Die Modelle, mit denen unsere Redaktion täglich arbeitet, auf Servern in Deutschland, ohne Umweg über eine fremde Cloud. Zum Kennenlernen mit 60 Freiminuten.
Warum wir ein eigenes Transkriptionswerkzeug betreiben
Zu vielen Beiträgen, die wir veröffentlichen, gehört gesprochene Sprache: ein Hintergrundgespräch mit einem Fondsmanager, ein Konferenzmitschnitt, ein Videocall mit einem Emittenten, ein Vortrag von einer Investorenkonferenz. Bis daraus ein Text wird, liegt eine Aufnahme im Weg. Aufnahmen sind unbequem. Man kann sie nicht durchsuchen, nicht überfliegen, nicht zitieren. Man muss sie abhören, in Echtzeit, oft mehrfach.
Die naheliegende Lösung wären die bekannten Transkriptionsdienste aus dem Netz gewesen. Wir haben uns dagegen entschieden, und zwar aus einem Grund, der in unserem Geschäft schwer wiegt. Ein vertrauliches Hintergrundgespräch ist kein Material, das man auf den Server eines fremden Anbieters lädt, dessen Geschäftsbedingungen sich jederzeit ändern können und dessen Rechenzentrum in einer anderen Rechtsordnung steht. Wer mit uns spricht, tut das im Vertrauen darauf, dass das Gespräch bei uns bleibt. Dieses Vertrauen ist unser Betriebskapital.
Also haben wir die Infrastruktur selbst aufgebaut: eigene GPU-Hardware, die Spracherkennungsmodelle direkt darauf, ein schlanker Webdienst darum herum. Das Ergebnis läuft seit Monaten täglich in unserer Redaktion. Ab sofort steht es allen offen, unter asr.altii.de.
Was der Dienst leistet
Sie laden eine Audio- oder Videodatei im Browser hoch und erhalten wenige Minuten später den Text zurück. Es gibt nichts zu installieren, kein Plug-in, keine Software, die in Ihrem Haus ausgerollt und gepflegt werden müsste. Sie brauchen einen Browser und eine Datei.
Zurück kommt das Transkript in drei Ausbaustufen, die Sie alle zugleich bekommen. Als Fließtext zum Weiterschreiben, Zitieren und Durchsuchen. Als Untertiteldatei mit Zeitstempeln, die sich unmittelbar in jeden Videoschnitt laden lässt. Und als strukturierte Daten im JSON-Format, in denen jedes Segment mit Anfangs- und Endzeit maschinenlesbar hinterlegt ist.
Die dritte Form ist die, deren Wert am leichtesten unterschätzt wird. Sie ist der Rohstoff, aus dem sich Sitzungsprotokolle, Zitatsammlungen oder eine Volltextsuche über ein ganzes Gesprächsarchiv bauen lassen, ohne dass noch einmal jemand eine Aufnahme von vorn abhören müsste. Aus einem vierzigminütigen Interview, das man nur linear konsumieren kann, wird ein Dokument, in dem man springen und suchen kann. Genau dort entsteht die Zeitersparnis, und sie entsteht, ohne dass irgendjemand seine Arbeitsweise ändern müsste: hochladen, weiterarbeiten, Ergebnis abholen.
Auf Wunsch trennt der Dienst zusätzlich die Sprecher voneinander, sodass im Transkript erkennbar wird, wer wann gesprochen hat. Diese Funktion ist zuschaltbar und arbeitet nach bestem Bemühen. Wir sagen das offen, weil wir sie noch nicht in jeder Aufnahmesituation für verlässlich halten. Auf das Transkript selbst hat das keinen Einfluss: Es bleibt vollständig, auch wenn die Sprecherzuordnung einmal danebenliegt.
Zwei Modelle, dieselben wie in unserer Redaktion
Bei jedem Upload entscheiden Sie, welches der beiden Modelle rechnen soll. Beide laufen auf unserer Hardware, keines von beiden ist eine abgespeckte Variante für die Öffentlichkeit. Es ist derselbe Stand, mit dem unsere Redaktion arbeitet.
| Modell | Sprachen | Besonderheit | Wofür geeignet |
|---|---|---|---|
| altii Multilingual (Standard) | 25 europäische Sprachen, Quellsprache wird vorgegeben | Übersetzt auf Wunsch direkt beim Transkribieren, etwa ein deutsches Interview in einen englischen Text | Interviews, Konferenzen, internationale Calls; überall dort, wo das Ergebnis in einer anderen Sprache gebraucht wird als das Gespräch |
| altii Auto | 25 europäische Sprachen, Sprache wird selbständig erkannt | Keine Übersetzung, dafür keine Vorauswahl nötig | Material unbekannter oder gemischter Herkunft; alles, was schnell und ohne Konfiguration verschriftlicht werden soll |
Die Übersetzung im ersten Modell ist kein nachgelagerter zweiter Schritt, bei dem ein deutscher Text noch einmal durch ein Übersetzungsprogramm liefe. Das Modell hört die deutsche Aufnahme und schreibt englischen Text, in einem Durchgang. Das spart nicht nur Zeit, es vermeidet auch die Fehler, die sich beim Weiterreichen von einem System zum nächsten aufschaukeln.
Datensouveränität, konkret statt als Schlagwort
Der Begriff wird inflationär gebraucht. Deshalb machen wir ihn an drei Fragen fest, die jeder Anbieter beantworten können sollte: Wo liegen meine Daten, wer kann sie berühren, und wann verschwinden sie wieder?
Wo Ihre Daten liegen?
Auf zwei Maschinen, die uns gehören und in Deutschland stehen. Die eine zeigt Ihnen die Webseite und nimmt Ihren Upload entgegen und liefert die Ergebnisse aus, die andere trägt die GPU und rechnet. Verbunden sind sie über einen verschlüsselten Tunnel; die rechnende Maschine mit der GPU, ist aus dem Internet überhaupt nicht erreichbar. Es gibt keinen dritten Ort, an dem Ihre Aufnahme noch läge.
Wer kann die Daten aufrufen?
Niemand außer Ihnen. Der Dienst ruft zu keinem Zeitpunkt eine externe KI-Schnittstelle auf, weder in Amerika noch sonstwo. Ihre Aufnahme verlässt unsere Hardware nicht. Sie wird auch nicht zum Training von Modellen verwendet, weder von uns noch von Dritten, aus dem einfachen Grund, dass es niemanden gibt, an den sie gehen könnte. Innerhalb des Dienstes ist jeder Auftrag fest seinem Eigentümer zugeordnet: Andere Nutzer sehen weder Ihre Dateien noch Ihre Transkripte.
Das ist der eigentliche Grund, warum wir auf quelloffene Modelle setzen, die wir selbst betreiben können. Ein Modell, das uns gehört, holen wir auf unsere Maschine. Eine fremde Schnittstelle können wir nur anrufen, und dabei geben wir die Aufnahme aus der Hand. In dieser Unterscheidung liegt der ganze Unterschied zwischen Datenverarbeitung und Datenabgabe.
Wann die Originalaufnahmen verschwinden
Sofort. Die hochgeladene Mediendatei wird nach der Verarbeitung gelöscht, und zwar bei jedem denkbaren Ausgang: nach dem erfolgreichen Durchlauf ebenso wie nach einem Fehler oder einem Abbruch. Es gibt keinen Weg, auf dem sie liegen bliebe.
Weil “gelöscht” eine Behauptung ist, die man überprüfen können sollte, stellt der Dienst darüber ein Löschzertifikat aus. Darin stehen Dateiname, Dateigröße, eine kryptografische Prüfsumme des Originals, das verwendete Modell und der Status des Auftrags. Sie können es herunterladen und zu Ihren Unterlagen nehmen. Uns ist kein gängiger Cloud-Transkriptionsdienst bekannt, der Ihnen einen solchen Nachweis in die Hand gibt. Für alle, die ihre Sorgfaltspflichten dokumentieren müssen, in Kanzleien, Praxen, Finanzhäusern oder in der Forschung, ist das erfahrungsgemäß der Unterschied zwischen “geht” und “geht nicht”.
Zum Kennenlernen: 60 Freiminuten
Sie können sich unter asr.altii.de selbst registrieren. Nötig sind ein Benutzername, ein Passwort und eine E-Mail-Adresse, die Sie einmal bestätigen. Eine Freigabe durch uns ist nicht erforderlich, Sie können unmittelbar beginnen.
Jedes neue Konto erhält ein kostenloses Kontingent von 15 Minuten Audio. Für die Leserinnen und Leser dieses Beitrags legen wir 45 Minuten darauf. Verwenden Sie dazu den Gutscheincode ASR-Trial60-2026. Er ergibt zusammen 60 Freiminuten, gültig für 30 Tage. Eintragen können Sie ihn direkt bei der Registrierung, dort gibt es ein Feld dafür; wenn Sie ihn dort übersehen, holen Sie es später in der Anwendung unter “Meine Jobs” nach. Beide Wege führen zum selben Ergebnis.
Sechzig Minuten sind ein vollständiges Interview, ein kompletter Konferenzvortrag oder ein Stapel kürzerer Recordings. Das reicht, um belastbar zu beurteilen, ob die Qualität für Ihre Arbeit genügt, und nicht bloß für einen Testsatz.
Was der Dienst nicht kann
Wir halten es für redlicher, die Grenzen selbst zu benennen, als sie Sie suchen zu lassen.
Der Dienst rechnet einen Auftrag nach dem anderen. Wir betreiben einen Service, der GPUs nutzt, keinen Rechenzentrumspark. Laden mehrere Personen gleichzeitig hoch, reihen sich die Aufträge in eine Warteschlange ein, in der Sie Ihre Position jederzeit sehen. Abgewiesen wird nichts, es kann nur dauern. Als Faustregel rechnen wir mit fünf bis zehn Minuten Rechenzeit je Stunde Audio.
Es gibt keinen Live-Mitschnitt. Der Dienst verschriftlicht fertige Dateien, er hört nicht in laufende Besprechungen hinein. Die Sprechertrennung ist, wie zuvor besprochen, ein Zusatz und kein Kernversprechen. Verarbeitet werden Dateien bis zwei Gigabyte in allen gängigen Audio- und Videoformaten; eine Längenbegrenzung je Aufnahme gibt es nicht.
In eigener Sache
Wir verkaufen hier kein Produkt, das wir uns ausgedacht hätten, um es zu verkaufen. Wir haben ein Werkzeug für den eigenen Bedarf gebaut, weil das, was wir brauchten, zu unseren Bedingungen nicht zu kaufen war. Es funktioniert, wir verlassen uns täglich darauf, und die Maschine steht ohnehin da.
Wenn Sie beruflich mit vertraulichen Gesprächen umgehen und sich schon einmal unwohl dabei gefühlt haben, sie einem amerikanischen Cloud-Dienst anzuvertrauen, dann ist dieser Dienst für Sie gebaut. Probieren Sie ihn aus, mit dem Code ASR-Trial60-2026 und 60 Freiminuten: asr.altii.de