Audio in Text umwandeln und in Word weiterbearbeiten

Von der Aufnahme zum Word-Dokument im Überblick

Ob Experteninterview für die Masterarbeit, Gemeinderatssitzung für den Lokalteil oder Diktat für den Arztbrief: Am Ende soll fast immer ein Word-Dokument stehen, das sich bearbeiten, kommentieren und weitergeben lässt. Der Weg dorthin hat drei Etappen. Zuerst wird die Aufnahme in Text umgewandelt. Dann kommt der Text in Word. Und schließlich formen Sie aus dem Rohtext ein lesbares Dokument.

Dieser Artikel konzentriert sich auf die zweite und dritte Etappe, weil dort im Alltag die meiste Zeit verloren geht. Auf Diktier- oder Transkriptionsfunktionen innerhalb von Word gehen wir nicht ein. Der hier beschriebene Weg über eine Textdatei funktioniert mit jeder Word-Version und genauso mit LibreOffice Writer oder Google Docs.

Schritt 1: Die Aufnahme in Text umwandeln

mydubly ist eine Web-App, die im Browser läuft. Für ein Word-Dokument brauchen Sie nur das Transkript:

1. Ziehen Sie Ihre Aufnahme in das Feld „Drop audio here“. Akzeptiert werden MP3, WAV, M4A, AAC, OGG, FLAC und WebM bis zu zwei Stunden Länge. Sprachmemos vom iPhone liegen meist als M4A vor und funktionieren direkt. WhatsApp-Sprachnachrichten im Format .opus müssen Sie vorher in MP3 oder M4A umwandeln; Hinweise dazu gibt der Beitrag Sprachnachricht in Text umwandeln.
2. Lassen Sie den Schalter „Audio and text output“ ausgeschaltet. Es erscheint „Timestamped transcript only“.
3. Die Sprache wird automatisch erkannt. Wählen Sie unter „Select language“ die gesprochene Sprache, wenn der Text in der Originalsprache bleiben soll; er kommt dann unübersetzt zurück.
4. Klicken Sie auf „Transcribe audio“ und lassen Sie den Tab geöffnet, bis das Ergebnis erscheint.
5. Laden Sie die passende Datei herunter: „Download transcript“ liefert transcript.txt als Fließtext ohne Zeitmarken, „Download timestamped transcript“ liefert transcript-timestamped.txt mit einer Zeitmarke am Anfang jedes Abschnitts.

Die Spracherkennung basiert auf Whisper. Wie fehlerfrei das Ergebnis ist, hängt von Mikrofon, Nebengeräuschen, Dialekt und Sprechtempo ab. Das hochgeladene Audio und die Ergebnisse werden innerhalb von 30 Minuten nach Abschluss des Auftrags vom Server gelöscht.

Drei Dinge leistet mydubly hier nicht: Es gibt keinen Word-Export (.docx), sondern nur Textdateien. Es gibt keine Sprechererkennung, Sie sehen also nicht, wer gerade spricht. Und es gibt keinen Editor im Browser; korrigiert wird in Word. Eine Übersicht über alle Funktionen rund um Tonaufnahmen finden Sie auf der Seite Audio in Text (Englisch). Wer Mundart aufgenommen hat, sollte vorher den Beitrag Schweizerdeutsch transkribieren lesen.

Schritt 2: Die Textdatei in Word holen

Sie haben zwei Möglichkeiten. Entweder öffnen Sie die Datei direkt in Word über „Datei“ und „Öffnen“, wobei Sie im Dateiauswahlfenster den Dateityp auf „Alle Dateien“ oder „Textdateien“ stellen müssen, damit .txt-Dateien überhaupt angezeigt werden. Oder Sie öffnen die Datei mit dem Editor beziehungsweise TextEdit, markieren alles und fügen es in ein vorbereitetes Word-Dokument ein.

Der zweite Weg ist oft praktischer, wenn Sie eine Vorlage haben, etwa die Formatvorlage Ihres Lehrstuhls oder das Briefpapier Ihrer Redaktion. Wählen Sie beim Einfügen die Option „Nur den Text übernehmen“, damit Word die Formatierung Ihrer Vorlage verwendet und keine fremde Schrift einschleppt.

Die Textdateien sind in UTF-8 gespeichert, Umlaute und ß sollten also korrekt erscheinen. Fragt Word beim Öffnen nach einer Codierung, wählen Sie „Unicode (UTF-8)“. Sehen Sie trotzdem Zeichensalat wie „ü“ statt „ü“, wurde die Datei mit der falschen Codierung gelesen; öffnen Sie sie erneut und wählen Sie die Codierung bewusst aus.

Zeitmarken behalten, ausdünnen oder entfernen

In transcript-timestamped.txt beginnt jede Zeile mit einer Zeitmarke in eckigen Klammern, zum Beispiel [4:37] oder bei Aufnahmen über einer Stunde [1:12:05]. Ob Sie diese Marken brauchen, hängt vom Zweck ab:

• Behalten, wenn Sie später Zitate in der Aufnahme nachprüfen müssen, etwa für eine wissenschaftliche Arbeit oder einen journalistischen Text mit wörtlichen Zitaten.
• Ausdünnen, wenn Sie Orientierung wollen, aber keinen unruhigen Text. Eine Zeitmarke pro Absatz oder pro Sprecherwechsel genügt meist.
• Entfernen, wenn das Ergebnis ein Fließtext werden soll, zum Beispiel ein Blogartikel oder ein Protokoll. Einfacher ist es dann, gleich transcript.txt zu verwenden.

Wollen Sie alle Zeitmarken in einem Rutsch entfernen, nutzen Sie in Word „Suchen und Ersetzen“ (Strg+H), klicken auf „Erweitern“ und setzen den Haken bei „Platzhalter verwenden“.

Ein Interview in Word sauber gliedern

Im Rohtranskript ist jeder Sprechabschnitt eine eigene Zeile. Das ergibt viele kurze Absätze, die nicht mit den Sprecherwechseln übereinstimmen. So machen Sie daraus ein lesbares Interview:

1. Hören Sie die Aufnahme parallel zum Text und setzen Sie bei jedem Sprecherwechsel ein Kürzel an den Zeilenanfang. In der Sozialforschung ist „I:“ für die interviewende und „B:“ für die befragte Person verbreitet; im Journalismus schreibt man meist die Namen aus.
2. Fügen Sie die Zeilen eines Sprechers zu einem Absatz zusammen. Bei langen Antworten geht das schneller, wenn Sie den Bereich markieren und mit Suchen und Ersetzen (ohne Platzhalter) die Absatzmarke ^p durch ein Leerzeichen ersetzen, nur innerhalb der Markierung.
3. Formatieren Sie die Kürzel einheitlich, zum Beispiel fett über eine Zeichenformatvorlage, damit Sie später alles auf einmal ändern können.
4. Schalten Sie für Forschungsinterviews die Zeilennummern ein („Layout“, dann „Zeilennummern“). Dann können Sie in der Auswertung auf „Interview 3, Zeile 112“ verweisen.

Welche Transkriptionsregeln in Ihrem Fach gelten, etwa ob Füllwörter, Pausen und Dialekt erhalten bleiben, erklärt der Beitrag Interview transkribieren: Regeln. Für englischsprachige Hinweise zur Gestaltung gibt es außerdem How to format a transcript (Englisch).

Die deutsche Rechtschreibprüfung richtig einsetzen

Markieren Sie zuerst den gesamten Text (Strg+A) und legen Sie unter „Überprüfen“ und „Sprache“ die Sprache für die Korrekturhilfen fest. Word unterscheidet dabei Deutsch (Deutschland), Deutsch (Österreich) und Deutsch (Schweiz). Die Schweizer Variante beanstandet zum Beispiel das ß, weil in der Schweiz „ss“ geschrieben wird. Wer in Wien schreibt, wählt die österreichische Variante, damit „Jänner“ nicht als Fehler markiert wird.

Wichtig ist eine Einschränkung: Die Rechtschreibprüfung findet Tippfehler, aber kaum Hörfehler. Eine Spracherkennung schreibt fast nie „Telefn“, sondern eher ein falsches, korrekt geschriebenes Wort, etwa „Kanzel“ statt „Kanzlei“ oder „Meer“ statt „mehr“. Solche Fehler fallen nur beim Gegenlesen mit Kopfhörern auf. Besonders anfällig sind Eigennamen, Fachbegriffe, Zahlen und Abkürzungen. Eine Strategie für das Korrekturlesen beschreibt der Artikel How to proofread an AI transcript (Englisch).

In wörtlichen Transkripten markiert Word außerdem Umgangssprachliches wie „hab“, „nö“ oder „gell“. Das ist kein Fehler, sondern gewollt. Klicken Sie auf „Alle ignorieren“, statt die Sprache der Befragten zu glätten.

Rechenbeispiel und realistischer Zeitplan

Abgerechnet wird pro angefangener Minute, mindestens 5 Credits pro Datei. Eine dreiminütige Sprachnotiz kostet also 5 Credits. Ein Abo gibt es nicht; Guthaben laden Sie in ganzen Dollarbeträgen auf.

Typische Stolpersteine

• Zerstückelte Absätze: Wer den Rohtext nicht umbricht, erhält ein Dokument mit hunderten Einzeilern. Planen Sie das Zusammenfügen fest ein.
• Zahlen uneinheitlich: Mal „zwanzig“, mal „20“, mal „20 Prozent“, mal „zwanzig Prozent“. Legen Sie eine Regel fest und vereinheitlichen Sie am Ende mit Suchen und Ersetzen.
• Dateien über zwei Stunden: Teilen Sie lange Aufnahmen vorher in mehrere Dateien und fügen Sie die Transkripte in Word wieder zusammen. Die Zeitmarken beginnen dann in jeder Datei bei null; notieren Sie sich den Versatz.
• Vertrauliche Inhalte: Bei Patienten-, Mandanten- oder Personalgesprächen klären Sie vorab, ob die Aufnahme extern verarbeitet werden darf, und anonymisieren Namen im Word-Dokument, bevor Sie es weitergeben.