Forschungsinterviews transkribieren, ohne sie hochzuladen: ein lokaler Workflow für einwilligungsgebundene Aufnahmen

Eine Einwilligungserklärung für eine qualitative Studie verspricht über die Aufnahme meist zwei Dinge: Nur das Forschungsteam hört sie, und sie wird auf Geräten der Einrichtung gespeichert. Ein Transkriptionsdienst, der die Audiodatei auf einen fremden Server lädt, bricht beides, egal wie gut seine Genauigkeit ist. Die Alternative ist, die Spracherkennung auf dem Rechner laufen zu lassen, auf dem die Aufnahme ohnehin liegt.

ClapClip für Windows tut genau das: Die Erkennung läuft lokal, die Datei verlässt die Festplatte nicht, und derselbe Durchgang schreibt Klartext und SRT mit Zeitstempeln, die über ein zweistündiges Interview hinweg durchgehend bleiben. Diese Anleitung beschreibt den Workflow darum herum, von der Dateibenennung bis zum Korrekturdurchgang, für eine Studie mit Dutzenden Aufnahmen statt einer.

Das Wichtigste

• Nichts wird hochgeladen. Die Erkennung läuft auf deinem PC, mit GPU-Beschleunigung wo vorhanden und CPU als Rückfall. Installation, Modell-Downloads und Updates brauchen eine Verbindung; die Transkription nicht.
• Behalte das ursprüngliche Aufnahmeformat. MP3, WAV, FLAC, AAC, M4A und OGG werden angenommen, ebenso MP4, MOV, MKV und WEBM, deren Tonspur automatisch extrahiert wird. Nicht vorher auf eine niedrigere Bitrate umkodieren.
• Ein Ordner pro Studie, ein Stapellauf. Der Stapelmodus schreibt eine Ausgabe pro Eingabe und lässt sich anhalten und fortsetzen, ohne fertige Transkripte zu verlieren.
• Plane die Korrektur ein, nicht den Lauf. Das Tippen erledigt der Rechner über Nacht; die Zeit der Forschenden geht in das Prüfen von Namen, Begriffen und überlappender Sprache anhand der Zeitstempel.

Warum entscheidet die Einwilligung über das Werkzeug?

Teilnehmerinformationen sind konkret, wohin Aufnahmen gehen. „Gespeichert auf verschlüsseltem Universitätsspeicher" und „zugänglich nur für die genannten Forschenden" sind übliche Formulierungen, und eine Ethikkommission liest sie wörtlich. Die Audiodatei an eine Transkriptions-API zu senden, selbst an eine seriöse mit Löschrichtlinie, ist eine Weitergabe an Dritte, der die teilnehmende Person nicht zugestimmt hat.

Lokale Transkription hält das Versprechen so, wie es geschrieben steht. Die Aufnahme bleibt auf dem Forschungsrechner, das Transkript wird daneben geschrieben, und das Einzige, was sich bewegt, ist das, was die Forschenden bewegen wollen. Für eine Studie, in der Menschen über ihre Gesundheit, ihren Arbeitgeber oder ihre Familie gesprochen haben, ist das der Unterschied zwischen einem Workflow, den die Kommission genehmigen kann, und einem, den sie nicht genehmigen kann.

Regel: Wenn die Einwilligung benennt, wo die Aufnahme liegt, muss die Transkription dort stattfinden.

Wie solltest du die Aufnahmen vorher ordnen?

1. Ein Ordner pro Studie, nach dem Projekt benannt. Der Stapelmodus verarbeitet einen Ordner und schreibt ein Transkript pro Eingabedatei, also ist der Ordner die Arbeitseinheit.
2. Dateien nach Teilnehmercode und Datum benennen, nicht nach Namen. P07_2026-10-14.m4a wahrt die versprochene Pseudonymisierung, und das Transkript erbt den Namen.
3. Das Originalformat behalten. Das M4A eines Handy-Rekorders oder das WAV eines Feldrekorders geht so hinein, wie es ist. Sprache auf ein kleineres MP3 umzukodieren verwirft Details, die die Erkennung nutzt, und die lassen sich später nicht zurückholen.
4. Freien Speicherplatz prüfen. Ein langer Stapel braucht Platz für Quellen, temporäre Dateien und Ausgaben. Passt nicht alles drei auf das Laufwerk, verschieb das Projekt, bevor du anfängst, statt die letzte Datei scheitern zu lassen.
5. Sprachen trennen. Stell die Sprache für den Stapel ein; ein Ordner mit englischen und spanischen Interviews ist zwei Stapel.

Was erzeugt der Stapellauf?

Für jede Aufnahme eine TXT-Datei und eine SRT-Datei aus demselben Transkriptionsdurchgang. Die TXT ist die Lesefassung; die SRT trägt Zeitstempel, die über die ganze Datei durchgehend bleiben, und das macht sie für die Forschung nützlich: Jedes Zitat in der Analyse kann auf eine Stelle in der Aufnahme zeigen.

Eine ausgewiesene Längenbegrenzung gibt es nicht. Ein neunzigminütiges Interview wird als eine Datei verarbeitet, nicht zerteilt und zusammengesetzt, sodass die Zeitstempel nicht mittendrin neu beginnen. Die Verarbeitungszeit hängt von Modell, Aufnahmelänge und Hardware ab; eine dedizierte GPU ist schneller, und ein Laptop ohne wird trotzdem fertig, nur später. Die Seite zur Transkription langer Aufnahmen beschreibt die Einstellungen, die einen mehrstündigen Auftrag vor Unterbrechungen schützen, etwa Ruhezustand und Energieoptionen.

Regel: Starte den Stapel am Ende des Tages und lass ihn laufen. Alle zehn Minuten nachzusehen macht ihn nicht schneller.

Wofür sollte die Korrekturzeit draufgehen?

Ein lokales Transkript ist ein Entwurf, wie jedes maschinelle Transkript. Die Korrektur ist der Ort, an dem die Zeit der Forschenden gut angelegt ist, und die SRT-Zeitstempel machen sie effizient: zur Stelle springen, anhören, berichtigen.

• Eigennamen und Fachbegriffe. Medikamentennamen, Ortsnamen, die Abkürzung, die die Organisation für ihre eigene Abteilung nutzt. Leg unterwegs eine Liste an; dieselben Korrekturen kehren über die Teilnehmenden hinweg wieder.
• Überlappende Sprache. Interviewende und Teilnehmende, die gleichzeitig sprechen, sind die Stelle, an der Erkennungen am meisten straucheln. Der Zeitstempel sagt dir, wo du hinhören musst.
• Nonverbale Inhalte. Lachen, lange Pausen, eine Person, die aufgewühlt ist. Die Erkennung annotiert das nicht; die Analyse hängt oft daran.
• Schwärzungen. Nennt eine teilnehmende Person einen Kollegen oder eine Adresse, wird das im Transkript entfernt, bevor irgendetwas an eine zweite codierende Person geht.

Exportiere die korrigierte TXT für die Codierungssoftware und behalte die SRT daneben für die Nachprüfung. Fragt eine Betreuung oder Kommission, wie ein Zitat verifiziert wurde, antwortet der Zeitstempel.

Was ist mit Interviews, die als Video aufgenommen wurden?

Lokal aufgezeichnete Videogespräche kommen als MP4, MOV, MKV oder WEBM an. Die Tonspur wird automatisch extrahiert; das Video selbst wird nicht gebraucht und nicht hochgeladen. Dieselben Regeln für Ordner pro Studie und Benennung gelten, und die SRT lässt sich in einen Player neben dem Video laden, wenn eine Geste oder ein Gesichtsausdruck für die Analyse zählt. Was SRT trägt und was nicht, falls du konvertieren musst, erklärt die englische Referenz zu Untertitelformaten auf dieser Seite.

Was dieser Workflow nicht tut

• Er erkennt Sprechende nicht automatisch. Markiere Interviewende und Teilnehmende im Korrekturdurchgang.
• Er übersetzt nicht. Ein spanisches Interview wird auf Spanisch transkribiert.
• Er anonymisiert nicht. Pseudonyme Dateinamen und Schwärzung bei der Korrektur liegen in deiner Verantwortung, wie bei jedem Transkript.
• Er speichert nichts für dich. Sicherungen, Verschlüsselung im Ruhezustand und Aufbewahrungsfristen sind Sache der Einrichtung, angewendet auf Dateien, die jetzt auf deinem Rechner liegen.

Checkliste

Schritt	Erledigt, wenn
Einwilligung	Das Speicherversprechen der Erklärung wird durch die Verarbeitung auf diesem Rechner erfüllt
Ordner	Eine Studie, pseudonyme Dateinamen, Originalformate
Speicher	Platz für Quellen, temporäre Dateien und Ausgaben
Stapel	Sprache eingestellt, Lauf gestartet, Rechner nicht auf Ruhezustand
Korrektur	Namen, Begriffe, Überlappungen und Schwärzungen anhand der Zeitstempel berichtigt
Übergabe	Korrigierte TXT an die Codierenden, SRT zur Nachprüfung aufbewahrt

Verwandte Anleitungen

• Transkription langer Aufnahmen behandelt Formate, Grenzen und die Einstellungen, die lange Aufträge abbrechen.
• Interview-Transkription und Stapel-Transkription beschreiben die beiden Teile der App, die dieser Workflow nutzt.