Ein Transkript erstellen lassen heißt drei verschiedene Dinge, und der Minutenpreis ist der schlechteste Maßstab, um zwischen ihnen zu wählen. Erstens die Maschine: automatische Spracherkennung bei Amberscript ab 0,17 Euro je Audiominute, vom Anbieter mit „90%+ Genauigkeit" angegeben, Ergebnis in Minuten. Zweitens der Mensch: professionelle Transkription ab 1,85 Euro je Minute bei Amberscript, 1,99 Dollar bei Rev, jeweils mit der Anbieterzusage von über 99 Prozent, Lieferzeit zwischen zwölf Stunden und fünf Werktagen. Drittens der Zwischenweg: Maschine zuerst, Mensch zur Korrektur, bei Happy Scribe ab 1,75 Euro je Minute. Zwischen rund zehn Euro und rund 110 Euro je Stunde Audio liegt ein Faktor von elf, der schrumpft, sobald du die Nacharbeit dazurechnest. Der Dienstleister lohnt sich dort, wo der Maschine das Material nicht schmeckt: schlechte Aufnahme, gleichzeitig redende Personen, starker Dialekt, dichte Fachsprache, oder wenn es wörtlich genau sein muss. Liefern musst du dafür die Originaldatei, eine Ansage zur gewünschten Genauigkeitsstufe, eine Liste der Eigennamen und die Rechtsgrundlage dafür, dass ein Dritter die Aufnahme überhaupt hören darf. Alle Preise Stand September 2026.
Meine eigenen Aufnahmen transkribiere ich mit Whisper lokal auf meinem Rechner. In einem Erstgespräch stehen Zahlen, Namen und manchmal Gesundheitsangaben. Wie ich Aufgaben überhaupt an feste Rollen übergebe statt an wechselnde Abos, steht auf der Seite KI-Mitarbeiter, und welche Daten bei mir in Richtung KI gehen, steht in KI und Datenschutz: was die KI sehen darf. Für wen der Dienstleister trotzdem die richtige Wahl ist, steht hier.
Die Rechnung, die den Ausschlag gibt
Nicht der Minutenpreis entscheidet, sondern deine eigene Zeit danach. Dresing und Pehl geben im Praxisbuch Interview, Transkription und Analyse (9. Auflage, Januar 2024) für das Abtippen von Hand nach einem einfachen Regelsystem die fünf- bis zehnfache Dauer der Aufnahme als realistische Planung an. Die schnellste von ihnen gemessene Person lag bei 1 zu 3, schaffte das aber nur ohne zweiten Korrekturdurchgang. Für die automatische Spracherkennung schreiben sie ausdrücklich, dass es keine öffentlichen Studien zum Zeitaufwand inklusive Korrektur gibt, und nennen als eigene Beobachtung einen Zeitvorteil von rund 50 Prozent und mehr gegenüber dem reinen Abtippen.
Daraus wird ein Rechenbeispiel, keine Messung, und die beiden Annahmen liegen offen: fünf- bis zehnfache Aufnahmedauer fürs Abtippen, davon rund die Hälfte gespart. So gerechnet landet eine Stunde Audio mit Maschine plus eigener Korrektur bei zweieinhalb bis fünf Stunden Arbeit. Material, Regelsystem und Qualitätsziel verschieben die Spanne, deine verbindliche Zahl liefert erst der Zehn-Minuten-Test am Ende. Mit diesen Annahmen sieht der Vergleich so aus:
Preise, Lieferzeiten und Genauigkeitsangaben stammen von den Preis- und Produktseiten der Anbieter, Stand September 2026, und ändern sich dort ohne Ankündigung.
Die Differenz beträgt rund 100 Euro je Stunde Audio, und dafür kaufst du im selben Beispiel zweieinhalb bis fünf Stunden. Das sind 20 bis 40 Euro je gekaufter Stunde. Auch das ist ein Szenario, kein Marktpreis: Es erbt die Annahmen von oben und lässt die Projekt- und Gegenlesezeit außen vor, die auch beim Dienstleister anfällt. Als Größenordnung reicht es: Ob das teuer ist, entscheidet dein eigener Stundensatz und nicht die Preisliste. Bei einer einzelnen Aufnahme ist die Rechnung egal, bei zehn Interviews nicht mehr: Dresing und Pehl rechnen für zehn Interviewstunden nach einfachem Regelsystem mit 50 bis 100 Arbeitsstunden, also zwei bis vier Wochen bei vier bis sechs Stunden täglich.
Ein Punkt gilt für beide Wege gleich: Korrektur ist immer nötig. Jedes Transkript, ob automatisch oder von Hand, enthält nach dem ersten Durchgang Fehler. Dresing und Pehl verweisen auf eine Untersuchung von Chiari aus dem Jahr 2006, nach der bei untrainierten Transkribierenden in nahezu jedem Absatz ein Fehler entsteht und rund 37 Prozent dieser Fehler die Aussage inhaltlich verfälschen. Auch noScribe schreibt in die eigene Dokumentation, dass Durchsicht und Korrektur immer nötig sind. Wer einen Dienstleister beauftragt, kauft keine Fehlerfreiheit, sondern einen deutlich kleineren Rest.
Wann sich das Abgeben lohnt
Es gibt Aufnahmen, bei denen automatische Spracherkennung schlecht oder gar nicht funktioniert. Dresing und Pehl nennen drei Gruppen: starker Dialekt, zum Beispiel Schweizerdeutsch, mehrere gleichzeitig redende Personen, und Hintergrundgeräusche wie in einer Mensa oder einem Restaurant. Dazu kommt, dass manche Stimmlagen die automatische Sprechertrennung aushebeln, was man danach von Hand korrigiert. Google nennt für die automatischen Untertitel auf YouTube dieselbe Liste: Aussprache, Akzente, Dialekte, Hintergrundgeräusche und ausdrücklich überlappende Sprecher.
Fünf Fälle, in denen der Mensch die richtige Wahl ist:
- Die Aufnahme ist schlecht. Handy auf dem Tisch, Nebenraum, Telefonmitschnitt mit Bandbreitenkompression. Die Maschine rät dann flüssig und plausibel, was die Fehler schwerer auffindbar macht als offensichtlichen Unsinn.
- Mehrere Sprecher reden durcheinander. Vier Personen am Tisch und zwei, die gleichzeitig anfangen. Sprechertrennung ist genau die Funktion, die hier zuerst zusammenbricht.
- Starker Dialekt. Eine Aufnahme in breitem Schweizerdeutsch oder Bairisch bringt dich mit einem Standardmodell nicht ans Ziel.
- Dichte Fachsprache. Produktnamen, Medikamente, Aktenzeichen, Branchenjargon. Das sind genau die Wörter, auf die es ankommt, und genau die, die die Erkennung verhört.
- Es muss wörtlich stimmen. Für eine qualitative Auswertung, ein Gutachten oder einen Vorgang, der später belegen muss, wer was gesagt hat, zählt nicht die Lesbarkeit, sondern die Übereinstimmung mit dem Gesagten. Die entsteht nicht dadurch, dass ein Mensch statt einer Maschine tippt, sondern durch das, was du vereinbarst: das Regelsystem (hier meist Verbatim), einen zweiten Durchgang zur Qualitätssicherung, einen sicheren Übertragungsweg und, wo ein Verfahren dahintersteht, dessen eigene Anforderungen.
Und der ehrliche Gegenfall: Ein sauber aufgenommenes Zweiergespräch auf Hochdeutsch, das nur für dich durchsuchbar sein soll, braucht keinen Dienstleister. Welche Werkzeuge dafür taugen, steht in Transkriptionssoftware im Vergleich, und was davon nichts kostet, in Audio in Text umwandeln: kostenlose Tools.
Was du liefern musst
Diese sechs Punkte haben sich bei mir als Briefing bewährt. Sie entscheiden, ob du eine Abschrift bekommst, mit der du arbeiten kannst:
- Die Originaldatei, unbearbeitet. Nicht über einen Messenger geschickt, nicht selbst umgewandelt, nicht zusammengeschnitten. Jede Zwischenstation kostet Tonqualität, und Tonqualität ist hier der ganze Auftrag. Videodateien nehmen die Dienste ebenso an wie Audio.
- Die gewünschte Genauigkeitsstufe. Siehe nächster Abschnitt. Ohne Ansage bekommst du die Hausvariante des Anbieters, und die ist selten die, die du brauchst.
- Eine Liste der Eigennamen und Fachbegriffe. Personen, Firmen, Produkte, Abkürzungen. Zehn Minuten Vorarbeit, die den größten Teil der späteren Korrektur einspart.
- Zahl der Sprecher und ihre Bezeichnung. Ob im Transkript „Sprecher 1" steht oder „Beraterin", entscheidest du vorher, nicht der Anbieter.
- Termin und Lieferformat. Word, reiner Text, SRT oder VTT für Untertitel, JSON zur Weiterverarbeitung. Das Format entscheidet über die nächste Stunde Arbeit.
- Die Rechtsgrundlage samt Vertrag. Grundlage nach Art. 6 DSGVO, bei Gesundheitsangaben und anderen besonderen Kategorien zusätzlich die Voraussetzungen aus Art. 9 DSGVO. Bevor der Dienstleister verarbeitet, muss der Auftragsverarbeitungsvertrag stehen; die Beteiligten werden passend zum konkreten Fall über Empfänger oder Empfängerkategorien informiert. Dazu der übernächste Abschnitt.
Die Genauigkeitsstufen
Amberscript bietet für die professionelle Transkription drei Varianten an, und diese Dreiteilung ist auch anderswo üblich:
Happy Scribe unterscheidet für den menschlichen Dienst ebenfalls zwischen Verbatim und Clean Read und liefert Zeitstempel und Sprecherlabel mit. Rev bietet Verbatim als Zusatzoption zum Standardpreis an.
Oberhalb dieser drei Stufen liegt die Forschungswelt mit eigenen Regelsystemen, etwa GAT mit Tonhöhenverläufen und Lautstärke. Dafür nennen Dresing und Pehl das 60-Fache der Aufnahmedauer gegenüber dem 5- bis 10-Fachen beim einfachen System, für ein GAT2-Basistranskript bei Übung 18 Stunden je Stunde Material. Wer danach gefragt wird, ist in einer anderen Preisklasse.
Ein Absatz zu den Daten
Wer eine Aufnahme an einen Dienstleister gibt, lässt personenbezogene Daten durch einen Dritten verarbeiten. Nach Art. 28 DSGVO braucht das vor Beginn dieser Verarbeitung einen Vertrag zur Auftragsverarbeitung, der unter anderem Weisungsbindung, die Verpflichtung des Personals zur Vertraulichkeit, die Genehmigung von Unterauftragsverarbeitern und die Löschung oder Rückgabe der Daten am Ende regelt. Im Forschungsablauf von Dresing und Pehl steht diese Vereinbarung schon vor den Gesprächen, weil dort die Weitergabe an Externe in der Einwilligungserklärung aufgeführt wird. Im Einzelfall können Rechtsgrundlage und Zeitpunkt anders aussehen. Art. 13 DSGVO verlangt die Information über Empfänger oder Kategorien von Empfängern. Geht es um Gesundheitsangaben oder andere besondere Kategorien nach Art. 9 DSGVO, reicht eine Grundlage nach Art. 6 allein nicht. Wer Berufsgeheimnisse verwaltet, also etwa in einem Heilberuf, in der Rechtsberatung oder in der Steuerberatung arbeitet, hat zusätzlich § 203 StGB im Blick: Absatz 3 erlaubt das Offenbaren gegenüber Personen, die an der beruflichen Tätigkeit mitwirken, soweit es erforderlich ist, und Absatz 4 macht den Berufsträger strafbar, wenn er nicht dafür gesorgt hat, dass diese mitwirkende Person zur Geheimhaltung verpflichtet wurde. Die Anbieter kennen das: Amberscript nennt NDA und Auftragsverarbeitungsvertrag als verfügbar und speichert nach eigener Angabe in Europa, Happy Scribe bietet eine NDA-Option für sensible Projekte. Das hier ist keine Rechtsberatung, und wann du überhaupt aufnehmen und transkribieren darfst, steht ausführlich in Gespräche transkribieren: was rechtlich gilt.
Die dritte Option: nicht abgeben, sondern einstellen
Beide Wege oben enden an derselben Stelle: Du hast Text, mit jedem Auftrag mehr davon. Nach dreißig Gesprächen liegen dreißig Dateien da, die niemand mehr liest.
Diese Rolle füllt bei mir Gustav, mein KI-Mitarbeiter für Call-Auswertung. Seine Reihenfolge ist eine andere als die eines Transkriptionsdienstes: Die Spracherkennung läuft über Whisper lokal auf meinem Rechner. Danach kommt ein fester Anonymisierungs-Pass, der Namen zu Rollen, Firmen zu Branchen, Beträge zu Größenordnungen und Orte zu Regionen macht. Das Ersetzen allein ist dabei die halbe Strecke: Nach Art. 4 Nr. 5 DSGVO ist es Pseudonymisierung, und nach Erwägungsgrund 26 bleiben solche Daten personenbezogen. Zum Pass gehört deshalb als Mindestprüfung die Gegenprobe, ob Rolle, Branche, Zeitpunkt und ein auffälliges Zitat zusammen wieder auf eine Person zeigen. Für echte Anonymität zählt darüber hinaus der gesamte Kontext und ob eine Identifizierung mit vernünftigerweise wahrscheinlichen Mitteln möglich bleibt. Im Zweifel bleibt der Extrakt pseudonymisiert und bekommt Zweck, Frist und Zugriffsschutz. Gustavs Ergebnis ist deshalb auch nicht das Transkript. Er verdichtet viele Gespräche zu einem Muster-Register: die wiederkehrenden Fragen, jeweils mit der besten eigenen Antwort darauf, woraus Playbook, FAQ, Content-Rohstoff und Einwand-Bibliothek werden. Er destilliert dabei, was du selbst gesagt hast, und erfindet keine Ratschläge dazu. Wie so eine Rolle entsteht, steht in KI-Mitarbeiter einstellen: der Ablauf, und welche Rollen im Coaching-Alltag tragen, in KI für Coaches: Praxis statt Hype.
Häufige Fragen
Was kostet es, ein Transkript erstellen zu lassen?
Abgerechnet wird je Audiominute. Automatisch beginnt es bei Amberscript bei 0,17 Euro je Minute, also rund zehn Euro je Stunde Aufnahme. Der menschliche Dienst startet bei 1,85 Euro je Minute, bei Rev bei 1,99 Dollar, bei Happy Scribe ab 1,75 Euro. Aufschläge entstehen für Eillieferung und Zusatzleistungen wie Anonymisierung, Zeitstempel und Sprecherzuordnung. Stand September 2026.
Kann ich ein Transkript kostenlos erstellen lassen?
Kostenlos bekommst du die Maschine, nicht den Menschen. Whisper und noScribe laufen ohne Gebühr auf dem eigenen Rechner, die Cloud-Dienste haben gedeckelte Gratisstufen zum Testen, Happy Scribe etwa zehn Minuten KI-Transkription. Die Korrektur bleibt dabei bei dir. Welche Wege wirklich nichts kosten und wo ihre Grenzen liegen, steht in Audio in Text umwandeln: kostenlose Tools.
Reicht KI, oder brauche ich einen Menschen?
Bei sauber aufgenommenem Hochdeutsch mit klarer Sprecherfolge reicht die Maschine für den Eigengebrauch. Ein Mensch lohnt sich bei schlechter Aufnahme, gleichzeitig redenden Personen, starkem Dialekt, dichter Fachsprache und immer dann, wenn das Transkript wörtlich stimmen muss. Der Prüfstein ist nicht die versprochene Trefferquote, sondern die Zeit, die du danach selbst aufwendest.
Wie bekomme ich ein Transkript von einem Video oder einem YouTube-Video?
Videodateien nehmen die Transkriptionsdienste direkt an, du musst den Ton nicht vorher herauslösen. Bei YouTube erzeugt die Plattform automatische Untertitel in über 100 Sprachen, Deutsch inbegriffen, die sich als Textgrundlage nutzen lassen. Google empfiehlt selbst ausdrücklich, automatische Untertitel immer durchzusehen und die falsch erkannten Stellen zu bearbeiten.
Wie lange dauert ein Transkriptionsauftrag?
Automatische Transkription liefert in Minuten. Beim menschlichen Dienst nennt Amberscript je nach Seite drei bis fünf Werktage als Standard und 24 Stunden beziehungsweise einen Werktag als Eilauftrag, Rev sagt zwölf Stunden oder weniger zu. Plane die Zeit für dein eigenes Gegenlesen ein, sie fällt in jedem Fall an.
Wie du weitermachst
Nimm zehn Minuten einer typischen eigenen Aufnahme, keine Musterdatei, und lass sie einmal automatisch transkribieren. Dann stoppe die Zeit, die du brauchst, bis du diesen Text jemandem zeigen würdest. Diese eine Zahl beantwortet die Frage besser als jede Preisliste: Multipliziere sie mit der Menge, die im Jahr anfällt, und vergleiche sie mit 1,85 Euro je Minute. Wenn dabei herauskommt, dass nicht die Umwandlung dein Engpass ist, sondern das Durcharbeiten danach, liegt Gustav als fertiges Paket in meiner Community, mit Anonymisierungs-Pass, Einwilligungs-Vorlagen und einem erfundenen Demo-Transkript zum Üben. Die Vorlagen sind Muster ohne Gewähr und ersetzen keine anwaltliche Prüfung deines Falls. Alles dazu unter Community.
