Transkriptionssoftware, erklärt

Die langweilige Wahrheit über Genauigkeit (und die 95%-Falle)

Jedes Transkriptionsprodukt im Netz wirbt mit Genauigkeit zwischen 95 und 99 Prozent. Notta bewirbt 98,86 %. Happy Scribe verkauft einen menschlichen Transkriptionstarif mit 99 %. Unser eigenes FAQ auf der Startseite sagt, die Genauigkeit im Local-Modus liege "typischerweise zwischen 95 % und 99 %." Keine dieser Zahlen ist eine Lüge. Sie ist die falsche Zahl, präsentiert ohne das Audio, auf dem sie gemessen wurde.

Was die Forschung dazu sagt: OpenAIs Whisper large-v3 ist das Modell, gegen das mehr oder weniger jedes moderne Transkriptionstool antritt, es kopiert oder darauf aufbaut. Auf dem öffentlichen Hugging Face ASR Leaderboard meldet es eine mittlere Word Error Rate von 7,44 %. Auf LibriSpeech-clean (studioqualitätsfähige Hörbuchaufnahmen) trifft dasselbe Modell 2,01 % WER. Auf AMI, dem Standard-Meetingraum-Benchmark mit überlappenden Stimmen und schlechter Akustik, trifft dasselbe Modell 15,95 % WER. Gleiches Modell. Gleiche Woche. Achtmal mehr Fehler beim schlechteren Audio.

Diese Lücke ist die 95%-Falle. "95 % genau" unter Studiobedingungen kann 84 % genau bedeuten bei dem Meeting, das dein Chef fahrend im Auto angesetzt hat. Das eigene Model-Card von OpenAI schreibt das in Klartext: Die Leistung ist uneinheitlich über Sprachen hinweg, schlechter bei ressourcenarmen Sprachen, und variiert je nach Akzent, Alter, Geschlecht und demografischen Merkmalen. NVIDIA sagt dasselbe über Parakeet: 1,93 % WER auf LibriSpeech-clean, 11,31 % WER auf AMI.

Wenn du also eine Genauigkeitszahl auf einer Marketingseite liest, stell die Frage, die der Anbieter nicht beantwortet hat. Auf welchem Audio. Mit welchem Mikrofon. In welcher Sprache. Mit wie vielen Stimmen gleichzeitig. Wenn die Seite das nicht sagt, geh davon aus, dass es die Best-Case-Zahl ist. Und geh davon aus, dass dein echtes Audio schlechter ist.

Die langweilige Wahrheit lautet: Das wichtigste Upgrade für deine Transkriptionsgenauigkeit ist ein Mikrofon, kein Modell.

KI-Transkription vs. menschliche Transkription

Aktuell gibt es zwei Arten von Transkriptionssoftware auf der Welt. Sie sind so bepreist, als wären sie dasselbe – was die Hälfte der Verwirrung verursacht.

KI-Transkription ist die günstige und sofortige Variante. Du lädst eine Datei hoch oder diktierst live, und ein Modell liefert in Sekunden Text zurück. Die Genauigkeit liegt irgendwo zwischen 84 % (schlechtes Meeting) und 98 % (sauberes Sprachmemo). Happy Scribe berechnet 0,20 $ pro Minute als Aufstockung auf seinen KI-Tarifen. Unser Cloud-Modus rechnet über deinen eigenen OpenAI-Key ab und kostet dich rund 0,003 $ pro Minute. Otter, Notta, Trint, Descript, Jamie – alle laufen unter der Haube mit KI, oft denselben wenigen Modellen.

Menschliche Transkription ist die teure und geduldige Variante. Eine Person hört sich dein Audio an und tippt es ab. Happy Scribes Menschentarif startet bei 2,00 $ pro Minute, wirbt mit 99 % Genauigkeit und einer Bearbeitungszeit von über vier Stunden. Rev, GoTranscript und einige andere liegen ungefähr im gleichen Preisband. Der Anwendungsfall ist real, aber begrenzt: Gerichtsprotokolle, medizinische Stellungnahmen, alles, wo ein 92-%-KI-Ergebnis mit dem falschen Medikamentennamen jemanden vor Gericht bringen kann.

Die meisten, die das hier lesen, wollen KI. Die Tabelle hilft bei der Sicherheit.

Den Fehler, den ich immer wieder beobachte: Menschen zahlen aus Angst für menschliche Transkription. Und lesen das Ergebnis dann nie, weil es sechs Stunden später ankommt, wenn sie längst weitergezogen sind. Wenn die Antwort bis Dienstag ignoriert wird, reicht KI.

Cloud vs. lokal: wohin dein Audio geht

Niemand will diesen Teil lesen, aber alle sollten es. Such dir ein Transkriptionstool aus, und Audio deiner Stimme – jedes Wort davon – landet irgendwo. Das Irgendwo ist nicht egal.

Cloud-Transkription bedeutet: dein Audio verlässt deinen Computer. Es geht zum Server des Anbieters, wird von einem Modell auf deren Hardware transkribiert, und der Text (und normalerweise auch das Audio) wird so lange gespeichert, bis du ihn abrufst. Otter, Trint, Notta, Happy Scribe, Descript, Jamie, Wispr Flow – alles Cloud. Unser eigener Cloud-Modus auch, mit einem wichtigen Unterschied. Im Cloud-Modus wird das Audio direkt von deinem Rechner an OpenAI gesendet – über deinen eigenen API-Schlüssel. Whisper by Remskill sitzt nie dazwischen, sieht das Audio nie, sieht die Transkripte nie. Datenschutzrechtlich verantwortlicher Anbieter ist das Unternehmen, dessen Modell du gewählt hast.

Lokale Transkription bedeutet: das Audio verlässt deinen Laptop nie. Das Modell läuft auf deiner CPU oder GPU. Kein Netzwerk-Roundtrip. Keine Anbieter-Logs. Keine "Wir können deine Daten zur Verbesserung unseres Dienstes nutzen"-Klausel. Apple Dictation macht das für allgemeinen Text auf unterstützten Macs. Unsere eigenen lokalen Modi (Parakeet und Whisper) tun es auf Windows und Apple Silicon Macs. Fast niemand sonst in dieser Kategorie liefert reines Local.

Ich habe einmal beobachtet, wie ein internes Team in einem Unternehmen, mit dem ich gearbeitet habe, in einem Quartal eine fünfstellige Cloud-KI-Rechnung angehäuft hat – durch das viermalige Diktieren von Standup-Aufnahmen. Das "Smart Retry" des Prototyps war zu aggressiv. Die Finanzchefin öffnete das Dashboard beim nächsten Quartalsreview. Der Raum wurde sehr still. Der Punkt ist nicht, dass Cloud teuer ist (bei einem Nutzervolumen ist sie das meistens nicht). Der Punkt ist, dass man nicht immer merkt, was den Rechner verlässt – bis jemand fragt.

Die meisten KI-Diktier-Apps, die heute beworben werden, sind 30-Dollar-pro-Monat-Hüllen um denselben OpenAI Whisper API-Aufruf, den man selbst machen könnte. Sie berechnen den Cloud-Aufschlag für Software, die das Modell auf ihrem Server laufen lässt und das Ergebnis auf deinen Bildschirm schickt. Dieses Modell gibt es seit 2022. Das Teure ist nicht die KI. Das Teure ist das monatliche Abo. Wenn dein Audio sensibel ist – oder wenn dein Laptop aus den letzten vier Jahren stammt und gerade nichts anderes tut – ist Local die ehrliche Wahl.

That choice deserves its own breakdown, so our local vs cloud transcription guide spells out the accuracy, privacy, and cost trade between keeping audio on your machine and sending it to a server.

If that resonates, it is worth reading how offline speech-to-text desktop apps keep your voice on your own machine.

Was Whisper by Remskill macht (und was nicht)

Whisper by Remskill ist unsere App. Ein Desktop-Tool (Windows und Apple Silicon Mac), das Sprache-zu-Text hinter einen Hotkey legt. Du drückst den Hotkey, sprichst, lässt los – und der Text erscheint an deinem Cursor. Es funktioniert in jeder App: E-Mail, Word, Slack, Code-Editoren, die Browser-Adressleiste. Die lokale Pipeline ist für jeden authentifizierten Nutzer kostenlos (Whisper, Parakeet, Ollama KI-Verbesserung, Verlauf, Presets, eigener Hotkey). Keine Zahlungsmethode bei der Anmeldung erforderlich. Pro fügt Cloud-Funktionen hinzu.

Wir liefern drei Transkriptionswege. Die App wählt keinen Standard; du entscheidest:

Der Standard-Hotkey ist Ctrl+Space auf Windows und Command+Option auf macOS, beide in den Einstellungen anpassbar. Das Standard-KI-Aktivierungswort (wenn KI-Verarbeitung aktiv ist) lautet "Hey whisper". Lokale KI-Verbesserung läuft über Ollama auf localhost:11434. Drei Leistungsprofile (Schnell, Ausgewogen und Genau) tauschen Beam-Größe und Sprachaktivierungsschwellen im Hintergrund.

Was Whisper by Remskill nicht macht: Meeting-Bots. Wir treten deinem Zoom nicht bei, fassen danach nichts zusammen und jagen keinen Kalendereinladungen hinterher. Ein Tool auf deinem Rechner, ein Hotkey, ein Einfügen an der Cursor-Position. Wenn du einen Meeting-Notizenservice willst, brauchst du eine andere Kategorie. Lies weiter.

Ein Hinweis zu den Namen, der fast alle verwirrt. Whisper-das-OpenAI-Modell ist ein kostenloses Open-Source-Spracherkennungsmodell, das 2022 veröffentlicht wurde. Whisper by Remskill ist unsere Desktop-App, die dieses Modell (unter anderem) verwendet. Wenn jemand online sagt "Ich nutze Whisper", meint die Person halb das Modell und halb ein Produkt. Gut zu wissen, wenn man Bewertungen liest.

Das Aufnahme-Overlay in drei Zuständen

Die Pille erscheint am unteren Bildschirmrand, sobald Whisper aktiv ist. Sie bleibt unauffällig und hält sich aus deinen Apps heraus.

Das richtige Whisper-Modell für deine Hardware auswählen

Die englischen Varianten (.en) sind ausschließlich für Englisch — sie laufen bei englischem Audio etwas schneller und etwas genauer als ihre mehrsprachigen Gegenstücke. Wähle die mehrsprachige Variante nur, wenn du in mehr als einer Sprache diktierst oder eine Übersetzung ins Englische brauchst.

Die anderen Tools, die man kennen sollte

Diese Namen begegnen dir, wenn du nach "beste Transkriptionssoftware" suchst. Die meisten habe ich selbst benutzt, ein paar habe ich zur Hand für Jobs, die unsere App nicht erledigt.

Acht Tools, abgehakt. Fast alles andere in dieser Kategorie ist eines dieser Unternehmen unter anderem Namen, oder eines dieser Modelle in einer kleineren Box.

If text-to-speech is what you actually need here is the honest free TTS roundup with the H1-vs-FAQ trick every "free" page hides.

Wann du jedes Tool auf dieser Liste weglässt und einfach dein Telefon nimmst

Before you pay anyone anything, check what is already on your phone. iOS ships system-level dictation through Voice Control and the keyboard mic. Android ships Live Transcribe and Gboard voice typing. Both are free, no signup, work in every app, and the quality on modern phones is good enough for short text — we walked through the talk-to-text shortcuts on every device if you want the exact key combos.

Wenn dein Job lautet: "Auf eine Nachricht antworten während ich koche" oder "eine 60-Wort-Notiz vor Meetingbeginn schreiben", ist das Telefon die richtige Antwort. Schneller als ein Laptop aufzuklappen, schneller als sich irgendwo einzuloggen, keine Monatsgebühr. Apple Dictation auf dem Mac ist ebenfalls einen Blick wert. Auf unterstützten Macs verarbeitet es allgemeinen Text auf dem Gerät, diktiert so lange wie gewünscht ohne feste Längenbeschränkung, und stoppt nach 30 Sekunden Stille von selbst. Dieser Stille-Timeout ist die Quelle des hartnäckigen Mythos "Apple Dictation hat ein 30-Sekunden-Limit": das ist nicht die Aufnahmebeschränkung. Apple Dictation deckt heute 62 Sprach- und Regionalvarianten ab – mehr als die meisten Bezahlprodukte.

Wo das Telefon versagt, ist dauerhaftes Diktat in Desktop-Apps. Eine E-Mail lässt sich auf dem Telefon diktieren. Zwölf Kaltakquise-Varianten in dein CRM diktieren – auf dem Telefon? Das wirst du bereuen. Ein Desktop-Tool verdient sich dort seinen Platz. Bis dahin ist das Telefon kostenlos.

If most of your desktop dictation is email — specifically dictating Gmail replies on a laptop — there is a separate breakdown of the Chrome-extension path versus the system-app path that goes deeper than this article does.

Preise

Die meisten Transkriptions-Tools wollen 20 bis 50 Dollar pro Monat. Wir verlangen weniger, und du kannst einmal zahlen.

Die Preislandschaft in dieser Kategorie teilt sich in vier Gruppen. Nur-KI-Abo-Tools (Otter, Trint, Notta, Descript, Jamie) liegen im Bereich von 10 bis 50 Dollar pro Nutzer pro Monat, manchmal mit einem großzügigen kostenlosen Tarif, der durch Aufnahmeminuten gedeckelt ist. KI-plus-Mensch-Dienste wie Happy Scribe berechnen pro Minute zusätzlich zu einem Abo; der Menschentarif allein liegt bei 1,90 bis 2,00 Dollar pro Minute. Hotkey-Diktierwerkzeuge (Wispr Flow, wir) sind wie Produktivitätssoftware bepreist: einzelner Nutzer, monatlich oder jährlich, manchmal mit Lifetime-Option. Dann gibt es die kostenlose Option: Apple Dictation, Google Voice Typing, das eingebaute Tastatur-Mikrofon deines Telefons. Null Dollar pro Monat, solange Apple und Google diese Betriebssysteme ausliefern.

Die ehrliche Entscheidungsregel lautet nicht: "Was ist das Billigste?" Sie lautet: "Was kostet mich das über die nächsten drei Jahre für das, was ich wirklich tue?" Ein Meeting-Tool für 20 Dollar im Monat, das du zweimal pro Woche nutzt, kostet 720 Dollar über drei Jahre. Ein einmaliger Lifetime-Kauf eines Diktierwerkzeugs, das du täglich nutzt, ist eine einzige Rechnung. Multipliziere deine monatliche Gewohnheit mit 36, bevor du auf Abonnieren klickst. Das Ergebnis ist selten freundlich bei einem Abo, das du einmal pro Woche nutzt.

Unsere aktuellen Zahlen (monatlich, jährlich, Lifetime, Team) stehen auf der Preisseite. Ich zitiere sie hier nicht, weil sie sich ändern – und die Seite die Quelle der Wahrheit ist.

Die langweilige Version dieses Artikels: Du weißt bereits, was du brauchst. Den ganzen Tag schreiben? Ein Hotkey-Diktiertool, lokal oder cloud. Einmal pro Woche ein Meeting? Ein Meeting-Notizdienst, monatliches Abo. Ein einzelnes 90-minütiges Interview? Zahle 0,20 Dollar pro Minute an Happy Scribe und mach weiter. Ein juristisches Protokoll? Hol einen Menschen. Die nicht-langweilige Version: Die meisten zahlen für das falsche Produkt, weil die Marketingseiten alle von denselben drei Leuten geschrieben wurden. Der ehrliche Schritt ist, auf das zu schauen, was du diese Woche tust – nicht was du nächsten Monat zu tun hoffst – und das Tool zu nehmen, dessen Headline genau das beschreibt. Der Rest ist Lärm.