Grenzen der KI-Transkription: Dateigröße, Länge und Genauigkeit

KI-Transkription kann stundenlange Sprache in durchsuchbaren Text verwandeln, doch jeder Dienst hat Grenzen. Manche sind harte technische Vorgaben, etwa eine maximale Uploadgröße. Andere sind praktisch: Eine Datei kann erfolgreich hochgeladen werden und trotzdem sorgfältige Nacharbeit verlangen, weil Sprecher gleichzeitig reden, die Aufnahme rauscht oder das Vokabular sehr spezialisiert ist. Wer den Unterschied kennt, vermeidet fehlgeschlagene Uploads und unrealistische Erwartungen an die Genauigkeit.

Welche Grenzen hat KI-Transkription?

KI-Transkription wird durch Dateigröße, Aufnahmedauer, Rechenzeit, Audioqualität, Sprachunterstützung, Sprechertrennung und den nötigen menschlichen Prüfaufwand begrenzt. Bei Sprechverlauf gelten derzeit fünf harte Grenzen: 100 MiB pro hochgeladener Datei, 30 Minuten Länge pro Datei, 90 Minuten Audio pro Tag, 10 Stunden Audio pro Kalendermonat und höchstens fünf gestartete Transkriptionen pro Stunde.

Dateigrößenlimit: 100 MiB pro Upload

Sprechverlauf akzeptiert derzeit Uploads bis 100 MiB. Das ist eine feste Grenze: Eine größere Datei muss vor dem Upload komprimiert oder geteilt werden. Unterstützt werden unter anderem MP3, WAV, M4A, OGG, FLAC und WebM. Das Format allein bestimmt die Größe jedoch nicht — entscheidend sind Bitrate, Kanalzahl, Abtastrate und Kompression.

Wie viel Aufnahme passt in 100 MiB?

Megabyte lassen sich nicht mit einer einzigen Formel in Minuten umrechnen. Eine kompakte Sprach-MP3 kann mehrere Stunden enthalten, während eine unkomprimierte WAV-Datei dieselbe Größe viel früher erreicht. Die folgenden Werte setzen eine konstante Bitrate voraus und lassen einen kleinen Anteil für Container-Metadaten außer Acht; reale Dateien können daher etwas kürzer sein.

Bei gesprochenen Inhalten verkleinert eine Arbeitskopie als Mono-MP3 oder M4A den Upload oft deutlich, ohne Informationen zu entfernen, die das Sprachmodell benötigt. Bewahren Sie das Original separat auf und transkribieren Sie die kleinere Kopie.

Gibt es eine maximale Aufnahmelänge?

Kostenlos sind Dateien bis 30 Minuten Länge, 90 Minuten Audio pro Tag und 10 Stunden Audio pro Kalendermonat; am nächsten Tag steht das Tageskontingent wieder vollständig zur Verfügung, am Ersten des Monats das Monatskontingent. Daneben bilden Dateigröße und Verarbeitungsdauer die praktische Grenze. Eine lange Aufnahme mit niedriger Bitrate kann unter 100 MiB bleiben; sehr lange Sitzungen in logische Abschnitte zu teilen erleichtert jedoch den Upload, begrenzt den Aufwand bei einem fehlgeschlagenen Teil und liefert übersichtlichere Transkripte.

• Interviews oder Besprechungen als eine Datei belassen, wenn sie bequem passen und durchgehende Sprecherzuordnung wichtig ist
• Mehrstündige Konferenzen nach Sitzung, Sprecher oder Tagesordnungspunkt teilen
• Lange Pausen und reine Musikpassagen vor dem Export entfernen
• An jeder Schnittstelle einige Sekunden Kontext erhalten und nicht mitten im Satz trennen
• Eindeutige Dateinamen verwenden, damit die Abschnitte in der richtigen Reihenfolge bleiben

Nutzungslimit: fünf Transkriptionsstarts pro Stunde

Der kostenlose Dienst erlaubt derzeit als technischen Missbrauchsschutz bis zu fünf gestartete Transkriptionen pro Stunde. Das ist kein Guthaben aus bezahlten Minuten und wird bei langen Aufnahmen nicht kleiner. Bereiten und prüfen Sie bei größeren Stapeln zuerst alle Dateien und verarbeiten Sie dann die wichtigsten Aufnahmen der Reihe nach, statt Starts für doppelte oder unvollständige Uploads zu verbrauchen.

Für Genauigkeit gibt es keine ehrliche Universalzahl

Eine einzige Genauigkeitsangabe kann nicht jede Aufnahme beschreiben. Klare Sprache aus einem nahen Mikrofon in einer unterstützten Sprache ist wesentlich einfacher als eine entfernte Gruppendiskussion mit Hall, Unterbrechungen und Fachnamen. Auch ein flüssig lesbares Transkript kann eine falsche Zahl, einen Eigennamen oder eine fehlerhafte Sprecherzuordnung enthalten. Gute Lesbarkeit ist deshalb kein Beweis für sachliche Richtigkeit.

• Hintergrundgeräusche können Konsonanten und Wortendungen verdecken
• Hall und Übersteuerung entfernen Details, die Software nicht zuverlässig rekonstruieren kann
• Gleichzeitiges Sprechen erschwert sowohl den Wortlaut als auch die Sprecherzuordnung
• Akzente, Sprachwechsel und seltene Sprachen können die Fehlerquote erhöhen
• Namen, Abkürzungen, Produktbegriffe und Zahlen verdienen eine manuelle Prüfung
• Musik, Applaus und lange Überschneidungen können unbrauchbare Passagen erzeugen

Sprechererkennung ist nützlich, aber nicht unfehlbar

Die Sprechertrennung beantwortet, wer wann gesprochen hat; sie ist von der Erkennung der Wörter getrennt. Unterschiedliche Stimmen mit klaren Sprecherwechseln lassen sich meist gut trennen. Ähnliche Stimmen, Ein-Wort-Unterbrechungen, gemeinsam genutzte Mikrofone und gleichzeitiges Sprechen können Labels zusammenführen oder vertauschen. Hören Sie den Anfang an, ordnen Sie allgemeine Labels den echten Namen zu und prüfen Sie jede Zuordnung, die zitiert oder veröffentlicht wird.

Grenzen bei Sprachen und Fachvokabular

Mehrsprachige Modelle decken viele Sprachen ab, leisten aber nicht in jeder Sprache dasselbe. Wenn die Aufnahmesprache bekannt ist, verhindert ihre Auswahl unnötige Erkennungsfehler. Ergänzen Sie bei Vorlesungen, Forschungsinterviews und technischen Besprechungen wichtige Namen, Abkürzungen und Fachwörter im Kontextfeld. Das gibt dem Modell Hinweise, ersetzt aber kein Korrekturlesen.

Grenzen bei Verarbeitung und Datenschutz

Sprechverlauf sendet die Aufnahme zur KI-Verarbeitung an Replicate. Replicate dokumentiert ein Laufzeitlimit von 30 Minuten für Vorhersagen und entfernt Eingaben, Ausgaben, Dateien und Protokolle von API-Vorhersagen standardmäßig nach ungefähr einer Stunde. Sprechverlauf speichert Audio- oder Transkriptinhalte nicht dauerhaft auf dem eigenen Server. Exportieren Sie das Ergebnis daher als Word oder PDF, wenn Sie es behalten möchten.

Wann menschliche Prüfung weiterhin nötig ist

Wenn Fehler Folgen haben, sollte KI-Ausgabe als schneller erster Entwurf behandelt werden. Vergleichen Sie Zitate mit der Aufnahme, prüfen Sie Zahlen und Namen und nutzen Sie bei juristischen, medizinischen oder anderen sensiblen Inhalten einen qualifizierten menschlichen Prozess. Die richtige Frage ist nicht nur, ob das Modell die Datei transkribieren kann, sondern ob das Ergebnis für den vorgesehenen Zweck zuverlässig genug ist.

Checkliste vor einer langen Transkription

• Prüfen, ob die Datei höchstens 100 MiB groß ist
• Zu große WAV-Dateien als Sprach-MP3 oder M4A-Arbeitskopie exportieren
• Mehrstündige Aufnahmen an natürlichen Abschnittsgrenzen teilen
• Die bekannte Aufnahmesprache auswählen, statt nur die automatische Erkennung zu nutzen
• Namen und Fachbegriffe als Kontext ergänzen
• Die richtige Sprecherzahl für die Diarisierung angeben
• Zitate, Zahlen, Namen und sensible Aussagen zur Prüfung einplanen
• Das fertige Transkript vor dem Verlassen der Ergebnisseite exportieren