Hast Du Töne: KI für Audio

Reto Vogt, Chief Product Officer und KI-Dozent am MAZ in Luzern, zeigte im Webinar der Edito Academy, wie aus einem dreissigminütigen Interview mit Hilfe von KI ein verwertbarer Text wird: transkribieren, sichten, strukturieren, Zitate suchen, Fakten prüfen. Im zweiten Teil drehte Matthias Zehnder die Richtung um und stellte vor, was Text-zu-Sprache-Systeme wie ElevenLabs heute leisten. Die Klammer um beide Teile lieferte Vogt gleich zu Beginn: Die KI verkürzt den Weg vom Audio zum Text deutlich, aber transkribiert heisst nicht verifiziert, und die journalistische Verantwortung bleibt beim Menschen.

Zehnder eröffnete mit aktuellen Meldungen: National- und Ständeräte erhalten ab der Herbstsession 2026 eine KI-Assistenz für Kommissionsunterlagen, Google DeepMind kündigt mit Gemini 3.5 Transcribe ein mehrsprachiges Transkriptionsmodell an, das Sprachwechsel mitten im Gespräch erkennt, und die Hördauer von KI-generierten Audio-Artikeln ist im Jahresvergleich um 72 Prozent gestiegen. Eine Studie der Max-Planck-Gesellschaft zeigt zudem, dass Hörerinnen und Hörer im Blindtest menschliche Stimmen zu 86 Prozent korrekt erkennen, KI-Stimmen aber nur zu 55 Prozent, und dass die Trefferquote mit dem Alter sinkt. Franz Hohlers Erfahrung bei einer Lesung in Luzern passte dazu: Drei Viertel des Publikums hielten den KI-Text für seinen eigenen.

Den Kern des Webinars bildete Reto Vogts fünfstufiger Workflow: Audio, Transkription, KI der Wahl, Aufbereitung, Verifikation. Als Startpunkt für die Transkription stellte er vier Werkzeuge vor: TurboScribe für den einfachen Einstieg, Happy Scribe mit Editor und Untertiteln, MacWhisper für die lokale Verarbeitung auf dem Mac und Töggl für Schweizerdeutsch.

Vor jedem Upload stehen aber vier Fragen:

Was steckt im Audio?
Wo wird es verarbeitet?
Was passiert danach mit den Daten?
Und was gilt redaktionsintern?

Technisch möglich heisst nicht erlaubt.

Vogt demonstrierte TurboScribe an einem schweizerdeutschen Gespräch und verglich das Ergebnis mit MacWhisper. Die KI-Transkription war schneller und besser lesbar, scheiterte aber wie erwartet an Sprecherzuordnung, Markennamen und Fachbegriffen.

Im zweiten Schritt wechselte er das Werkzeug: Das Transkript ging an ChatGPT, das das Gespräch nach Themen gliederte, die fünf wichtigsten Aussagen nannte, Zahlen, Namen und Tatsachenbehauptungen auflistete und fragte, welche Fragen nicht gestellt wurden. Für die Zitatsuche empfahl Vogt einen klaren Prompt: «Identifiziere fünf journalistisch relevante Passagen, die sich als Zitate eignen. Verändere den Wortlaut nicht und gib jeweils die Fundstelle an.» Zum Schluss lud er Transkript, Quellen und den fertigen Text in NotebookLM und liess prüfen, welche Aussagen gestützt werden, wo sich Interview und Quellen widersprechen und was vor der Publikation noch zu überprüfen ist.

Matthias Zehnder stellte anschliessend ElevenLabs vor: 2022 von zwei Polen aus Frust über schlechte Filmsynchronisation gegründet, mit Voice Cloning aus wenigen Sekunden Audiomaterial innert kurzer Zeit zum Unicorn geworden und nach dem Deepfake-Robocall mit Joe Bidens Stimme um harte Sicherheitsfilter und Klassifikatoren ergänzt. Mit PlayHT, Murf.ai und Cartesia zeigte er die Konkurrenz und ordnete die Anwendungen ein: Hörbücher, Vorlesefunktionen, Dubbing.

Ein Teilnehmer, der als Dokumentarfilmer arbeitet, berichtete, dass er KI-Stimmen bereits im Schnitt eingesetzt hatte, sie aber wegen der Senderregeln von SRF wieder entfernen musste. Daran entzündete sich die Diskussion um Rechte an Stimmen, um die Zukunft der Synchronsprecher und um die Frage, wer für eine synthetische Stimme geradesteht. In der Fragerunde ging es ausserdem um lokale Lösungen, um die Grenzen bei Schweizerdeutsch und um die Rolle von Agents. Matthias Zehnder kündigte an, die Datenschutzfragen im November in einem eigenen Webinar mit Anwalt Martin Steiger zu vertiefen.

Referent: Reto Vogt, Chief Product Officer und KI-Dozent am MAZ, Luzern (Teil 2: Matthias Zehnder, Medienwissenschaftler und Leiter der Edito Academy)

Datum: Mittwoch, 9. September 2026

Learnings

Transkribiert heisst nicht verifiziert: Die KI liefert in Sekunden einen lesbaren Text, aber keine geprüfte Aussage. Namen, Fachbegriffe, Mehrdeutigkeiten, Ironie und Sprecherzuordnung sind die klassischen Fehlerquellen. Wer aus einem Transkript zitiert, hört die Stelle nach.

Die entscheidenden Fragen kommen vor dem Upload: Was steckt im Audio, wo wird es verarbeitet, was passiert danach, und was gilt redaktionsintern? Technisch möglich ist nicht dasselbe wie erlaubt. Bei vertraulichen Gesprächen und bei Quellenschutz bleibt der Recorder besser offline, und die Gesprächspartner sollten wissen, dass eine Maschine mithört.

Lokal schlägt Cloud beim Datenschutz: MacWhisper verarbeitet Audio auf dem eigenen Rechner, erstellt keine Stimmprofile und schickt nichts ins Netz. Die Qualität ist etwas tiefer als bei Cloud-Diensten, aber die Kontrolle über die Daten bleibt vollständig im Haus.

Nicht nur die Qualität vergleichen: Wer ein Transkriptionstool wählt, schaut auf Datenschutz, Sprechererkennung, Exportformate und Kosten. TurboScribe, Happy Scribe, MacWhisper und Töggl haben je andere Stärken, und Töggl ist das einzige, das für Schweizerdeutsch gebaut ist.

Werkzeug wechseln: Das Transkriptionstool wandelt Audio in Text, für die Arbeit mit dem Text ist die KI der Wahl zuständig. Strukturieren, verdichten, extrahieren, analysieren: Diese vier Aufträge machen aus einem Rohtranskript Arbeitsmaterial.

Zitate mit Fundstelle: Der Prompt für die Zitatsuche verbietet ausdrücklich, den Wortlaut zu verändern, und verlangt die Fundstelle. So lässt sich jedes Zitat am Original gegenprüfen, statt sich auf eine Zusammenfassung zu verlassen.

Die KI gliedert, der Mensch schreibt: Die KI darf eine Struktur vorschlagen und Argumente sortieren. Den Text schreibt die Journalistin, weil erst beim Schreiben die journalistische Relevanz entschieden wird. Nach Vogts Formel: aufnehmen, verschriftlichen, verstehen, verwerten, überprüfen.

Gegen Quellen prüfen: Transkript, Recherchematerial und fertiger Text gehören zusammen in ein NotebookLM-Projekt. Drei Fragen genügen: Welche Tatsachenbehauptungen sind gestützt? Wo widersprechen sich Interview und Quellen? Was muss vor der Publikation noch überprüft werden?

Die Aufnahme entscheidet über das Transkript: Ein Teilnehmer erinnerte daran, dass die Qualität des Transkripts bei der Platzierung des Aufnahmegeräts beginnt. Günstige Funkmikrofone leisten mehr als das Telefon auf dem Tisch, und Schweizerdeutsch bleibt für alle Systeme eine Herausforderung.

KI-Stimmen sind kaum mehr erkennbar: Im Blindtest identifizierten Hörer nur 55 Prozent der synthetischen Stimmen korrekt, und je älter das Publikum, desto seltener. Was für Vorlesefunktionen ein Vorteil ist, wird bei Deepfakes zum Problem. Wer KI-Stimmen einsetzt, deklariert sie.

Rechte an der Stimme klären: Voice Cloning braucht nur Sekunden Audiomaterial, und die Nutzungsbedingungen der Anbieter sowie die Regeln der Sender oder Verlage entscheiden, was am Ende publiziert werden darf. Wer eine KI-Stimme im Beitrag verwendet, prüft Vertrag und Rechte, bevor der Schnitt beginnt.

Referent: Reto Vogt
Datum: Mittwoch, 9. September 2026