Schluss mit dem Text-Brei: Wie kategoriespezifisches Postprocessing die Audiotranskription revolutioniert
10. September 2026 | Thomas Stehle
Rohtranskripte scheitern häufig an Fachbegriffen, ähnlichen Stimmen und fehlendem Kontext und sind damit als verlässliche Grundlage für barrierefreie Audiotranskription nur begrenzt geeignet. purple.audio verbindet die automatische Transkription mit accountbasierter Sprechererkennung und kategoriespezifischem Glossarabgleich, der mögliche Fehler als überprüfbare Vorschläge markiert. So bleibt die redaktionelle Kontrolle erhalten, während Transkripte leichter für Untertitel, durchsuchbare Audioinhalte und weitere zugängliche Medienformate nutzbar werden.
Wer Podcasts aufzeichnet, Konferenzen mitschneidet oder Interviews führt, nutzt häufig automatisierte Spracherkennung. Nach wenigen Minuten liegt zwar eine Textdatei vor. Ein Rohtranskript lässt sich jedoch selten ohne Prüfung veröffentlichen oder als Grundlage für eine barrierefreie Audiotranskription verwenden.
Fachbegriffe werden falsch erkannt, Stimmen im Gespräch verwechselt. Der anschließende Korrekturaufwand kann den Zeitgewinn durch die Automatisierung wieder aufzehren. purple.audio setzt deshalb auf einen Ansatz, der Transkription mit kontextbezogener Nachbearbeitung verbindet.
Das Problem mit dem Standard: Warum rohe KI-Transkripte scheitern
Künstliche Intelligenz kann gesprochene Sprache zuverlässig in Text überführen. Ohne Kontext bleibt sie bei Fachbegriffen jedoch fehleranfällig. Ein Modell erkennt etwa nicht unbedingt, ob in einem Medizin-Podcast von "Metastasen" oder "Metathesen" die Rede ist. Auch Produktnamen, Akronyme und regionale Dialekte führen häufig zu Fehlern.
Auch die Sprecherzuordnung, die Diarisierung, ist anspruchsvoll. Sprechen in einem Meeting mehrere Personen oder ähneln sich ihre Stimmen, entstehen leicht unübersichtliche Transkripte. Für digitale Barrierefreiheit brauchen gehörlose und schwerhörige Menschen klar zuordenbare und inhaltlich verlässliche Texte.
Der Ansatz von purple.audio
purple.audio kombiniert die Transkription mit einer datenschutzfreundlichen Eigenentwicklung für die Nachbearbeitung. Sie richtet sich an Medienschaffende, Redaktionen und Unternehmen und soll Fehlerquellen sowie manuellen Aufwand verringern. Zwei Funktionen stehen dabei im Mittelpunkt:
1. Sprechererkennung auf Account-Basis
Die accountbasierte Sprechererkennung greift auf hinterlegte Sprecherprofile und Rollen zurück. So muss das System bei neuen Uploads nicht jedes Mal von vorn beginnen. Wiederkehrende Stimmen aus einem Unternehmen oder Podcast-Team lassen sich besser zuordnen, was die manuelle Nacharbeit bei der Diarisierung verringern kann.
2. Kategoriespezifische Nachbearbeitung und Glossarabgleich
Ein Wort kann je nach Fachgebiet etwas anderes bedeuten. Daher wird jede Audiodatei bei purple.audio vor oder während der Transkription einer Kategorie zugeordnet, etwa Technik, Medizin, Recht oder Kultur.
Das System gleicht das Rohtranskript mit einer Datenbank aus branchenspezifischen Fachbegriffen, Unternehmensvokabular und häufigen Fehlerquellen ab. Weicht eine Transkription phonetisch von einem hinterlegten Begriff ab, markiert das System die betreffende Stelle.
- Das System ändert solche Stellen nicht automatisch, sondern zeigt sie in der Benutzeroberfläche als Vorschlag an: "Meinten Sie hier Begriff X statt der KI-Fehlinterpretation Y?" Die Vorschläge können bestätigt oder verworfen werden. So bleibt die redaktionelle Kontrolle beim Nutzer.
Grundlage für zugängliche Medien
Ein sorgfältig geprüftes Transkript lässt sich für weitere Formate nutzen:
- als Grundlage für synchrone Untertitelung in Videos
- damit Audioinhalte im Web durchsuchbar und barrierefrei zugänglich sind
- in Verbindung mit visuellen Beschreibungen, wie sie bei der Audiodeskription eingesetzt werden