Sprachaufnahmen transkribieren: lokal oder per Online-Dienst?
Stand: 14. November 2026

Eine Spracherkennung wandelt Gesprochenes in Text um. Das kann bei Besprechungsnotizen, Interviews oder eigenen Gedanken helfen. Dabei gibt es zwei grundverschiedene Wege: Die Aufnahme wird auf dem eigenen Gerät verarbeitet – oder sie wird an einen Online-Dienst übertragen. Beide Wege haben Stärken und Grenzen.
Die kurze Entscheidungshilfe
Lokal ist eine gute Wahl, wenn Aufnahmen das eigene Gerät möglichst nicht verlassen sollen und ein passender Rechner oder ein geeignetes Mobilgerät vorhanden ist. Ein Online-Dienst ist oft bequemer, wenn die Einrichtung einfach sein soll oder die benötigte Rechenleistung auf dem eigenen Gerät fehlt. Dafür muss man prüfen, an wen die Aufnahme übertragen wird und was dort mit ihr geschieht.
In beiden Fällen gilt: Das Ergebnis ist ein Entwurf, kein Wortprotokoll mit Richtigkeitsgarantie. Gerade Namen, Zahlen, Fachbegriffe und Aussagen mit großer Tragweite müssen anhand der Aufnahme kontrolliert werden.
Was bedeutet „lokal“?
Bei einer lokalen Lösung laufen Programm und benötigtes Spracherkennungsmodell auf dem eigenen Gerät. Ein Beispiel ist das quelloffene, mehrsprachige Projekt Whisper; eine weitere Implementierung ist whisper.cpp. Die Programme und gegebenenfalls benötigte Modelldateien müssen zunächst beschafft werden. Auch Rechenzeit, Speicherbedarf und Qualität hängen unter anderem von Gerät, Modell und Aufnahme ab.
Wichtig: „Verwendet Whisper“ bedeutet nicht automatisch „arbeitet ohne Internet“. Eine App kann zusätzlich beispielsweise Dateien synchronisieren, Nutzungsdaten übermitteln oder die Erkennung auf einem fremden Server ausführen. Wer die Aufnahme offline halten möchte, sollte die konkrete Anwendung und ihre Einstellungen daraufhin prüfen. Das gilt auch für zusätzliche Funktionen wie Zusammenfassungen.
Die Dokumentation von whisper.cpp zeigt unter anderem ein Beispiel mit einer 16-Bit-WAV-Datei. Andere Programme können andere Formate unterstützen. Quelloffener Code allein ist weder eine Sicherheitsgarantie noch ein Nachweis, dass eine bestimmte App richtig eingerichtet ist.
Wie funktioniert ein Online-Dienst?
Bei einem Online-Dienst wird die Aufnahme zur Verarbeitung übertragen. Dafür braucht man eine Verbindung; je nach Angebot können Kosten oder Nutzungsgrenzen entstehen. Vor allem bei Gesprächen mit anderen Menschen sollte man vorab klären, ob Aufnahme und Übermittlung zulässig sind und ob die beteiligten Personen darüber informiert werden müssen. Besonders vertrauliche Inhalte gehören nicht ungeprüft in irgendein beliebiges Angebot.
Vor der Auswahl helfen diese Fragen:
- Welcher Anbieter und welches konkrete Produkt verarbeiten die Aufnahme?
- Wird die Datei nur transkribiert oder auch für weitere Funktionen genutzt?
- Welche Speicherfristen und Löschmöglichkeiten gelten tatsächlich für dieses Konto?
- Wo findet die Verarbeitung statt und welche Vereinbarungen gelten?
- Fallen Kosten an, und wie werden große Dateien oder lange Aufnahmen berechnet?
- Überträgt eine vorgeschaltete App oder ein Plugin die Datei zusätzlich an Dritte?
Die Antworten können sich zwischen einer Verbraucher-App, einem Geschäftskonto und einer Programmierschnittstelle desselben Anbieters unterscheiden. Ein Serverstandort allein beantwortet nicht alle Datenschutzfragen.
Beispiel: OpenAI-Schnittstelle
Die Dokumentation zur Audio-Transkription empfiehlt für hochgeladene Dateien zum angegebenen Stand das Modell gpt-transcribe. Dort sind ältere gehostete Modelle, darunter whisper-1, als abgekündigt mit Abschaltung zum 26. Februar 2027 aufgeführt. Das betrifft die jeweiligen gehosteten Schnittstellenmodelle; daraus folgt nicht, dass das separat verfügbare quelloffene Whisper auf dem eigenen Gerät abgeschaltet wird. Für laufende Audioübertragung können andere Schnittstellen und Bedingungen gelten.
Laut der Datenübersicht für die API werden Daten des Endpunkts /v1/audio/transcriptions nicht zum Training verwendet; für die dort ausgewiesenen Kategorien Missbrauchsüberwachungsprotokolle und Anwendungszustand ist jeweils keine Aufbewahrung angegeben. Der Endpunkt ist grundsätzlich für Zero Data Retention geeignet. Das bedeutet nicht, dass diese Einstellung bei jedem Konto aktiv ist oder dass jede App, jeder andere Endpunkt und jeder weitere Dienst dieselben Regeln hat. Kontoeinstellungen, Berechtigung, Vertrag, Region und vorgeschaltete Anwendungen müssen gesondert geprüft werden. Diese Angaben beschreiben die API und sind keine pauschale Aussage über die ChatGPT-App.
Warum Kontrolle nötig bleibt
Spracherkennung kann Wörter vertauschen, Sprecher verwechseln oder plausible Sätze ausgeben, die nicht gesagt wurden. Auch Stille, Hintergrundgeräusche und undeutliche Aufnahmen können Probleme verursachen. In einer Untersuchung zu Whisper-Ausgaben wurden auffällige englischsprachige Ausschnitte näher untersucht; eine andere Studie betrachtete Modellausgaben auf Geräuschaufnahmen ohne Sprache. Die Untersuchungsbedingungen erlauben keine allgemeine Fehlerquote für jede Anwendung.
Praktisch hilft es, wichtige Stellen noch einmal anzuhören: Namen und Zahlen prüfen, unklare Passagen markieren und bei Bedarf mit einer zweiten Person klären. Automatische Sprecherzuordnung ist nicht bei jedem Produkt verfügbar und kann sich irren. Bei wichtigen Entscheidungen sollte die Originalaufnahme, soweit rechtmäßig vorhanden, die maßgebliche Kontrollgrundlage bleiben.
Fazit
Für vertrauliche Aufnahmen kann eine sorgfältig eingerichtete lokale Lösung die bessere Wahl sein. Ein Online-Dienst kann Arbeit und Rechenleistung sparen, verlangt aber einen bewussten Umgang mit Übertragung, Anbieterbedingungen und Kosten. Entscheidend ist nicht nur der Modellname, sondern die gesamte verwendete Anwendung – und die Kontrolle des fertigen Textes.