Audio mit KI transkribieren: kostenlose und kostenpflichtige Optionen

Du hast gerade ein 45-minütiges Kundeninterview geführt. Die Audioaufnahme liegt auf deinem Handy, die guten Zitate stecken irgendwo mittendrin. Alles selbst abzutippen würde den Rest deines Nachmittags kosten.

So transkribierst du Audio mit KI: Prüfe zuerst, ob das Tool, mit dem du aufgenommen hast, schon ein Transkript erstellt hat. Bei Google Meet, Word und der App Voice Memos auf dem iPhone ist das oft der Fall. Falls nicht, lade die Datei in Word im Web, ChatGPT oder Gemini hoch. Sag dem Tool, was du brauchst: eine wortgetreue Abschrift, die Zuordnung der Sprecher, Zeitstempel. Gib auch die Namen und Fachbegriffe an, die in der Aufnahme vorkommen. Nimm dir danach zehn Minuten, um Namen, Zahlen und jedes Zitat, das du verwenden willst, mit der Aufnahme abzugleichen. Die KI tippt. Du prüfst, worauf es ankommt.

Hier erfährst du, welcher Weg zu deiner Aufnahme passt. Du bekommst einen Prompt zum Kopieren, Tipps für ein saubereres Transkript und eine Prüfliste, damit keine falsch wiedergegebenen Zitate in deinem Bericht landen. Außerdem erfährst du, was du aus dem fertigen Text machen kannst.

Wähle den passenden Weg für deine Aufnahme

Es gibt nicht das eine beste Tool zum Transkribieren. Die richtige Wahl hängt davon ab, wo deine Aufnahme liegt und wofür du bereits bezahlst. Geh diese Liste von oben durch und bleib bei der ersten Option, die passt.

1. Das Meeting fand bereits in Google Meet statt

Schau zuerst nach, ob es schon ein Transkript gibt, bevor du etwas hochlädst. Google Meet kann ein laufendes Meeting transkribieren: über Meeting tools, dann Transcribe. Das Transkript wird im Google Drive des Organisators gespeichert und dem Kalendertermin angehängt. Nach dem Gespräch erhält der Gastgeber eine E-Mail mit einem Link (Google Meet-Hilfe: Transkripte mit Google Meet verwenden). Viele andere Meeting-Tools bieten eine ähnliche Einstellung. Prüfe deshalb zuerst dein eigenes.

2. Du hast eine Sprachaufnahme auf deinem iPhone

Auf einem neueren iPhone kann die App Voice Memos ein Transkript deiner Aufnahme anzeigen. Die Funktion ist nicht in jeder Region oder Sprache verfügbar. Tippe auf die Aufnahme, dann auf More und wähle Copy Transcript, um das Transkript zu kopieren. Füge es dort ein, wo du es brauchst (Apple Support: Transkript in Voice Memos anzeigen). Auch die App Notes kann auf dem iPhone 12 und neueren Modellen Audio aufnehmen und transkribieren. Apple weist darauf hin, dass beim Löschen der Aufnahme dort auch das Transkript gelöscht wird. Füge den Text deshalb zuerst zur Notiz hinzu (Apple Support: Audio in Notes aufnehmen und transkribieren).

3. Du hast Microsoft 365

Word bietet die Funktion Transcribe zum Transkribieren: Home, Dropdown-Menü Dictate, Transcribe, Upload audio. Sie nimmt Dateien im Format .wav, .mp4, .m4a und .mp3 an, unterscheidet die Sprecher und fügt Zeitstempel hinzu. So kannst du die passenden Stellen anhören, während du den Text korrigierst. Ein Microsoft 365-Abonnement umfasst bis zu 300 Minuten hochgeladene Audioaufnahmen pro Monat. Im Browser funktioniert die Funktion in Edge und Chrome (Microsoft Support: Aufnahmen transkribieren). Für Interviews ist Word oft die bequemste Lösung zum Bearbeiten, weil du jede Zeile im selben Bereich anhören und korrigieren kannst.

4. Du nutzt einen kostenpflichtigen ChatGPT-Tarif

Du kannst eine Audiodatei an einen ChatGPT-Chat anhängen und um ein Transkript bitten. Unterstützt werden MP3, M4A, WAV, FLAC und weitere Formate mit einer Dateigröße von bis zu 512 MB. Im Free-Tarif sind Audio-Uploads nicht enthalten. OpenAI sagt auch ausdrücklich, dass Transkripte Fehler enthalten können und die Sprechererkennung nicht immer zuverlässig ist. Gleiche wichtige Details deshalb mit der Aufnahme ab (OpenAI-Hilfe: Dateien und Audio in ChatGPT hochladen). Der große Vorteil: Du kannst im selben Chat Rückfragen zum Gesagten stellen.

5. Du nutzt Gemini

Auch die Gemini-App nimmt Audiodateien an: über Add files und dann Upload files. Mit einem kostenlosen Konto darf die gesamte Audiolänge pro Upload 10 Minuten betragen. Mit Google AI Pro oder Ultra steigt das Limit auf 3 Stunden. Jede Audiodatei darf bis zu 100 MB groß sein (Gemini Apps-Hilfe: Dateien hochladen und analysieren). Die kostenlose Version eignet sich damit für eine kurze Sprachnotiz, reicht aber nicht für ein vollständiges Interview.

6. Du möchtest viele Dateien automatisch transkribieren

Wenn regelmäßig Aufnahmen bei dir ankommen, etwa Verkaufsgespräche, Podcast-Folgen oder Mailbox-Nachrichten für den Support, kann die Speech-to-Text-API von OpenAI Dateien bis zu 25 MB verarbeiten. Dazu gehören Formate wie mp3, m4a und wav. Du kannst eine kurze Beschreibung der Aufnahme und eine Liste der erwarteten Begriffe mitgeben. Das hilft bei Namen und Fachbegriffen (OpenAI API-Dokumentation: Dateien transkribieren). Dafür brauchst du einen Entwickler oder ein vorgeschaltetes Automatisierungstool wie n8n oder Zapier. Unser n8n-Tutorial für Einsteiger zeigt, wie so ein Workflow aufgebaut wird.

Audio mit KI in ChatGPT oder Gemini transkribieren: Schritt für Schritt

1. Prüfe die Datei. MP3, M4A oder WAV funktionieren fast überall. Wenn deine Aufnahme ein Video ist, exportiere zuerst die Audiospur. ChatGPT lehnt Dateien ab, die es als Video erkennt.
2. Schneide weg, was du nicht brauchst. Zehn Minuten Wartezeit, bis alle dabei sind, sind zehn Minuten unnötiges Material für die KI und für dich.
3. Hänge die Datei an und füge eine klare Anweisung ein. Sag, welches Format du möchtest, wer spricht und welche Wörter schwierig sein könnten.
4. Höre die ersten zwei Minuten an und lies den Text dazu. Wenn die Sprecher schon am Anfang falsch zugeordnet sind, korrigiere das mit einer weiteren Nachricht, bevor du weitermachst.
5. Speichere das Transkript in einem eigenen Dokument. Schreib das Datum und den Namen der Aufnahme oben hin.

Diesen Prompt kannst du kopieren und anpassen:

Transkribiere diese Aufnahme wortgetreu.

Kontext: ein 40-minütiges Interview zwischen mir (Sam, der Interviewer) und Lena Hart, Leiterin des operativen Geschäfts eines Logistikunternehmens. Es geht darum, wie ihr Team die wöchentlichen Routen plant.

Regeln:
- Kennzeichne jeden Sprecher mit SAM oder LENA.
- Beginne bei jedem Sprecherwechsel einen neuen Absatz und setze [mm:ss] an den Anfang.
- Lass Füllwörter weg, aber kürze oder formuliere sonst nichts um.
- Namen und Begriffe, die vorkommen: Lena Hart, RouteMaster, TMS, Q3, Depot Rotterdam.
- Wenn eine Passage unklar ist, schreibe [unverständlich mm:ss], statt zu raten.

Die letzte Regel ist wichtiger, als sie auf den ersten Blick wirkt. Eine Lücke, die du mit der Aufnahme füllen kannst, ist besser als ein flüssiger Satz, den niemand gesagt hat.

So sorgst du schon vor dem Upload für ein saubereres Transkript

Die meisten Fehler im Transkript haben ihren Ursprung in der Aufnahme, nicht in der KI. Ein paar Gewohnheiten helfen viel:

• Platziere das Mikrofon nah an den Personen, die sprechen. Ein Handy in der Mitte eines großen Tisches hört die Klimaanlage besser als die leise Person am anderen Ende.
• Immer nur eine Person spricht. Wenn alle durcheinanderreden, fällt es jedem Tool schwer, die Sprecher zu unterscheiden. Auch OpenAI weist auf seiner Hilfeseite darauf hin, dass die Sprechererkennung nicht immer zuverlässig ist.
• Nenne die Namen am Anfang. „Hier ist Sam, ich spreche mit Lena aus dem operativen Geschäft“ gibt der KI und dir beim späteren Nachhören einen klaren Anhaltspunkt.
• Gib der KI deine Begriffe mit. Bei Produktnamen, Kundennamen und Abkürzungen passieren häufig Fehler. Genau deshalb empfiehlt die OpenAI-Dokumentation, dem Modell Kontext und die erwarteten Begriffe mitzugeben (OpenAI API-Dokumentation). In einem Chat erfüllt eine kurze Liste im Prompt denselben Zweck.
• Achte auf die Sprache. Alle genannten Tools führen auf, welche Sprachen sie unterstützen. OpenAI weist darauf hin, dass die Qualität je nach Sprache variiert. Wenn in deinem Meeting zwischen Englisch und Niederländisch gewechselt wird, schreib das in den Prompt.

Erst prüfen, dann vertrauen

KI-Transkripte lesen sich flüssig. Genau deshalb fallen Fehler nicht immer auf. Ein falsches Wort wirkt genauso überzeugend wie ein richtiges.

Dazu gibt es Forschung. Eine von der Cornell University geleitete Studie zum OpenAI-Modell Whisper stellte fest: Die meisten Transkriptionen waren sehr genau. Rund 1% enthielten jedoch ganze Formulierungen oder Sätze, die in der Aufnahme gar nicht vorkamen. Das passierte häufiger rund um längere Pausen und stille Abschnitte (Koenecke et al., Careless Whisper, FAccT 2024). Die Studie untersuchte ein Modell von 2023, und die Tools haben sich seitdem verändert. Die Schlussfolgerung bleibt aber gültig: Das Transkript ist ein Entwurf, die Aufnahme ist die Quelle.

Mit diesem Zehn-Minuten-Check findest du die Fehler, die Folgen haben können:

1. Jedes Zitat, das du verwenden willst. Spiele die genaue Stelle ab und vergleiche Wort für Wort. Ein Zitat in einer Fallstudie oder einem Bericht muss wiedergeben, was die Person gesagt hat.
2. Jede Zahl und jedes Datum. „Fifteen“ und „fifty“ klingen im Englischen ähnlich. Auch viele Preisangaben klingen ähnlich.
3. Jeder Name. Personen, Unternehmen, Produkte. Suche im Transkript nach jedem einzelnen.
4. Jeder Satz, der dich überrascht. Wenn er nicht nach der Person klingt, hör nach. Achte besonders auf die Stellen nach einer längeren Pause.
5. Die Sprecherzuordnung bei Entscheidungen. Wer gesagt hat „Wir liefern am Freitag“, ist später wichtig.

Word macht dir das leicht, weil jeder Absatz mit der passenden Stelle in der Aufnahme verknüpft ist. In ChatGPT oder Gemini helfen dir die [mm:ss]-Zeitstempel aus dem Prompt oben genauso: Spring zur angegebenen Zeit und hör nach.

Mach etwas Nützliches aus dem Transkript

Ein Transkript allein ist erst einmal viel Text. Richtig Zeit sparst du, wenn du die KI daraus machen lässt, was du tatsächlich brauchst. Probiere im selben Chat Folgendes:

Verwende ausschließlich das Transkript oben:
1. Liste jede Entscheidung auf, mit der Person, die sie getroffen hat, und dem Zeitstempel.
2. Liste alle Aufgaben auf: was, wer, bis wann. Schreibe „kein Datum genannt“, wenn keines genannt wurde.
3. Gib mir die 5 stärksten Zitate von LENA zur Routenplanung, wortgetreu und jeweils mit Zeitstempel.
Ergänze nichts, was nicht im Transkript steht.

Dann geht es mit dem nächsten Arbeitsschritt weiter:

• Für ein Meeting zeigen dir unsere Anleitungen, wie du Meeting-Notizen mit ChatGPT zusammenfasst oder aus Meeting-Notizen einen Bericht machst, den deine Führungskraft auch liest.
• Bei einem Kundeninterview kannst du die Zitate direkt für eine mit KI geschriebene Fallstudie oder deine Marktforschung nutzen.
• Eine Aufnahme in einer anderen Sprache transkribierst du zuerst in der Originalsprache. Danach kannst du das Dokument mit KI übersetzen. Das Original behältst du zum Abgleichen.
• Für eine schnelle Follow-up-Mail nach einem Gespräch lässt du dir einen Entwurf erstellen. Überarbeite ihn dann mit unseren Tipps, um Antwort-Mails schneller zu schreiben.

Ein Beispiel Schritt für Schritt

Das ist ein Beispiel, kein echter Kundenfall. Angenommen, du bist Berater und hast ein 38-minütiges Interview auf deinem Handy aufgenommen. Es liegt als M4A-Datei mit etwa 35 MB vor.

• Die kostenlose Gemini-Version kommt nicht infrage: Das Limit liegt bei 10 Minuten Audio.
• Die OpenAI-API kommt nur infrage, wenn du die Datei aufteilst: Sie ist größer als 25 MB.
• ChatGPT nimmt die Datei mit einem kostenpflichtigen Tarif am Stück an, denn sie liegt deutlich unter 512 MB. Word im Web ebenfalls, sofern deine 300 monatlichen Minuten noch nicht aufgebraucht sind.

Du entscheidest dich für Word, weil du den Text beim Anhören korrigieren möchtest. Du startest den Upload und beantwortest während der Verarbeitung E-Mails. Danach fügst du das korrigierte Transkript zusammen mit dem Aufgaben-Prompt von oben in ChatGPT ein. Du gleichst die fünf Zitate mit der Aufnahme ab, und deine Interview-Notizen sind noch vor Feierabend fertig.

Datenschutz und Einwilligung: Kläre das vor der Aufnahme

• Frag zuerst. Sag zu Beginn des Gesprächs, dass du aufnimmst und warum. Das gehört zum guten Umgang. Je nachdem, wo du dich aufhältst und wo die andere Person ist, kann es auch gesetzlich vorgeschrieben sein. Wenn du unsicher bist, frag die zuständige Person für Recht oder Datenschutz in deinem Unternehmen.
• Kläre, wo die Aufnahme landet. Word speichert hochgeladene Aufnahmen im Ordner Transcribed Files auf deinem OneDrive. Dort kannst du sie auch löschen (Microsoft Support). Google Meet speichert Transkripte im Drive des Organisators.
• Prüfe deine Dateneinstellungen. Jedes KI-Tool hat eigene Einstellungen dafür, wie deine Uploads gespeichert und verwendet werden. Lies sie für dein gewähltes Tool einmal durch. Nutze für vertrauliche Kundengespräche das Tool, das dein Unternehmen freigegeben hat.
• Lade nichts hoch, was du nicht auch per E-Mail verschicken würdest. Überlege bei Gesundheitsdaten, Gehältern und persönlichen Daten Dritter besonders sorgfältig, unabhängig vom Tool.

Häufige Fragen zum Transkribieren mit KI

Kann ChatGPT Audio kostenlos transkribieren?

Nicht per Datei-Upload. Laut OpenAI sind Audio-Uploads nur für kostenpflichtige ChatGPT-Tarife und Workspaces verfügbar. Kostenlose Möglichkeiten gibt es trotzdem: Voice Memos oder Notes auf einem neueren iPhone, Gemini für Aufnahmen bis zu 10 Minuten und das Transkript deines Meeting-Tools, wenn dein Tarif es enthält.

Wie lang darf eine Aufnahme sein, die KI transkribieren soll?

Das hängt vom Tool ab. ChatGPT nimmt Audiodateien bis zu 512 MB an. OpenAI sagt allerdings, dass sehr lange Aufnahmen nur so gut wie möglich verarbeitet werden und die Verarbeitung wegen Zeitüberschreitung abbrechen kann. Gemini erlaubt 10 Minuten mit einem kostenlosen Konto und 3 Stunden mit Google AI Pro oder Ultra. Word umfasst mit einem Microsoft 365-Abonnement 300 Minuten hochgeladene Audioaufnahmen pro Monat. Teile längere Aufnahmen an natürlichen Pausen auf, nie mitten im Satz.

Kann KI die Sprecher unterscheiden?

Meistens, aber nicht perfekt. Word trennt die Sprecher automatisch und lässt dich ihre Namen ändern. In einem Chat-Tool gibst du an, wer in der Aufnahme spricht und wie die Personen gekennzeichnet werden sollen. Prüfe danach die Zuordnung bei allen wichtigen Aussagen, etwa wer was zugesagt hat.

Ist ein KI-Transkript genau genug zum Zitieren?

Erst nachdem du das Zitat mit der Aufnahme abgeglichen hast. Nutze das Transkript, um die Stelle schnell zu finden. Hör sie dir dann selbst an.

Was ist der Unterschied zwischen Transkribieren und Zusammenfassen?

Ein Transkript enthält alles Gesagte in der ursprünglichen Reihenfolge. Eine Zusammenfassung ist eine Auswahl der KI. Erstelle zuerst das Transkript und bewahre es auf. Wenn jemand fragt „Hat sie das wirklich gesagt?“, kann die Zusammenfassung das nicht beantworten. Das Transkript und die Aufnahme können es.

Fang mit deiner nächsten Aufnahme an

Wähle den Weg, der zu dem passt, was du schon hast. Nutze den Prompt oben und mach den Zehn-Minuten-Check. Nach zwei oder drei Aufnahmen weißt du, welches Tool zu deiner Arbeit passt. Interviews von Hand abzutippen wird sich dann anfühlen wie etwas aus einem anderen Jahrzehnt.

Wenn du während laufender Zoom- oder Teams-Gespräche Notizen brauchst statt eines Transkripts im Nachhinein, vergleiche die besten KI-Tools für Meeting-Notizen. Schau dabei, welche zu deinen vorhandenen Tools passen.

Möchtest du mehr praktische Anleitungen wie diese, Schritt für Schritt? Melde dich kostenlos bei Launchpad an, auf unserer Startseite oder direkt hier: