Audio & Video mit KI — Transkribieren, Untertitel, Notizen.

Audio und Video sind die letzten großen Datenquellen, die der Mensch früher mühsam von Hand bearbeiten musste. Heute macht KI in einer Minute, was früher eine Stunde dauerte. Und das Beste: Die besten Tools sind kostenlos.

In diesem Artikel lernst du drei Disziplinen: Transkription (Sprache → Text), Sprachausgabe (Text → Sprache), Video-Bearbeitung (mit KI als Editor). Plus die wichtigste Frage: Wann läuft das lokal, wann in der Cloud, und was bedeutet das für deine Daten?

Disziplin 1: Transkription — Sprache wird Text

Das beste Transkriptions-Tool der Welt heißt Whisper und kommt von OpenAI. Es ist kostenlos, läuft lokal, beherrscht 99 Sprachen, und ist genauer als jedes kommerzielle Produkt. Klingt zu schön — ist aber wahr.

So nutzt du Whisper

• Für Mac: MacWhisper (App, ca. 30 EUR Einmalkauf). Läuft komplett lokal, alle Daten bleiben auf deinem Rechner.
• Für Windows: Whisper Desktop (kostenlos, GitHub). Etwas technischer, aber funktioniert.
• Webbasiert: ChatGPT-App nimmt Sprache auf und transkribiert — aber: Daten gehen zu OpenAI.
• Für Profis: Snowbyte SnowVoice-Tool — lokal, mit Sprecher-Erkennung.

Was Whisper besonders gut kann

Du diktierst, redest deutlich oder undeutlich, mit Akzent oder Hochdeutsch, mit Hintergrundgeräuschen oder im Studio — Whisper schafft 95 % Genauigkeit. Bei Sprechern mit klarer Aussprache 99 %. Selbst Dialekte sind erstaunlich gut.

Typische Anwendungsfälle Transkription

1. Sprachmemos in Notizen umwandeln

Du gehst spazieren, dir kommt eine Idee. Du sprichst sie ins Handy: 2 Minuten Audio. KI macht in 10 Sekunden eine strukturierte Notiz daraus.

Workflow

Sprich ins iPhone Sprachmemo. Schick die Datei an MacWhisper (oder Whisper Desktop). Whisper transkribiert. Du kopierst den Text in ChatGPT/Claude und sagst: "Strukturier das in Stichpunkte, sortier nach Wichtigkeit, fasse zusammen in einem 3-Satz-Tagebucheintrag.". Fertig.

2. Podcasts & Interviews zusammenfassen

Du hörst regelmäßig 90-Minuten-Podcasts und vergisst hinterher 80 % davon. Mit Transkription + KI machst du dir eine 5-Minuten-Zusammenfassung der Hauptthesen.

Tool-Tipp: NotebookLM von Google. Du lädst die Audio-Datei hoch, bekommst Transkription + Zusammenfassung + Audio-Briefing (zwei KI-Stimmen diskutieren den Inhalt mit dir) — alles kostenlos.

3. Meeting-Notizen automatisieren

Familien-Meeting, Verein-Sitzung, Hausgemeinschafts-Versammlung. Aufnahme starten (mit Einverständnis aller!), hinterher transkribieren, KI macht ein Protokoll.

4. Tagebuch / Journal in Audio

Schneller als Tippen, intuitiver als Schreiben. Sprich 5 Minuten ins Handy, KI macht dir eine schöne Tagebuch-Form.

Disziplin 2: Sprachausgabe — Text wird Sprache

Das Gegenteil: Du hast einen Text, willst ihn anhören. Klassischer Anwendungsfall: lange Artikel beim Joggen hören, statt sie lesen zu müssen.

Beste Tools

• ElevenLabs: Beste Stimmqualität am Markt, kostenlos bis 10.000 Zeichen / Monat. Bezahlt ab 5 EUR/Monat.
• OpenAI TTS: In ChatGPT integriert (Premium-Voice-Modus), sehr natürlich.
• Built-in (Mac/Windows): Apple "Sprechen" oder Edge "Vorlesen". Gratis, mittlerer Qualität. Für Long-Form Texte völlig ausreichend.

Anwendungsfälle

Artikel-Audiobook. Lange Substack/Medium-Texte am Handy in deine Lieblings-Stimme verwandeln und beim Walking hören.

Korrektur lesen. Eigene Texte vorlesen lassen — du hörst Stolperer und unschöne Formulierungen, die du beim Lesen überlesen würdest. Profi-Trick aller Schriftsteller.

Kinder-Geschichten. Eigene Geschichten schreiben, von KI in natürlicher Stimme vorlesen lassen.

Disziplin 3: Video-Bearbeitung mit KI

2026 ist KI-Video-Bearbeitung nicht mehr nur für Profis. Drei Tools, die du als Privatperson nutzen kannst:

1. CapCut (Smartphone, kostenlos)

Generiert automatisch Untertitel, schneidet stille Stellen raus, schlägt Musik vor, kann Stimme aus einem Sprecher in einen anderen wandeln. Für Familien-Videos absolut ausreichend.

2. Descript (Desktop, Free-Plan)

Bearbeitet Video wie ein Word-Dokument. Du klickst auf den Text der Transkription, löschst Wörter — das Video wird mitgeschnitten. Revolutionierend für Podcast- und Video-Bearbeitung.

3. RunwayML (Browser, Free-Tier)

Für Spezialeffekte: Hintergrund tauschen, Objekte aus Videos entfernen, Video-zu-Video-Stiltransfers. Für kreative Projekte.

Praktische Workflows

Workflow A: Familien-Erinnerungs-Buch

1. Interview mit Oma über ihre Jugend, mit Einverständnis aufnehmen (Handy).
2. Whisper transkribiert.
3. ChatGPT/Claude: "Mach aus diesem Interview-Transkript einen lebendigen Erzähltext in der ersten Person, gegliedert in 5 Kapitel."
4. Drucken, einbänden, Familien-Schatz.

Workflow B: Studium / Weiterbildung

1. Vorlesungs-Aufnahme (Erlaubnis fragen!).
2. Whisper transkribiert.
3. ChatGPT: "Erstell mir aus dem Transkript Lernkarten für Anki: pro Karte eine Frage und Antwort, max. 50 Karten."
4. In Anki importieren, lernen.

Workflow C: Reise-Vlog ohne Bearbeitungsstress

1. Rohfilme machen, mit Handy.
2. CapCut: Auto-Untertitel, auto-Schnitt von Pausen, Musik dazu.
3. In 30 Minuten ein 3-Minuten-Vlog, das du der Familie schicken kannst.

Welches Tool wann (Privatsphäre-Sicht)

• Sensible Inhalte (Therapie-Aufzeichnungen, Anwalts-Gespräche, Krankenakten-Diktate): Whisper lokal. Niemals in Cloud.
• Allgemeine Inhalte (Podcast-Notizen, öffentliche Vorträge): NotebookLM oder ChatGPT-App.
• Profi-Edit: Descript oder DaVinci Resolve (Letzteres free, schwer zu lernen).

Drei goldene Regeln

• 1. Aufnahme immer mit Einverständnis. Heimliche Aufnahmen sind strafbar. Auch wenn die Technik trivial ist.
• 2. Lokale Tools für intime Inhalte. Whisper läuft auf deinem Rechner — nutze das.
• 3. Roh-Daten aufbewahren. Bevor du ein 90-minütiges Interview wegwirfst: speichere die Original-Audio-Datei. KI-Transkripte können Fehler haben — mit dem Original kannst du später prüfen.

Was du jetzt damit machen kannst

• Installiere Whisper oder MacWhisper diese Woche. Transkribier eine 5-minütige Sprachmemo. Du wirst überrascht sein, wie genau das ist.
• Probier NotebookLM mit deinem Lieblings-Podcast. 15 Minuten Setup, dann hast du eine persönliche Audio-Bibliothek mit KI-Zusammenfassungen.
• Lies "Lange Texte mit KI" — perfekte Kombination: Audio transkribieren, dann den Text mit KI strukturieren.

Fazit: Audio und Video waren bisher die unhandlichsten Datenformen. Mit Whisper, NotebookLM und CapCut wandeln sie sich in genau das, was du brauchst — in Sekunden, oft kostenlos, oft lokal. Das ist eine technische Revolution, von der Privatpersonen sofort profitieren, ohne irgendetwas zu zahlen. Wer das einmal verstanden hat, wundert sich, warum er überhaupt noch tippt.