Ein eigenes Transkriptions-Werkzeug mit KI und Open-Source-Tools

Interviews auswerten heißt normalerweise: stundenlang zuhören, mitschreiben, zurückspulen. Wir haben uns gefragt, ob das nicht auch komplett lokal geht — und mit ausschließlich kostenlosen, offenen Tools.

Für jemanden, der gelegentlich Interviews führt und die anschließend auswerten muss, sollte eine private Transkriptionslösung gefunden werden. Die naheliegende Lösung wäre ein Cloud-Dienst gewesen, der Audio hochlädt und Text zurückschickt. Aber bei Interviews will man nicht, dass die Aufnahmen irgendwo auf fremden Servern landen und verarbeitet werden. Also haben wir uns die Frage gestellt: Geht das nicht auch komplett lokal, auf einem eigenen Rechner?

Die Antwort lautet: Ja. Und das sogar mit ausschließlich kostenlosen, offenen Tools.

Was heute mit freier Software möglich ist

Vor ein paar Jahren hätte man für so ein Projekt ein Team und ein Budget gebraucht. Heute reicht ein normaler Laptop und Geduld, je nach Hardware. Drei Bausteine machen den Unterschied:

Gute Spracherkennung. Es gibt inzwischen offene KI-Modelle, die gesprochene Sprache erstaunlich zuverlässig in Text umwandeln — auch auf Deutsch, auch mit Dialekt oder Hintergrundgeräuschen. Man kann die Hintergrundgeräusche sogar entfernen, auch das geht. Das Modell läuft komplett auf dem eigenen Rechner, es muss nichts ins Internet geschickt werden.

Sprechererkennung. Ein zweiter Baustein sorgt dafür, dass im Text auch steht, wer gerade spricht. Bei einem Interview mit zwei oder drei Personen ist das der Weg zu einem lesbaren Protokoll.

Ein eigenes, lokales Sprachmodell für die Zusammenfassung. Mit einem Tool namens Ollama lässt sich ein KI-Sprachmodell, vergleichbar mit dem, was hinter ChatGPT, Claude oder Mistral steckt, nur kleiner und lokal, auf dem eigenen Rechner betreiben. Es liest das Transkript und schreibt eine Zusammenfassung, ganz ohne Cloud-Anbindung.

Alle drei Bausteine sind frei verfügbar, gut dokumentiert und werden von großen Communities weiterentwickelt. Man muss nicht bei null anfangen.

Um eine angenehme Nutzung zu gewährleisten, wollten wir eine einfache Oberfläche. Hier kam Gradio ins Spiel, eine Python-Bibliothek, mit der sich aus wenigen Zeilen Code eine echte Weboberfläche im Browser bauen lässt: Datei hochladen, Button klicken, Ergebnis ansehen. Fortschrittsanzeige, Textfelder, alles inklusive. Man beschreibt, was auf dem Bildschirm passieren soll, und Gradio kümmert sich um den Rest.

An diesem einfachen Beispiel sehen wir, dass man heute kein großes Budget mehr braucht, um sich ein maßgeschneidertes KI-Werkzeug zu bauen, das genau die eigene Aufgabe löst — komplett lokal, ohne Abo und ohne dass Daten das Haus verlassen. Die Bausteine dafür liegen offen herum: freie Spracherkennung, freie Sprachmodelle, freie Oberflächen-Bibliotheken. Man muss sie nur zusammensetzen.