Freitag, 10 Uhr, großer Besprechungsraum mit Glaswand zum Hof. Sieben Leute, zwei Stunden Quartalsplanung. Du hast diesmal alles richtig gemacht und die Aufnahme gestartet. Am Abend öffnest du das Transkript und liest Sätze wie „und dann müssen wir das mit dem [unverständlich] noch klären". Die Stelle, an der die Zusage zum Budget fiel, ist genau so eine Lücke.
Die naheliegende Erklärung wäre, dass die KI schlecht ist. Sie ist es nicht. Moderne Transkriptionsmodelle erreichen auf saubere Aufnahmen Genauigkeiten, die vor fünf Jahren undenkbar waren. Das Problem entsteht früher, nämlich in dem Moment, in dem Schall durch einen Raum läuft, bevor er ein Mikrofon erreicht. Dieser Artikel erklärt die drei akustischen Effekte, die dabei Information zerstören, warum bessere Modelle das nicht heilen können und welcher Ansatz das Problem tatsächlich löst.
Was im Besprechungsraum akustisch wirklich passiert
Ein Besprechungsraum ist für Sprachaufnahmen eine der unfreundlichsten Umgebungen, die es gibt. Drei Effekte wirken gleichzeitig, und sie verstärken sich gegenseitig.
Der Abstand wirkt quadratisch, nicht linear
Die verbreitete Intuition lautet: Wer doppelt so weit weg sitzt, wird halb so laut aufgenommen. Das ist zu optimistisch. Im Freifeld fällt die Schallintensität mit dem Quadrat der Entfernung, was bei jeder Verdopplung des Abstands rund 6 dB Pegelverlust bedeutet. Wer 30 Zentimeter vom Gerät entfernt spricht, landet mit vollem Pegel in der Aufnahme. Wer am anderen Tischende auf 2,4 Metern sitzt, also drei Verdopplungen entfernt, kommt etwa 18 dB leiser an.
Entscheidend ist nicht die Lautstärke selbst, sondern das Verhältnis zwischen Nutzsignal und Störgeräusch. Sinkt die Stimme in die Nähe des Grundrauschens von Lüftung, Laptopventilator und Straßenlärm, dann fehlt dem Modell der Kontrast, an dem es Laute unterscheidet. Genau an dieser Schwelle kippt ein Transkript von brauchbar zu unbrauchbar, und sie liegt näher, als man denkt.
Nachhall verschmiert die Konsonanten
Der unterschätzte Gegner ist der Nachhall. Jede harte Fläche im Raum wirft Schall zurück: Glaswand, Tischplatte, Whiteboard, nackte Decke. Das Mikrofon nimmt deshalb nicht nur die Stimme auf, sondern zusätzlich dieselbe Stimme mit wenigen Millisekunden Verzögerung, mehrfach, aus verschiedenen Richtungen.
Für das Gehör ist das kaum ein Problem, weil das Gehirn Direktschall und Reflexion trennt. Für ein Transkriptionsmodell ist es einer, denn Reflexionen überlagern genau die kurzen, energiearmen Laute, an denen Wörter auseinandergehen. Betroffen sind vor allem die Plosive t, k und p sowie Zischlaute. Aus „Termin" wird „ermin", aus „packen" wird „pa'en". Ein moderner Besprechungsraum mit viel Glas und wenig Textil ist akustisch fast der schlechteste Fall.
Störgeräusche, die im Meeting niemand bemerkt
Während des Gesprächs blendet jeder die Umgebung aus. Das Mikrofon kann das nicht. Es nimmt die Klimaanlage auf, den Beamerlüfter, das Kaffeetassenklirren, den Stuhl, der über den Boden schrammt, und die Tastatur der Person, die mitschreibt. Diese Geräusche sitzen im selben Frequenzbereich wie Sprache und lassen sich deshalb nicht einfach wegfiltern.
Besonders tückisch sind konstante Geräusche wie eine Lüftung, weil sie das Grundrauschen dauerhaft anheben. Damit verschiebt sich die Distanz, ab der eine Stimme im Rauschen verschwindet, für die gesamte Aufnahme nach vorn. Wer nur eine Sache im Besprechungsraum ändern kann, sollte die Lüftung ausschalten.
Warum ein besseres Modell das nicht rettet
Die Hoffnung, dass das nächste Modell-Update das Problem löst, ist verständlich und leider falsch. Es lohnt zu verstehen, warum.
Das Modell rät, und Raten ist systematisch
Ein Transkriptionsmodell ordnet einem Audiosignal die wahrscheinlichste Wortfolge zu. Fehlt die akustische Information, füllt es die Lücke mit dem, was sprachlich plausibel klingt. Das Ergebnis ist gefährlicher als eine Lücke: Es entstehen grammatisch korrekte Sätze, die inhaltlich falsch sind. Ein Preis wird zu einem anderen Preis, ein „nicht" verschwindet, ein Name wird zum nächstähnlichen Wort aus dem Wortschatz.
Bei einer schlecht lesbaren Handschrift merkt man, dass man rät. Bei einem flüssig formulierten Transkript merkt man es nicht. Deshalb ist die Qualität der Aufnahme keine Komfortfrage, sondern eine Frage der Verlässlichkeit der Dokumentation.
Sprechertrennung ohne Anker
Der zweite Verlust betrifft die Zuordnung. Bei Online-Meetings liefert jeder Teilnehmer eine eigene Tonspur, die Zuordnung ist technisch eindeutig. Im Raum liegt alles auf einer Spur, und die Software muss ausschließlich am Klang erkennen, wer gerade spricht. Bei ähnlichen Stimmen, bei Menschen mit vergleichbarer Tonhöhe und in verhallten Räumen führt das zu Verwechslungen.
Das ist der Punkt, an dem ein Protokoll seinen Wert verliert. Ein Transkript, in dem die Worte stimmen, aber der falschen Person zugeordnet sind, ist schlechter als kein Protokoll, weil es Vertrauen erzeugt, das es nicht verdient. Warum die Zuordnung im Raum so schwer ist und was sie zuverlässig macht, behandelt der Artikel zur Sprechertrennung bei mehreren Personen im Detail.
Was du an der Raumakustik verbessern kannst, und wo die Grenze liegt
Bevor es um Technik geht: Einiges lässt sich mit null Budget verbessern, und der Effekt ist größer als erwartet.
Was sofort und kostenlos hilft
Vier Maßnahmen bringen messbar bessere Aufnahmen. Erstens die Sitzordnung: Eine enge Runde um das Gerät schlägt eine verteilte Tafelrunde, weil sich der maximale Abstand halbiert. Zweitens die Platzierung: das Gerät frei auf die Tischmitte legen, nicht auf Papier, nicht in eine Ecke, nicht neben den Beamer. Drittens die Lüftung für die Dauer der Besprechung aus. Viertens weiche Flächen in den Raum bringen, was in der Praxis meist bedeutet: Vorhänge zu, Tür zu, und nicht in den Raum mit vier Glaswänden gehen, wenn ein anderer frei ist.
Wo Hardware aufhört zu helfen
Ein gutes Konferenzmikrofon mit Kugelcharakteristik oder ein Array mit Richtungserkennung fängt mehr Nutzsignal ein als ein Handy-Mikrofon, das flach auf dem Tisch liegt. Diesen Vorteil gibt es wirklich. Er ändert aber nichts am Grundsatz: Ein Gerät nimmt aus einer Position auf, und diese Position ist für höchstens zwei Personen die richtige.
Deshalb skaliert Hardware in diesem Problem so schlecht. Ein doppelt so teures Mikrofon verdoppelt nicht die Reichweite, weil der Pegelabfall quadratisch bleibt und der Nachhall unverändert im Raum steht. Ab einer bestimmten Rundengröße lässt sich das Ergebnis mit einem Raummikrofon nicht mehr wesentlich verbessern, egal welches Budget im Spiel ist.
Der Ausweg: Nahmikrofone statt eines Raummikrofons
Alle drei Effekte von oben haben eine gemeinsame Ursache, nämlich Distanz. Nachhall wird relevant, weil der Direktschall schwach ankommt. Störgeräusche werden relevant, weil das Nutzsignal klein ist. Überlappende Stimmen werden zum Problem, weil sie auf einer Spur landen. Wer die Distanz beseitigt, beseitigt alle drei gleichzeitig.
Genau das ist der Ansatz bei der Transkription von Präsenzterminen mit Sally: Statt ein Mikrofon für den Raum zu suchen, werden mehrere Handys im Raum zu einer gemeinsamen Aufnahme verbunden. Jedes Handy wird zum Nahmikrofon der Person, vor der es liegt. Das ist der eigentliche technische Kern, und er lohnt einen genaueren Blick.
Wie das Verbinden im Termin konkret abläuft
Eine Person startet die Aufnahme in der Sally App. Die weiteren Teilnehmenden verbinden ihr eigenes Handy mit derselben Aufnahme, sodass am Ende mehrere Geräte gemeinsam einen einzigen Termin aufnehmen statt mehrerer getrennter Mitschnitte. Jedes Gerät liegt sichtbar vor seinem Besitzer auf dem Tisch, was gleichzeitig die Einwilligung transparent macht.
Der Aufwand dafür liegt bei wenigen Sekunden pro Person, und es braucht keine Einrichtung im Raum, keine Kopplung mit einer Anlage und keine Rechte am Konferenzsystem. Wer feste Besprechungsräume nutzt, kann zusätzlich deren Raumkalender verbinden, dann erkennt Sally von selbst, wann dort ein Termin beginnt.
Was technisch mit den einzelnen Spuren passiert
Entscheidend ist, was nach dem Termin geschieht. Die Geräte liefern nicht eine gemischte Raumaufnahme, sondern je eine eigene Audiospur aus kurzer Distanz. Sally führt diese Spuren anschließend zu einer sauberen Tonspur zusammen und behält dabei die Information, welche Stimme von welchem Gerät kam.
Damit fallen die drei Gegner aus diesem Artikel gleichzeitig weg. Der Abstand ist weg, weil jede Stimme aus wenigen Zentimetern erfasst wird. Der Nachhall verliert an Gewicht, weil der Direktschall auf jeder Spur deutlich stärker ist als die Reflexionen. Und überlappende Stimmen bleiben trennbar, weil sie physisch auf verschiedenen Spuren liegen statt sich zu einem Signal zu addieren. Das Ergebnis ist sprechergetrennt und erreicht laut Sally bis zu 98,8 % Genauigkeit, ohne dass jemand Hardware kaufen, laden oder mitbringen muss.
Warum die Qualität mit jedem Gerät steigt
Wichtig für den Alltag: Ein einzelnes Handy reicht völlig aus, um einen Termin zu dokumentieren. Es arbeitet dann unter denselben physikalischen Bedingungen wie jedes andere Einzelgerät, deckt also den Fall ab, in dem sonst gar nichts dokumentiert würde.
Jedes weitere verbundene Gerät verbessert das Ergebnis, weil eine weitere Stimme aus kurzer Distanz erfasst wird und einen eigenen Kanal bekommt. Damit verhält sich der Ansatz genau umgekehrt zu einem Raummikrofon: Ein Mikrofon in der Tischmitte wird mit jeder zusätzlichen Person schlechter, verbundene Handys werden mit jeder zusätzlichen Person besser. Der Vorteil wächst also genau dort, wo Hardware an ihre Grenze stößt, nämlich in großen Runden.
Welche Aufnahmesituation welche Qualität erwarten lässt
| Situation | Typischer Abstand | Kritischer Faktor | Erwartbare Transkriptqualität |
|---|---|---|---|
| Zweiergespräch, Gerät zwischen beiden | 30 bis 60 cm | kaum Einschränkung | sehr gut |
| Vier Personen, kleiner Tisch | bis 1,2 m | Nachhall | gut, einzelne Lücken |
| Acht Personen, langer Tisch | bis 3 m | Abstand plus Überlappung | lückenhaft, Sprecher oft falsch |
| Großer Raum mit Glasflächen | über 3 m | Nachhall dominiert | meist unbrauchbar |
| Mehrere verbundene Handys | je Person unter 60 cm | keiner der drei Effekte greift | sehr gut, sprechergetrennt |
Die rechtliche Seite gehört ins Setup
Unabhängig von der Technik gilt in Deutschland § 201 StGB: Das heimliche Aufzeichnen des nicht öffentlich gesprochenen Wortes ist strafbar, Aufnahmen sind nur mit Einwilligung aller Beteiligten erlaubt. Praktisch heißt das, die Aufnahme zu Beginn anzukündigen und die Zustimmung einzuholen. Sichtbar auf dem Tisch liegende Handys sind dabei ein Vorteil, weil sie die Dokumentation transparent machen, anders als ein unauffälliges Gerät in der Tasche.
Gespeichert und verarbeitet wird bei Sally ausschließlich in Deutschland, DSGVO-konform und ohne Drittlandtransfer. Was das konkret bedeutet, steht auf der Seite zu DSGVO und Sicherheit.
Fazit
Wenn ein Transkript aus dem Besprechungsraum enttäuscht, liegt es fast nie am Modell und fast immer am Raum. Abstand senkt den Pegel quadratisch, Reflexionen verschmieren die Konsonanten, konstante Störgeräusche heben das Grundrauschen an. Aus diesem Ausgangsmaterial kann keine Software die verlorene Information zurückholen, sie kann nur plausibel raten.
Sitzordnung, Platzierung und ausgeschaltete Lüftung holen einiges heraus, und das kostet nichts. Die eigentliche Lösung ist aber ein Wechsel des Prinzips: nicht ein besseres Mikrofon für den ganzen Raum, sondern ein Mikrofon pro Stimme. Die Geräte dafür liegen ohnehin auf dem Tisch.
Teste es beim nächsten echten Termin: Sally 30 Tage kostenlos ausprobieren, oder zuerst nachlesen, wie das Transkribieren von Präsenzmeetings insgesamt funktioniert.
