Audio auf dem Mac transkribieren, ohne es hochzuladen
Transkription läuft auf Apple Silicon lokal und schnell genug für den Alltag. Rev verlangt 1,99 $ pro Minute für menschliche Transkripte, Sonix 10 $ pro Stunde, Otter gibt dir 300 Minuten im Monat gratis. Vocemo transkribiert unbegrenzt auf deinem Mac für 15 $ im Monat, ohne Minutenpreis und ohne Upload.
- Rev, menschlich
- 1,99 $ pro Minute, also rund 119 $ pro Stunde
- Maschinelle Dienste
- Meist 10 bis 20 $ pro Stunde Audio
- Otter Gratisstufe
- 300 Minuten im Monat
- Vocemo
- 15 $ im Monat, unbegrenzt, lokal
Was kostet Transkription eigentlich?
Der Markt zerfällt in drei Preisklassen, und sie lösen unterschiedliche Probleme.
Preise geprüft im September 2026, jeweils auf der Anbieterseite.
| Dienst | Wer tippt | Preis | Upload nötig |
|---|---|---|---|
| Rev, menschlich | Menschen | 1,99 $ pro Minute | Ja |
| Rev, automatisch | Maschine | Im Abo | Ja |
| Sonix | Maschine | Ab etwa 10 $ pro Stunde | Ja |
| Happy Scribe | Maschine | Pro Stunde Audio | Ja |
| Otter Basic | Maschine | Kostenlos, 300 Minuten im Monat | Ja |
| Otter Pro | Maschine | 16,99 $ pro Nutzer im Monat | Ja |
| Descript | Maschine | Im Abo, nach Stunden gestaffelt | Ja |
| MacWhisper | Maschine, lokal | Einmalige Lizenz | Nein |
| Vocemo | Maschine, lokal | 15 $ im Monat, 144 $ im Jahr | Nein |
Wenn dir lieber wäre, dass das alles auf deinem eigenen Mac läuft: genau das macht Vocemo. 7 Tage kostenlos, danach 15 $ im Monat für 3 Macs.
Kostenlos für Mac ladenRechne einmal für dich durch. Zehn Stunden Interviews sind bei 1,99 $ pro Minute knapp 1.200 $. Bei einem maschinellen Dienst rund 100 $. Auf dem eigenen Mac kostet die zehnte Stunde genauso viel wie die erste, nämlich nichts.
Wann brauchst du wirklich einen Menschen?
Seltener als früher, aber es gibt Fälle. Menschliche Transkription lohnt sich bei Gerichtsprotokollen, bei Aufnahmen mit sehr schlechter Tonqualität, bei starkem Dialekt, bei viel Durcheinanderreden und überall dort, wo eine bestimmte Genauigkeit vertraglich zugesichert werden muss.
Für Interviews, Vorlesungen, Meetings, Podcasts und Sprachnachrichten reicht die maschinelle Variante inzwischen. Du bekommst einen Text, den du überfliegst und an drei Stellen korrigierst, statt ihn zu tippen.
Wie lange dauert das auf einem Mac?
Auf Apple Silicon läuft eine Stunde Audio je nach Modell und Chip in ungefähr fünf bis fünfzehn Minuten durch. Das Gerät wird dabei warm, und der Lüfter dreht auf, falls einer da ist.
Der wichtigere Punkt: du wartest nicht in einer Warteschlange hinter anderen Nutzern, und es wird nicht langsamer, weil gerade viel los ist. Du kannst nebenbei weiterarbeiten, solange genug Arbeitsspeicher frei ist.
Was bei langen Dateien hilft: nicht alle gleichzeitig starten. Eine nach der anderen ist insgesamt schneller als vier parallel, weil sich sonst alle denselben Speicher teilen.
Welche Dateiformate gehen?
Alles, was du üblicherweise hast: m4a aus Sprachmemos, mp3, wav, aac, flac, dazu Videodateien wie mp4 und mov, aus denen die Tonspur genommen wird. Wenn ein Format klemmt, wandle es vorher in wav um, das ist der kleinste gemeinsame Nenner.
Ein praktischer Hinweis zur Aufnahme selbst: ein sauber aufgenommenes Gespräch spart dir mehr Korrekturzeit, als jede Modellwahl es tut. Mikrofon nah an die Sprechenden, harte Flächen im Raum vermeiden, und wenn möglich getrennte Spuren aufnehmen.
Was ist mit Zeitstempeln und Untertiteln?
Für Untertitel brauchst du nicht nur den Text, sondern auch, wann welches Wort fällt. Achte darauf, dass dein Werkzeug SRT und VTT ausgeben kann, sonst musst du die Zeiten hinterher von Hand setzen, und das ist die unangenehmste Arbeit im ganzen Ablauf.
Bei manchen Modellen liegen die Zeitstempel auf Wortebene, bei anderen nur auf Satzebene. Für Untertitel reicht Satzebene meistens. Für ein Werkzeug, das beim Klick auf ein Wort im Transkript an die passende Stelle springt, brauchst du Wortebene.
Was solltest du am Transkript prüfen?
- Zahlen. Beträge, Datumsangaben, Dosierungen. Eine verhörte Zahl sieht genauso selbstbewusst aus wie eine richtige.
- Eigennamen. Personen, Firmen, Orte. Einmal korrigieren und in die Wortliste aufnehmen, dann sitzt es beim nächsten Mal.
- Die Stellen mit Durcheinanderreden. Dort ist die Fehlerdichte am höchsten.
- Anfang und Ende. Abgeschnittene Aufnahmen fallen sonst erst spät auf.
Warum ist der Upload bei Interviews ein Thema?
Weil eine Aufnahme etwas anderes ist als ein Text. In einer Interviewaufnahme steckt die Stimme, und darin stecken Merkmale, die eine Person identifizierbar machen, selbst wenn im Transkript alles anonymisiert ist.
Wenn du in der Forschung, im Journalismus oder in einem Beruf mit Schweigepflicht arbeitest, heisst das konkret: Sobald du hochlädst, kommt ein Dritter in die Kette, den du deinen Teilnehmenden gegenüber offenlegen musst, und dessen Aufbewahrungsfristen du nicht bestimmst. Wenn nichts hochgeladen wird, entfällt dieser ganze Absatz aus der Einwilligungserklärung.
Was gibt es umsonst auf dem Mac?
Sprachmemos nimmt auf. Die Diktierfunktion schreibt mit, was du selbst sagst, aber nicht, was aus einer Datei kommt. In neueren macOS-Versionen kann die Notizen-App aufnehmen und ein Transkript erzeugen. Für ein einzelnes Gespräch im Raum reicht das oft.
Die Lücke, die eine App füllt: eine vorhandene Datei transkribieren, Sprecher trennen, Untertitel ausgeben, mit langen Aufnahmen umgehen und eigenes Vokabular berücksichtigen.
Welchen Weg solltest du nehmen?
- Bordmittel, wenn du gelegentlich ein Gespräch im Raum mitschreiben willst.
- Lokal transkribieren, wenn du regelmässig Dateien hast, viel Material, oder wenn die Aufnahmen vertraulich sind. Der Preis hängt nicht an den Minuten.
- Ein Cloud-Dienst, wenn du eine bestimmte Integration brauchst oder gelegentlich eine sehr schwierige Aufnahme hast, die ein Mensch abtippen soll.
Questions
Kann ich auf dem Mac offline transkribieren?
Ja. Auf Apple Silicon läuft die Spracherkennung lokal, auch für lange Dateien. Eine Stunde Audio braucht je nach Modell und Chip etwa fünf bis fünfzehn Minuten, und die Datei wird dabei nirgendwohin geschickt.
Was kostet Transkription pro Stunde?
Menschliche Transkription bei Rev kostet 1,99 $ pro Minute, also rund 119 $ pro Stunde. Maschinelle Dienste liegen meist bei 10 bis 20 $ pro Stunde. Lokal auf dem eigenen Mac kostet die zehnte Stunde so viel wie die erste, nämlich nichts über das Abo hinaus.
Welche Dateiformate kann ich transkribieren?
Die üblichen: m4a aus Sprachmemos, mp3, wav, aac und flac, dazu Videodateien wie mp4 und mov, aus denen die Tonspur genommen wird. Wenn ein Format Ärger macht, wandle es vorher in wav um.
Bekomme ich Zeitstempel für Untertitel?
Nur, wenn das Werkzeug SRT oder VTT ausgibt. Achte darauf, bevor du dich entscheidest, sonst musst du die Zeiten von Hand setzen. Manche Modelle liefern Zeiten pro Wort, andere nur pro Satz; für Untertitel reicht meistens die Satzebene.
Ist maschinelle Transkription genau genug?
Für Interviews, Vorlesungen, Meetings und Podcasts inzwischen ja. Du korrigierst ein paar Stellen statt alles zu tippen. Für Gerichtsprotokolle, sehr schlechte Tonqualität oder zugesicherte Genauigkeit lohnt sich weiterhin ein Mensch.
Warum sollte ich Interviews nicht hochladen?
Weil in einer Aufnahme die Stimme steckt, und die macht eine Person identifizierbar, auch wenn das Transkript anonymisiert ist. Ein Upload bringt einen Dritten in die Kette, den du in der Einwilligung nennen musst und dessen Aufbewahrungsfristen du nicht bestimmst.
{t_sources_h}
Alle Preise auf dieser Seite stammen von der jeweiligen Anbieterseite, abgerufen am oben genannten Datum. Preise ändern sich. Wenn dir einer veraltet vorkommt, sag uns Bescheid, dann korrigieren wir das.
Competitor prices in this article were checked in September 2026. Prices change; if you find one out of date, write to us and we will correct it.