Transkriptionsmodelle im Vergleich: Wer hat das eigentlich gesagt?

Im Juni las Ben Berndt in seinem Podcast {ungeskriptet} aus einem Schreiben der Landesanstalt für Medien NRW vor. Darin die Bitte, seine gesamten Angebote auf journalistische Sorgfalt zu überprüfen.¹ Ben rechnete kurz nach: ungefähr dreihundert Folgen, jede ungefähr drei Stunden lang, zusammen rund neunhundert Stunden. Ein halbes Arbeitsjahr, schätzte er. „Das ist absolut nicht zu leisten.“

Gerechnet hat er gut. Ich komme auf 331 Folgen ab 20 Minuten mit zusammen 898 Stunden Audio, nur zwei Stunden unter seiner Schätzung.²

Ich verstehe den Satz. Neunhundert Stunden anhören, mitschreiben und jede Behauptung nachprüfen, das macht niemand nebenbei.

Trotzdem hat mich die Frage nicht losgelassen, wie weit man mit Maschinen kommt. Beauftragt hat mich niemand, Ben nicht und die Medienanstalt auch nicht. Die hat ihre Prüfung im September ohnehin abgeschlossen.³ Mich hat die Frage dahinter interessiert, und ich erzähle das hier aus der Perspektive eines neugierigen Forschers. Ehrlich gesagt hat es mir auch viel Spaß gemacht.

Das Prüfsystem aus der Krankenkassen-Studie

Jetzt kommt der Twist. Für meine Studie zu Krankenkassen-Websites habe ich 56.198 öffentliche Seiten aus 84 Webauftritten und Teilportalen untersucht, Datenstand Mai 2026.⁴ Dafür habe ich ein Vorgehen gebaut, das aus Masse eine Arbeitsliste macht. Ein Modell sucht Stellen, die einen genaueren Blick lohnen. Jede Stelle braucht eine Fundstelle, ein wörtliches Zitat und eine klare Grenze, was sie aussagt. Was sich nicht belegen lässt, fliegt raus. Entscheiden tut am Ende ein Mensch.

Für Bens Podcast musste ich daran fast nichts neu erfinden. Ich habe es im Grunde nur angewendet. Aus der Seite wird eine Folge, aus der Fundstelle eine Zeitmarke, aus dem Zitat der gesprochene Wortlaut.

Ein Feld kam dazu, und das hat die meiste Arbeit gemacht: Wer spricht?

Warum die Sprechererkennung alles entscheidet

Auf einer Kassenseite spricht immer die Kasse. Im Podcast sitzt Ben, meistens mit einem Gast, manchmal mit zweien, und in den Fragerunden redet er allein. Ob Ben etwas behauptet oder sein Gast, und ob Ben dann nachhakt, ist ein großer Unterschied. Genau darum ging es auch im Fall der Medienanstalt: um eine Gastaussage, die im Gespräch nicht eingeordnet wurde.³ Ein Satz ohne Sprecher ist für so eine Prüfung wertlos.

Das Erkennen, wer wann spricht, heißt Diarisierung. Stell dir einen Stapel Karteikarten vor, auf jeder ein paar Sekunden Gespräch. Das Modell hört auf den Klang der Stimme und sortiert jede Karte auf einen Stapel: Stimme A, Stimme B, Stimme C.

Nicht jedes Transkriptionsmodell kann das. Whisper von OpenAI ist für Transkription und Übersetzung gebaut, eine Sprechertrennung gehört nicht zu seinen Aufgaben.⁵ Heraus kommt ein sauberer Fließtext, in dem Ben und sein Gast zu einer Stimme verschmelzen. Deepgram nova-3 trennt die Sprecher, nennt sie aber nur „Sprecher 0“ und „Sprecher 1“.⁶ Wer davon Ben ist, weiß das Modell nicht.

Also habe ich einen Stimmabdruck von Ben angelegt. Ein zweites Modell, SpeechBrain ECAPA, vergleicht jede erkannte Stimme damit.⁷ Sehr ähnliche Stimmen sind Ben, deutlich andere sind Gäste, alles dazwischen landet auf einer Prüfliste. Die Namen der Gäste holt ein Sprachmodell aus Titel, Beschreibung und den ersten Minuten, und zwar nur mit wörtlichem Beleg.

Über den ganzen Bestand sieht das so aus:²

• 331 Folgen ab 20 Minuten, 898 Stunden Audio, rund 9,7 Millionen Wörter.
• Ben spricht 251,7 Stunden, das sind 29,0 Prozent der Redezeit. Die Gäste kommen auf 615,0 Stunden.
• In 318 Folgen hat das System genau einen Ben gefunden. 85 Folgen tragen den Vermerk „prüfen“ oder „zu wenig Sprache“.

Die bekannte Schwäche: Kurze Einwürfe wie „ja“ oder „genau“ rutschen oft in den Abschnitt des anderen. Für Bens Redeanteil ist das egal. Für ein Zitat nicht. Deshalb höre ich jede Stelle an, bevor ich sie zitiere.

Deepgram nova-3 und Whisper im direkten Vergleich

Die Grundlage ist Deepgram nova-3. Das Modell liefert Wörter mit Zeitmarken und die Sprechertrennung. Den größten Teil habe ich direkt bei Deepgram transkribiert, die ältesten Folgen mit demselben Modell über Cloudflare. Geschätzte Kosten: 245,79 Dollar.²

Danach lief Whisper als zweiter Durchgang über alle Folgen, genauer whisper-large-v3-turbo über Cloudflare Workers AI.⁸ Das waren 18.246 Anfragen für zusammen 28,74 Dollar. Whisper darf dabei nur Wörter verbessern. Die Sprecherzuordnung von Deepgram bleibt stehen. Ein neues Wort bekommt nur dann einen Sprecher, wenn Zeit und Text eindeutig passen.

Klingt nach klarer Arbeitsteilung. In der Praxis ist es ein Tauziehen. Hör selbst.

Hörbeispiel 1 · Whisper erkennt den Fachbegriff

Philemon Schibli in „Professioneller Tripsitter packt aus!“, Stelle ab 0:48, 13 Sekunden

Deepgram nova-3

„… Ich arbeite mit Pilzen, Silizubin und dann starten wir den Prozess …“

Whisper Large V3 Turbo

„… Ich arbeite mit Pilzen, Psilocybin. und dann starten wir den Prozess …“

Whisper erkennt den Fachbegriff. Gemeint ist Psilocybin, der Wirkstoff in Pilzen. Deepgram schreibt ein Wort, das es nicht gibt. Übernommen hat die Pipeline Whispers Fassung automatisch, ohne dass ich die Stelle vorher angehört hatte. Den Punkt mitten im Satz hat Whisper so geliefert.

Hörbeispiel 2 · Ein Satz, zwei Fehler, je einer pro Modell

Joachim Steinhöfel in „EILMELDUNG: Ich verklage die Landesanstalt für Medien NRW“, Stelle ab 12:32, 10 Sekunden

Deepgram nova-3

„… Süddeutsche, FAZ, Bildhaltung und so weiter, da gibt es den Presserat.“

Whisper Large V3 Turbo

„… Süddeutsche, FHZ, Bildzeitung und so weiter, da gibt es den Presserat.“

+ Namensprüfung

„… Süddeutsche, FAZ, Bildzeitung und so weiter, da gibt es den Presserat.“

Keins der beiden Modelle hat den Satz allein richtig. Deepgram erkennt die FAZ und hört dann „Bildhaltung“. Whisper versteht „Bildzeitung“ und macht dafür aus der FAZ eine „FHZ“. Richtig wird er erst, wenn man beide kombiniert und ein Sprachmodell den Zeitungsnamen prüft.

Hörbeispiel 3 · Beide verhören sich beim Namen

Uwe Boll in „Wir dürfen seinen Film nicht sehen (Filmemacher)“, Stelle ab 2:28:43, 10 Sekunden

Deepgram nova-3

„… sowohl schausten als auch wohl halalien, so hat keine Konsequenzen.“

Whisper Large V3 Turbo

„… sowohl schausten als auch Hulhalali und so hat keine Konsequenzen.“

+ Namensprüfung

„… sowohl schausten als auch Hayali und so hat keine Konsequenzen.“

Gemeint ist die ZDF-Moderatorin Dunja Hayali. Ich habe die Stelle angehört: Beide Modelle verfehlen den Namen, Whisper liegt etwas näher dran. Bettina Schausten haben beide erkannt, nur kleingeschrieben.

Wer im Archiv nach „Hayali“ sucht, findet diese Stelle mit keinem der beiden Modelle. Bei seltenen Namen hilft keins der beiden Modelle zuverlässig. Ein Sprachmodell dagegen weiß, dass in einer Reihe von ZDF-Leuten mit „Hulhalali“ wohl Dunja Hayali gemeint ist. Also lasse ich Claude Haiku 5.5 nach verdächtigen Namen suchen, unklare Fälle prüft Claude Sonnet 5.5. Bisher sind so 114 Namen in 5 Folgen korrigiert.² Jede dieser Korrekturen ist als Modellkorrektur markiert und noch nicht angehört.

Und dann die Zahl, die man ehrlicherweise dazusagen muss: Whisper hat im ganzen Bestand 279.866 Wortgruppen geändert. Am Audio bestätigt sind davon 5.² Der Rest ist plausibel, aber ungeprüft. Wenn jemand sagt, ein Transkript sei „korrigiert“, lohnt sich die Rückfrage, von wem.

Was sonst auffiel

Whisper glättet. Aus einem gesprochenen „glaub“ macht es gern „glaube“. Das klingt nach einer Kleinigkeit, aber es verändert den Wortlaut, und um den geht es bei einem Zitat. Für solche Fälle habe ich eine eigene Schutzregel gebaut.

Whisper erfindet. Über reiner Musik schrieb es in meinen eigenen Videotests Sätze wie „Vielen Dank fürs Zuschauen“, obwohl dort niemand spricht.

Whisper verschluckt. In einem frühen Test mit zehn Stellen habe ich sechs Whisper-Verbesserungen nach Gehör bestätigt. An einer Stelle fehlte dafür ein kurzes „Ja.“ des Gastes, das Deepgram richtig hatte.

Ein Modell als Schiedsrichter hat nicht funktioniert. Ich habe ein Audio-Sprachmodell (Clef-omni) entscheiden lassen, welche der beiden Fassungen zum Ton passt. In diesem Test hat es nicht zuverlässig geurteilt.

Und YouTube übersetzt fröhlich mit. Ohne Spracheinstellung liefert die Schnittstelle automatisch übersetzte englische Titel. Manche Folgen haben zusätzlich eine KI-synchronisierte englische Tonspur. Wer da nicht aufpasst, transkribiert die Synchronfassung.

Vom Transkript zur Prüfliste für Aussagen

Mit sauberem Text und klaren Sprechern läuft das Verfahren aus der Kassenstudie. Pro Folge sieht das so aus:

1. Der Text wird eingefroren und mit einer Prüfsumme versehen. So bleibt nachvollziehbar, auf welche Fassung sich ein Fund bezieht.
2. Ein Sprachmodell (DeepSeek V4.1 Flash über Cloudflare) liest Abschnitt für Abschnitt und markiert überprüfbare Behauptungen: wörtliches Zitat, Sprecher, Zeitmarke, Prüfgrund, Priorität.
3. Ein Programm prüft, ob das Zitat wörtlich im Transkript steht. Erfundene Zitate kommen nicht durch.
4. Ausgewählte Funde liest ein zweites Modell mit drei Minuten Gesprächskontext, ohne die Bewertung des ersten zu sehen.
5. Am Ende steht eine Liste mit Link auf die Sekunde im Video. Ab da ist es Menschenarbeit: anhören, Quellen suchen, einordnen.

Den Pilot habe ich mit zwei Folgen gefahren, zusammen knapp viereinhalb Stunden: das Gespräch mit Bens Anwalt Joachim Steinhöfel und das mit dem Filmemacher Uwe Boll. Heraus kamen 61 Fundstellen, 10 davon mit hoher Priorität, 5 von Ben selbst. Die Modellkosten lagen bei rund 0,37 Dollar.⁹

Das ist keine Liste von Falschaussagen. Eine Fundstelle heißt: Hier lohnt sich ein Blick. Ob die Aussage stimmt, sagt die Liste nicht. Und der Lauf über die 50 neuesten Folgen steht noch aus.

Ben hat recht: Neunhundert Stunden prüft niemand mal eben durch. Mit so einer Liste verschiebt sich aber die Frage. Statt „Wer hört das alles an?“ heißt sie dann: „Welche Stellen zuerst?“

Was das für regulierte Unternehmen heißt

Bei den Krankenkassen habe ich bisher auf Websites geschaut. Aber regulierte Häuser sprechen längst auch auf Instagram, LinkedIn und YouTube, in Podcasts und Webinaren. Diese Kanäle betreuen oft Agenturen. Und aus Erfahrung weiß ich: Die gehen nicht immer mit derselben Sorgfalt an die Sache wie das Haus selbst. Das ist leider so, und ich habe es öfter bemerkt.

Beim gesprochenen Wort kommt etwas dazu. Einen Webtext liest vor der Freigabe meist jemand gegen. Ein einstündiges Video hört sich nach der Veröffentlichung kaum jemand im Haus noch einmal komplett an, nur um zu prüfen, ob in Minute 42 eine heikle Aussage ohne Einordnung stehen geblieben ist.

Was mir dieses Projekt gezeigt hat: Text, Ton und Video lassen sich mit derselben Methode erfassen. Für die Redaktion oder das Management im Haus heißt das, die öffentlichen Aussagen aus allen Kanälen landen in einer gemeinsamen Liste, egal ob sie auf der Website stehen, in einem Reel fallen oder im Podcast. Geprüft werden müssen sie trotzdem. Aber man sieht, wo man hinschauen sollte, was kritisch ist und was im grünen Bereich liegt. Damit hat das Haus seine Aussagen wieder selbst im Griff.

Häufige Fragen

Ist Deepgram oder Whisper besser für deutsche Podcasts?

In meinem Bestand war es keins allein. Deepgram nova-3 liefert Wortzeiten und die Sprechertrennung. Whisper erkennt Fachbegriffe oft besser, macht aber eigene Fehler und glättet gesprochene Sprache. Am besten lief die Kombination: Deepgram als Gerüst, Whisper als zweiter Durchgang, Namen per Sprachmodell. Das gilt für diesen Podcast. Einen allgemeinen Benchmark habe ich nicht gemacht.

Kann Whisper erkennen, wer spricht?

Nein. Whisper liefert Text und Zeitmarken ohne Sprechertrennung. Dafür braucht es eine Diarisierung, etwa von Deepgram. Wer welcher Sprecher ist, klärt dann ein Stimmabgleich.

Was kostet es, 900 Stunden Podcast zu transkribieren?

Bei mir rund 245,79 Dollar für Deepgram nova-3 und 28,74 Dollar für den Whisper-Durchgang, geschätzt aus Audiodauer und Tarif. Dazu kommt die Arbeit für Abgleich, Sprecherzuordnung und Prüfung.

Ersetzt das System einen Faktencheck?

Nein. Es liefert eine Liste von Stellen mit Zitat, Sprecher und Zeitmarke. Ob eine Aussage stimmt, prüft danach ein Mensch.

Wie es weitergeht

Ich überlege gerade, die Methodik auf GitHub zu legen, damit jeder selbst Transkripte mit Sprechern erzeugen kann, auf genau diese Art. Die Daten selbst gebe ich nicht heraus. Die Inhalte gehören Ben und seinen Gästen.

Wenn du das ausprobieren willst oder einen Bestand hast, bei dem du vor derselben Frage stehst: Schreib mir. Die Tonausschnitte oben sind kurze Zitate aus öffentlich abrufbaren Folgen, jeweils mit Link zur Stelle im Original.

Weiterlesen im Lab

• Krankenkassen-Websites: Was zuerst prüfen?: die Studie, aus der das Verfahren stammt.
• AußenBlick GKV: Bestand, Belegkette und Aussagegrenzen der Kassenstudie.

Quellen & Referenzen