KI-Transkription im Vergleich: Whisper, tl;dv und Amberscript im Test

Das beste Transkriptions-Setup für die meisten Selbstständigen ist lokales WhisperEtwa über MacWhisper: rund 95 Prozent Trefferquote, einmalige Kosten und keine einzige Datenschutzfrage, weil nichts den Rechner verlässt. Wer viele Videocalls hat und Zusammenfassungen will, nimmt tl;dv; wer EU-Server und perfekte Transkripte braucht, Amberscript.

Der Test begann mit einer 47-minütigen Aufnahme, die es in sich hatte: ein Interview mit einem Steuerberater, gespickt mit Begriffen wie Vorsteuerabzug, GoBD und § 19 UStG. Wenn KI-Transkription irgendwo reißt, dann hier.

So haben wir getestet

Drei Werkzeuge, drei Wochen, identisches Material: das Steuerberater-Interview, zwei einstündige Videocalls mit je vier Teilnehmern, ein Diktat mit Hintergrundgeräuschen aus dem Zug und eine absichtlich schlechte Handyaufnahme vom Küchentisch. Für die Genauigkeit haben wir aus jedem Transkript dieselben fünf Minuten Wort für Wort gegen das Audio geprüft. Bewertet wurden Erkennungsqualität, Arbeitsablauf, Kosten bei realistischer Nutzung (rund vier Audiostunden pro Monat) und Datenschutz. Alle Lizenzen regulär gekauft.

Die drei Kandidaten in der Übersicht

Whisper lokal: das Arbeitstier ohne Abo

Im Test fiel sofort auf, wie unspektakulär gut das funktioniert. Audiodatei auf das MacWhisper-Fenster ziehen, großes Modell wählen, drei Minuten warten, fertig war ein Transkript, das im Fünf-Minuten-Check 95 Prozent der Wörter korrekt traf. Vorsteuerabzug, GoBD, sogar den Paragrafen: alles richtig. Die Fehler konzentrierten sich dort, wo sie bei allen liegen, Eigennamen und undeutlich Gesprochenes.

Der eigentliche Trumpf steht aber nicht im Transkript, sondern im Datenfluss: Es gibt keinen. Die Aufnahme bleibt auf dem Rechner, kein AV-Vertrag, keine Serverstandort-Recherche, keine Frage, ob der Kunde einverstanden ist, dass sein Gespräch durch ein US-Rechenzentrum läuft. Für Berufsgruppen mit Verschwiegenheitspflichten ist das nicht Komfort, sondern Voraussetzung.

Die Grenzen sind genauso klar. Whisper transkribiert. Punkt. Es nimmt an keinem Meeting teil, fasst nichts zusammen, und die Sprecherzuordnung beim Vierer-Call blieb löchrig. Wer Zusammenfassungen will, schiebt das Transkript anschließend selbst in ein KI-Tool seiner Wahl. Das ist ein Arbeitsschritt mehr, aber einer, den du kontrollierst. Windows- und Linux-Nutzer greifen statt MacWhisper zu Alternativen wie Whisper-Desktop-Oberflächen oder der Kommandozeile; das Modell dahinter ist dasselbe.

Ein Detail für Apple-Nutzer noch: Auf Macs mit eigenem Apple-Chip lief das große Whisper-Modell flott, die 47-Minuten-Aufnahme war in wenigen Minuten verschriftlicht. Ältere Rechner rechnen spürbar länger oder weichen aufs mittlere Modell aus, das im Test zwei, drei Prozentpunkte Genauigkeit kostete. Für Gedächtnisprotokolle egal, für zitierfähige Interviews nicht.

tl;dv: der Protokollant, der pünktlich erscheint

tl;dv löst ein anderes Problem: nicht die Transkription, sondern das Danach. Der Dienst hängt sich in Google Meet, Zoom oder Teams, zeichnet auf und liefert nach dem Termin Transkript, Zusammenfassung und auf Wunsch eine Aufgabenliste. Im Test waren die Zusammenfassungen der beiden Vierer-Calls überwiegend brauchbar, mit einer wichtigen Ausnahme: Eine ironisch gemeinte Bemerkung („dann machen wir das Projekt eben doppelt so teuer") landete als ernsthafter Beschluss im Protokoll. Seitdem gilt bei uns: Zusammenfassung lesen, dann versenden. Immer. Bei den reinen Transkripten lag tl;dv dagegen auf Augenhöhe mit den anderen, im Fünf-Minuten-Check 93 Prozent Worttreffer.

Die Zeitstempel-Funktion ist im Alltag Gold wert: Im Transkript auf einen Satz klicken, und das Video springt an genau diese Stelle. Bei der Nachbereitung eines strittigen Punkts ersetzt das minutenlanges Spulen. Der Gratis-Tarif reicht, um den Arbeitsablauf zu testen; wer es ernsthaft nutzt, landet im Pro-Tarif um die 18 Euro monatlich. Bleibt der Datenschutz: Cloud-Verarbeitung, US-Bezug, und ein Bot im Kundentermin braucht eine saubere Ansage vorab. tl;dv blendet Teilnehmern zwar sichtbar ein, dass aufgezeichnet wird, die Einwilligung einzuholen bleibt trotzdem dein Job.

Amberscript: die europäische Option mit Aufpreis-Logik

Amberscript kommt aus den Niederlanden, verarbeitet auf EU-Servern und richtet sich spürbar an Kunden, bei denen die Rechtsabteilung mitliest. Die automatische Erkennung lag im Test knapp hinter Whisper, auffällig wurde der Abstand erst bei der dialektgefärbten Küchentisch-Aufnahme. Richtig stark ist der Editor: Audio und Text laufen synchron, Korrekturen gehen schneller von der Hand als bei allen anderen Kandidaten.

Das Preismodell verlangt Ehrlichkeit mit sich selbst. Das Abo mit Stundenkontingent passt für gelegentliche Nutzung; wer wie in unserem Szenario jeden Monat vier und mehr Stunden transkribiert, zahlt übers Jahr ein Vielfaches des einmaligen Whisper-Setups. Die menschliche Nachkorrektur, geliefert wird ein praktisch fehlerfreies Transkript, kostet pro Audiostunde zusätzlich einen Betrag, für den man auch eine Weile selbst Korrektur lesen kann. Sie lohnt genau dann, wenn ein Transkript zitierfähig sein muss und deine Zeit teurer ist.

Der Härtetest: schlechtes Audio und der Faktor Mikrofon

Die Küchentisch-Aufnahme, Handy flach auf dem Tisch, Spülmaschine im Hintergrund, zwei Sprecher, war als Stresstest gedacht und wurde zur Lehrstunde. Die Trefferquoten fielen bei allen drei Kandidaten um zehn bis fünfzehn Punkte, und die Fehler wurden tückischer: Aus „das können wir nicht zusagen" wurde einmal „das können wir zusagen". Solche Sinn-Umkehrungen sind gefährlicher als erkennbarer Buchstabensalat, weil sie beim Überfliegen durchrutschen.

Die Konsequenz ist unspektakulär, aber wirksam: Das Budget gehört zuerst in die Aufnahme, dann ins Tool. Ein Ansteckmikrofon für 30 Euro oder schlicht das Headset statt des Raummikrofons hebt die Erkennungsqualität stärker, als der Wechsel zwischen den drei Diensten es je könnte. Für Vor-Ort-Interviews hat sich im Test bewährt: Handy nah am Gesprächspartner, Diktier-App mit unkomprimierter Aufnahme, und vor dem Termin zehn Sekunden Probeaufnahme abhören.

Noch ein Praxisfund zur Nachbearbeitung: Die Kombination aus Whisper-Transkript und einem KI-Assistenten fürs Zusammenfassen erwies sich als das flexibelste Gespann des Tests. Das wörtliche Transkript bleibt als Beleg im Archiv, die Zusammenfassung entsteht mit einem Prompt nach eigenem Gusto: Protokollform, Aufgabenliste, Zitate-Sammlung. Wer diesen Zwei-Schritte-Weg einmal eingerichtet hat, vermisst die eingebauten Zusammenfassungen der Abo-Dienste selten. Er setzt allerdings voraus, dass der KI-Assistent datenschutzkonform gewählt ist; die Kriterien dafür stehen in unserer DSGVO-Checkliste für KI-Tools.

Welches Tool für wen?

• Du transkribierst Interviews, Diktate oder Vertrauliches: Whisper lokal, keine Abwägung nötig.
• Dein Kalender besteht aus Videocalls und du willst Protokolle ohne Handarbeit: tl;dv, mit AV-Vertrag und Ansage im Termin.
• Du brauchst EU-Server oder gelegentlich ein perfektes, zitierfähiges Transkript: Amberscript.
• Du willst nur ab und zu eine Sprachnotiz verschriftlichen: die Bordmittel deines Handys zuerst probieren.

Zur Kostenehrlichkeit gehört noch eine Rechnung über zwei Jahre, weil Abos ihre Wirkung erst mit der Zeit entfalten: Das lokale Whisper-Setup kostet einmalig rund 59 Euro und danach nichts mehr. tl;dv Pro summiert sich im selben Zeitraum auf über 400 Euro, ein Amberscript-Abo je nach Kontingent ähnlich oder höher. Diese Differenz ist kein Argument gegen die Abo-Dienste, wer ihre Meeting-Automatik täglich nutzt, bekommt Gegenwert. Sie ist ein Argument gegen das Abo aus Bequemlichkeit, das nur Transkribieren soll, was der Einmalkauf genauso gut kann.

Das Fazit nach drei Wochen

Die überraschendste Erkenntnis des Tests: Die günstigste Lösung war die genaueste. Lokales Whisper schlug die Abo-Dienste bei der reinen Erkennungsqualität und lässt die Datenschutzfragen gar nicht erst entstehen, deshalb ist es unsere Empfehlung für die Mehrheit. tl;dv verteidigt seinen Platz überall dort, wo das Problem nicht die Transkription ist, sondern die Meeting-Flut. Und Amberscript bleibt die richtige Adresse für den Sonderfall, in dem jedes Wort stimmen muss. Preise und Wertungen prüfen wir quartalsweise; das Stand-Datum steht am Artikelanfang. Alle Lizenzen hat die Redaktion selbst bezahlt, kein Anbieter war eingeweiht.