Zum Inhalt springen
Sonorarium
Zurück zum Blog

Audio mit mehreren Sprechern transkribieren und kennzeichnen, wer was sagt

So nehmen Sie gut auf, transkribieren und kennzeichnen Sprecher per Zeitstempel, und welche Tools Sprecher automatisch erkennen (Stand 3.11.2026).

Sonorarium-Team 6 Min. Lesezeit

Kurz gesagt: Sonorarium transkribiert, was gesagt wird, und setzt an jeden Abschnitt einen Zeitstempel, bietet aber keine Sprechererkennung: Es schreibt nicht „Anna:“ oder „Lukas:“ für Sie. Der Weg, der bei uns funktioniert: gut aufnehmen (wenn möglich ein Mikrofon pro Person), transkribieren und von Hand kennzeichnen, wer spricht, orientiert an den Zeitstempeln. Wenn Sie eine automatische Zuordnung brauchen, gibt es Tools, die Sprecher erkennen; unten finden Sie vier, mit ihren öffentlichen Angaben und dem Datum der Prüfung.

Das passt für ein Interview zu zweit, eine Besprechung zu fünft oder eine Fokusgruppe. Je mehr Stimmen und je mehr Überlappungen, desto mehr Prüfarbeit, und wir sagen das gleich vorweg, damit es keine Überraschung gibt.

Was Sonorarium kann und was nicht

  • Kann: das Audio in der gewählten Sprache transkribieren, mit einem Zeitstempel an jedem Abschnitt. Ein Klick darauf, und genau diese Stelle spielt ab, sodass ein Stimmwechsel schnell zu finden ist.
  • Kann: den Text im Editor bearbeiten lassen und als Word, TXT, SRT, VTT oder JSON herunterladen, mit Ihren Korrekturen (Herunterladen und Bearbeiten setzen Ihr Konto voraus). Die Word-Datei beginnt jeden Absatz mit [hh:mm:ss]; die TXT-Datei hat keine Zeitstempel.
  • Kann nicht: Sprecher trennen oder benennen. Die KI-Zusammenfassung auch nicht: Sie sagt, worüber gesprochen wurde, nicht wer es gesagt hat.

1. Nehmen Sie mit dem Ergebnis im Kopf auf

Die Trennung der Stimmen entscheidet sich zum großen Teil vor dem Transkribieren:

  1. Ein Mikrofon pro Person, wenn möglich, notfalls das Handy jeder Person (Achtung: Jede Datei verbraucht eigene Minuten). Haben Sie nur eines, stellen Sie es in die Mitte, höchstens einen Meter von allen entfernt.
  2. Bitten Sie alle, zu Beginn ihren Namen zu sagen. Das dauert zehn Sekunden und gibt Ihnen den Schlüssel für den Rest der Aufnahme.
  3. Immer nur einer spricht. Überlappendes Sprechen lässt sich am schlechtesten transkribieren und später am schwersten zuordnen.
  4. Machen Sie einen Test von 30 Sekunden und hören Sie ihn an, bevor Sie beginnen. Bei Hall oder Lärm lesen Sie Audio mit Hintergrundgeräuschen transkribieren.
  5. Fragen Sie vorher um Erlaubnis, bei allen, die zu hören sind. Was in Deutschland gilt und wie Sie fragen, steht in Vorlesung, Meeting oder Telefonat aufnehmen: Was ist in Deutschland erlaubt?.

2. Transkribieren Sie die Datei

  1. Laden Sie die Aufnahme beim Tool für Besprechungen oder beim Tool für Interviews hoch: Audio oder Video, bis zu 5 Stunden und 2 GB.
  2. Wählen Sie die gesprochene Sprache.
  3. Öffnen Sie den Text: Jeder Abschnitt hat seinen Zeitstempel.

Die ersten 15 Minuten sind beim Erstellen Ihres Kontos kostenlos, ohne Karte. Ist die Datei länger, werden diese 15 Minuten als Vorschau transkribiert, und den Rest schalten Sie in Ihrem Konto frei, wobei Sie nur die fehlenden Minuten bezahlen, solange das Audio noch gespeichert ist (7 Tage).

3. Kennzeichnen Sie, wer spricht, mit Hilfe der Zeitstempel

Das ist die Methode, die wir empfehlen. Bei einer Aufnahme mit zwei oder drei Personen ist das gut machbar; bei acht planen Sie mehr Zeit ein. Erledigen Sie das innerhalb der 7 Tage, in denen das Audio gespeichert bleibt: Danach stehen die Zeitstempel noch im Text, aber der Abschnitt lässt sich nicht mehr abspielen.

  1. Hören Sie die erste Minute und notieren Sie, wie jede Stimme klingt (wer sich zuerst vorgestellt hat, wer die tiefere Stimme hat usw.).
  2. Gehen Sie den Text anhand der Zeitstempel durch. Ein Stimmwechsel fällt oft mit einer Pause und einem neuen Satz zusammen: Klicken Sie auf den Zeitstempel des Abschnitts, hören Sie hinein und entscheiden Sie.
  3. Schreiben Sie den Namen an den Anfang jedes Beitrags, in einem festen Format („ANNA:“, „LUKAS:“). Ein einheitliches Format erlaubt Ihnen später das Suchen und Zählen.
  4. Verwenden Sie Marker für Zweifelhaftes: [Überlappung], [unverständlich] oder [Lukas?]. Es ist besser, einen Zweifel zu markieren, als einen Satz falsch zuzuordnen.
  5. Prüfen Sie wichtige Zuordnungen noch einmal (Zitate, Zahlen, Beschlüsse), indem Sie den Abschnitt erneut anhören.
  6. Laden Sie am Ende herunter. Wenn Sie im Editor korrigieren, enthalten Word, TXT und SRT Ihren korrigierten Text.

Ein fiktives Beispiel, wie ein Abschnitt aussieht. Vorher:

[00:00:04] Guten Morgen, wir fangen an.
[00:00:08] Gut, hier sind die Zahlen.
[00:00:13] Prima, und die Fristen?

Nach dem Kennzeichnen (erfundenes Beispiel, kein echtes Transkript):

[00:00:04] ANNA: Guten Morgen, wir fangen an.
[00:00:08] LUKAS: Gut, hier sind die Zahlen.
[00:00:13] ANNA: Prima, und die Fristen?

Für Fokusgruppen oder Forschungsinterviews gibt es einen Leitfaden mit Konventionen, Markern und dem Import in Analysesoftware: Qualitative Interviews und Fokusgruppen transkribieren. Für Interviews zur Abschlussarbeit lesen Sie Interviews für die Bachelor- oder Masterarbeit transkribieren. Und für Besprechungen in Teams, Zoom oder Meet so wandeln Sie sie in Text um.

4. Wenn Sie eine automatische Zuordnung brauchen

Manche Tools erkennen Sprecher von selbst, was Sonorarium nicht tut. Die folgenden Angaben stammen von deren eigenen Seiten, geprüft am 3. November 2026. Sie ändern sich häufig: Prüfen Sie immer die Website. Wir haben die Tools nicht mit Ihrem Audio getestet, und die Qualität der Zuordnung hängt von der Aufnahme ab.

Tool Was die Website sagt Kostenlos oder Kosten laut Website
Word (Microsoft 365) Trennt und beschriftet Sprecher („Speaker 1“, „Speaker 2“ …), die Sie umbenennen können Mit einem Microsoft-365-Abo bis zu 300 Minuten hochgeladenes Audio pro Monat
Otter Der Basic-Tarif (kostenlos) führt „Speaker identification“ auf 300 Minuten pro Monat, höchstens 30 Minuten pro Unterhaltung und 3 Datei-Importe insgesamt, im Basic-Tarif
Notta Der Free-Tarif führt „Speaker identification“ auf 120 Minuten pro Monat, bis zu 3 Minuten pro Unterhaltung
noScribe Unterscheidet Sprecher; nutzt pyannote Kostenlos und Open Source (GPL-3.0); läuft auf Ihrem Rechner, ohne Cloud

Zwei Hinweise: Die Word-Funktion gibt es in Word für Microsoft 365 unter Windows (und laut Seite in Word für das Web), und sie läuft in Edge und Chrome; noScribe installieren Sie auf Ihrem Rechner (Windows, macOS oder Linux).

Wenn Ihre Aufnahme eine Stunde oder länger dauert, achten Sie zuerst auf die Grenze pro Datei, nicht auf die Minuten pro Monat: In den kostenlosen Tarifen erlaubt Otter 30 Minuten pro Unterhaltung und Notta 3, Sie müssten die Aufnahme also aufteilen. Sonorarium transkribiert Dateien bis 5 Stunden am Stück, ohne Installation und mit Paketen ohne Abo: Sie zahlen nur die fehlenden Minuten. Was es nicht kann, ist Sprecher kennzeichnen; wenn Ihnen das am wichtigsten ist, leisten diese Tools etwas, das wir nicht leisten. Die kostenlosen Grenzen der einzelnen Tools vergleichen wir in Audio kostenlos transkribieren: die Grenzen der Tools.

Was eine einstündige Besprechung oder ein Interview kostet

Mit einem neuen Konto sind die ersten 15 Minuten beim Erstellen kostenlos, ohne Karte, und es fehlen 45. Das Paket mit 120 Minuten kostet 6 €, und die übrigen 75 verfallen nicht. Alle Pakete finden Sie unter Preise.

Häufige Fragen

Wird Sonorarium künftig Sprecher erkennen? Das versprechen wir nicht. Heute tut es das nicht, deshalb zeigt dieser Artikel, wie Sie die Sprecher selbst kennzeichnen.

Sagt die KI-Zusammenfassung, wer gesprochen hat? Nein. Sie fasst die Themen zusammen, ordnet aber keine Sätze Personen zu.

Und wenn jede Person in einer eigenen Datei aufgenommen ist? So sehen Sie am leichtesten, wer spricht: Transkribieren Sie jede Datei einzeln, und der Dateiname sagt es Ihnen. Allerdings verbraucht jede Datei ihre eigenen Minuten: Ein einstündiges Meeting, mit drei Handys aufgenommen, ergibt drei Stunden Transkription. Wenn die Kosten zählen, liefert ein gutes Mikrofon in der Tischmitte eine einzige Aufnahme.

Was passiert mit dem hochgeladenen Audio? Es wird nach 7 Tagen gelöscht; das Transkript in Ihrem Konto bleibt, bis Sie es löschen, und wird nicht zum Training von Modellen verwendet.

Quellen der Tools: Microsoft Support (Transcribe your recordings), Otter, Notta und das noScribe-Repository auf GitHub, geprüft am 3. November 2026.