Speech-to-Text und Transkription

Lernziele

Sie kennen die führenden Speech-to-Text-Tools (Whisper, AssemblyAI, Fireflies.ai, Otter.ai) und können deren Einsatzbereiche unterscheiden.

Sie entwerfen einen vollständigen Transkriptions-Workflow für Meeting-Protokollierung oder Diktat.

Sie benennen relevante datenschutzrechtliche Anforderungen (DSGVO Art. 6, §201 StGB) und wenden sie auf konkrete Szenarien an.

Sie beurteilen, welche Einsatzmöglichkeiten von Speech-to-Text in ihrer Organisation sinnvoll und rechtlich zulässig sind.

Auf einen Blick

Worum geht es?

Jedes gesprochene Wort ist potentiell Text. Meetings, Kundengespräche, Diktate, Konferenzen, Webinare — all das ist wertvolle Information, die oft verloren geht oder mühsam von Hand protokolliert werden muss. Speech-to-Text-Technologie (STT) schließt diese Lücke: Sie wandelt gesprochene Sprache automatisch in Text um, mit einer Qualität, die manuelles Tippen in den meisten Anwendungsfällen übertrifft.

Der Durchbruch kam 2022 mit OpenAIs Whisper: ein Open-Source-Modell, trainiert auf 680.000 Stunden mehrsprachiger Audiodaten, das in Qualität und Sprachabdeckung alles bis dahin Verfügbare übertraf. Seither ist STT nicht mehr eine Nischentechnologie für Call-Center-Transkription, sondern ein praktisches Werkzeug für jeden Wissensarbeiter.

Gleichzeitig entstehen bei der Aufzeichnung und Transkription von Gesprächen erhebliche datenschutzrechtliche Fragen: §201 StGB schützt die Vertraulichkeit des gesprochenen Wortes; die DSGVO regelt die Verarbeitung personenbezogener Daten. Wer Speech-to-Text professionell nutzt, muss beides kennen.

Lerntext

OpenAI Whisper — Der Open-Source-Standard

Whisper ist das einflussreichste STT-Modell und Referenzpunkt für die gesamte Branche. Kernfakten:

Training: 680.000 Stunden mehrsprachiger Audiodaten aus dem Internet

Sprachunterstützung: 100+ Sprachen; Deutsch mit hoher Qualität

Modellgrößen: | Modell | Parameter | VRAM | Geschwindigkeit | Genauigkeit | |—|—|—|—|—| | tiny | 39M | ~1 GB | sehr schnell | gering | | base | 74M | ~1 GB | schnell | mittel | | small | 244M | ~2 GB | gut | gut | | medium | 769M | ~5 GB | langsamer | sehr gut | | large | 1550M | ~10 GB | langsam | exzellent |

Nutzungswege:

• API: OpenAI Whisper API, $0.006 pro Minute; einfach, kein Infrastrukturaufwand
• Lokal: Open-Source-Code, läuft auf CPU (langsam) oder GPU (schnell)
• Desktop-Apps: WhisperFlow (Mac), Superwhisper (Mac), Whisper Transcriber (Windows)
• Integrationen: Fireflies.ai und Otter.ai nutzen Whisper-Technologie als Basis

Abb. 65.1 — Speech-to-Text Workflow: Aufnahme · Transkription · Nachbearbeitung · Nutzung

Merksatz

Whisper von OpenAI hat den STT-Markt neu definiert. Die API-Version kostet $0.006 pro Minute — eine einstündige Konferenz kostet damit 36 Cent zu transkribieren. Open-Source-Installationen sind kostenlos, erfordern aber technisches Setup.

AssemblyAI — Erweiterte Analyse und Sprechertrennung

AssemblyAI geht über reine Transkription hinaus und bietet eine umfangreiche API für Sprach-KI-Funktionen:

Speaker Diarization: Automatische Trennung verschiedener Sprecher in einer Aufnahme; ideal für Meeting-Protokolle mit mehreren Teilnehmenden

Auto Chapters: Automatische thematische Gliederung langer Aufnahmen

Key Phrases: Extraktion der wichtigsten inhaltlichen Schlüsselbegriffe

Sentiment Analysis: Erkennung von positiven, neutralen oder negativen Gesprächsphasen

PII Redaction: Automatisches Schwärzen personenbezogener Informationen (Namen, Telefonnummern, Adressen) in der Transkription

Preise: Ab $0.65 pro Stunde Audio; höhere Preise für erweiterte Funktionen; Enterprise-Tarif mit Datenschutzvereinbarungen verfügbar.

Einsatzszenario Vertrieb: Verkaufsgespräche transkribieren, Key-Phrase-Extraktion für CRM-Einträge, Sentiment-Analyse zur Bewertung der Gesprächsqualität — alles automatisiert.

Fireflies.ai und Otter.ai — Meeting-Assistenten

Diese Plattformen kombinieren STT mit Workflow-Integration:

Fireflies.ai: - Verbindet sich direkt mit Kalender (Google, Microsoft); tritt automatisch Meetings bei und transkribiert - Erstellt Zusammenfassung, Action Items und Suchfunktion über alle Transkripte - Integration in CRM-Systeme (Salesforce, HubSpot) - Preise: Freemium (800 Min/Monat gratis), dann ab $10/Monat

Otter.ai: - Ähnliche Funktionen mit starker Desktop-App - Echtzeit-Transkription während des Meetings sichtbar - Integration in Zoom, Teams, Google Meet - Besonders stark für englischsprachige Meetings

Microsoft Teams Premium: - Für Teams-Nutzer: Integrierte Transkription und Zusammenfassung direkt in Teams - Datenschutzrechtlich vorteilhaft für EU-Unternehmen mit Microsoft-EA-Vertrag

Merksatz

Meeting-Assistenten wie Fireflies.ai sind produktivitätsstark, aber datenschutzrechtlich komplex: Alle Gesprächsinhalte werden auf externen Servern verarbeitet. Vor dem Einsatz: Datenschutzfolgenabschätzung, Auftragsverarbeitungsvertrag (AVV) mit dem Anbieter und — entscheidend — Einwilligung aller Gesprächsteilnehmenden.

Datenschutz und §201 StGB

Der Einsatz von Sprachaufzeichnung und -transkription hat klare rechtliche Grenzen:

§201 StGB — Verletzung der Vertraulichkeit des Wortes: - Das unbefugte Aufnehmen des nichtöffentlich gesprochenen Wortes ist strafbar - „Unbefugt” bedeutet: ohne Wissen und Einwilligung aller Beteiligten - In Meetings gilt: Alle Teilnehmenden müssen über die Aufzeichnung informiert sein und ihr zustimmen

DSGVO Art. 6 — Rechtmäßigkeit der Verarbeitung: - Sprachdaten, die Personen identifizieren lassen, sind personenbezogene Daten - Rechtsgrundlage erforderlich: Einwilligung (Art. 6 I a) oder berechtigtes Interesse (Art. 6 I f) - Für interne Meetings: Berechtigtes Interesse oft vertretbar; Dokumentation empfohlen - Für externe Meetings mit Kunden: Explizite Einwilligung vor der Aufzeichnung einholen

Datenschutz-Klassifizierungsmatrix:

Muster-Einwilligungsformulierung für Meeting-Beginn: „Dieses Meeting wird mit einem KI-Transkriptionsdienst aufgezeichnet. Die Aufzeichnung dient ausschließlich der internen Protokollierung. Sie werden separat gespeichert und nicht an Dritte weitergegeben. Wenn Sie nicht mit der Aufzeichnung einverstanden sind, informieren Sie mich bitte jetzt.”

Vertiefung — Qualitätsoptimierung und Diktat-Workflow

Faktoren, die Transkriptionsqualität beeinflussen: 1. Mikrofonqualität: Einfaches Laptop-Mikrofon vs. dediziertes USB-Mikrofon → erheblicher Qualitätsunterschied, besonders in lauten Umgebungen 2. Sprechergeschwindigkeit: Zu schnelles Sprechen führt zu mehr Fehlern; moderates Tempo (140–160 Wörter/Min) ist optimal 3. Hintergrundgeräusche: Noise-Cancelling-Headsets stark empfohlen für Büroumgebungen 4. Dialekt und Akzent: Whisper/large ist robust; kleinere Modelle können bei starkem Dialekt Probleme haben 5. Fachvokabular: Branchenspezifische Begriffe werden manchmal falsch transkribiert; Nachkorrektur einplanen

Diktat-Workflow für Wissensarbeiter: 1. Vorbereitung: Ruhige Umgebung, gutes Mikrofon, Thema grob skizzieren 2. Diktat: Fließend sprechen; Satzzeichen ansagen wenn nötig (bei Whisper werden diese oft automatisch gesetzt) 3. Transkription: Via Desktop-App oder API 4. Nachbearbeitung: Kurze Korrekturrunde (typisch: 5–10% Fehlerrate bei gutem Audio) 5. Weiterverarbeitung: Transkript als Basis für E-Mail, Protokoll oder Dokument nutzen — ggf. LLM für Strukturierung einsetzen

Branchen-Anwendungen

IT-Dienstleistung & Beratung

Beratungsunternehmen führen täglich zahlreiche Meetings: Kundengespräche, Projektreviews, Scrum-Events, Stakeholder-Interviews. Die manuelle Protokollierung bindet erhebliche Kapazitäten. Mit Fireflies.ai oder Otter.ai werden Meetings automatisch transkribiert und zusammengefasst; Projektmanager erhalten sofortige Action-Item-Listen. Besonders wertvoll: Die Suchfunktion über alle vergangenen Meeting-Transkripte macht Entscheidungen und Gesprächsergebnisse dauerhaft auffindbar. Datenschutzhinweis: Bei Kundenmeetings muss vorab Einwilligung eingeholt werden; prüfen Sie, ob der Kunde damit einverstanden ist, dass Gesprächsinhalte auf den Servern eines US-Anbieters verarbeitet werden.

Industrie & Fertigung

In der Produktion sind Sprachinterfaces besonders wertvoll, wenn Hände besetzt sind: Qualitätsprüfer können Beobachtungen diktieren statt tippen; Schichtleiter können Handover-Protokolle per Sprache aufnehmen; Wartungstechniker können Befunde vor Ort einsprechen. Lokal installiertes Whisper (small oder medium Modell) auf einem ruggedized Tablet ist dabei die datenschutzoptimale Lösung — keine Datenübertragung in die Cloud. Für die Produktionshalle: Noise-Cancelling-Headsets sind keine Option, sondern Voraussetzung für akzeptable Transkriptionsqualität.

Finanzdienstleistung & Versicherung

Beratungsgespräche zu transkribieren ist in der Finanzbranche aus Compliance-Gründen ohnehin gefordert: §34 WpHG verpflichtet bei Anlageberatung zur Gesprächsdokumentation. KI-STT automatisiert diese Pflicht. Wichtig: Der Anbieter muss eine MaRisk-/Compliance-konforme Datenschutzlösung bieten; europäische Hosting-Partner (kein transatlantischer Datentransfer ohne angemessene Schutzklauseln) sind bevorzugt. Microsoft Teams Premium mit deutschem Rechenzentrum erfüllt diese Anforderungen typischerweise besser als US-only Cloud-Dienste.

Öffentliche Verwaltung

Öffentliche Einrichtungen nutzen STT für Protokollierung von Sitzungen, Anhörungen und Bürgergesprächen. Hier gelten strenge Anforderungen: Verarbeitung auf deutschen oder EU-Servern ist Pflicht; keine Übertragung an Drittstaaten ohne angemessene Garantien. Lokale Whisper-Installationen auf behördeneigener Infrastruktur sind die sicherste Lösung. Datenschutzbeauftragte der Behörde müssen in die Einführung eingebunden werden. Vorteil: Barrierefreiheitspflichten (BITV 2.0) können durch automatische Untertitelung und Transkription erfüllt werden.

Übung 1 — Diktat-Aufnahme transkribieren

Übung 1

Aufgabe: Transkribieren Sie eine eigene Diktat-Aufnahme und bewerten Sie die Qualität.

Vorgehen: 1. Sprechen Sie 2–3 Minuten frei zu einem selbst gewählten beruflichen Thema (z. B. Beschreibung eines Projekts, Auflistung von Aufgaben, Zusammenfassung eines Meetings) 2. Nutzen Sie Ihr Smartphone-Mikrofon oder ein Headset-Mikrofon 3. Transkribieren Sie die Aufnahme mit Whisper (via Superwhisper/WhisperFlow für Mac; online-Tool für Windows/Web: z. B. openai.com/research/whisper oder whisper.ai-tools.de) 4. Bewerten Sie die Qualität: Wie viele Fehler gibt es? Was waren die Ursachen?

Zeit: 15 Minuten

Musterlösung / Leitfaden für Trainer:

Typische Ergebnisse: Bei guter Mikrofon-Umgebung und klarer Aussprache: Fehlerrate unter 5%. Bei Hintergrundgeräusch oder Dialekt: bis zu 15–20% Fehlerrate. Betonen Sie: Die Transkription ist eine Rohversion, die immer eine Korrekturrunde braucht. Auch 90% Genauigkeit ist besser als manuelles Tippen.

Übung 2 — Meeting-Protokoll-Workflow simulieren

Übung 2

Aufgabe: Simulieren Sie einen vollständigen Meeting-Protokoll-Workflow.

Vorgehen (in Dreiergruppen): 1. Führen Sie ein 5-minütiges simuliertes Meeting zu einem fiktiven Thema (z. B. Projektplanung für ein internes Event) 2. Zeichnen Sie das Meeting auf (Smartphone-Aufnahme genügt) 3. Transkribieren Sie die Aufnahme mit einem STT-Tool Ihrer Wahl 4. Nutzen Sie ChatGPT oder ein anderes LLM, um aus dem Transkript ein strukturiertes Protokoll zu erstellen: Teilnehmende, Themen, Beschlüsse, Action Items

Leitfragen für die Reflexion: Was funktioniert? Wo liegt der verbleibende Aufwand? Welche Datenschutzaspekte müssten im realen Einsatz beachtet werden?

Zeit: 25 Minuten

Musterlösung / Leitfaden für Trainer:

Zeigen Sie den Prompt für die LLM-Nachbearbeitung: „Hier ist ein Meeting-Transkript. Erstelle daraus ein strukturiertes Protokoll mit: 1. Teilnehmende, 2. Besprochene Themen, 3. Getroffene Beschlüsse, 4. Action Items mit Verantwortlichen und Terminen.” Betonen Sie den Datenschutzhinweis: Im echten Einsatz niemals vertrauliche Meeting-Inhalte in öffentliche LLM-Interfaces eingeben.

Prompt-Vorlage

Prompt: Meeting-Transkript zusammenfassen — strukturiert nach Themen

Du bist ein professioneller Meeting-Assistent. Fasse das folgende Transkript

strukturiert und prägnant zusammen.



[TRANSKRIPT HIER EINFÜGEN]



Ausgabeformat:



## Meeting-Zusammenfassung



**Datum/Uhrzeit:** [aus Transkript entnehmen, falls vorhanden]

**Teilnehmende:** [Namen oder Kürzel aus Transkript]



### Besprochene Themen

1. [Thema 1] — Kernaussagen in 2–3 Sätzen

2. [Thema 2] — Kernaussagen in 2–3 Sätzen

[weitere Themen]



### Getroffene Entscheidungen

- [Entscheidung 1]

- [Entscheidung 2]



### Action Items

| Aufgabe | Verantwortlich | Termin |

|---|---|---|

| ... | ... | ... |



### Offene Punkte / Nächste Schritte

- ...



Sprache: Deutsch. Sie-Form. Keine Interpretation über den Transkript-Inhalt hinaus.

Hinweis Datenschutz: Fügen Sie diesen Prompt und das Transkript nur in Systeme ein, für die ein Auftragsverarbeitungsvertrag (AVV) besteht. Bei vertraulichen Gesprächsinhalten ist eine lokale LLM-Lösung (z. B. Ollama mit Llama 3 oder Mistral) vorzuziehen.

Cheatsheet — UE 65

Tool-Entscheidung STT: - Kostenlos + open source + lokal → Whisper (installiert) - Einfach + API → Whisper API ($0.006/Min) - Meeting-Assistent + Workflow → Fireflies.ai oder Otter.ai - Enterprise + Teams → Microsoft Teams Premium - Sprechertrennung + Analyse → AssemblyAI

Datenschutz-Pflicht-Checkliste: - [ ] §201 StGB: Alle Teilnehmenden wissen von der Aufzeichnung und haben zugestimmt - [ ] DSGVO Art. 6: Rechtsgrundlage dokumentiert (Einwilligung oder berechtigtes Interesse) - [ ] AVV mit dem Anbieter geschlossen (bei externen Tools) - [ ] Vertrauliche Inhalte → lokale Verarbeitung bevorzugen

Qualitätsbooster: Gutes Mikrofon · ruhige Umgebung · klare Aussprache · Korrekturrunde einplanen

Reflexionsfragen

In welchen Ihrer täglichen Meetings würde eine automatische Transkription den größten Mehrwert bringen? Was hält Sie bisher davon ab?

Wie erklären Sie einer Kollegin, die datenschutzkritisch eingestellt ist, warum der Einsatz von Fireflies.ai im Team zulässig und sinnvoll sein kann — und wo Sie Grenzen ziehen würden?

Welche internen Prozesse müssten in Ihrer Organisation angepasst werden, um STT für Meeting-Protokollierung einzuführen?

Wie verändert eine vollständige Transkriptions-Datenbank aller Team-Meetings die Art, wie Wissen in einer Organisation gesichert und zugänglich gemacht wird?

Quellen & Weiterlesen

Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung mit Anhängen und Musterlösungen: als PDF anfordern.