Lange Aufnahmen transkribieren: richtig teilen statt hoffen

Eine 90-minütige Vorlesung, ein Konferenztag, ein langes narratives Interview: Solche Aufnahmen sind der Normalfall, sobald man anfängt, systematisch zu transkribieren. Sie in einem Stück durch ein Modell zu schicken, wirkt zunächst bequem — bis ein Abbruch bei Minute 80 die ganze Datei kostet, das Transkript unübersichtlich wird oder das Tageskontingent aufgebraucht ist. Wer vorher teilt, arbeitet schneller und verliert bei einem Fehler nur wenige Minuten.

Wann lohnt sich das Teilen überhaupt?

Nicht jede lange Datei muss zerlegt werden. Entscheidend sind drei Fragen: Passt die Datei in die Grenzen des Dienstes? Brauchen Sie durchgehende Sprecherzuordnung über die gesamte Länge? Und wie schlimm wäre es, den Durchlauf zu wiederholen? Bei Sprechverlauf sind kostenlos Dateien bis 30 Minuten Länge, 90 Minuten Audio pro Tag und 10 Stunden Audio pro Monat möglich — längere Aufnahmen müssen also ohnehin in Abschnitte.

Der wichtigste Punkt: nicht mitten im Satz schneiden

Spracherkennung arbeitet mit Kontext. Wird ein Satz in der Mitte getrennt, fehlt beiden Teilen die Hälfte davon: Das Ende von Teil eins bricht ab, der Anfang von Teil zwei beginnt ohne Bezug. Bei Fachbegriffen und Eigennamen ist das besonders spürbar, weil das Modell gerade dort auf umgebende Wörter angewiesen ist. Schneiden Sie deshalb in einer Sprechpause — am besten an einer Stelle, an der ohnehin ein Themenwechsel stattfindet.

• An Pausen zwischen Tagesordnungspunkten, Folien oder Fragerunden trennen
• Zwei bis drei Sekunden Überlappung zwischen den Teilen lassen, damit kein Wort verschwindet
• Begrüßung, Technikcheck und Verabschiedung getrost weglassen
• Reine Musik-, Applaus- und Umbaupassagen vorher entfernen
• Teile fortlaufend benennen: „vorlesung-01“, „vorlesung-02“ statt „neu“ und „neu-final“

Teilen mit ffmpeg: zwei Befehle, die reichen

ffmpeg ist kostenlos, läuft auf allen Systemen und arbeitet ohne Neukodierung, wenn man es lässt. Der folgende Befehl zerlegt eine Datei in Abschnitte von 25 Minuten (1500 Sekunden) und lässt das Audio dabei unangetastet:

• ffmpeg -i vorlesung.m4a -f segment -segment_time 1500 -c copy teil_%02d.m4a
• ffmpeg -i vorlesung.wav -ac 1 -b:a 64k vorlesung.mp3 (verkleinert Sprachaufnahmen erheblich, bevor sie geteilt werden)
• ffmpeg -i vorlesung.m4a -ss 00:12:30 -to 00:41:00 -c copy ausschnitt.m4a (schneidet gezielt einen Abschnitt heraus)

Der Umweg über Mono mit 64 kbit/s klingt drastisch, ist für gesprochene Sprache aber unkritisch: Das Modell braucht keine Stereobreite und keine Musikauflösung. Eine Stunde Sprache passt so bequem in etwa 30 MB. Bewahren Sie das Original auf und arbeiten Sie mit der kleineren Kopie — geteilt wird immer die Kopie, nie das Master.

Teilen ohne Kommandozeile

Wer nicht im Terminal arbeiten möchte, kommt mit Audacity genauso weit: Datei öffnen, Bereich markieren, „Datei → Exportieren → Auswahl exportieren“. Die Wellenformdarstellung hat dabei einen echten Vorteil gegenüber der Kommandozeile — Sprechpausen sind als schmale Stellen sichtbar, sodass man die Schnittstelle sieht statt sie zu raten. Auf dem Smartphone leisten die mitgelieferten Sprachmemo-Apps das Gleiche, wenn auch gröber.

Das Problem nach dem Teilen: Zeitstempel beginnen wieder bei null

Jedes Transkript zählt ab dem Anfang seiner eigenen Datei. Teil zwei einer Vorlesung beginnt also wieder bei 00:00, obwohl er in Wirklichkeit bei Minute 25 anfängt. Wer die Teile später zusammenführt, muss auf jeden Zeitstempel den Startversatz addieren, sonst zeigen alle Verweise auf die falsche Stelle. Bei SRT- und VTT-Dateien erledigen das die meisten Untertiteleditoren über eine Funktion namens „Shift“ oder „Zeiten verschieben“.

• Startversatz jedes Teils notieren, bevor die Originaldatei aus dem Blick gerät
• Beim Zusammenführen von Textexporten eine Zwischenüberschrift pro Teil setzen
• Zitate immer mit Teilnummer und Zeit angeben, etwa „Teil 2, 07:41“
• Untertitel erst zusammenführen, nachdem die Zeiten verschoben wurden

Sprecherlabels bleiben nicht über Teile hinweg gleich

Die Sprechererkennung analysiert jede Datei für sich. „Sprecher 1“ in Teil eins und „Sprecher 1“ in Teil zwei müssen deshalb nicht dieselbe Person sein — beide Läufe wissen nichts voneinander. Das ist kein Fehler, sondern eine Eigenschaft des Verfahrens. Praktisch heißt das: Hören Sie den Anfang jedes Teils kurz an und ersetzen Sie die allgemeinen Labels durch die echten Namen, bevor Sie die Abschnitte zusammenführen.

Wenn durchgehend korrekte Sprecherzuordnung wichtiger ist als alles andere — etwa bei einem Gerichtstermin oder einer Gruppendiskussion mit sechs Personen — sprechen gute Gründe dafür, die Aufnahme nicht zu teilen, sondern die Sprecherzahl fest vorzugeben und den Mehraufwand in Kauf zu nehmen.

Eine praktikable Reihenfolge

• Original sichern und eine Arbeitskopie als Mono-MP3 erzeugen
• Aufnahme einmal überfliegen und die Schnittstellen an Pausen festlegen
• In Abschnitte von 20 bis 30 Minuten teilen, fortlaufend benannt
• Abschnitte einzeln transkribieren, Sprache und wichtige Fachbegriffe vorher angeben
• Sprecherlabels je Abschnitt auf die echten Namen ändern
• Zeitstempel um den Startversatz korrigieren und die Texte zusammenführen
• Zahlen, Namen und Zitate stichprobenartig gegen das Audio prüfen