Interviews transkribieren für Journalisten: ein Workflow, der dem Faktencheck standhält

Die älteste Faustregel der Journalistenschule gilt noch immer: Eine Stunde aufgenommenes Interview kostet drei bis vier Stunden Abtippen. Bei einem Porträt mit drei Gesprächspartnern ist damit ein ganzer Arbeitstag weg, bevor die erste Zeile steht — und der Text soll Donnerstag stehen.

KI-Transkription schrumpft diesen Tag auf Minuten, und bei $0.83–$1.25 pro Audiostunde kostet sie weniger als der Kaffee, den man beim Tippen trinken würde. Aber der Journalismus hat eine Randbedingung, die andere Branchen nicht haben: Ein Zitat mit einem falschen Wort ist nicht zu 97 % korrekt, es ist falsch — und zwar gedruckt, mit dem Namen eines Menschen darunter. Die spannende Frage ist also nicht, ob man KI-Transkription nutzt, sondern wie man sie nutzt, damit nichts Ungeprüftes in den Text gelangt.

Die drei Wege, ehrlich verglichen

Selbst abtippen kostet nichts und erzwingt ein genaues Wiederhören — manche Reporter schätzen genau diesen Durchgang. Es sind aber 3–4 Stunden pro Interviewstunde, und das skaliert in der Woche mit fünf Interviews nicht mehr.

Menschliche Transkriptionsdienste liefern 99 %+ Genauigkeit für Ansprüche auf Gerichtsniveau — zu grob $1–2 pro Audio-Minute und mit ein bis mehreren Tagen Wartezeit. Für $60–$120 pro Interview bekommt man eine Präzision, die die meiste Nachrichtenarbeit nicht braucht: Die Zitate prüft man ohnehin selbst.

KI-Transkription liegt in Minuten vor, mit 90–97 % Genauigkeit bei sauberem Audio. Der Haken steckt in der Zahl selbst: Eine Interviewstunde sind 7.000–9.000 Wörter — selbst 96 % Genauigkeit bedeuten also einige Hundert kleine Fehler. Ausgelassene Wörter, ein verstümmelter Name, „kann” als „kann nicht” gehört. Völlig ausreichend für einen durchsuchbaren Entwurf. Unveröffentlichbar ohne Prüfung.

Dieser letzte Satz ist die ganze Methode.

Ein Workflow, der dem Faktencheck standhält

1. So aufnehmen, als hinge das Transkript davon ab — tut es nämlich. Die Genauigkeit entscheidet sich bei der Aufnahme, nicht bei der Transkription. Telefon auf den Tisch plus ein zweites Gerät als Backup, nah an die Gesprächspartnerin, das Caférauschen möglichst im Rücken. Eine klare Aufnahme transkribiert mit 96–97 %; eine verrauschte Telefonleitung fällt unter 90 % — und jeder verlorene Punkt kostet abends Minuten.

2. Hochladen und die Sprecher trennen lassen. Bei allem mit mehr als einer Stimme die Sprechererkennung einschalten. Aus „Sprecher 1 / Sprecher 2” wird mit zwei Umbenennungen „Ich / Ministerin”, und das Transkript liest sich plötzlich wie ein Drehbuch statt wie eine Textwand.

3. Im Transkript arbeiten, am Audio verifizieren. Das Transkript durchsuchen, um die Stelle zu finden; dann das Audio am Zeitstempel abspielen, bevor ein einziges zitiertes Wort in den Text geht. Das ist die Regel, die KI-Transkription journalismustauglich macht: Das Transkript findet das Zitat, die Aufnahme bestätigt es. Mit Zeitstempeln pro Absatz dauert der Rundweg wenige Sekunden pro Zitat — deutlich schneller als das Spulen durch eine rohe Aufnahme, und genauso streng.

4. Das Band bis zur Veröffentlichung behalten — dann entscheiden. Das Transkript ist das durchsuchbare Archiv, das Audio die Verteidigung, falls ein Zitat angezweifelt wird. Beides behalten, bis der Text draußen und die Sache erledigt ist — danach greift das eigene Urteil zur Aufbewahrung. Dazu gleich mehr.

Die Quellenschutz-Fragen an jedes Tool

Journalisten laden Gespräche hoch, die andere Leute gern mitlesen würden. Bevor irgendein Tool Interview-Audio anfasst, gehören drei Fragen klar beantwortet:

• Wird das Audio zum Training von KI-Modellen genutzt? Die Antwort muss Nein lauten. (Bei Speecho: Nein.)
• Was wird gespeichert, und wie lange? Bei Speecho werden Quelldateien nach der Verarbeitung gelöscht, Transkripte nach 90 Tagen automatisch entfernt. Löschen geht jederzeit früher — und sollte es, sobald ein heikles Stück erschienen ist.
• Was verlässt den eigenen Rechner? Bei Videointerviews extrahiert Speecho die Tonspur im Browser — das Filmmaterial wird gar nicht erst hochgeladen.

Und eine Regel, die kein Tool für einen anwenden kann: War ein Teil des Gesprächs wirklich off the record, wird er vor dem Hochladen herausgeschnitten. Datei kürzen, den Rest transkribieren. Der stärkste Schutz für etwas, das nie als Text existieren darf, ist, dass es die Pipeline nie betritt.

Interviews in anderen Sprachen

Whisper-basierte Transkription beherrscht 99 Sprachen — und das verändert die Recherche: die Quelle in der Sprache interviewen, in der sie tatsächlich denkt, in dieser Sprache transkribieren, dann das Transkript für den Schreibprozess übersetzen und bei heiklen Stellen aus dem Original zitieren. Speecho übersetzt fertige Transkripte in 18 Sprachen — Original und Arbeitsfassung kommen aus demselben Upload.

Was es eine freie Journalistin kostet

Bei $0.83–$1.25 pro Audiostunde kostet ein voller Monat — sagen wir zwölf Interviewstunden — etwa $10–$15. Vorausbezahltes Guthaben, kein Abo, das in auftragslosen Monaten weiterläuft. Derselbe Monat beim menschlichen Dienst: $700–$1.400. Selbst getippt: eine Woche unbezahlter Abende. Diese Arithmetik ist der Grund, warum der Verifizieren-am-Audio-Workflow in Redaktionen leise zum Standard geworden ist: Die Maschine tippt, die Journalistin macht Journalismus.

Probier es am nächsten Interview: Datei hochladen, 15 Gratis-Minuten nach E-Mail-Bestätigung — ohne Karte, und ohne Bot in der Nähe deiner Quellen.