Video auf dem Mac transkribieren, und was du mit dem Transkript anfängst
Genaue Transkripte offline erzeugen, zwischen TXT, SRT und DOCX wählen, und das zweite Leben, das ein Transkript bekommt, sobald du aufhörst, es für Untertitel zu halten.
Transkription war früher entweder teuer oder schlecht. Du hast rund einen Euro pro Minute für einen Menschen gezahlt, oder du hast ein automatisches Ergebnis bekommen, dessen Korrektur länger dauerte als das Abtippen.
Das ist vorbei. Auf einem Apple-Silicon-Mac läuft Sprache zu Text jetzt auf dem Gerät, offline, ohne Kosten pro Minute, mit Timecodes bis aufs Wort, in Dutzenden Sprachen, in einer Genauigkeit, die bei sauberem Ton eine schnelle Schreibkraft schlägt. Es ist das ausgereifteste Stück der ganzen Geschichte von KI und Video.
Was die meisten weiterhin übersehen, ist die zweite Hälfte: wofür ein Transkript gut ist, sobald du aufhörst, es für Untertitel zu halten.
Was lokal läuft und wie gut
Dahinter stehen Modelle der Whisper-Familie: offene Spracherkennungsmodelle in mehreren Größen. Auf Apple Silicon laufen sie auf GPU und Neural Engine, weshalb ein Laptop bequem damit zurechtkommt.
Praktische Erwartungen:
- Sauberer Interviewton, eine Person, ordentliches Mikrofon: sehr hohe Genauigkeit. Die Fehler häufen sich bei Eigennamen und Fachbegriffen.
- Zwei Personen, gelegentliches Übersprechen: gut, wobei die überlappenden Stellen unsauber werden.
- Lauter Drehort, Wind, Cafégeräusche: merklich schlechter, meistens immer noch besser als nichts.
- Starker Akzent oder Sprachwechsel mitten im Satz: schwankend. Teste an deinem eigenen Material, bevor du einer Kundin etwas zusagst.
- Tempo: schneller als Echtzeit auf aktueller Hardware, oft um ein Mehrfaches. Ein Interview von 40 Minuten ist eine Kaffeepause, kein Nachmittag.
Der Tausch zwischen Modellgrößen ist der übliche. Ein kleines Modell ist schnell und etwas schlampiger. Ein größeres ist langsamer und bei schwierigem Ton besser. Fürs Suchen reicht meistens das kleine, denn „hat irgendwer Umsatz gesagt” braucht keine perfekte Zeichensetzung. Für eine Abgabe an die Kundin nimm das größere.
Eine systematische Eigenheit ist wissenswert: Sprachmodelle sind darauf trainiert, sauberen, lesbaren Text zu erzeugen, und lassen Füllgeräusche deshalb still weg. Dein „ähm” taucht im Transkript oft gar nicht auf, obwohl es hörbar da ist. Für ein lesbares Dokument ist das hilfreich, und es ist ein Problem, wenn du das Transkript benutzen willst, um Zögern zu finden.
Das Exportformat wählen
Nimm mehr als eines. Sie sind billig und erfüllen verschiedene Aufgaben.
| Format | Wofür |
|---|---|
.txt | Suchen. Spotlight indiziert es, dein Gesprochenes wird vom Schreibtisch aus auffindbar. |
.srt | Untertitel und der Import zeitcodierten Textes ins Schnittprogramm. |
.docx | An einen Menschen schicken. Durchsicht, Kommentare, Freigabe. |
.pdf | Übergabe und Archiv, wenn das Layout nicht verrutschen soll. |
Unterschätzt wird .txt. Neben dem Clip gesichert, macht es deinen gesprochenen Inhalt zu einem Teil desselben Spotlight-Index wie alles andere auf dem Mac. Die Suche nach einer halb erinnerten Formulierung aus einem Interview von vor achtzehn Monaten liefert die Transkriptdatei, die im Ordner neben dem Video liegt. Das ist Momentsuche in deinem Archiv, zum Preis einer gesicherten Textdatei. Mehr zu diesem Muster in Clips finden, ohne Premiere zu öffnen.
Transkripte benennen und ablegen
Die Regel: ein Transkript liegt neben seinem Clip und trägt dessen Namen.
Dach-Interview-Marcus_16x9_4K_25FPS.mp4
Dach-Interview-Marcus_16x9_4K_25FPS.txt
Dach-Interview-Marcus_16x9_4K_25FPS.srtNicht in einem Ordner Transkripte drei Ebenen weiter, und nicht mit einem Namen, der nur zufällig passt. Wenn eine Suche die Textdatei trifft, soll das Video einen Blick entfernt sein, und beim Archivieren sollen sie zusammen reisen.
Wenn du für die Abgabe einen eigenen Transkriptordner führst, mach ihn zur Kopie. Der Arbeitsbestand bleibt neben dem Material.
Der Nutzen jenseits von Untertiteln
Hier liegt der eigentliche Wert, und das ist der Teil, den die meisten Abläufe nie erreichen.
Den Moment finden. Zeitcodierte Transkripte machen aus „wo hat sie über die Lieferkette gesprochen” eine Textsuche, die einen Timecode liefert. Bei interviewlastiger Arbeit ist das die größte Zeitersparnis, die es in der Postproduktion überhaupt gibt.
Clips benennen. Der erste Satz eines Sprechclips ist meistens eine ausgezeichnete Beschreibung davon. Ein Clip, der mit „also, gegründet haben wir 2019” beginnt, ist offensichtlich der Gründungsclip und kann automatisch so heißen.
Die Struktur klären, bevor du schneidest. Mit transkribierten Interviews hast du den gesamten Inhalt des Drehs als Text auf einem Bildschirm. 12.000 Wörter zu lesen dauert zwanzig Minuten. Dasselbe Material anzusehen dauert vier Stunden. Du siehst die Form des Stücks, bemerkst die doppelte Antwort, entdeckst, dass der beste Satz am Ende eines wirren Takes kam, und planst die Geschichte, bevor du eine Zeitleiste öffnest.
Es weiterreichen. Ein Transkript ist tragbarer Text, es kann also in alles gehen, womit du denkst: ein Dokument, eine Gliederung, eine Zusammenfassung, eine Suche über ein ganzes Archiv. Das Transkript ist der Rohstoff für Struktur, und Struktur ist die eigentliche Arbeit an einem Stück.
Weiterverwerten. Blogfassung, Beschreibungstexte, Kapitelmarken, Zitatkacheln, Untertitel. Alle beginnen mit Text, den du schon hast.
Barrierefreiheit und Reichweite. Untertitel sind für viele Veröffentlichungswege nicht optional, und Plattformen indizieren Untertiteltext, was beeinflusst, ob das Video überhaupt jemand findet.
Das eine, was du von Hand korrigierst
Eigennamen. Jedes Mal.
Namen von Personen, Firmen, Produkten und Orten sind die Stelle, an der jedes Sprachmodell Fehler macht, ob Cloud oder lokal. Es ist ein Durchgang von zwei Minuten: die vier wiederkehrenden Namen suchen und ersetzen, und das Transkript wird von nützlich zu veröffentlichbar.
Wenn du dasselbe Thema mehrfach transkribierst, führ eine kleine Liste der Begriffe, die verstümmelt werden, und wie sie heißen müssen. Sie bleibt über Projekte hinweg nützlich.
Wo das in den Übernahmedurchgang gehört
Transkription gehört an die Übernahme, nicht an den Schnitt. Der Grund ist derselbe wie beim Taggen: bei der Übernahme lernst du das Material ohnehin kennen, und nach dem Schnitt kommst du nie zurück.
Eine Reihenfolge, die funktioniert:
- Karte kopieren, prüfen.
- Analysieren: Beschreibungen und Motiv-Tags für alles, Transkripte für alles mit Sprache.
- Umbenennen und ablegen, mit beidem.
- Die Transkripte lesen. Das Stück planen.
- Das Schnittprogramm öffnen, im Wissen, was du hast.
Schritt vier fühlt sich nach Luxus an und entpuppt sich als die Zeitersparnis. Schneiden geht viel schneller, wenn du schon weißt, was im Material steckt.
Tonaufnahmen, nicht nur Video
Wenn du getrennt Ton aufnimmst, ein Lavalier, ein Raummikrofon, ein Interview auf einem Handrekorder, gilt dasselbe, und der Ertrag ist größer, denn eine Tondatei hat überhaupt kein Vorschaubild. ZOOM0007.WAV ist noch undurchsichtiger als C0087.MP4.
Aufnahmen zu transkribieren und zu beschreiben macht aus einem Ordner nummerierter Dateien eine Bibliothek. Tonaufnahmen organisieren behandelt diesen Fall, einschließlich Geräusche und Atmo, in denen nichts gesprochen wird.
Cliptag transkribiert auf macOS direkt auf dem Gerät, als Teil des Übernahmedurchgangs: Ordner hineinwerfen, und jeder Sprechclip und jede Aufnahme kommt mit Transkript zurück, exportierbar als TXT, DOCX, PDF oder SRT mit Timecodes. Das Transkript wird neben dem Clip gesichert, damit Spotlight es indiziert. Lokal-Modus auf Apple Silicon kostenlos und unbegrenzt.
