Symbolbild, mit KI erstellt — keine reale Person. Aus der Aufnahme wird ein Text, den man durchsuchen, kürzen und weitergeben kann — die Stimme bleibt daneben erhalten.
Inhalt des Beitrags
Audio in Text umwandeln heißt, eine Sprachaufnahme automatisch verschriftlichen zu lassen — aus einer Stunde Gespräch werden zehn Seiten Text, in wenigen Minuten und ohne Tippen. Die Technik dahinter ist seit einigen Jahren so gut, dass deutliches Deutsch fast fehlerfrei erkannt wird. Die entscheidende Frage ist deshalb nicht mehr, ob es funktioniert, sondern wohin die Aufnahme dabei geht.
Kurz gesagt: Für alles, was in der Familie bleibt, nimm ein Programm, das die Erkennung auf Deinem eigenen Rechner erledigt — dann verlässt die Aufnahme das Haus nicht. Rechne mit einer halben Stunde Nacharbeit je Stunde Aufnahme, vor allem für Namen und Orte. Und wirf die Aufnahme danach nicht weg: Der Text ersetzt sie nicht.
Wofür ein Transkript gut ist
Eine Aufnahme ist wertvoll und unhandlich zugleich. Man kann sie nicht überfliegen, nicht durchsuchen und nicht zitieren. Ein Transkript löst genau diese drei Probleme:
- Man kann darin suchen. Wer wissen will, wo der Vater von seinem ersten Arbeitstag erzählt hat, findet die Stelle in Sekunden statt in einer Stunde Durchhören.
- Man kann es lesen, wenn keine Zeit ist. Eine Stunde Aufnahme dauert eine Stunde. Zehn Seiten Text überfliegt man in fünf Minuten.
- Es ist die Grundlage für ein Buch. Wer aus Gesprächen eine Lebensgeschichte machen will, braucht Text — nicht Ton. Der Weg dorthin steht im Beitrag Die Lebensgeschichte als Buch.
- Es lässt sich weitergeben. Nicht jeder in der Familie hört sich zwei Stunden an. Lesen tun es mehr.
⚠️ Ein Transkript ersetzt die Aufnahme nicht. Die Stimme ist das, was fehlt, wenn jemand nicht mehr da ist — der Text ist nur der Zugang dazu. Beides bitte aufheben.
Die drei Wege im Vergleich
| Weg | Aufwand | Kosten | Wo die Aufnahme landet | Passt, wenn |
|---|---|---|---|---|
| Auf dem eigenen Rechner | einmal einrichten, dann läuft es allein | meist nichts | bleibt im Haus | im Gespräch Persönliches vorkommt — also fast immer |
| Über einen Onlinedienst | Datei hochladen, warten, herunterladen | oft kostenlos bis zu einer Grenze, darüber Abonnement | auf fremden Servern, oft im Ausland | es schnell gehen soll und nichts Heikles drin ist |
| Von Hand, in Auszügen | sehr hoch — vier- bis sechsfache Aufnahmezeit | nur Zeit | bleibt im Haus | nur einzelne Stellen gebraucht werden |
Für Familienaufnahmen halte ich die erste Zeile für die richtige — und der Grund dafür ist nicht Geld, sondern die vierte Spalte.
Der Weg ohne Upload
Seit einigen Jahren gibt es Spracherkennung, die vollständig auf dem eigenen Rechner läuft. Das bekannteste Modell dahinter heißt Whisper und ist frei verfügbar; darauf setzen zahlreiche Programme auf, die es mit einer schlichten Oberfläche bedienbar machen — es gibt sie für Windows, für den Mac und als App fürs Telefon.
Der Ablauf ist bei allen ähnlich: Programm öffnen, Datei hineinziehen, Sprache auf Deutsch stellen, starten. Der Rechner arbeitet dann eine Weile — je nach Alter des Geräts von wenigen Minuten bis zu etwa der Länge der Aufnahme — und legt am Ende eine Textdatei ab.
- Der Vorteil: Die Aufnahme verlässt das Haus nicht. Kein Konto, keine Bedingungen, keine Frage danach, was mit den Daten geschieht.
- Der Preis dafür: Es dauert länger, und man muss das Programm einmal installieren.
- Was es braucht: einen halbwegs aktuellen Rechner. Auf sehr alten Geräten ist also Geduld nötig.
💡 Opa-Tipp: Wenn Dir das Einrichten zu technisch ist, ist das ein guter Anlass, ein Enkelkind zu fragen. Es ist einmal Arbeit von zwanzig Minuten — und danach kann die Familie beliebig viele Aufnahmen verschriftlichen lassen, ohne dass eine davon je ins Internet muss.
Der Weg über einen Onlinedienst
Onlinedienste sind bequemer: Datei hochladen, kurz warten, Text herunterladen. Viele erkennen sogar, wer gerade spricht, und setzen Absätze. Etliche Angebote sind bis zu einer Stundenzahl im Monat kostenlos.
Der Haken steht nicht im Preis, sondern in den Bedingungen. Drei Fragen gehören beantwortet, bevor eine Familienaufnahme dort hochgeht:
- Wo stehen die Server? Innerhalb der EU gilt die Datenschutz-Grundverordnung, außerhalb ist die Lage komplizierter.
- Wie lange bleibt die Datei dort? Manche Dienste löschen nach Stunden, andere behalten sie.
- Werden die Aufnahmen zum Training verwendet? Diese Frage stellte sich vor fünf Jahren noch nicht und ist heute die wichtigste. Steht die Antwort nicht in den Bedingungen, ist auch das eine Antwort.
⚠️ In einem Familiengespräch kommen immer Dritte vor — die Schwägerin, der Nachbar, der Chef von damals. Die wurden nie gefragt, ob ihre Geschichte auf einen fremden Server darf. Das ist keine Rechtsberatung, sondern der Grund, warum ich für Familienaufnahmen den ersten Weg empfehle.
Der Weg von Hand — in Auszügen
Ein ganzes Gespräch von Hand abzutippen dauert das Vier- bis Sechsfache der Aufnahmezeit. Für ein ganzes Leben ist das keine Option, für zehn Stellen aber sehr wohl — und dieser Mittelweg wird unterschätzt.
So geht es praktisch: beim Durchhören eine Liste mitschreiben, in der links die Zeitangabe steht und rechts ein Stichwort. „12:40 — wie der Vater vom Krieg zurückkam“. Dann nur die Stellen abtippen, die wirklich zählen. Das dauert einen Nachmittag statt einer Woche und liefert genau das, was man später sucht.
Wie gut wird es wirklich?
Die ehrliche Antwort: sehr gut bei deutlicher Sprache, deutlich schlechter bei allem anderen. Was die Erkennung zuverlässig kann, und was nicht:
| Das klappt gut | Das macht Mühe |
|---|---|
| deutlich gesprochenes Hochdeutsch | starker Dialekt und Mundart |
| ein Sprecher, nah am Mikrofon | mehrere Menschen, die durcheinanderreden |
| ruhiger Raum | Hall, Straßenlärm, laufender Fernseher |
| normale Wörter des Alltags | Eigennamen, Ortsnamen, alte Berufsbezeichnungen |
| durchgehendes Erzählen | leise Stimmen und Genuschel am Satzende |
Die vierte Zeile ist die wichtigste: Namen erkennt keine Maschine zuverlässig — und Namen sind in einer Familiengeschichte genau das, worauf es ankommt.
Für unsere Zwecke heißt das: Eine Aufnahme, die im ruhigen Wohnzimmer mit einem Ansteckmikrofon entstanden ist, wird gut. Eine Aufnahme vom Familienfest mit sechs Leuten am Tisch wird mühsam. Wie man für gute Aufnahmen sorgt, steht in unserem Beitrag Womit aufnehmen?
Die halbe Stunde Nacharbeit
Kein automatisches Transkript ist fertig. Rechne mit etwa einer halben Stunde Nacharbeit je Stunde Aufnahme — und mach in dieser halben Stunde genau diese vier Dinge:
- Namen und Orte korrigieren. Der einzige Schritt, der wirklich nötig ist. Ein falsch geschriebener Ortsname macht die Stelle unauffindbar.
- Absätze setzen. Automatische Transkripte sind oft eine einzige Textwand.
- Zeitmarken behalten. Wenn das Programm sie anbietet, lass sie drin — sie sind die Brücke zurück zur Aufnahme.
- Nichts glätten. „Ähm“, Wiederholungen und abgebrochene Sätze gehören dazu. Wer sie wegputzt, hat am Ende einen Text, der nicht mehr klingt wie der Mensch, der ihn gesprochen hat.
💡 Opa-Tipp: Speichere zwei Fassungen: das Rohtranskript unverändert und daneben eine Lesefassung, in der Du glätten darfst. Dann hast Du beides — das Dokument und den lesbaren Text — und musst Dich nicht entscheiden.
Die Frage, die man vorher stellt
Es gibt eine Frage, die vor allen technischen Aspekten kommt, und sie hat mit dem Menschen zu tun, der erzählt hat: Hat er dem zugestimmt?
Wer einwilligt, dass ein Gespräch aufgenommen wird, hat damit nicht automatisch eingewilligt, dass es in Textform vorliegt, verschickt oder auf einen fremden Server geladen wird. Das ist kein Formalismus: Ein Transkript ist durchsuchbar und lässt sich in Sekunden weiterleiten — ein Tonband nicht.
In der Praxis genügt ein Satz beim nächsten Besuch. Und wenn jemand sagt, bestimmte Stellen sollen nicht weitergegeben werden, gehört das notiert — am besten gleich in die Begleitnotiz zur Aufnahme, wie wir es unter Die Aufnahme sichern und teilen beschrieben haben.
Was aus dem Text werden kann
- Ein durchsuchbares Familienarchiv — Transkript und Aufnahme unter demselben Dateinamen, nebeneinander abgelegt.
- Ein Buch. Aus geordneten Transkripten wird ein Lebensbuch, ohne dass jemand vor einem leeren Blatt sitzt.
- Ein Vorlesetext. Manche Geschichten funktionieren gelesen besser als gehört — etwa für Enkel, die noch nicht so lange zuhören können.
- Untertitel für alte Filme. Wer Schmalfilme digitalisiert hat und die Tonspur verschriftlichen lässt, macht sie durchsuchbar.
Was Du nicht brauchst
- Kein Abonnement, solange Du nicht regelmäßig viele Stunden verschriftlichst. Die kostenlosen Kontingente reichen für ein Familienprojekt meist aus — und der Weg über den eigenen Rechner kostet gar nichts.
- Keine perfekte Erkennung. Neunzig Prozent richtig und eine halbe Stunde Korrektur sind besser als das Warten auf ein Programm, das nichts falsch macht.
- Kein Transkript von allem. Bei vielen Stunden Material lohnt es sich, erst die Stellen zu markieren und nur die zu bearbeiten.
- Keine Sorge vor der Technik. Der aufwendigste Teil ist das einmalige Einrichten; danach ist es die Datei hineinziehen und warten.
❓ Häufige Fragen zum Umwandeln von Audio in Text
Wie genau ist die automatische Spracherkennung auf Deutsch?
Bei deutlich gesprochenem Hochdeutsch, einem Sprecher und ruhigem Raum sehr genau. Schwierig wird es bei starkem Dialekt, mehreren gleichzeitigen Sprechern und Hall — und bei Eigennamen, die praktisch immer nachkorrigiert werden müssen.
Geht das, ohne die Aufnahme hochzuladen?
Ja. Es gibt Programme, die die Erkennung vollständig auf dem eigenen Rechner ausführen — für Windows, Mac und als App fürs Telefon. Das ist für Familienaufnahmen der sauberste Weg, weil die Datei das Haus nicht verlässt.
Was kostet es?
Der Weg über den eigenen Rechner kostet in der Regel nichts außer Rechenzeit. Onlinedienste sind oft bis zu einer bestimmten Stundenzahl im Monat kostenlos und darüber hinaus kostenpflichtig. Für ein Familienprojekt reicht meist das kostenlose Kontingent.
Wie lange dauert die Umwandlung?
Bei Onlinediensten meist wenige Minuten je Stunde Aufnahme. Auf dem eigenen Rechner hängt es stark vom Gerät ab — von wenigen Minuten bis etwa zur Länge der Aufnahme.
Erkennt das Programm, wer gerade spricht?
Manche Dienste können das und setzen die Sprecher als „Person 1″ und „Person 2″ davor. Zuverlässig ist es nur, wenn die Menschen nicht durcheinanderreden. Ein Ansteckmikrofon am Erzählenden hilft mehr als jede Software.
Kann ich das Transkript einfach so weitergeben?
Frag den, der erzählt hat. Wer einwilligt, aufgenommen zu werden, hat nicht automatisch eingewilligt, dass der Text verschickt wird — ein Transkript ist durchsuchbar und in Sekunden weitergeleitet.
Soll ich die Aufnahme nach dem Transkript löschen?
Auf keinen Fall. Der Text ist der Zugang, die Stimme ist der Wert. Beides gehört zusammen aufgehoben, am besten unter demselben Dateinamen im selben Ordner.
Quellen
Worauf sich die Angaben in diesem Beitrag stützen, abgerufen am 5. August 2026:
- KOST-CECO: Archivierung von Audiodaten — Grundlage für den Hinweis, dass die Aufnahme das Archivstück bleibt und nicht durch den Text ersetzt wird; empfohlen werden unkomprimiertes WAV oder verlustfreies FLAC.
- Verbraucherzentrale: Digitale Vorsorge und Datenschutz — Hintergrund für die Fragen, die man einem Onlinedienst vor dem Hochladen stellen sollte.
Programmnamen in diesem Beitrag stehen als Beispiele für die jeweilige Gattung. Ich habe keines davon getestet, es besteht keine Zusammenarbeit, und dieser Beitrag enthält keine Empfehlungslinks. Er ist außerdem keine Rechtsberatung.
Rubrik Erinnerungen
Alle Beiträge zum Festhalten von Erinnerungen
Vom Aufnehmen über das Sichern bis zum fertigen Buch — die ganze Rubrik auf einen Blick.
👵👴 Mehr auf grossvater.de
Passt außerdem dazu
Woher die Aufnahmen kommen und was aus ihnen werden kann.