Was ein KI-Chatbot gut kann

Manche KI-Chatbots nehmen eine Audiodatei an. Geben Sie ihnen eine zweiminütige Sprachnotiz mit einer einzigen klaren Stimme, bekommen Sie brauchbaren Text zurück. Auch für das, was nach der Transkription kommt, sind Chatbots gut geeignet: Sobald der Text vorliegt, können sie ihn zusammenfassen, Aufgaben herausziehen oder eine E-Mail daraus machen. Ist Ihre Aufnahme kurz und brauchen Sie nur das Wesentliche, reicht das vielleicht schon aus.

Wo es schiefgeht

  • Upload-Grenzen. Chatbots, die Audio annehmen, begrenzen Größe und Länge der Datei, und manche nehmen gar kein Audio an. Eine lange Aufnahme muss oft in Stücke geschnitten und einzeln eingespeist werden.
  • Gekürzter Text. Ein Chatfenster ist dafür gebaut, eine Antwort zu geben, nicht vierzig Seiten auszuliefern. Bei einer langen Aufnahme neigt der Chatbot dazu, zu verdichten, Passagen zu überspringen oder mittendrin abzubrechen.
  • Keine verlässlichen Sprecherangaben. Bei einem Interview oder einer Besprechung müssen Sie wissen, wer was gesagt hat. Chatbots markieren Sprecherwechsel nicht zuverlässig, sodass Sie jeden Stimmwechsel anhand des Audios prüfen müssen.
  • Keine verlässlichen Zeitstempel. Ohne die Zeit jeder Zeile können Sie nicht zurück ins Audio springen, um ein Zitat zu prüfen.
  • Keine Datei zum Weiterarbeiten. Sie erhalten Text in einem Chat, kein Dokument, das Sie weitergeben können.

Der gekürzte Text fällt am schwersten auf. Ein verdichtetes Transkript liest sich flüssig, nichts deutet also darauf hin, dass in der Mitte zehn Minuten fehlen.

Warum das so ist

Sprache in Text zu verwandeln, erfordert ein Sprachmodell und echte Rechenzeit für das Audio. Ein allgemeiner KI-Chatbot ist darauf ausgelegt, eine Nachricht zu beantworten – mit Grenzen dafür, wie viel er aufnehmen und wie viel er zurückschreiben kann. Eine lange Aufnahme sprengt beides.

Die Ausgabeseite wird leicht unterschätzt. In unserem Test mit vier langen Aufträgen brauchte jedes Modell für die Übersetzung einer Untertitel-Datei mit 85 Minuten und 1.200 Zeilen zwischen 38.000 und 56.000 Output-Tokens. Ein vollständiges Transkript einer zweistündigen Aufnahme ist eine Antwort in derselben Größe. Ob sie am Stück ankommt, hängt davon ab, wie viel die App in einer einzelnen Antwort zulässt.

Ein spezialisiertes Speech-to-Text-Tool ist umgekehrt aufgebaut: Es verarbeitet die gesamte Datei in Teilen, behält die Zeitangabe jedes Absatzes bei und speichert das Ergebnis als Dokument, das Sie bearbeiten und exportieren können.

So testen Sie es selbst

Nehmen Sie eine Aufnahme, die Sie kennen, mindestens zwanzig Minuten lang, mit zwei sprechenden Personen.

  1. Bitten Sie einen KI-Chatbot, sie wortwörtlich und mit Zeitstempeln zu transkribieren.
  2. Notieren Sie, ob der Upload überhaupt angenommen wird.
  3. Suchen Sie einen Satz, an den Sie sich aus der Nähe des Endes erinnern, und suchen Sie ihn im Ergebnis.
  4. Vergleichen Sie die Wortzahl mit einer groben Schätzung: Die meisten Menschen sprechen etwa 130 bis 160 Wörter pro Minute.

Ist der späte Satz vorhanden und liegt die Wortzahl im Rahmen, gehört Ihre Aufnahme in die einfache Kategorie. Wird der Text zum Ende hin dünner, haben Sie eine Zusammenfassung, kein Transkript.

Was Sie stattdessen nutzen können

Nutzen Sie ein Tool, das für lange Aufnahmen gebaut ist. Unser Tool Audio & Video in Text teilt die Aufnahme in Teile, transkribiert jeden Teil komplett mit Zeitstempeln und fügt sie der Reihe nach wieder zusammen. Es nimmt Audio- und Videodateien bis 2 GB und 6 Stunden an, schreibt jeden Teil in der gesprochenen Sprache und kann unter jedem Absatz eine Übersetzung ergänzen. Sie laden TXT oder Word herunter. Ein fertiges Beispiel finden Sie in der Demo.

Der erste Teil ist kostenlos, ohne Registrierung. Die komplette Aufnahme kostet $5, Einmalzahlung, kein Abo. Unlimited kostet $19 pro Woche (verlängert sich wöchentlich, jederzeit kündbar), gilt für jedes Tool auf der Website und nimmt Aufnahmen bis zu 12 Stunden pro Auftrag an.

Sind die Aufnahmen Sprachnachrichten in einem WhatsApp-Chat, nutzen Sie stattdessen WhatsApp-Chat in PDF: Das Tool transkribiert jede Sprachnachricht an der Stelle, an der sie in der Unterhaltung gesendet wurde.