geld.

Preis: ein kostenloser Plan mit 90 Minuten zum Start. Lite kostet $9.99 im Monat für 300 Minuten. Pro kostet $19.99 im Monat oder $99.99 für das Jahr, also $8.33 im Monat, und enthält 2.400 Minuten pro Monat. Team kostet $30 pro Platz oder $240 im Jahr.

Rechnen Sie das durch, und die Position wird offensichtlich: Pro deckt vierzig Stunden Aufnahme im Monat zum Preis eines belegten Brötchens. Wenn Sie Doktorandin mit zwanzig Interviews sind oder Journalist mit einem Berg unbearbeiteter Bänder, spielt kein anderer Dienst auf dieser Seite in derselben Preisklasse. Er beherrscht 100+ Sprachen, erkennt mehrere Sprecher mit bearbeitbaren Namen, exportiert nach TXT, SRT und Word (die Interviewseite nennt außerdem PDF) und erledigt das, was Sie sonst von Hand tun: Zusammenfassungen, einen KI-Chat über das Transkript, Übersetzung.

Zwei Dinge, bei denen wir deutlich sein sollten. Die Interview-Landingseite verspricht „99% Genauigkeit erreichen“, während die Vorlesungsseite über dasselbe Produkt sagt, es „liefert meistens Transkripte mit 99% Genauigkeit“. Die zweite Fassung ist die ehrliche, und sie ist immer noch die Zahl eines Anbieters und keine Messung. Und der Satz „Ihre Daten werden nicht zu Trainingszwecken verwendet“ steht in der Funktionsliste von Pro und nicht oben auf der Website, was bedeutet, dass die Pläne Free und Lite dieses Versprechen nicht tragen. Wenn Sie etwas Heikles hochladen, spricht das dafür, zu zahlen, statt es kostenlos zu probieren.

Transkriptor ausprobieren

Otter

Am besten für: Meetings und Interviews, die Sie selbst führen und live aufnehmen.

Preis: Der kostenlose Basic-Plan gibt 300 Minuten im Monat, begrenzt auf 30 Minuten pro Gespräch, und drei Dateiimporte für die gesamte Lebensdauer des Kontos. Pro kostet $16.99 im Monat oder $8.33 im Monat bei jährlicher Zahlung, mit 1.200 Aufnahmeminuten, zehn Importen im Monat und einer Grenze von 90 Minuten pro Meeting. Business kostet $30, jährlich $19.99, mit unbegrenzten Meetings und vier Stunden pro Meeting.

Lesen Sie die kostenlose Stufe noch einmal, denn jede Übersicht führt Otter als kostenlosen Weg auf, ein Interview zu transkribieren. Ist es nicht. Drei Uploads, für immer. Otter ist dafür gebaut, in einem laufenden Call auf Zoom, Meet oder Teams zu sitzen und mitzuschreiben, während gesprochen wird, und darin ist es sehr gut: Der Text erscheint während des Gesprächs auf dem Bildschirm und korrigiert sich selbst, sobald Kontext dazukommt. Ein gehörloser Interviewer beschrieb diese Selbstkorrektur auf Hacker News als „eine enorme Hilfe“, und das ist ein Anwendungsfall, den kein Upload-Dienst erreicht. Füttern Sie es mit einer Aufnahme von einem Handgerät, arbeiten Sie dagegen gegen seine Bauart.

Zwei weitere Grenzen, bevor Sie sich festlegen. Die Preisseite nennt sechs Sprachen: Englisch, Spanisch, Französisch, Deutsch, Japanisch und Chinesisch. Und die Exporte in Basic und Pro sind ausschließlich mp3 und txt. SRT, DOCX und PDF sind Business-Funktionen, wenn Sie also Untertitel oder ein formatiertes Dokument brauchen, liegt der echte Preis bei $19.99 im Monat und nicht bei $8.33.

Notta

Am besten für: mehrsprachige Arbeit und lange Aufnahmen.

Preis: kostenlos gibt es 120 Minuten im Monat mit einer Grenze von drei Minuten pro Aufnahme, was es eher zur Demo als zum Plan macht. Pro kostet $97.99 im Jahr, also etwa $8.17 im Monat, für 1.800 Minuten pro Monat und bis zu fünf Stunden pro Aufnahme. Business kostet $199.99 im Jahr für unbegrenzte Transkription.

Die Obergrenze von fünf Stunden pro Aufnahme im Pro-Plan ist die höchste hier und zählt für alle, die ganztägige Sitzungen aufnehmen. Notta ist nach SOC 2 Type II und ISO 27001 zertifiziert, erkennt Sprecher, macht Notizen mit Zeitmarken und verbindet sich mit Zoom, Meet, Teams und Webex. Es kommt aus Tokio und ist im Japanischen ungewöhnlich stark, und das ist der Grund, es Transkriptor vorzuziehen, wenn das Ihre Arbeitssprache ist. Die Preisseite nennt weder eine Gesamtzahl an Sprachen noch eine Liste der Exportformate, und wir haben nirgends auf der Website eine Aussage dazu gefunden, ob Aufnahmen zum Training von Modellen genutzt werden. Eine fehlende Aussage ist in keine Richtung ein Versprechen.

Rev

Am besten für: das Transkript, das stimmen muss, und für die Zahlung pro Datei statt pro Monat.

Preis: KI-Transkription kostet $0.25 pro Minute, also $15.00 pro Stunde Audio. Menschliche Transkription kostet $1.99 pro Minute oder $119.40 pro Stunde. Für größere Mengen gibt es Abos: Essentials für $25.49 pro Platz und Monat bei jährlicher Zahlung mit 5.000 KI-Minuten, Pro für $47.99 mit 10.000.

Menschliche Transkription ist ein anderes Produkt als alles andere auf dieser Seite und verdient, so behandelt zu werden. Rev nennt dafür „99%+ genau, geliefert in 12 Stunden oder weniger“, gegenüber „95%+ Genauigkeit in fünf Minuten oder weniger“ für die KI-Variante. Der Abstand klingt klein, bis man ihn ausrechnet. Eine Stunde Gespräch ergibt etwa 9.000 Wörter, 95% lassen also rund 450 falsche übrig, und die sammeln sich genau dort, wo die Bedeutung sitzt: bei Namen, Zahlen und Fachbegriffen. Wenn das Transkript in einen Schriftsatz, in eine Sendung oder in ein veröffentlichtes Zitat geht, das eine Anwältin lesen wird, kaufen $119 einen Nachmittag Prüfarbeit und eine ganze Risikokategorie zurück.

Auf der menschlichen Seite ist die Datenschutzgeschichte die stärkste unter den bezahlten Optionen: Die Schreibkräfte „durchlaufen eine strenge Prüfung, einschließlich Identitätsnachweis und Geheimhaltungsvereinbarungen“, und das ist eine echte und seltene Kontrolle.

Auf der maschinellen Seite müssen Sie genau lesen, und das ist das klarste Beispiel auf dieser Seite dafür, warum Marketingseiten keine Dokumente sind. Revs Sicherheitsseite sagt: „Wir werden niemals externe LLMs mit Ihren Daten trainieren.“ Die Nutzungsbedingungen, gültig ab 15. Mai 2026, sagen etwas anderes: „Ihre Kundeninhalte werden von unseren ASR-Modellen und anderen KI-Modellen von Rev analysiert und können für das fortlaufende Training dieser Modelle verwendet werden.“ Ausgenommen ist dort generatives Training, nicht Training als solches, und die Bedingungen sehen keinen Widerspruch vor. Beide Sätze stimmen gleichzeitig, und der ganze Unterschied steckt im Wort extern. Ihr Interview landet nicht im Grundmodell einer fremden Firma. Es landet womöglich sehr wohl in dem von Rev.

Descript

Am besten für: ein Interview, aus dem ein Podcast oder ein Video geschnitten wird.

Preis: kostenlos gibt es eine Medienstunde im Monat. Hobbyist kostet $16 pro Person und Monat bei jährlicher Zahlung oder $24 monatlich, für 10 Medienstunden. Creator kostet jährlich $24 oder monatlich $35, für 30. Business kostet jährlich $50 für 40.

Descript ist eigentlich kein Transkriptionsdienst, deshalb steht es zuletzt. Es ist ein Editor, in dem das Transkript die Zeitleiste ist: Löschen Sie einen Satz im Text, und das Audio geht mit, schneiden Sie Füllwörter mit einem Befehl heraus, korrigieren Sie eine verhaspelte Stelle, indem Sie darüber tippen. Für ein Interview, das als Audio oder Video veröffentlicht wird, fallen damit zwei Arbeiten in eine zusammen. Es transkribiert 25 Sprachen und erkennt 8 oder mehr Sprecher.

Achten Sie auf die Einheit. Descript rechnet in Medienstunden ab, die Bearbeiten und Export einschließen und nicht nur das Transkribieren, zehn Stunden im Monat sind also keine zehn Stunden Interview, wenn Sie sie auch schneiden wollen.

Die Datenschutzerklärung nennt zwar „das Training unserer KI-Modelle“ unter den Zwecken der Verarbeitung, aber die Kontrolle ist besser, als dieser Satz vermuten lässt: Die Einstellung „Share Data with Descript“ ist standardmäßig aus, Training findet also nur statt, wenn Sie sie einschalten. Das ist das Gegenteil von Otter und Rev, wo Training der Normalzustand ist und es gar keinen Schalter gibt. Ehre, wem Ehre gebührt.

Was tatsächlich schiefgeht

Jeder Anbieter auf dieser Seite nennt eine Zahl zwischen 95% und 99%. Keiner veröffentlicht einen Test, den Sie wiederholen könnten. Hier steht stattdessen, was die unabhängige Forschung und die Leute mit täglicher Praxis sagen, und das ist nützlicher, weil Fehler nicht zufällig verteilt sind. Sie landen genau auf den Wörtern, die Sie zitieren wollten.

Akzente. Die meistzitierte Untersuchung zu Whisper über Akzente hinweg ist Graham und Roll, veröffentlicht in JASA Express Letters im Februar 2024. Ihr Befund, in ihren Worten: „Die Ergebnisse zeigen eine bessere Erkennung bei amerikanischem gegenüber britischem und australischem Englisch, bei ähnlicher Leistung im kanadischen Englisch“, und: „Muttersprachliche englische Akzente zeigen eine höhere Genauigkeit als nicht-muttersprachliche.“ Sie fanden außerdem, dass die Fehlerraten mit der Erstsprache der Sprechenden und ihrer Englischkompetenz zusammenhängen. Wenn Sie Menschen interviewen, die Englisch als Erwachsene gelernt haben, wird Ihr Transkript messbar schlechter als die Demo, die Sie ausprobiert haben, und das Werkzeug sagt Ihnen das nicht.

Namen und Fachjargon. Das ist die größte einzelne Quelle von Bearbeitungszeit, und es ist das Einzige, was kein Modell erraten kann. Ein Entwickler beschrieb es im Juli 2026 auf Hacker News: „Aus OpenBao wird manchmal open bowel, echt jetzt, lol. Das macht eine Menge Nacharbeit nötig.“ Setzen Sie den Nachnamen Ihrer Quelle ein, die Abkürzungen Ihres Fachs und den Namen der Firma, über die Sie schreiben. Dienste, die vorab ein eigenes Vokabular annehmen, sparen Ihnen mehr Zeit als ein Prozentpunkt Genauigkeit in der Überschrift.

Stille. Das überrascht viele. Spracherkennungsmodelle können Text erfinden, wo keiner ist. In „Careless Whisper: Speech-to-Text Hallucination Harms“, vorgestellt auf der ACM FAccT im Juni 2024, analysierten Forschende von Cornell, der University of Washington, der NYU und der University of Virginia mehr als 13.000 Audioclips und fanden, dass etwa 1% der Whisper-Transkriptionen ganze halluzinierte Passagen enthielt. Der Auslöser, den sie fanden, waren Pausen: „Längere Pausen und Stillephasen zwischen Wörtern lösen eher schädliche Halluzinationen aus“, was Sprechende mit Sprechbehinderungen am härtesten trifft. Der Fehler hat unter Praktikern eine eigene Folklore, die ihn an den Standardsätzen erkennen, die das Modell aus dem Nichts erzeugt. „Der Klassiker ‚Danke fürs Zuschauen!‘“, wie es ein Hacker-News-Kommentator im Februar 2026 formulierte; jemand, der Tausende Stunden Audio durch Whisper geschickt hatte, berichtete dasselbe in der Form „bitte liken und abonnieren“. Beides sind Artefakte eines Modells, das mit sehr viel Internetvideo trainiert wurde, und beides erscheint in der Stille.

Es gibt eine praktische Abhilfe, und die zehn Minuten lohnen sich. Schneiden Sie die Stille vor dem Transkribieren heraus, oder schicken Sie das Audio durch eine Sprachaktivitätserkennung, damit das Modell immer nur Sprache bekommt. Keine Pause, kein erfundener Satz. Wo Schneiden nicht geht, gilt die einfachere Regel: Wenn eine Zeile in Ihrem Transkript verdächtig glatt liest oder sich bei jemandem bedankt, gleichen Sie sie mit dem Audio ab, bevor sie irgendwohin geht.

Wer was gesagt hat. Die Sprecherkennzeichnung ist überall schwächer als die Transkription, kostenlos wie bezahlt. Zwei Stimmen ähnlicher Tonlage, ein Moment mit Durcheinanderreden, jemand, der auf halber Strecke dazukommt: Die Kennzeichnungen verrutschen, und sie verrutschen still. Prüfen Sie bei jedem Werkzeug die Sprecherwechsel rund um jedes Zitat, das Sie veröffentlichen wollen.

Die praktische Folge aus allen vier Punkten: Ein KI-Transkript ist ein durchsuchbarer Entwurf, keine Quelle. Jede Passage, die Sie zitieren wollen, wird abgespielt und gegen das Audio geprüft. Dieser letzte Durchgang dauert Minuten statt Stunden, und er ist der Schritt, der ein Transkript zum Arbeiten von einem Transkript zum Veröffentlichen trennt.

Wer auf Ihrer Aufnahme trainiert

Wir haben diese Dokumente am 27. August 2026 gelesen. Sie ändern sich, deshalb zählen die Daten.

Drei ehrliche Lesarten dieser Tabelle.

„De-identifiziert“ leistet in Otters Satz sehr viel Arbeit. Wer Kontodaten aus einer Audiodatei entfernt, entfernt weder die Stimme noch die darin gesprochenen Namen noch irgendetwas von dem, was gesagt wurde.

Die Marketingseite ist nicht das Dokument. Sowohl Otter als auch Rev veröffentlichen einen beruhigenden Satz, der eng genommen stimmt und breit missverstanden wird. Otters Seite zu Datenschutz und Sicherheit sagt, „Keine Kundendaten werden zum Trainieren“ der Modelle seiner KI-Dienstleister verwendet, und das ist ein Versprechen über andere Firmen und nicht über Otter. Revs Sicherheitsseite schließt externe LLMs aus, während die Nutzungsbedingungen fortlaufendes Training der eigenen Modelle erlauben. In beiden Fällen ist der bindende Text der mit einem Gültigkeitsdatum.

Und nichts davon ist versteckt. Es ist öffentlich, in klaren Sätzen geschrieben, und kein einziger Artikel, der für dieses Thema rankt, zitiert davon ein Wort.

Einwilligung zur Aufnahme und Einwilligung zum Hochladen sind zwei verschiedene Fragen

Keine Rechtsberatung. Das Aufnahmerecht ist wirklich kompliziert und hängt von der Rechtsordnung ab, das hier ist also ein Wegweiser und kein Urteil.

Zum Aufnehmen ist die Referenz, die Journalistinnen und Journalisten tatsächlich nutzen, das Reporters Committee for Freedom of the Press. Sein Leitfaden sagt, dass „das Bundesrecht die Einwilligung mindestens einer beteiligten Partei verlangt, bevor persönliche, telefonische oder elektronische Gespräche aufgezeichnet werden“, nach dem bundesrechtlichen Abhörgesetz in 18 U.S.C. §§ 2510 und 2511. Dazu kommt: „Etwa 11 Bundesstaaten verlangen im Wesentlichen die Einwilligung aller Beteiligten für Aufnahmen. Diese Staaten sind Kalifornien, Delaware, Florida, Illinois, Maryland, Massachusetts, Michigan (jedenfalls für Aufnahmen durch Dritte, die am Gespräch nicht beteiligt sind), Montana, New Hampshire, Pennsylvania und Washington.“ Ein paar Staaten liegen dazwischen: Missouri und Oregon verlangen die Einwilligung aller nur für Gespräche vor Ort, Connecticut und Nevada nur für Telefonate. Für ein Gespräch über Staatsgrenzen hinweg rät der Leitfaden, „davon auszugehen, dass das strengere Landesrecht gilt“.

Die Absicherungen in diesem Zitat sind Absicht. „Etwa“ und „im Wesentlichen“ stehen dort, weil diese Gesetze Ausnahmen kennen, und deshalb sind die selbstbewussten runden Zahlen aus den Suchergebnissen weniger wert als der Leitfaden selbst. Anwältinnen, die im Februar 2026 über KI-Notizwerkzeuge schrieben, ergänzen den praktischen Punkt: Lesen Sie Bedingungen, Datenschutzerklärung und Aufbewahrungsregeln des Anbieters, bevor die Datei hochgeht.

Zum Hochladen gibt es meist kein Gesetz, und genau deshalb braucht es eine Entscheidung statt einer Gewohnheit. Nichts hindert Sie daran, ein rechtmäßig aufgenommenes Interview an einen Transkriptionsanbieter zu schicken. Ob Sie es sollten, ist eine Frage nach dem Versprechen, das Sie der Person auf dem Band gegeben haben.

Drei praktische Regeln, die nichts kosten.

Sagen Sie es laut, am Anfang der Aufnahme. „Ich nehme das auf, und ich lasse es durch einen automatischen Transkriptionsdienst laufen“ dauert vier Sekunden, steht für immer auf dem Band und macht aus einer Annahme eine Einwilligung. Wenn Ihr Gegenüber zögert, haben Sie früh etwas Wichtiges erfahren.

Schreiben Sie es in die Einwilligungserklärung, wenn Sie forschen, und prüfen Sie zuerst die Liste Ihrer eigenen Einrichtung. Die Ethikfreigabe deckt den Datenumgang ab, den Sie beschrieben haben, und „ein Cloud-Transkriptionsdienst eines Dritten“ ist ein Schritt im Datenumgang. Aufnahmen von Teilnehmenden gelten für sich genommen als identifizierbare Daten, und genau so behandelt sie eine Ethikkommission, egal was im Transkript steht. Die Einrichtungen sind sich hier untereinander uneinig: Die Bibliotheken von Virginia Tech schreiben, dass „mehrere Transkriptionswerkzeuge, darunter otter.ai und NVivo Transcription, von der IT für Forschende der Virginia Tech nicht empfohlen werden“, während andere Kommissionen die veröffentlichte Datenschutzerklärung eines Anbieters als ausreichend akzeptieren. Die Antwort für Sie ist also eine Fünf-Minuten-Frage an Ihre Forschungsstelle und kein Urteil aus einem Artikel. Anbieter, Aufbewahrungsdauer und Löschprozess zu benennen ist im Antragsstadium ein Absatz Arbeit und danach ein Problem, das sich nicht mehr reparieren lässt.

Halten Sie einen Weg bereit, der das Haus nie verlässt. Whisper lokal einzurichten kostet einmal einen Nachmittag. Wenn es bereitsteht, muss die Antwort auf „darf ich das überhaupt hochladen?“ nie aus Bequemlichkeit ja lauten.

Ein Transkript, mit dem Sie arbeiten können

Zeitmarken sind der Unterschied zwischen einem Transkript und einem Dokument. Ohne sie heißt ein Zitat zu prüfen, sich durch eine Stunde Audio zu spulen. Jeder bezahlte Dienst hier setzt sie; Rev synchronisiert von Menschen geprüfte Transkripte absatzweise mit dem Audio; Whisper erzeugt sie von Haus aus, und WhisperX bringt sie auf Wortebene.

Sprechernamen sollten Sie festlegen, bevor Sie irgendetwas anderes bearbeiten. Benennen Sie „Sprecher 1“ und „Sprecher 2“ im ersten Durchgang in echte Namen um, solange Sie noch wissen, wer wo saß, und die ganze Datei wird nach Personen durchsuchbar.

Wählen Sie den Stil einmal. Wörtlich für die Konversationsanalyse, bereinigt wörtlich für fast alles andere, redigiert nur für ein veröffentlichtes Q&A. Ein Wechsel auf halber Strecke erzeugt ein Dokument, aus dem niemand sicher zitieren kann.

Exportieren Sie in dem Format, das Ihr nächstes Werkzeug will. DOCX zum Bearbeiten und Codieren, SRT oder VTT für Untertitel, TXT für die Suche und zur Weiterverarbeitung, PDF nur für Leute, die nichts mehr ändern werden. Prüfen Sie das, bevor Sie zahlen: Otter legt SRT, DOCX und PDF hinter seinen Business-Plan.

Machen Sie den Audiodurchgang bei Zitaten. Spielen Sie jede Passage ab, die Sie veröffentlichen. Das ist die schnellste Versicherung auf dieser Seite.

Und der größte Gewinn entsteht vor alldem: besser aufnehmen. Ein Telefon, das zwischen zwei Menschen auf dem Tisch liegt, in einem Raum ohne Lüfter und ohne Kaffeemaschine, schlägt jede Genauigkeitsfunktion, die ein Anbieter verkauft. Wenn Sie regelmäßig interviewen, verbessert ein günstiges Ansteckmikrofon Ihre Transkripte mehr als der Wechsel vom kostenlosen zum bezahlten Plan.

Wie wir das geprüft haben

Wir haben keinen praktischen Genauigkeits-Benchmark gefahren, und wir tun auch nicht so. Lesen Sie die Übersichten, die in den Suchergebnissen über dieser stehen, und Sie finden selbstbewusste Zahlen („bis zu 99%“, „endet bei 85%“), veröffentlicht von Firmen, die sich selbst auf Platz eins gesetzt haben, ohne Testdatei, ohne Methode und ohne Rohdaten. Zahlen, die Sie nicht prüfen können, sind weniger wert als gar keine Zahlen.

Was wir stattdessen am 27. August 2026 getan haben.

• Die aktuelle Preisseite jedes Dienstes hier gelesen und Preise und Minutenkontingente direkt von dort genommen, statt Zahlen aus anderen Artikeln zu übernehmen.
• Microsofts Support-Dokumentation zu Transkribieren und Diktieren sowie Googles Hilfeseiten zu automatischen YouTube-Untertiteln und zur Spracheingabe in Docs gelesen, wegen der oben zitierten Grenzen und Ausfallbedingungen.
• Die Datenschutzerklärungen, Sicherheitsseiten und Nutzungsbedingungen von Otter, Descript, Rev, Transkriptor und Notta gelesen und wörtlich zitiert, wodurch die Lücke zwischen Revs Sicherheitsseite und Revs Vertrag überhaupt sichtbar wurde.
• Unsere Schlüsse gegen eine unabhängige Instanz geprüft und nicht nur gegen Anbieter: die Bewertung von Transkriptionswerkzeugen der Freedom of the Press Foundation, aktualisiert am 2. Juni 2026.
• Den Zustand der Open-Source-Werkzeuge über die GitHub-API geprüft: whisper, whisper.cpp, WhisperX, Buzz, whisper-diarization und oTranscribe sind alle lebendig und keines ist archiviert, die jüngsten Commits stammen aus dem August 2026.
• Die Befunde zu Akzenten und Halluzinationen aus der veröffentlichten Forschung genommen (JASA Express Letters, Februar 2024; ACM FAccT, Juni 2024) statt aus Anbieter-Marketing.
• Datierte Kommentare aus der Praxis über die öffentliche Such-API von Hacker News gezogen, jedes Zitat hier hat also einen Link und ein Datum, das Sie öffnen können.

Vier Dinge konnten wir nicht überprüfen und markieren sie, statt sie zu glätten. Der Volltext des JASA-Papers ist von hier aus hinter einer Bezahlschranke, die Befunde zu Akzenten stammen also aus dem Abstract. Transkriptors Preisseite sagt nicht, ob die kostenlosen 90 Minuten einmalig oder monatlich sind. Otters Dokumentation für Unternehmenskunden, die einen Widerspruch beschreiben könnte, den normale Konten nicht bekommen, ließ sich bei uns nicht öffnen. Und Reddit war aus unserer Recherche-Umgebung nicht erreichbar, die Stimmen aus der Community kommen hier also nur von Hacker News, was technisch verzerrt.

Eine Zahl veröffentlichen wir bewusst nicht: wie lange das Aufräumen eines KI-Transkripts pro Stunde Audio dauert. Mehrere Artikel nennen eine, keiner belegt sie, und der wahre Wert schwankt von ein paar Minuten bei einer sauberen Solo-Vorlesung bis zu einem halben Tag bei einem lauten Interview zu dritt.

Die Konkurrenz

Werkzeuge, die wir angesehen und nicht bewertet haben, mit Begründung.

Sonix, Trint, Happy Scribe, TranscribeMe, GoTranscript, Scribie und Temi sind etabliert, und mehrere davon sind gut. Sie besetzen dasselbe Feld wie die fünf Dienste oben, zu ähnlichen oder höheren Preisen, und hätten die Seite länger gemacht, ohne die Entscheidung leichter zu machen. Sonix und Happy Scribe lohnen einen Blick, wenn Sie viel mehrsprachigen Output brauchen.

TurboScribe, ScreenApp, VEED und die Browser-Tool-Truppe ranken stark für „Audio zu Text“ und laufen meist auf eine kostenlose Stufe mit kurzer Grenze und einer Anmeldeschranke hinaus. Wenn Sie eine kurze Datei und nirgends ein Konto haben, funktionieren sie. Für ein einstündiges Interview sind sie ein schlechteres Geschäft als Word.

Meeting-Notizwerkzeuge, also Fireflies, Fathom, Jamie und der Rest, transkribieren Ihren Kalender und nicht Ihre Dateien. Wenn Ihr „Interview“ ein Zoom-Call ist, den Sie selbst führen, schauen Sie in diese Kategorie und auf Otter. Wenn es eine Aufnahme von einem Handgerät ist, sind sie dafür nicht gebaut.

MAXQDA, NVivo und ATLAS.ti haben Transkription in ihrer Software für qualitative Analyse eingebaut. Wenn Sie darin ohnehin Daten codieren, nutzen Sie, wofür Sie bezahlt haben. Wenn nicht, kaufen Sie keine Analysesoftware, um ein Transkript zu bekommen.

Speechmatics, AssemblyAI und Deepgram sind APIs, um so etwas in das eigene Produkt einzubauen. Echte Qualität, falsche Form für jemanden mit einer Datei und einem Abgabetermin.

Diktier-Apps tauchen immer wieder in Transkriptions-Übersichten auf und gehören dort nicht hin. Wispr Flow, Voicy und die eingebauten Werkzeuge von Windows und Mac tippen Ihre gesprochene Sprache mit. Sie verarbeiten keine Aufnahme, die Sie schon haben, und das ist die Aufgabe auf dieser Seite. Wenn Sie danach gesucht haben, fangen Sie mit Diktieren in ChatGPT oder der Mac-Übersicht an.

Was Sie als Nächstes tun

Nehmen Sie die ersten dreißig Minuten Ihrer echten Aufnahme, der unordentlichen mit der Klimaanlage und den zwei Leuten, die durcheinanderreden, und schicken Sie sie durch Transkriptors kostenlose 90 Minuten. Keine saubere Probe, keine Demodatei von jemand anderem. Dreißig Minuten Ihres eigenen schlechtesten Tons sagen Ihnen in fünf Minuten, ob irgendeine KI-Transkription gut genug ist für Ihre Akzente, Ihre Namen und Ihren Fachjargon, und nur diese Frage entscheidet, ob Sie dafür überhaupt zahlen sollten. Lautet die Antwort nein, wissen Sie jetzt, dass Sie Rev einplanen müssen oder einen Nachmittag mit oTranscribe. Und wenn die Aufnahme gar nicht erst hätte hochgeladen werden dürfen, richten Sie stattdessen Whisper lokal ein und halten Sie diesen Weg bereit.