Transkription Beispiel: Interview, Gespräch und Video in sechs Varianten

Ein gutes Transkriptionsbeispiel zeigt denselben Ausschnitt in mehreren Fassungen, denn erst im Vergleich siehst du, was eine Regel bewirkt. Hier findest du ein erfundenes, 40 Sekunden langes Interview mit der Inhaberin einer Fahrradwerkstatt in sechs Varianten: wortwörtlich, nach den einfachen Regeln von Dresing & Pehl, bereinigt, redigiert, mit Zeitstempeln und als Video-Transkript mit Bildbeschreibung. Jede Fassung kannst du als Text kopieren. Darunter steht, was sie behält, was sie weglässt und wofür sie taugt.

Das Gespräch hinter allen Beispielen

Das Gespräch haben wir selbst geschrieben, es ist keine echte Aufnahme. In 40 Sekunden steckt fast alles, was Transkribieren schwierig macht: „äh“ und „ähm“, Füllwörter wie „halt“ und „also“, eine Wortdoppelung, ein abgebrochenes Wort, ein „hm“ der Interviewerin, Umgangssprache wie „ham“ und „so'n“, Lachen, eine Pause, ein unverständliches Wort und eine Stelle, an der beide gleichzeitig sprechen. Zuerst entstand die wortwörtliche Rohfassung. Alle anderen Fassungen haben wir daraus abgeleitet, indem wir markierte Stellen gelöscht oder ersetzt haben. Die Unterschiede, die du siehst, kommen also nur von den Regeln.

Die wortwörtliche Fassung hat 89 Wörter, die nach den Kernregeln von Dresing & Pehl 83 und die bereinigte 82. Die redigierte Fassung, für Leserinnen und Leser umgeschrieben, kommt mit 57 Wörtern aus.

Beispiel 1: wortwörtliches Transkript

Hier steht alles, was zu hören ist, so wie es gesprochen wurde.

Interviewerin: Ähm, seit wann nehmen Sie Termine online an?
Inhaberin: Äh, seit März. Vorher lief halt alles übers Telefon, und wir ham/ wir ham bestimmt so'n Drittel der Anrufe verpasst. Jonas hat mitgezählt. [lacht]
Interviewerin: Hm.
Inhaberin: Also das Telefon klingelt immer genau dann, wenn man bis zu den Ellenbogen [Pause] im Öl steckt. Und dann ham wir's mit 'ner Buchungsseite probiert.
Interviewerin: Und, hat's funktioniert?
Inhaberin: Größtenteils. Die Leute rufen immer noch an, aber es tauchen, ähm, viel weniger einfach nicht auf. Die Erinnerungs-SMS [unverständlich 00:00:31] da schon.
Interviewerin: [gleichzeitig] Würden Sie das wieder machen?
Inhaberin: [gleichzeitig] Auf je/ Auf jeden Fall.

Die Fassung behält „äh“ und „ähm“, „halt“ und „also“, die Wortdoppelung „wir ham/ wir ham“, den Abbruch „Auf je/ Auf jeden Fall“, das „Hm.“ der Interviewerin, die Pause, das Lachen, das unverständliche Wort mit seiner Zeit und das gleichzeitige Sprechen. Den Schrägstrich für Abbrüche haben wir aus den Erweiterungsmodulen von Dresing & Pehl übernommen, die eckigen Klammern sind unsere eigene Schreibweise.

Brauchst du sie? Für Gesprächs- und Sprachanalysen ja, dort zählt, wie etwas gesagt wurde. Für fast alle anderen Zwecke ist sie zu unruhig. Bewahre sie trotzdem als Rohfassung auf: Aus ihr lässt sich jede andere Fassung ableiten, umgekehrt geht das nicht.

Beispiel 2: einfache Transkription nach Dresing & Pehl

Das inhaltlich-semantische Regelsystem von Dresing & Pehl ist für Interviews in qualitativen Forschungsprojekten gemacht, also auch für Bachelor- und Masterarbeiten. Hier nach den Kernregeln von 2023, mit Transkriptkopf, Kürzeln und Zeitmarken im Format des Programms f4transkript:

Projekt: Interviews mit kleinen Betrieben, Interview 03
Aufnahme: interview-03.mp4, 40 Sekunden
Beteiligte: I = Interviewerin, B1 = Inhaberin einer Fahrradwerkstatt
Regeln: Dresing & Pehl (2023), Kernregeln, Namen ersetzt
Transkription: [Kürzel], Korrektur: [Kürzel]

I: Seit wann nehmen Sie Termine online an? #00:00:05-0#
B1: Seit März. Vorher lief halt alles übers Telefon, und wir haben bestimmt so ein Drittel der Anrufe verpasst. [Bruder] hat mitgezählt. (lacht) Also das Telefon klingelt immer genau dann, wenn man bis zu den Ellenbogen (…) im Öl steckt. Und dann haben wir es mit einer Buchungsseite probiert. #00:00:24-0#
I: Und, hat es funktioniert? #00:00:25-0#
B1: Größtenteils. Die Leute rufen immer noch an, aber es tauchen viel weniger einfach nicht auf. Die Erinnerungs-SMS (unv. #00:00:31-0#) da schon. #00:00:33-0#
I: Würden Sie das wieder machen? #00:00:34-0#
B1: Auf jeden Fall. #00:00:40-0#

Was die Kernregeln mit dem Gespräch machen:

• „Jedes Wort aufschreiben“: „halt“ und „Also“ bleiben stehen, denn es sind Wörter. Auch der holprige Satz „es tauchen viel weniger einfach nicht auf“ bleibt, wie er gesprochen wurde.
• Verschleifungen werden ans Schriftdeutsch angenähert: Aus „ham“ wird „haben“, aus „so'n“ „so ein“, aus „hat's“ „hat es“.
• Fülllaute fehlen: „äh“ und „ähm“ notierst du erst mit dem Erweiterungsmodul für Fülllaute und Rezeptionssignale. Das „Hm.“ der Interviewerin fällt weg, weil es den Redefluss nicht unterbricht; so wird aus zwei Absätzen der Inhaberin einer.
• Pausen ab drei Sekunden stehen als „(…)“, Lachen als „(lacht)“, Unverständliches als „(unv.)“. Das f4-Handbuch zeigt einen Textbaustein, der die Zeitmarke gleich in die Klammer schreibt; so haben wir es hier gemacht.
• Die Wortdoppelung steht nur einmal da. Dass Doppelungen immer notiert werden, sieht erst ein Erweiterungsmodul vor, ebenso die Markierung von gleichzeitigem Sprechen mit „//“.

Die Zeitmarken stehen am Ende jedes Absatzes; in f4transkript stellst du ein, ob sie am Anfang, am Ende oder an beiden Stellen erscheinen. Manche Hochschulen geben eigene Varianten vor. Das Merkblatt des Instituts für Sozialanthropologie und Empirische Kulturwissenschaft der Universität Zürich etwa zeigt als Beispiel die Regeln von Kuckartz und Kollegen (2008): Sprache wird leicht geglättet, aus „so'n Buch“ wird „so ein Buch“, das „mhm“ der Interviewenden fällt weg, solange es den Redefluss nicht unterbricht, und die Befragten heißen „B“ mit Nummer. Die vollständigen Regeln, die Zeichenlegende und die Fragen zu Einwilligung und Datenschutz stehen in unserem Ratgeber Interview transkribieren.

Beispiel 3: bereinigtes Transkript

Interviewerin: Seit wann nehmen Sie Termine online an?
Inhaberin: Seit März. Vorher lief alles übers Telefon, und wir haben bestimmt so ein Drittel der Anrufe verpasst. Jonas hat mitgezählt. [lacht] Das Telefon klingelt immer genau dann, wenn man bis zu den Ellenbogen im Öl steckt. Und dann haben wir es mit einer Buchungsseite probiert.
Interviewerin: Und, hat es funktioniert?
Inhaberin: Größtenteils. Die Leute rufen immer noch an, aber es tauchen viel weniger einfach nicht auf. Die Erinnerungs-SMS [unverständlich 00:00:31] da schon.
Interviewerin: [gleichzeitig] Würden Sie das wieder machen?
Inhaberin: [gleichzeitig] Auf jeden Fall.

Die bereinigte, oft „geglättet“ genannte Fassung geht einen Schritt weiter als die Kernregeln: Auch Füllwörter wie „halt“ und „also“ fallen weg. Inhalt und Satzbau bleiben, Lachen und die unverständliche Stelle mit Zeit ebenfalls. Diese Fassung passt, wenn du zitieren willst und nicht an ein bestimmtes Regelsystem gebunden bist, etwa für ein journalistisches Interview, einen Podcast oder ein Kundengespräch. Schreib deine Regeln auf, damit jedes Transkript gleich bereinigt ist.

Beispiel 4: redigierte Fassung

Interviewerin: Seit wann nehmen Sie Termine online an?
Inhaberin: Seit März. Vorher kamen alle Termine per Telefon, und wir haben etwa ein Drittel der Anrufe verpasst, weil das Telefon während der Arbeit an den Rädern klingelte. Seit es die Buchungsseite gibt, bleiben viel weniger Kunden einfach weg. Die Erinnerungs-SMS [ein Wort unverständlich] da schon.
Interviewerin: Würden Sie das wieder machen?
Inhaberin: Auf jeden Fall.

Hier wird aus gesprochener Sprache geschriebener Text: Sätze werden zusammengezogen und umformuliert. So eine Fassung liest sich gut als Interview im Blog, im Newsletter oder in Shownotes. Zwei Regeln gelten trotzdem:

• Nicht daraus zitieren. Den Satz „Seit es die Buchungsseite gibt, bleiben viel weniger Kunden einfach weg“ hat die Inhaberin so nie gesagt.
• Die Lücke markiert lassen. Das fehlende Wort in „Die Erinnerungs-SMS [unverständlich] da schon“ könnte „helfen“ heißen, aber auch „nerven“. Wer die Lücke stillschweigend füllt, legt der Person womöglich etwas in den Mund.

Beispiel 5: Gesprächstranskript mit Zeitstempeln

[00:00:02] Interviewerin: Seit wann nehmen Sie Termine online an?
[00:00:05] Inhaberin: Seit März. Vorher lief alles übers Telefon, und wir haben bestimmt so ein Drittel der Anrufe verpasst. Jonas hat mitgezählt. [lacht] Das Telefon klingelt immer genau dann, wenn man bis zu den Ellenbogen im Öl steckt. Und dann haben wir es mit einer Buchungsseite probiert.
[00:00:24] Interviewerin: Und, hat es funktioniert?
[00:00:25] Inhaberin: Größtenteils. Die Leute rufen immer noch an, aber es tauchen viel weniger einfach nicht auf. Die Erinnerungs-SMS [unverständlich 00:00:31] da schon.
[00:00:33] Interviewerin: [gleichzeitig] Würden Sie das wieder machen?
[00:00:34] Inhaberin: [gleichzeitig] Auf jeden Fall.

Das ist die bereinigte Fassung mit einem Zeitstempel bei jedem Sprecherwechsel, in Stunden, Minuten und Sekunden mit führenden Nullen. So sehen Transkripte von Besprechungen, Podcasts und langen Gesprächen oft aus, wenn man darin Stellen wiederfinden will. Die Antwort der Inhaberin beginnt bei 00:00:05 und läuft über das „Hm“ bei 00:00:14 hinweg weiter; weil die bereinigte Fassung beide Absätze zusammenführt, zählt der erste Zeitstempel.

Fireflies lässt dich beim Herunterladen eines Transkripts Zeitstempel und Sprecherbezeichnungen ein- oder ausschalten, als PDF, DOCX, SRT, CSV, JSON oder Markdown; Downloads gibt es ab dem Pro-Tarif. Welche Schreibweisen es sonst gibt und wie oft du Zeitmarken setzt, zeigt unser Ratgeber Transkript mit Zeitmarken.

Beispiel 6: Video-Transkript mit Bildbeschreibung

[00:00] [Bild: eine kleine Fahrradwerkstatt. Einblendung: „Interview, Oktober 2026“]
[00:02] Interviewerin: Seit wann nehmen Sie Termine online an?
[00:05] Inhaberin: Seit März. Vorher lief alles übers Telefon, und wir haben bestimmt so ein Drittel der Anrufe verpasst. Jonas hat mitgezählt. [lacht]
[00:15] Das Telefon klingelt immer genau dann, wenn man bis zu den Ellenbogen im Öl steckt. Und dann haben wir es mit einer Buchungsseite probiert.
[00:20] [Nahaufnahme: Die Inhaberin wischt sich die Hände an einem Lappen ab]
[00:24] Interviewerin: Und, hat es funktioniert?
[00:25] Inhaberin: Größtenteils. Die Leute rufen immer noch an, aber es tauchen viel weniger einfach nicht auf. Die Erinnerungs-SMS [unverständlich 00:00:31] da schon.
[00:28] [Bild: Ein Handy zeigt eine Terminbestätigung]
[00:33] Interviewerin: [gleichzeitig] Würden Sie das wieder machen?
[00:34] Inhaberin: [gleichzeitig] Auf jeden Fall.

Ein Video-Transkript ergänzt, was man sieht, aber nicht hört: eingeblendeten Text, wer gerade spricht, und Handlungen, die für das Verständnis wichtig sind. Das W3C nennt das ein beschreibendes Transkript („descriptive transcript“). Taubblinde Menschen sind darauf angewiesen, weil sie weder Ton noch Bild erreichen, und es hilft allen, die lieber lesen. Nach den WCAG brauchen aufgezeichnete reine Audioinhalte auf Stufe A ein Transkript, reine Videos ein beschreibendes Transkript oder eine Audiodeskription; bei Videos mit Ton gehören Untertitel zu Stufe A und ein Transkript zu Stufe AAA.

Drei Tipps aus den Hinweisen des W3C:

• Zeitstempel nur, wo sie helfen, und ohne Endzeit. Bei einem kurzen Clip reichen Minuten und Sekunden.
• Du startest mit Untertiteln? Ergänze eingeblendeten Text und die Namen der Sprechenden; beides fehlt in Untertiteldateien oft.
• Eine Tabelle mit zwei Spalten, links der Ton, rechts das Bild, lässt Lesende die Beschreibungen überspringen.

Für fremde YouTube-Videos startest du mit dem Transkript-Bereich von YouTube, wie in YouTube-Transkript anzeigen und kopieren beschrieben. Für eigene Videos nimmst du die Untertiteldatei, wandelst die SRT-Datei in Text um und ergänzt die Bildzeilen.

„Wörtlich“, „einfach“, „geglättet“: Begriffe, die verwirren

Wer ein „wörtliches Transkript“ bestellt oder verlangt, sollte nachfragen, was gemeint ist. Die Regeln von Kuckartz und Kollegen, die das Zürcher Merkblatt wiedergibt, beginnen mit dem Satz, es werde wörtlich transkribiert, also nicht lautsprachlich oder zusammenfassend. Im selben Regelwerk wird die Sprache aber leicht geglättet. „Wörtlich“ heißt dort also: kein Dialekt in Lautschrift und keine Zusammenfassung, nicht jedes „äh“. Das englische „verbatim“ meint dagegen meist die Fassung aus Beispiel 1, mit allen Fülllauten.

Auch „geglättet“ ist kein fester Begriff. Manche Anleitungen versprechen beim einfachen Transkript einen grammatikalisch korrekten Text. Die Regeln von Dresing & Pehl sagen das Gegenteil: Ein Satz wird aufgeschrieben, wie er gesprochen wurde, auch wenn er merkwürdig oder falsch klingt. Am sichersten nennst du das Regelsystem mit Jahr oder schreibst die eigenen Regeln in den Transkriptkopf.

Was jede Fassung behält und weglässt

Alle Fassungen aus einer Rohfassung

Die Reihenfolge ist entscheidend. Füllwörter aus einem wortwörtlichen Transkript zu löschen dauert Minuten; Füllwörter, die du nie abgetippt hast, bekommst du nicht zurück.

1. Zuerst die wortwörtliche Fassung schreiben oder korrigieren und als Rohfassung speichern. Danach nicht mehr verändern.
2. Eine Kopie nach deinem Regelsystem bearbeiten: Fülllaute, Doppelungen und Abbrüche löschen, Verschleifungen annähern, Hörersignale ohne Antwortfunktion streichen und die Absätze zusammenführen, die danach aneinanderstoßen. Prüfe jedes „also“ und „halt“, bevor du es löschst: In „Also gut, machen wir's“ trägt „also“ Bedeutung.
3. Aus dieser Kopie die übrigen Formate ableiten: Zeitstempel, Kopf mit Kürzeln oder Bildzeilen.
4. Die redigierte Fassung zuletzt schreiben, und nie daraus zitieren.

In unserem Beispiel schrumpfte das Transkript beim zweiten Schritt von 89 auf 82 Wörter, und aus acht Redebeiträgen wurden sechs.

Descript nimmt dir den zweiten Schritt nur auf Englisch ab: Das Programm erkennt Füllwörter wie „um“ und „uh“ automatisch, laut seinem Hilfecenter aber nur in englischen Transkripten. Bei deutschen Aufnahmen löschst du „äh“ und „ähm“ also selbst, am schnellsten mit Suchen und Ersetzen. Fireflies liefert das Transkript mit oder ohne Zeitstempel und Sprecherbezeichnungen, nimmt dir aber die Entscheidung nicht ab, welches „also“ wichtig ist. Welche kostenlosen Programme deutsche Aufnahmen wie genau abtippen, haben wir in Audio transkribieren gemessen. Brauchst du nur Ergebnisse und Aufgaben statt jedes Wortes, schreib ein Besprechungsprotokoll.