KI-Transkription: Aufnahmen in Text verwandeln, und was das kostet

KI-Transkription verwandelt eine Aufnahme in Text, und für die meisten Anlässe kostet das nichts: Word im Web schreibt mit einem Microsoft-365-Abo 300 Minuten Audio pro Monat um, Otter gibt kostenlos 300 Minuten im Monat, die Sprachmemos auf einem Mac mit Apple-Chip machen es lokal ohne Konto. Wer mehr Minuten braucht, zahlt bei Amberscript 10 Euro pro Stunde ohne Abo oder 19 Euro im Monat für 5 Stunden, und wer die Dateien gar nicht aus dem Haus geben will, zahlt einmalig 64 Euro für MacWhisper und rechnet auf dem eigenen Rechner. Stand: 25. September 2026, alle Zahlen auf den Seiten der Anbieter selbst geprüft.

Die Frage, die hinter "KI Transkription" meistens steckt, ist keine Preisfrage. Sie lautet: ich habe hier eine Aufnahme, was mache ich damit. Und die Antwort hängt daran, was für eine Aufnahme es ist. Eine Sprachnotiz von 90 Sekunden aus dem Auto braucht ein anderes Werkzeug als eine Besprechung mit fünf Leuten, ein Podcast braucht ein anderes als die zwölf Jahre alte Kassettenaufnahme, die jemand digitalisiert hat. Deshalb ist dieser Artikel nach Anlass sortiert und nicht nach Anbieter. Am Ende jedes Abschnitts steht, was die Sache auf Deutsch schwierig macht, weil das der Punkt ist, an dem die englischsprachigen Vergleiche im Netz aufhören.

Ein zweiter Punkt kommt dazu, den fast niemand schreibt. Eine Umschrift ist kein Ergebnis. Aus einer Stunde Gespräch werden ungefähr 9.000 Wörter Rohtext, also gut 30 Seiten, in denen "ähm" steht, in denen Leute sich unterbrechen und in denen die drei Zusagen, um die es ging, irgendwo in der Mitte liegen. Das Protokoll entsteht erst im zweiten Schritt. Der vollständige Prompt dafür steht weiter unten, zum Kopieren.

Was ist KI-Transkription?

KI-Transkription ist die automatische Umschrift von gesprochener Sprache in geschriebenen Text durch ein Modell, das auf sehr vielen Stunden Audio und den dazugehörigen Texten trainiert wurde. Du legst eine Audio- oder Videodatei rein, nach kurzer Zeit kommt Text heraus, meistens mit Zeitmarken und oft mit einer Trennung der Sprecher.

Der Unterschied zur Spracherkennung, die es seit zwanzig Jahren in Word und auf dem Handy gibt, liegt in zwei Dingen. Das alte Diktat hat Wort für Wort gehört und jedes einzeln geraten, weshalb es bei Nebengeräuschen, Akzent und Fachwörtern schnell an die Grenze kam. Ein Modell wie Whisper hört einen Abschnitt von 30 Sekunden und schreibt den Satz, der in diesem Zusammenhang am wahrscheinlichsten ist. Deshalb erkennt es "Umsatzsteuervoranmeldung" auch dann, wenn der Sprecher nuschelt, und deshalb setzt es Kommas und Punkte, die niemand mitgesprochen hat.

Der zweite Unterschied ist der Preis. Spracherkennung war früher eine Software, die 300 Euro kostete und auf eine Stimme trainiert werden musste. Das Whisper-Modell von OpenAI steht seit 2022 unter der MIT-Lizenz frei im Netz und läuft auf einem normalen Rechner. Quelle: github.com/openai/whisper, abgerufen 25.09.2026. Alles, was du an Werkzeugen mit Monatspreis findest, verkauft dir nicht die Umschrift selbst, es verkauft dir die Oberfläche drumherum: den Editor, die Sprechernamen, die Aufnahme aus der Videokonferenz, die Zusammenfassung, das Ablegen im Ordner.

Damit ist die Sortierung im Kopf erledigt, bevor wir zu den Anlässen kommen. Es gibt drei Wege zu einer Umschrift: du nutzt eine Funktion, die in einem Abo schon drinsteckt (Microsoft 365, Google Workspace, macOS), du zahlst einen Dienst pro Stunde oder pro Monat, oder du lässt das Modell auf dem eigenen Rechner laufen. Welcher Weg passt, entscheidet der Anlass.

Wie gut wird eine deutsche Umschrift, und was macht Dialekt daraus?

Auf hochdeutschem, sauber aufgenommenem Material sind die aktuellen Modelle so gut, dass du den Text lesen kannst, ohne die Aufnahme daneben zu legen, und bei Dialekt, Nebengeräuschen und mehreren Stimmen gleichzeitig fällt die Qualität deutlich ab. Eine harte Zahl dazu nennen wir hier nicht, weil wir keine eigene Messung über viele Aufnahmen gemacht haben und die Anbieter für Deutsch keine Wortfehlerrate veröffentlichen.

Was die Anbieter sagen, ist zurückhaltend. OpenAI schreibt zu Whisper wörtlich, dass die Leistung je nach Sprache stark schwankt ("Whisper's performance varies widely depending on the language"), und legt die Fehlerraten pro Sprache offen, ohne für Deutsch eine Werbezahl zu nennen. Quelle: github.com/openai/whisper, abgerufen 25.09.2026. Amberscript nennt für die menschlich nachgearbeitete Variante mehr als 90 Prozent Genauigkeit und stellt die automatische Variante daneben, ohne für sie eine Prozentzahl anzugeben. Quelle: amberscript.com/de/preise, abgerufen 25.09.2026. Happy Scribe nennt 99 Prozent für die menschlichen Leistungen. Quelle: happyscribe.com/de/preise, abgerufen 25.09.2026. Wer für die automatische Umschrift eine Zahl wie "98 Prozent Genauigkeit auf Deutsch" liest, liest Marketing und keine Messung.

Vier Dinge machen deutschsprachiges Material im Alltag schwierig, und sie treten fast immer zusammen auf.

Erstens die Eigennamen. Kunden-, Orts-, Produkt- und Firmennamen sind der häufigste Fehler in jeder Umschrift, weil das Modell hier nichts erraten kann. Ein Name erscheint in drei Schreibweisen im selben Dokument. Praktische Folge: eine Liste der Namen, die im Gespräch vorkommen, gehört in den zweiten Schritt, damit das Modell sie korrigieren kann.

Zweitens das Fachvokabular. Steuerrecht, Handwerk, Medizin und Technik haben Wörter, die in normalen Trainingsdaten selten vorkommen. Werkzeuge mit eigener Wortliste lohnen sich genau hier, und ohne Wortliste korrigierst du die fünf immer gleichen Wörter hinterher mit Suchen und Ersetzen.

Drittens der Dialekt. Wer im Gespräch zwischen Mundart und Hochdeutsch wechselt, produziert Sätze, die grammatisch richtig aussehen und inhaltlich daneben liegen. Das ist die gefährlichste Art von Fehler, weil sie sich nicht als Fehler zeigt. Ein "nicht", das in der Umschrift fehlt, dreht eine Zusage um.

Viertens das Durcheinander. Wenn zwei Leute gleichzeitig reden, entscheidet sich das Modell für eine Stimme, und der zweite Satz ist weg, ohne Lücke und ohne Hinweis. Deshalb ist die Sprechertrennung bei Besprechungen keine Bequemlichkeit, sie ist die Prüfmöglichkeit.

Daraus folgt die Regel, die für jeden Anlass unten gilt: eine Umschrift ist ein Arbeitsmittel und kein Dokument. Alles, was daraus verbindlich wird, wird an der Stelle in der Aufnahme geprüft. Das kostet zwei Minuten und erspart dir das Gespräch, in dem dein Kunde etwas anderes gesagt hat als in deinem Protokoll steht.

Zum Vergrößern tippen

Für eine eigene Sprachnotiz reicht das, was schon auf dem Rechner liegt, für ein Kundengespräch brauchst du Sprechertrennung, für eine Besprechung mit mehreren Personen nimmst du die Funktion des Konferenzwerkzeugs, für einen Podcast einen Editor und für eine alte Aufnahme das größte Modell, das du bekommst.

Anlass 1: Du hast dir selbst eine Sprachnotiz aufgenommen

Für die eigene Sprachnotiz nimmst du das Werkzeug, das schon auf dem Gerät ist, denn hier geht es um 60 bis 300 Sekunden Text von einer einzigen Stimme, die du kennst. Alles, was dafür ein Abo verlangt, ist zu viel.

Auf einem Mac mit Apple-Chip und macOS 15 oder neuer schreiben die Sprachmemos die Aufnahme selbst um. Apple formuliert es so: "Mit macOS 15 (oder neuer) und einem Mac mit Apple Chips kann die App Sprachmemos Gesprochenes in den Audioaufnahmen erkennen und als Text transkribieren." Deutsch gehört zu den unterstützten Sprachen, und Apple weist darauf hin, dass die Audiotranskription nicht in allen Ländern oder Regionen verfügbar ist. Quelle: support.apple.com, Sprachmemos-Handbuch, Abschnitt "Transkription einer Aufnahme anzeigen", abgerufen 25.09.2026. Das läuft ohne Konto und ohne Upload, die Aufnahme bleibt auf dem Gerät.

Der zweite Weg, und der ist für Leute mit vielen Sprachnotizen der bessere, ist MacWhisper. Die kostenlose Fassung nimmt über das Mikrofon auf, verarbeitet mp3, wav, m4a, ogg, opus, mov und mp4, schreibt in mehr als 100 Sprachen um und gibt den Text als .txt aus. Die Modelle laufen lokal auf dem Mac. Die Pro-Lizenz kostet 64 Euro einmalig und enthält lebenslange Updates, dazu automatische Sprechererkennung, Stapel-Verarbeitung mehrerer Dateien, Export als md, pdf, html, docx, srt und vtt sowie einen überwachten Ordner, in den du Dateien legst und aus dem der Text herausfällt. Quelle: macwhisper.com, abgerufen 25.09.2026.

Der überwachte Ordner ist der Punkt, an dem aus einer Bastelei ein Ablauf wird. Du legst deine Sprachnotizen per Cloud-Ordner ab, und auf dem Rechner liegt am Abend für jede Notiz eine Textdatei. Danach greift der zweite Schritt weiter unten: nicht die Umschrift ist das Ziel, das Ziel ist die Aufgabenliste aus der Notiz.

Wer kein Mac-Gerät nutzt, hat zwei brauchbare Wege. Die Sprachaufnahme in der ChatGPT-App schreibt mit und antwortet gleich darauf, was für eine Notiz oft alles ist, was du brauchst. Und Word im Web schreibt jede hochgeladene Datei um, dazu unten mehr, weil das der Weg ist, der bei den meisten Selbstständigen ohnehin bezahlt ist.

Was auf Deutsch hier schwierig wird: bei einer Sprachnotiz nichts, und das ist der Grund, mit diesem Anlass anzufangen. Du sprichst allein, du sprichst in ein Mikrofon, das 20 Zentimeter von dir weg ist, und du kennst den Inhalt. Einzige Stolperstelle sind die Eigennamen. Wer seine Kunden im Selbstgespräch beim Nachnamen nennt, findet sie in der Umschrift falsch geschrieben. Die Aufgabe wird dadurch nicht falsch, der Name im Kalendereintrag schon.

Anlass 2: Du hast ein Kundengespräch aufgenommen

Für ein Kundengespräch brauchst du eine Umschrift mit Sprechertrennung, weil der Wert des Textes darin liegt, wer was gesagt hat, und nicht darin, dass etwas gesagt wurde. Eine Zusage ohne Zuordnung ist keine Zusage.

Der Weg, der bei den meisten schon bezahlt ist, führt über Word im Web. Microsoft schreibt: "Benutzer mit einem Microsoft 365-Abonnement können maximal 300 Minuten hochgeladener Audiodateien pro Monat transkribieren", mit einer Copilot-Lizenz sind es 30.000 Minuten. Unterstützt werden WAV, MP4, M4A und MP3, über 80 Sprachvarianten inklusive Deutsch, und der Dienst "identifiziert und trennt verschiedene Sprecher und bezeichnet sie mit Sprecher 1, Sprecher 2 usw." Quelle: support.microsoft.com, "Transkribieren Ihrer Aufzeichnungen", abgerufen 25.09.2026. 300 Minuten im Monat sind fünf Stunden, also für die meisten Einzelunternehmer zwei bis vier Kundengespräche. Das reicht, und es kostet nichts obendrauf.

Wenn fünf Stunden im Monat nicht reichen, kommt Amberscript ins Spiel, weil es der Anbieter mit der verständlichsten Preisliste in diesem Feld ist und die Daten auf EU-Servern hält. Ohne Abo kostet die automatische Umschrift 10 Euro pro Stunde, mit Mengenrabatten: 5 Stunden sparen 10 Prozent, 20 Stunden 25 Prozent, ab 50 Stunden 40 Prozent. Die Abos liegen bei 19 Euro im Monat für 5 Stunden (3,80 Euro pro Stunde), 29 Euro für 10 Stunden (2,90 Euro pro Stunde) und 49 Euro für 25 Stunden (1,96 Euro pro Stunde). Bei Jahreszahlung nennt Amberscript 190 Euro für 60 Stunden, 290 Euro für 120 Stunden und 490 Euro für 300 Stunden. Über 90 Sprachen sind in der automatischen Variante verfügbar, und für mehrere Sprecher oder schlechte Tonqualität berechnet Amberscript nichts extra. Quelle: amberscript.com/de/preise, abgerufen 25.09.2026.

Die dritte Möglichkeit ist Otter, und die ist vor allem interessant, wenn das Gespräch am Telefon oder in einer Videokonferenz läuft und live mitgeschrieben werden soll. Kostenlos bekommst du 300 Minuten im Monat, höchstens 30 Minuten pro Gespräch und insgesamt 3 Datei-Importe. Pro kostet 16,99 $ im Monat oder 8,33 $ im Monat bei Jahreszahlung und hebt das auf 1.200 Minuten im Monat, 90 Minuten pro Gespräch und 10 Importe im Monat. Business kostet 30 $ pro Nutzer im Monat oder 19,99 $ bei Jahreszahlung und nimmt die Monatsgrenze weg, bei 4 Stunden pro Gespräch. Otter nennt als Sprachen Englisch, Spanisch, Französisch, Deutsch, Japanisch und Chinesisch. Quelle: otter.ai/pricing, abgerufen 25.09.2026.

Die 30-Minuten-Grenze im kostenlosen Otter-Plan ist der Punkt, an dem viele hängen bleiben. Ein Kundengespräch dauert selten 28 Minuten. Wenn du bei Minute 31 abgeschnitten wirst, fehlt genau der Teil, in dem über Preis und Termin geredet wurde, weil der immer am Ende kommt.

Was auf Deutsch hier schwierig wird: das Telefon. Ein Gespräch über eine Telefonleitung kommt mit einer Bandbreite an, die für Sprache gerade so reicht, und die Modelle sind auf breitbandigem Ton trainiert. Eine Aufnahme über das Mikrofon im Raum ist deutlich besser als eine Aufnahme aus der Telefonanlage. Dazu kommt die Höflichkeit im deutschen Verkaufsgespräch: "Das müsste ich noch intern klären" und "Das machen wir" klingen für ein Modell gleich wichtig, und in der Umschrift stehen sie als zwei gleichwertige Sätze nebeneinander. Die Bewertung macht der zweite Schritt, und die letzte Prüfung machst du.

Und noch etwas, das nicht am Modell liegt: bevor du ein Kundengespräch aufnimmst, brauchst du die Erlaubnis. Das ist kein Nebensatz, das ist ein Straftatbestand. Der Abschnitt zur Aufnahme selbst steht weiter unten, und er kommt vor dem Kauf eines Werkzeugs.

Anlass 3: In der Besprechung saßen mehrere Personen

Bei einer Besprechung mit mehreren Personen nimmst du die Transkription des Werkzeugs, in dem die Besprechung läuft, weil nur dieses Werkzeug weiß, wer gerade spricht. Es hat für jeden Teilnehmer eine eigene Tonspur und braucht die Stimmen nicht aus einem Raummikrofon auseinanderzurechnen.

In Microsoft Teams ist die Livetranskription in der Standardfassung enthalten. Starten dürfen sie der Besprechungsorganisator, die Mitorganisatoren und die Referenten. Die Transkription erscheint in Echtzeit "mit dem Namen und Zeitstempel jedes Sprechers", über 50 Sprachen werden unterstützt, darunter Deutsch (Deutschland), und alle Teilnehmer bekommen eine Benachrichtigung, dass die Besprechung transkribiert wird. Die übersetzte Livetranskription gehört zu Teams Premium. Quelle: support.microsoft.com, "Anzeigen von Livetranskription in einer Microsoft Teams-Besprechung", abgerufen 25.09.2026.

In Google Meet heißt die Funktion Besprechungstranskripte, und sie hängt an der Workspace-Edition: Business Standard, Business Plus, Enterprise Starter, Enterprise Standard, Enterprise Plus, Teaching and Learning Upgrade, Education Plus und Workspace Individual. Die Sprachen sind Englisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch und Spanisch. Die Datei landet im Google Drive des Organisators im Ordner "Google Meet", und Host, Co-Hosts sowie die Person, die die Transkription gestartet hat, bekommen den Link per Mail. Quelle: support.google.com/meet/answer/12849897, abgerufen 25.09.2026.

Wenn die Besprechung im Raum stattfindet und nicht im Rechner, kehrt sich die Empfehlung um. Dann brauchst du ein Werkzeug mit automatischer Sprechererkennung auf einer einzigen Tonspur, und davon gibt es zwei brauchbare Wege: MacWhisper Pro für 64 Euro einmalig mit lokaler Sprechererkennung, oder Amberscript, das mehrere Sprecher nicht extra berechnet. Wichtig ist in beiden Fällen das Mikrofon. Ein Handy in der Tischmitte hört die Person am anderen Ende des Tisches leiser als die Kaffeemaschine, und keine Software holt Wörter zurück, die auf der Aufnahme nicht drauf sind.

Die zweite Sache, die bei Besprechungen fast immer schiefgeht, ist die Benennung. Teams und Meet schreiben die echten Namen, weil sie die Konten kennen. Eine Umschrift aus einer einzigen Tonspur schreibt "Sprecher 1" bis "Sprecher 4", und nach drei Tagen weiß niemand mehr, wer Sprecher 3 war. Die Zuordnung gehört in die Minute nach der Besprechung, nicht in die Woche danach. Ein Satz am Anfang der Aufnahme löst das übrigens auch: wenn jeder einmal seinen Namen sagt, steht die Zuordnung im Text und der zweite Schritt kann sie einsetzen.

Was auf Deutsch hier schwierig wird: das Übereinanderreden. In deutschen Besprechungen wird weniger übereinandergeredet als in vielen anderen Ländern, und wenn, dann bei den Sätzen, auf die es ankommt: dem Widerspruch. Genau der geht verloren. Wer aus einer Umschrift ein Protokoll erzeugt, das eine Entscheidung festhält, muss diese Stelle in der Aufnahme hören. Dazu kommt die Höflichkeitsform. Modelle mischen "Sie" und "sie" in einer Umschrift, was aus "Können Sie das prüfen" ein "können sie das prüfen" macht, und damit aus einer Aufgabe eine Frage. Beim Protokoll fällt das auf, wenn niemand als Verantwortlicher dasteht.

Anlass 4: Du willst einen Podcast oder ein Video in Text verwandeln

Für Podcast und Video nimmst du ein Werkzeug, in dem du im Text arbeitest und damit die Aufnahme veränderst, weil du hier nicht nur die Wörter brauchst, du brauchst Untertitel, Kapitel und geschnittene Fassungen. Eine reine Textdatei nützt dir hier am wenigsten.

Descript ist in diesem Feld der Standard. Die kostenlose Fassung gibt 1 Stunde Material im Monat und 100 einmalige KI-Credits. Hobbyist kostet 24 $ im Monat oder 16 $ im Monat bei Jahreszahlung und enthält 10 Stunden Material im Monat. Creator kostet 35 $ oder 24 $ bei Jahreszahlung mit 30 Stunden, Business 65 $ oder 50 $ bei Jahreszahlung mit 40 Stunden und bis zu 5 Personen. Transkribiert wird in 25 Sprachen, Deutsch ist dabei. Quelle: descript.com/pricing, abgerufen 25.09.2026.

Der Grund, warum Descript in diesem Anlass vorne liegt, ist eine einzige Eigenschaft: du löschst ein Wort im Text und es ist aus der Tonspur weg. Für eine Folge, in der jemand fünfmal "ähm" sagt und einmal einen falschen Namen nennt, ist das der Unterschied zwischen zehn Minuten und einer Stunde Arbeit. Untertitel fallen dabei nebenbei an, weil der Text bereits Zeitmarken hat.

Wenn dein Video auf YouTube liegt, hast du eine Umschrift schon, ohne zu zahlen. YouTube erzeugt automatische Untertitel, und den Text kannst du aus dem Studio als Datei ziehen. Die Qualität liegt unter dem, was ein aktuelles Modell liefert, und für die Frage "was habe ich in Minute 14 gesagt" reicht sie. Für eine Nachlese, die als Artikel veröffentlicht wird, reicht sie nicht.

Für alle, die viele Folgen im Bestand haben und nur den Text wollen, ist der günstigste Weg die Programmierschnittstelle. OpenAI nennt für Whisper 0,006 $ pro Minute und für gpt-4o-mini-transcribe geschätzt 0,003 $ pro Minute, bei gpt-4o-transcribe 2,50 $ pro Million Eingabe-Token und 10,00 $ pro Million Ausgabe-Token, geschätzt ebenfalls 0,006 $ pro Minute. Quelle: developers.openai.com/api/docs/pricing, abgerufen 25.09.2026. Eine Stunde kostet damit rund 36 Cent, hundert Folgen mit je 45 Minuten rund 27 Dollar. Dafür brauchst du jemanden, der ein kleines Skript schreibt, und genau das ist eine Aufgabe, die eine KI heute in zehn Minuten erledigt.

Was auf Deutsch hier schwierig wird: die gesprochene Sprache selbst. Ein Podcast lebt von Halbsätzen, Einschüben und Wiederholungen, und eine wörtliche Umschrift davon liest sich furchtbar. Wer aus einer Folge einen Artikel machen will, braucht deshalb zwingend den zweiten Schritt, und zwar mit der ausdrücklichen Anweisung, gesprochene Sprache in geschriebene zu übersetzen. Sonst steht am Ende ein Text, in dem jeder dritte Satz mit "Also" anfängt. Wie du aus einer langen Umschrift eine brauchbare Kurzfassung bekommst, steht in Texte mit KI zusammenfassen.

Anlass 5: Die Aufnahme ist alt und klingt schlecht

Bei einer alten Aufnahme in schlechter Qualität nimmst du das größte Modell, das du bekommst, und rechnest damit, dass ein Mensch nacharbeiten muss. Das ist der einzige Anlass in dieser Liste, bei dem Geld die Qualität wirklich ändert.

Der Grund liegt in der Größe der Modelle. Whisper gibt es in sechs Größen: tiny mit 39 Millionen Parametern und rund 1 GB Grafikspeicher bei etwa zehnfacher Geschwindigkeit, base mit 74 Millionen, small mit 244 Millionen und rund 2 GB, medium mit 769 Millionen und rund 5 GB, turbo mit 809 Millionen und rund 6 GB bei etwa achtfacher Geschwindigkeit, und large mit 1,55 Milliarden Parametern und rund 10 GB Grafikspeicher bei einfacher Geschwindigkeit. Quelle: github.com/openai/whisper, abgerufen 25.09.2026. Auf gutem Material hörst du zwischen small und large kaum einen Unterschied. Auf einer Aufnahme mit Rauschen, Hall und Bandsalat ist der Unterschied groß, weil das große Modell mehr Zusammenhang nutzt, um ein undeutliches Wort zu erraten.

Praktisch heißt das drei Dinge. Erstens: in MacWhisper wählst du das größte Modell, das dein Mac noch in vertretbarer Zeit durchrechnet, und lässt die Datei über Nacht laufen. Das kostet dich 64 Euro einmalig und keine Minutenabrechnung. Zweitens: du lässt dieselbe Datei zweimal durchlaufen, einmal mit einem mittleren und einmal mit dem großen Modell, und vergleichst die Stellen, an denen die beiden Umschriften auseinandergehen. Genau dort steckt das Rauschen. Drittens: Nebengeräusche vorher entfernen hilft mehr als jedes Modell. Eine Aufnahme, aus der du Brummen und Rauschen herausgefiltert hast, wird deutlich besser umgeschrieben.

Wenn das alles nicht reicht, kaufst du Menschen. Amberscript nennt für die professionelle Transkription ab 1,85 Euro pro Minute bei mehr als 90 Prozent Genauigkeit und 5 Werktagen Bearbeitungszeit, mit der Möglichkeit, auf einen Tag zu verkürzen, und für Untertitel ab 4,40 Euro pro Minute. In der professionellen Variante sind über 18 Sprachen verfügbar. Quelle: amberscript.com/de/preise, abgerufen 25.09.2026. Happy Scribe nennt für die menschliche Korrektur ab 1,75 Euro pro Minute und für Business-Kunden 1,66 Euro pro Minute, bei 99 Prozent Genauigkeit und mehr als 4 Stunden Bearbeitungszeit für die professionellen Leistungen. Quelle: happyscribe.com/de/preise, abgerufen 25.09.2026.

Eine Stunde menschlich nachgearbeitete Umschrift kostet damit zwischen 105 und 111 Euro. Das klingt viel, und für ein Gerichtsverfahren, ein Forschungsinterview oder die Aufnahme eines verstorbenen Angehörigen ist es das nicht. Für das Protokoll der Montagsbesprechung ist es das schon.

Für wissenschaftliches Material gibt es einen deutschen Anbieter, der seit Jahren in Universitäten läuft: audiotranskription.de mit der f4-Software. Die Software allein kostet 149 Euro für 6 Monate, 299 Euro für 2 Jahre oder 449 Euro für 5 Jahre, für Studierende 25 Euro für 3 Monate und 33 Euro für 6 Monate. Kontingente für die automatische Transkription kosten 25 Euro für 2 Stunden, 44 Euro für 5 Stunden, 88 Euro für 10 Stunden, 440 Euro für 50 Stunden und 1.599 Euro für 200 Stunden. Quelle: audiotranskription.de/preise, abgerufen 25.09.2026. Der Nutzen liegt hier nicht im Preis, er liegt in den Regelwerken für wörtliche Umschrift, die in der Forschung gefordert sind, und im Fußpedal für die Handkorrektur.

Was auf Deutsch hier schwierig wird: alles gleichzeitig. Alte Aufnahmen sind meistens in Mundart, mit Sprechern, die keine Mikrofone gewohnt sind, in Räumen mit Hall, und oft über ein Mikrofon, das drei Meter weg stand. Bei diesem Material sind die Fehler nicht gleichmäßig verteilt, sie häufen sich an den leisen Stellen, und leise Stellen sind oft die interessanten. Wer so eine Aufnahme auswertet, liest die Umschrift mit der Aufnahme im Ohr. Anders geht es nicht.

Was kostet KI-Transkription in echt?

Eine Stunde Umschrift kostet zwischen 0 und 111 Euro, und der Unterschied liegt darin, ob du eine Funktion nutzt, die in einem Abo schon bezahlt ist, ob du einen Dienst pro Stunde bezahlst oder ob ein Mensch nacharbeitet. Alle Angaben Stand 25. September 2026, geprüft auf den Seiten der Anbieter.

Weg	Preis	Was du dafür bekommst
Word im Web mit Microsoft 365	im Abo enthalten	300 Minuten Audio-Upload im Monat, Sprechertrennung als "Sprecher 1", über 80 Sprachvarianten
Word im Web mit Copilot-Lizenz	im Abo enthalten	30.000 Minuten Audio-Upload im Monat
Teams Livetranskription	in Standard-Teams enthalten	Live mitgeschrieben, Name und Zeitstempel pro Sprecher, über 50 Sprachen
Google Meet Transkripte	ab Workspace Business Standard	Datei im Drive des Organisators, 8 Sprachen inklusive Deutsch
Sprachmemos auf dem Mac	0 Euro	lokal, ab macOS 15 und Apple-Chip, Deutsch dabei, nicht in allen Regionen
Otter Basic	0 Euro	300 Minuten im Monat, höchstens 30 Minuten pro Gespräch, 3 Importe insgesamt
Otter Pro	16,99 $ im Monat, 8,33 $ bei Jahreszahlung	1.200 Minuten im Monat, 90 Minuten pro Gespräch, 10 Importe im Monat
MacWhisper kostenlos	0 Euro	lokale Umschrift in 100 Sprachen, Export als txt
MacWhisper Pro	64 Euro einmalig	Sprechererkennung, Stapel-Verarbeitung, überwachter Ordner, Export docx, srt, vtt
Amberscript ohne Abo	10 Euro pro Stunde	automatische Umschrift, über 90 Sprachen, mehrere Sprecher ohne Aufpreis, EU-Server
Amberscript Starter	19 Euro im Monat	5 Stunden im Monat, macht 3,80 Euro pro Stunde
Amberscript Power	49 Euro im Monat	25 Stunden im Monat, macht 1,96 Euro pro Stunde
Descript Hobbyist	24 $ im Monat, 16 $ bei Jahreszahlung	10 Stunden Material im Monat, Textbearbeitung der Tonspur, 25 Sprachen
OpenAI Whisper über die Schnittstelle	0,006 $ pro Minute	rund 36 Cent pro Stunde, eigenes Skript nötig
Amberscript professionell	ab 1,85 Euro pro Minute	Mensch arbeitet nach, über 90 Prozent Genauigkeit, 5 Werktage
Happy Scribe menschliche Korrektur	ab 1,75 Euro pro Minute	99 Prozent Genauigkeit laut Anbieter

Der günstigste Weg ist fast immer der, den du schon bezahlst: wer Microsoft 365 hat, transkribiert 5 Stunden im Monat ohne einen Cent extra, und wer regelmäßig darüber kommt, zahlt bei Amberscript 49 Euro für 25 Stunden.

Zum Vergrößern tippen

Der Sprung von 10 Euro auf 111 Euro pro Stunde ist der Sprung von Maschine auf Mensch, und der Sprung von 10 Euro auf 36 Cent ist der Sprung von einer Oberfläche auf ein eigenes Skript.

Zwei Dinge an dieser Aufstellung sind wichtiger als die einzelnen Zahlen. Erstens: Abrechnung pro Stunde und Abrechnung pro Monat sind zwei verschiedene Sachen, und die Werbung mischt sie gern. Ein Abo für 19 Euro im Monat ist teurer als 10 Euro pro Stunde, wenn du in dem Monat nur eine Stunde hast. Wer unregelmäßig transkribiert, nimmt die Abrechnung pro Stunde und spart das Abo. Zweitens: die Dollar-Preise bei Otter, Descript und OpenAI sind Listenpreise ohne Steuer. Was auf deiner Rechnung steht, siehst du erst an der Kasse, und bei App-Store-Käufen kommt oft noch ein Aufschlag dazu.

Wie kommst du kostenlos an eine Umschrift?

Kostenlos geht in vier Wegen, und drei davon nutzt du ohne ein weiteres Konto: die Funktion in einem Abo, das du schon hast, die lokale Umschrift auf dem eigenen Rechner, die kostenlose Stufe eines Anbieters und die automatischen Untertitel bei YouTube.

Der erste Weg wird am häufigsten übersehen: prüfe, was du schon bezahlst. Microsoft 365 bringt 300 Minuten Audio-Upload pro Monat in Word im Web mit, Teams die Livetranskription in der Standardfassung, Google Workspace ab Business Standard die Besprechungstranskripte, ein Mac mit Apple-Chip die Umschrift in den Sprachmemos. Bei den meisten Selbstständigen, mit denen wir reden, ist mindestens eine dieser vier Möglichkeiten bereits bezahlt und unbenutzt.

Der zweite Weg ist die lokale Umschrift mit MacWhisper in der Grundfassung. Whisper selbst steht unter der MIT-Lizenz frei zur Verfügung, du darfst es also auch geschäftlich auf dem eigenen Rechner laufen lassen. Der Preis dafür ist Zeit: das große Modell braucht länger als die Aufnahme dauert, und über Nacht ist das kein Problem.

Der dritte Weg sind die kostenlosen Stufen: Otter Basic mit 300 Minuten im Monat und 30 Minuten pro Gespräch, Descript Free mit 1 Stunde Material im Monat, Happy Scribe mit 10 Testminuten bei höchstens 45 Minuten Aufnahmelänge. Quellen: otter.ai/pricing, descript.com/pricing, happyscribe.com/de/preise, alle abgerufen 25.09.2026. Nutze sie für den einen Test, der für dein Material etwas aussagt: eine echte Aufnahme aus deinem Alltag durch zwei Anbieter schicken und die Umschriften vergleichen. Die Vergleiche im Netz sind an englischen Podcasts mit Studiomikrofonen gemacht.

Der vierte Weg ist YouTube: Video hochladen, auf private stellen, Untertitel erzeugen lassen, Text herausziehen, Video löschen. Für eine einzelne Datei ohne vertrauliche Inhalte ist das der schnellste kostenlose Weg, für Kundenmaterial ist es keiner, weil die Datei dabei auf Servern in den USA liegt.

Kostenlos endet dort, wo Regelmäßigkeit anfängt. Wer zwei Aufnahmen im Monat hat, kommt mit 0 Euro durch. Wer zehn Kundengespräche in der Woche führt und daraus Protokolle braucht, zahlt entweder ein Abo oder mit seiner Zeit, und die eigene Stunde ist teurer als 10 Euro. Was dabei an anderen Stellen im Büro zusammenläuft, steht in KI im Büro.

Was nach der Umschrift kommt: aus 40 Seiten Rohtext wird erst im zweiten Schritt ein Protokoll

Eine Umschrift ist Rohmaterial, und das Protokoll entsteht erst, wenn du diesen Rohtext in einem zweiten Durchgang durch ein Sprachmodell schickst, das daraus Entscheidungen, Aufgaben und offene Punkte zieht. Ohne diesen Schritt hast du aus einer Stunde Gespräch 30 Seiten Text gemacht, die niemand liest.

Die Rechnung dahinter ist einfach. Menschen sprechen im Gespräch rund 150 Wörter in der Minute. Eine Stunde sind also etwa 9.000 Wörter, und auf eine Normseite gehen 250. Das sind 36 Seiten. Von diesen 36 Seiten sind oft nur 15 Zeilen wichtig: drei Zusagen, zwei Termine, ein Preis, eine Bedingung. Die Umschrift hat dir das Zuhören abgenommen, sie hat dir das Lesen nicht abgenommen. Der zweite Schritt nimmt dir das Lesen ab.

Drei Dinge müssen in diesem zweiten Schritt drinstehen, damit das Ergebnis brauchbar wird. Erstens die Art des Gesprächs: ein Modell, dem du sagst, es hat ein Verkaufsgespräch vor sich, sucht Einwände und Preisreaktionen, bei einem internen Planungsgespräch sucht es Aufgaben und Zuständigkeiten. Zweitens die echten Namen, denn jede Umschrift enthält falsch geschriebene Eigennamen und "Sprecher 1" bis "Sprecher 4", und das Einsetzen der richtigen Namen ist der größte Qualitätssprung für den kleinsten Aufwand. Drittens die Grenze zur Erfindung: ein Modell füllt Lücken gern mit dem, was plausibel klingt, deshalb steht im Prompt ausdrücklich, dass jede Aussage im Text stehen muss und unklare Stellen als unklar markiert werden.

Hier ist der Prompt, den du dafür nutzen kannst. Er geht in Claude, ChatGPT oder Gemini, und die Umschrift kommt als Datei oder als Text dazu.

Du bekommst die automatische Umschrift eines Gesprächs. Sie enthält Hörfehler,
falsch geschriebene Eigennamen und gesprochene Sprache mit Halbsätzen.

Art des Gesprächs: [Kundengespräch / interne Besprechung / Interview / Sprachnotiz]
Datum: [Datum]
Teilnehmer und ihre Rollen: [Name, Rolle. Name, Rolle. Wer ist Sprecher 1, wer Sprecher 2]
Namen, Orte und Fachbegriffe, die im Gespräch vorkommen und richtig geschrieben
werden müssen: [Liste]
Was ich mit dem Ergebnis mache: [Angebot schreiben / Aufgaben verteilen / Artikel schreiben]

Arbeite in dieser Reihenfolge und gib nur das Ergebnis aus, keinen Vorspann:

1. Korrigiere die Eigennamen und Fachbegriffe aus meiner Liste in der Umschrift und
   setze die echten Namen anstelle von "Sprecher 1", "Sprecher 2" ein.
2. Kurzfassung in maximal 6 Sätzen: worum ging es, was ist das Ergebnis.
3. Entscheidungen: was wurde festgelegt. Pro Zeile die Entscheidung, wer sie
   getroffen hat und das wörtliche Zitat aus der Umschrift in Anführungszeichen.
4. Aufgaben: was macht wer bis wann. Pro Zeile Aufgabe, Name, Frist. Wenn keine
   Frist genannt wurde, schreibe "keine Frist genannt".
5. Offene Punkte: was wurde angesprochen und nicht geklärt.
6. Zahlen, Preise und Fristen, die im Gespräch gefallen sind, als Liste mit dem
   wörtlichen Zitat daneben.
7. Unklare Stellen: wo ist die Umschrift widersprüchlich oder unverständlich.
   Nenne die Stelle mit Zeitmarke, wenn die Umschrift Zeitmarken hat.

Regeln:
- Alles, was du schreibst, muss in der Umschrift stehen. Erfinde nichts, ergänze
  nichts aus deinem Allgemeinwissen und glätte keine Widersprüche.
- Wenn eine Angabe fehlt, schreibe "steht nicht in der Umschrift".
- Schreibe in normaler deutscher Geschäftssprache, keine Stichwortfetzen.
- Keine Bewertung, keine Empfehlung, keine Einschätzung meiner Leistung.

Der Punkt, der diesen Prompt von den Vorlagen unterscheidet, die überall stehen, ist Nummer 7. Ein Protokoll, das die unklaren Stellen benennt, sagt dir, wo du in die Aufnahme hören musst. Ein Protokoll ohne diesen Abschnitt liest sich glatter und lässt dich in dem Glauben, dass alles drinsteht.

Wenn das Material in einem Ordner liegt und du regelmäßig Fragen daran stellen willst, statt einmal ein Protokoll zu ziehen, dann ist ein Notizbuch die bessere Wahl als ein Chat: die Antwort kommt dort mit Verweis auf die Fundstelle in der Datei. Wie das funktioniert, steht in NotebookLM erklärt.

Zum Vergrößern tippen

Aus einer Stunde Gespräch werden rund 9.000 Wörter und damit etwa 36 Seiten Umschrift, und aus diesen 36 Seiten wird im zweiten Schritt eine Seite Protokoll mit Entscheidungen, Aufgaben, Fristen und den Stellen, die unklar geblieben sind.

Was gilt rechtlich, bevor du auf Aufnahme drückst?

Eine Aufnahme eines Gesprächs ohne Erlaubnis der anderen Person ist in Deutschland eine Straftat, und das gilt auch für das Telefonat mit dem Kunden und die Besprechung im eigenen Büro. § 201 Absatz 1 StGB lautet: "Mit Freiheitsstrafe bis zu drei Jahren oder mit Geldstrafe wird bestraft, wer unbefugt das nichtöffentlich gesprochene Wort eines anderen auf einen Tonträger aufnimmt oder eine so hergestellte Aufnahme gebraucht oder einem Dritten zugänglich macht." Quelle: gesetze-im-internet.de/stgb/__201.html, abgerufen 25.09.2026. Einordnung aus der Praxis, ersetzt keine Rechtsberatung.

Drei Wörter in diesem Satz zählen. "Unbefugt" heißt: mit Erlaubnis ist es erlaubt. "Nichtöffentlich gesprochen" heißt: ein Vortrag vor 200 Leuten ist etwas anderes als ein Zweiergespräch. Und "gebraucht oder einem Dritten zugänglich macht" heißt: die Weitergabe einer unerlaubten Aufnahme ist genauso strafbar wie die Aufnahme selbst. Wer eine Aufnahme ohne Erlaubnis zu einem Transkriptionsdienst hochlädt, macht sie damit einem Dritten zugänglich. Einordnung aus der Praxis, ersetzt keine Rechtsberatung.

Der zweite Strang ist der Datenschutz, denn eine Aufnahme einer Stimme ist eine Verarbeitung personenbezogener Daten. Artikel 6 Absatz 1 der Datenschutz-Grundverordnung beginnt mit den Worten "Die Verarbeitung ist nur rechtmäßig, wenn mindestens eine der nachstehenden Bedingungen erfüllt ist", und die erste dieser Bedingungen lautet: "Die betroffene Person hat ihre Einwilligung zu der Verarbeitung der sie betreffenden personenbezogenen Daten für einen oder mehrere bestimmte Zwecke gegeben." Quelle: Verordnungstext DSGVO, Artikel 6 Absatz 1 Buchstabe a, abgerufen 25.09.2026. Einordnung aus der Praxis, ersetzt keine Rechtsberatung.

Wie diese Einwilligung aussehen muss, steht in Artikel 4 Nummer 11. Dort ist Einwilligung definiert als "jede freiwillig für den bestimmten Fall, in informierter Weise und unmissverständlich abgegebene Willensbekundung in Form einer Erklärung oder einer sonstigen eindeutigen bestätigenden Handlung, mit der die betroffene Person zu verstehen gibt, dass sie mit der Verarbeitung der sie betreffenden personenbezogenen Daten einverstanden ist." Quelle: Verordnungstext DSGVO, Artikel 4 Nummer 11, abgerufen 25.09.2026. Einordnung aus der Praxis, ersetzt keine Rechtsberatung.

Praktisch heißt "freiwillig, für den bestimmten Fall, informiert und unmissverständlich" vier Dinge für den Satz, den du im Gespräch sagst. Die andere Person muss Nein sagen können, ohne Nachteil. Sie muss wissen, um welche Aufnahme es geht, nicht um "Aufnahmen allgemein". Sie muss wissen, was damit passiert. Und ein Schweigen genügt nicht, es braucht ein Ja oder eine klare Handlung.

So sieht der Satz aus, der diese vier Punkte abdeckt und den du in zehn Sekunden sagst: "Bevor wir anfangen: ich würde das Gespräch aufnehmen, damit ich hinterher ein Protokoll daraus erstellen kann, statt mitzuschreiben. Die Aufnahme wird von einem Dienstleister automatisch in Text umgeschrieben, ich lösche sie nach dem Protokoll wieder. Ist das für Sie in Ordnung?" Danach wartest du auf die Antwort, und du hältst die Antwort fest, am besten auf der Aufnahme selbst. Ein Ja auf der Tonspur ist der einfachste Nachweis, den es gibt. Einordnung aus der Praxis, ersetzt keine Rechtsberatung.

Der dritte Strang betrifft den Dienstleister. Wenn du die Aufnahme zu einem Anbieter hochlädst, verarbeitet dieser Anbieter personenbezogene Daten für dich. Artikel 28 Absatz 3 Satz 1 DSGVO verlangt dafür einen Vertrag: "Die Verarbeitung durch einen Auftragsverarbeiter erfolgt auf der Grundlage eines Vertrags oder eines anderen Rechtsinstruments nach dem Unionsrecht oder dem Recht der Mitgliedstaaten, der bzw. das den Auftragsverarbeiter in Bezug auf den Verantwortlichen bindet und in dem Gegenstand und Dauer der Verarbeitung, Art und Zweck der Verarbeitung, die Art der personenbezogenen Daten, die Kategorien betroffener Personen und die Pflichten und Rechte des Verantwortlichen festgelegt sind." Quelle: Verordnungstext DSGVO, Artikel 28 Absatz 3, abgerufen 25.09.2026. Einordnung aus der Praxis, ersetzt keine Rechtsberatung.

Daraus folgt eine Reihenfolge für die Wahl des Werkzeugs, die vor dem Preisvergleich kommt. Für Kundengespräche mit Namen und Zahlen nimmst du einen Anbieter, mit dem ein solcher Vertrag zustande kommt und der sagt, wo die Daten liegen. Amberscript nennt EU-Server und den Bezug auf die DSGVO ausdrücklich in der Preisübersicht. Quelle: amberscript.com/de/preise, abgerufen 25.09.2026. Der Weg, bei dem diese Frage komplett entfällt, ist die lokale Umschrift: was den Rechner nie verlässt, wird von niemandem verarbeitet.

Zwei weitere Punkte, die in der Praxis auffallen. Wenn die Besprechung in Teams läuft, bekommen alle Teilnehmer laut Microsoft eine Benachrichtigung, dass transkribiert wird, und damit ist die Information erledigt, das Ja der Teilnehmer nicht. Und die Aufnahme eines Gesprächs mit Beteiligten aus mehreren Ländern folgt nicht nur deutschem Recht, in einigen Ländern gelten andere Regeln für die Zustimmung. Einordnung aus der Praxis, ersetzt keine Rechtsberatung.

Kurz zur Einordnung: Das hier ist unsere Einordnung aus der Praxis, keine Rechtsberatung. Was in deinem Fall gilt, klärst du mit deinem Datenschutzbeauftragten oder Anwalt.

Wie wir Aufnahmen bei uns behandeln

Bei uns liegt die Arbeit in Claude, und deshalb endet bei uns keine Aufnahme als Textdatei, sie endet als Eintrag in einem System. Wir arbeiten beide täglich in Claude Code und Claude Cowork, und das läuft nicht im Free-Plan.

Daniels Wissens-System, ein Obsidian-Vault namens daniel.OS, ist komplett mit Claude entstanden und läuft mit über 60 eigenen Skills. Einer davon macht aus einem Meeting eine Aufgabenliste, einer bringt einen Sales-Call ins CRM, einer schreibt am Ende jeder Arbeitssitzung das Protokoll des Tages. Dieselben drei Skills stecken im Second Brain Boost-Pack, das wir für 149 Euro anbieten, zusammen mit einem Setup-Video von 18 Minuten. Der Punkt an dieser Aufzählung ist nicht die Zahl der Skills, es ist die Richtung: die Umschrift ist bei uns die Eingabe eines Ablaufs und nicht dessen Ergebnis.

Der zweite Teil unserer Praxis ist die Grenze. Wir führen mehrere Unternehmen ohne zusätzliches Team, von pintry. über KI.ohne.Team bis zum Mandat für DoktorLeads und die Kunden-Websites, und in diesen Mandaten liegen Kundendaten. Alles, was aus solchen Gesprächen kommt, wird bei uns behandelt wie eine Mail an einen Dienstleister: wenn der Inhalt darin nicht stehen dürfte, geht er auch nicht in ein Werkzeug, für das kein Vertrag da ist.

Und der dritte Teil ist die Reihenfolge, die Sascha in oh.my.Claude lehrt, unserem Einsteigerkurs mit monatlicher Live-Masterclass für 169 Euro: zuerst Cowork, dann die Projekte ordentlich, dann Claude Code. Auf Transkription übertragen heißt das: zuerst eine Aufnahme durch ein Werkzeug schicken, das du schon bezahlst, dann den zweiten Schritt festlegen, und erst danach über ein Abo nachdenken. Die meisten machen es umgekehrt und haben nach zwei Monaten ein Abo, drei Umschriften und keinen Ablauf.

Welche Fehler wir bei diesem Thema immer wieder sehen

Die vier Fehler, die bei Transkription am meisten Zeit kosten, sind ein Abo für zwei Aufnahmen im Monat, eine Umschrift ohne zweiten Schritt, das falsche Mikrofon und die Aufnahme ohne Erlaubnis. Keiner davon hat mit der Qualität der Modelle zu tun.

Der erste ist der Klassiker: jemand liest einen Vergleich, kauft ein Werkzeug für 24 Dollar im Monat, transkribiert drei Dateien und zahlt danach elf Monate weiter. Die Gegenmaßnahme dauert fünf Minuten: zähle, wie viele Aufnahmen du im letzten Quartal wirklich hattest. Bei weniger als fünf Stunden im Monat ist der Weg über ein Abo, das du schon hast, oder über die Abrechnung pro Stunde immer günstiger.

Der zweite ist die Umschrift, die im Ordner liegt. Das erkennst du daran, dass du beim Suchen nach einer Zusage die Aufnahme öffnest und nicht die Textdatei. Ein Protokoll, das in derselben Stunde entsteht wie die Umschrift, ist mehr wert als zehn Umschriften, die auf den zweiten Schritt warten.

Der dritte ist das Mikrofon, und er ist der teuerste, weil ihn kein Abo repariert. Ein Headset für 60 Euro verbessert jede Umschrift mehr als der Wechsel von einem Anbieter zum anderen. Bei Aufnahmen im Raum gilt: näher ist besser als teurer.

Der vierte ist die Aufnahme ohne Erlaubnis, meistens aus Vergesslichkeit. Der Satz aus dem Abschnitt oben gehört in die eigene Gesprächsvorlage, direkt neben die Begrüßung. Einordnung aus der Praxis, ersetzt keine Rechtsberatung.

Dazu kommt die Suche nach dem einen Werkzeug für alles. Es gibt es nicht: ein Editor für Podcasts taugt nicht für Sprachnotizen, eine lokale Umschrift nicht für eine Besprechung mit sechs Teilnehmern, ein Konferenzwerkzeug nicht für eine alte Aufnahme. Wer mit drei kostenlosen Wegen arbeitet und einmal im Jahr 30 Euro für eine schwierige Datei ausgibt, ist besser dran als jemand mit einem Abo für 50 Dollar im Monat. Welches Werkzeug auf dem Handy für welchen Zweck taugt, steht in die beste KI-App.

Wie sich Transkription neben Chat, Recherche und den übrigen KI-Werkzeugen einordnet, mit Preisen und Datenschutz, steht im Pillar welche KI die beste für dein Business ist.

Whisper und ChatGPT sind Marken von OpenAI, Claude ist eine Marke von Anthropic PBC, Word, Teams, Microsoft 365 und Copilot sind Marken von Microsoft, Google Meet, Workspace und Gemini sind Marken von Google, Amberscript, Otter, Descript, Happy Scribe, MacWhisper und f4 sind Marken der jeweiligen Anbieter. KI.ohne.Team steht in keiner Verbindung zu diesen Unternehmen.

Fazit

Die Umschrift selbst ist kein Kostenfaktor mehr: über die Programmierschnittstelle kostet eine Stunde 36 Cent, in Word im Web und in den Sprachmemos auf dem Mac kostet sie nichts, und selbst ohne Abo liegt sie bei 10 Euro. Teuer wird nur noch der Mensch, der nacharbeitet, mit rund 111 Euro pro Stunde, und den brauchst du bei altem Material mit schlechtem Ton. Die eigentliche Arbeit liegt an zwei anderen Stellen: vor der Aufnahme bei der Erlaubnis, und nach der Umschrift beim zweiten Schritt, der aus 36 Seiten eine Seite macht. Wer diese zwei Stellen geregelt hat, braucht kein weiteres Abo.

Häufige Fragen

Was ist die beste KI für Transkription?

Es gibt keine beste, es gibt eine pro Anlass. Für eine eigene Sprachnotiz die Sprachmemos auf dem Mac oder MacWhisper, beides lokal und kostenlos. Für ein Kundengespräch Word im Web mit 300 Minuten im Monat aus dem Microsoft-365-Abo oder Amberscript für 10 Euro pro Stunde mit EU-Servern. Für eine Besprechung mit mehreren Personen die Transkription von Teams oder Google Meet, weil nur sie die echten Namen kennt. Für Podcast und Video Descript ab 16 $ im Monat bei Jahreszahlung. Für alte Aufnahmen das große Whisper-Modell lokal, danach ein Mensch ab 1,85 Euro pro Minute. Stand: 25. September 2026.

Gibt es KI-Transkription kostenlos?

Ja, in vier Wegen. Word im Web schreibt mit einem Microsoft-365-Abo 300 Minuten Audio pro Monat um, Teams hat die Livetranskription in der Standardfassung, ein Mac mit Apple-Chip und macOS 15 oder neuer transkribiert in den Sprachmemos lokal, und Otter Basic gibt 300 Minuten im Monat bei höchstens 30 Minuten pro Gespräch. Dazu kommt MacWhisper in der kostenlosen Fassung mit Umschrift in 100 Sprachen auf dem eigenen Rechner. Quellen: support.microsoft.com, support.apple.com, otter.ai/pricing, macwhisper.com, alle abgerufen 25.09.2026.

Wie genau ist KI-Transkription auf Deutsch?

Auf sauber aufgenommenem Hochdeutsch so genau, dass du den Text ohne die Aufnahme lesen kannst, bei Dialekt, Nebengeräuschen und mehreren Stimmen gleichzeitig deutlich schlechter. Eine belastbare Prozentzahl für die automatische Umschrift auf Deutsch veröffentlicht kein Anbieter. OpenAI schreibt zu Whisper, die Leistung schwanke je nach Sprache stark. Zahlen wie 99 Prozent beziehen sich bei Amberscript und Happy Scribe auf die Varianten, bei denen ein Mensch nacharbeitet. Die häufigsten Fehler sind Eigennamen, Fachbegriffe und fehlende Verneinungen.

Wie lange dauert eine KI-Transkription?

Bei einem Dienst im Netz meistens ein Bruchteil der Aufnahmezeit, oft wenige Minuten für eine Stunde Audio. Lokal auf dem eigenen Rechner hängt es am Modell: die kleinen Whisper-Modelle laufen laut OpenAI rund sieben- bis zehnmal schneller als Echtzeit, das große Modell braucht etwa so lange wie die Aufnahme selbst oder länger. Menschliche Nacharbeit dauert bei Amberscript 5 Werktage, gegen Aufpreis einen Tag. Quellen: github.com/openai/whisper, amberscript.com/de/preise, abgerufen 25.09.2026.

Darf ich ein Kundengespräch aufnehmen?

Nur mit Erlaubnis. § 201 Absatz 1 StGB stellt das unbefugte Aufnehmen des nichtöffentlich gesprochenen Wortes unter Strafe, mit Freiheitsstrafe bis zu drei Jahren oder Geldstrafe, und das gilt auch für das Weitergeben einer solchen Aufnahme an Dritte, also für den Upload zu einem Transkriptionsdienst. Nach Artikel 4 Nummer 11 DSGVO muss die Einwilligung freiwillig, für den bestimmten Fall, informiert und unmissverständlich sein. Praktisch: vor dem Start sagen, dass du aufnimmst, wofür, wer den Text verarbeitet und wann du löschst, dann auf das Ja warten und es auf der Aufnahme festhalten. Einordnung aus der Praxis, ersetzt keine Rechtsberatung.

Erkennt KI verschiedene Sprecher?

Ja, mit Unterschieden. Teams und Google Meet schreiben die echten Namen, weil sie die Konten kennen, Teams zeigt Name und Zeitstempel pro Sprecher. Word im Web trennt die Sprecher und nennt sie "Sprecher 1", "Sprecher 2". MacWhisper Pro für 64 Euro einmalig hat eine automatische Sprechererkennung, Amberscript berechnet mehrere Sprecher nicht extra. Wenn alle Stimmen auf einer Tonspur liegen, ist die Trennung immer eine Schätzung. Ein Satz am Anfang der Aufnahme, in dem jeder seinen Namen sagt, löst die Zuordnung zuverlässiger als jede Software.

Was kostet eine Stunde Transkription?

Zwischen 0 Euro und 111 Euro. Kostenlos in Word im Web mit Microsoft-365-Abo (300 Minuten im Monat), in Otter Basic (300 Minuten im Monat) und lokal auf dem Mac. Rund 36 Cent über die OpenAI-Schnittstelle bei 0,006 $ pro Minute. 1,96 Euro im Amberscript-Abo für 49 Euro mit 25 Stunden. 10 Euro bei Amberscript ohne Abo. Rund 111 Euro, wenn ein Mensch nacharbeitet, bei 1,85 Euro pro Minute. Stand: 25. September 2026, geprüft auf den Seiten der Anbieter.

Funktioniert KI-Transkription bei Dialekt?

Eingeschränkt. Wer zwischen Mundart und Hochdeutsch wechselt, bekommt Sätze, die grammatisch richtig aussehen und inhaltlich daneben liegen, und das ist gefährlicher als ein offensichtlicher Fehler. Was hilft: das größte verfügbare Modell nehmen, eine eigene Wortliste hinterlegen, wenn das Werkzeug das kann, und bei jeder Aussage, die verbindlich wird, in die Aufnahme hören. Bei wichtigem Material in starker Mundart ist menschliche Nacharbeit ab 1,75 Euro pro Minute der ehrlichere Weg. Eine belastbare Zahl zur Dialekt-Genauigkeit veröffentlicht kein Anbieter, und wir haben sie selbst nicht gemessen.

Was wir aus einer Aufnahme machen, bevor sie im Ordner verschwindet

Wir prüfen jedes Werkzeug an derselben Frage: nimmt es uns einen Ablauf ab, der sich jede Woche wiederholt, oder löst es eine Aufgabe, die einmal anfällt? Transkription allein löst nichts, sie liefert Rohtext. Bei uns hängt an jeder Aufnahme ein zweiter Schritt, der daraus Aufgaben, einen CRM-Eintrag oder ein Tagesprotokoll macht, und genau diese Schritte sind die Arbeit, über die wir jede Woche im Newsletter schreiben, der nach dem LinkedIn-Start in 3 Wochen auf knapp 1.000 Abonnenten gewachsen ist.