Wer beruflich Menschen interviewt, kennt die unangenehme Kante an der Transkriptionsfrage. Du hast einer Quelle Vertraulichkeit zugesagt, oder deine Ethikkommission hat ein Protokoll genehmigt, oder deine Teilnehmerin hat eine Einwilligung unterschrieben, in der steht, wer Zugriff auf die Aufnahme hat. Dann lädst du die Datei bei einem Transkriptionsdienst hoch, und die ehrliche Antwort auf „wer hat dieses Audio jetzt“ lautet: „ein Unternehmen, dessen Bedingungen ich nicht gelesen habe“.

Für viel Interviewarbeit ist das disqualifizierend, egal wie gut die Genauigkeit ist. Hier ist ein Ablauf, der das Ganze lokal auf einem Mac erledigt.

Warum Interviews ein eigenes Problem sind

Interview-Audio unterscheidet sich von Meeting-Audio auf eine Weise, die Werkzeuge für Meetings zerbricht:

  • Zwei Personen, lange Redeanteile. Sprechertrennung zählt enorm, und die Beiträge sind lang statt im schnellen Hin und Her eines Standups.
  • Der genaue Wortlaut zählt. Für ein gedrucktes Zitat oder eine Transkription für die qualitative Forschung, bei der jede Zeile kodiert wird, ist „ungefähr das, was sie sagte“ wertlos. Nachbearbeitung, die Grammatik glättet, richtet aktiv Schaden an.
  • Schlechte Akustik ist normal. Cafés, Telefongespräche, ein Aufnahmegerät auf dem Tisch in einem Raum mit harten Wänden.
  • Sprachwechsel sind häufig. Zweisprachige Teilnehmende wechseln mitten im Satz die Sprache.
  • Einwilligung hat Grenzen. Deine Teilnehmerin hat zugestimmt, mit dir zu sprechen, nicht mit der Trainingspipeline eines Anbieters.

Der lokale Ablauf

1. Aufnehmen. Entweder du zeichnest das Gespräch live auf oder du bringst eine bereits vorhandene Datei mit. Vext, die Transkriptionssoftware für Interviews in diesem Ablauf, nimmt Mikrofon und Systemton als getrennte Spuren auf, sodass ein Interview vor Ort ebenso funktioniert wie eines über Zoom oder Telefon. Wenn du auf einem separaten Gerät aufgenommen hast, verarbeitet transcribe_file wav, m4a, mp3 und aiff von der Festplatte.

2. Auf dem Gerät transkribieren. Parakeet TDT v3 läuft über FluidAudio auf Apple Silicon. Nichts wird hochgeladen. Ein langes Interview zu transkribieren geht schnell — das Modell arbeitet deutlich schneller als Echtzeit —, ein neunzigminütiges Gespräch ist also keine Nachtaufgabe.

3. Sprecherkennzeichnung holen. Die Diarisierung läuft ebenfalls lokal und trennt, wer was gesagt hat. Stimmprofile bleiben über Sitzungen hinweg erhalten, was für Längsschnittarbeit den Ausschlag gibt: Interviewst du dieselbe Person dreimal, trägt die einmalige Benennung durch. Sprecherprofile lassen sich umbenennen, zusammenführen oder löschen — Mehrsprachigkeit und Sprecherverwaltung kamen in 1.2.0.

4. Das Rohtranskript behalten. Diesen Schritt machen viele falsch. Nutze für die Archivfassung den Stil Wie gesprochen. Er wendet keine KI-Umformung an — du bekommst das Transkript so, wie die Erkennung es produziert hat, und genau das brauchst du für Zitate und Kodierung. Erzeuge eine bereinigte oder zusammengefasste Version separat, wenn du eine willst, aber lass sie nie das Original ersetzen.

5. Exportieren. Markdown, txt, srt oder vtt. SRT und VTT tragen Zeitstempel, und die willst du haben, wenn du zum Prüfen eines Zitats zurück ins Audio springst.

brew install muvon/tap/vext

Mehrsprachige Interview-Transkription

Die Sprachabdeckung der Transkription ist breit: über 99 Sprachen durch das Sprachmodell. Davon getrennt gibt es 29 Zielsprachen, falls du das Transkript in einer anderen Sprache brauchst — oder du behältst das Original.

Halte diese beiden Dinge auseinander und halte die Ergebnisse getrennt. Ein übersetztes Transkript ist kein Quelldokument. Für jedes Zitat, das veröffentlicht oder kodiert wird, arbeite mit dem Transkript in der Originalsprache und behandle die Übersetzung als Lesehilfe. Wer ein übersetztes Zitat veröffentlicht, braucht das Urteil einer menschlichen Übersetzerin, nicht das eines Modells.

Was du bei der Genauigkeit erwarten kannst

Realistische Erwartungen, denn Interview-Audio ist schwerer als Diktat:

Gut: Klares Audio zu zweit, ein anständiges Mikrofon, Teilnehmende, die sich wenig ins Wort fallen. Damit kommen moderne lokale Modelle gut zurecht.

Schlechter: Starke Hintergrundgeräusche, Durcheinanderreden, ausgeprägte Akzente in Kombination mit schlechtem Ton, drei oder mehr Sprechende mit ähnlichen Stimmen. Zuerst siehst du Fehler bei der Diarisierung — die Wörter stimmen oft, während die Zuordnung verrutscht.

Die Abhilfe, die wirklich wirkt: Trag Namen, Organisationen, Fachbegriffe und Projektnamen vorher ins eigene Vokabular ein. Interviewtranskripte sind dicht an Eigennamen, und Eigennamen sind genau das, was Erkenner falsch machen. Zehn Minuten Vokabularpflege sparen mehr Korrekturzeit als jeder andere einzelne Schritt.

Der Schritt, den du nicht auslassen darfst: Prüfe jedes Zitat vor der Veröffentlichung gegen das Audio. Das gilt für jedes Transkriptionswerkzeug zu jedem Preis, auch für menschliche Schreibkräfte. Zeitgestempelte Exporte gibt es genau deshalb, damit diese Prüfung schnell geht.

Nachbearbeitung, mit Vorsicht eingesetzt

Interviewtranskripte stecken voller Füllwörter, Ansätze und Wiederholungen. Für eine lesbare Fassung — zum Teilen mit Kolleginnen oder als Entwurfsgrundlage — hilft ein Bereinigungsdurchgang. Vexts Stile können ein Transkript mit einem lokalen Modell in bereinigte Prosa oder Stichpunkte umbauen, nach demselben Mechanismus wie in KI-Textbereinigung beschrieben.

Zwei Regeln. Nachbearbeitung gilt der abgeleiteten Fassung, nie der archivierten. Und jeder Satz, der gedruckt erscheint, geht zurück zum Rohtranskript und von dort zum Audio. Ein Modell, das Grammatik glättet, kann still die Bedeutung verschieben, und „das Werkzeug hat es geglättet“ ist keine Korrektur, die man verteidigen kann.

Warum lokal hier der Punkt ist

Die Compliance-Diskussion wird kurz. Es gibt keine Unterauftragsverarbeiter zu prüfen, keine Analyse zur Datenübermittlung ins Ausland, keinen Auftragsverarbeitungsvertrag, keine Angriffsfläche, die dein Quellmaterial vorhält. Für Ethikprotokolle, Redaktionsrichtlinien und Nutzerforschung unter Geheimhaltung ist „das Audio hat den Laptop nie verlassen“ eine Antwort, die die Diskussion beendet statt sie zu eröffnen.

Es bedeutet außerdem keine Abrechnung pro Minute. Cloud-Transkription rechnet nach Audiodauer ab, und Interviewforschung erzeugt viele Stunden. Vext kostet einmalig 49 $, mit einer Testphase über 100 Diktate, auf macOS 14+ mit Apple Silicon. Wenn deine Arbeit beides umfasst, steht der allgemeine Meeting-Ablauf in Meetings lokal transkribieren.