Interviews kostenlos transkribieren mit Gemini: Sprecher sauber trennen, ohne Upload zu Fremdanbietern

Vierzig Minuten Gespräch, zwei Stimmen, ein Diktiergerät. Du drückst Stopp, öffnest die Datei – und jetzt gehört dir eine Textwand, in der nur “ich” und “sie” verraten, wer gerade spricht. Wer schon mal ein Interview von Hand transkribiert hat, weiß: Das Tippen ist nicht der harte Teil. Der harte Teil ist, nach jeder Gesprächspause wieder herauszufinden, wer gerade dran ist.

Und genau hier hat sich still und leise etwas geändert, über das bisher kaum jemand im deutschsprachigen Raum geschrieben hat: Google hat Gemini die Fähigkeit gegeben, das für dich zu erledigen – kostenlos, mit echten Sprecher-Labels (“Sprecher 1”, “Sprecher 2”) – und für ein Zwei-Personen-Interview funktioniert das überraschend gut. Keine Beta, keine Warteliste. Die Funktion steckt jetzt im Gemini-Client, während die meisten, die “Interview transkribieren kostenlos” suchen, immer noch bei Otters Bezahlschranke oder Rev-Minutenpreisen landen.

Das hier ist die Anleitung für die kostenlose Option, über die noch niemand geschrieben hat – zumindest nicht speziell für Interviews. Wir gehen den kompletten Ablauf durch, zeigen dir einen echten Transkript-Ausschnitt mit Sprecher-Labels, vergleichen ehrlich mit Otter.ai, Rev, Descript und dem europäischen Anbieter Amberscript, und sagen dir genau, wo es hakt – weil es hakt, und alles andere zu behaupten würde dir nur den Nachmittag kosten.

Was ist Gemini Transcribe – und warum steht darüber noch nichts in der deutschen Presse?

Ende August 2026 hat Google ein überarbeitetes Sprache-zu-Text-Modell namens Gemini 3.5 Transcribe veröffentlicht, das inzwischen unauffällig in mehreren Google-Produkten mitläuft, die du wahrscheinlich schon nutzt – der Gemini-App, der Rambler-Diktierfunktion in Gboard, der Spracheingabe in Google Docs. Das Modell erkennt und transkribiert automatisch mehr als 85 Sprachen, glättet Füllwörter, wenn du das willst, und – der Teil, der hier zählt – kann Sprecher unterscheiden und beschriften.

Nichts davon hat Schlagzeilen gemacht, wie man es von einer neuen Gemini-Version sonst erwarten würde. Die Ankündigung lief in derselben Woche wie mehrere andere Google-Audio-Neuigkeiten, und ein Großteil der Berichterstattung hat das entsprechend als Randnotiz behandelt. TechZeitGeist hat als eine der wenigen deutschsprachigen Quellen tatsächlich einen eigenen Artikel dazu geschrieben (“Aus Sprache wird brauchbare Mitschrift”), dazu kamen kürzere Meldungen bei Business Punk, Borncity, GoogleWatchBlog und IT-Magazine.ch. Was fehlt, sind die großen deutschen Tech-Adressen: Ich habe gezielt nachgesehen – heise, t3n und Golem haben Gemini 3.5 Transcribe namentlich bislang nicht behandelt. Und keine der existierenden Meldungen ist speziell für Journalist:innen, Podcaster:innen oder Forscher:innen geschrieben, die genau dieses eine Problem lösen wollen: wer hat wann was gesagt.

Sei also klar darüber, was du wirklich bekommst, denn “kostenlose KI-Transkription” wurde schon oft überverkauft (ich schaue in Richtung jeder App, die dir fünf Gratis-Minuten gibt und dann nach der Kreditkarte fragt). Gemini Transcribe, genutzt über die kostenlose Gemini-App oder gemini.google.com, nimmt eine Audio- oder Videodatei, transkribiert sie und trennt auf Wunsch die Sprecher. Kein Abo, kein monatlich zurückgesetztes Minutenkonto. Du meldest dich nicht mal für eine “Testphase” an.

Der Haken – es gibt immer einen – ist, dass das Modell nicht als eigenständiges Transkriptionsprodukt gebaut wurde. Es ist eine Allzweck-KI, die zufällig sehr gut in dieser einen Aufgabe ist, wenn du sie richtig ansprichst. Genau deshalb gibt es diesen Guide: Der “richtige” Weg ist nicht offensichtlich, und ihn falsch anzugehen verbrennt deine Geduld an einer Funktion, die eigentlich funktioniert.

Warum ältere deutsche Quellen dich in die Irre führen können

Hier wird es interessant, und für ein deutsches Publikum, das lieber genau als hype-getrieben liest, ist das der wichtigste Punkt im ganzen Artikel: Wenn du jetzt selbst auf Deutsch nach “Gemini Interview transkribieren Sprecher” suchst, stößt du ziemlich sicher auf den Clickomania-Blog von Oktober 2025. Dort heißt es sinngemäß, Gemini unterscheide gar nicht zwischen Sprechern und würde Aussagen unterschiedlicher Personen oft zu einzelnen Sätzen zusammenwürfeln.

Das war vermutlich zum Zeitpunkt des Artikels korrekt. Es ist zehn Monate alt und beschreibt ein Modell von vor dem Launch von Gemini 3.5 Transcribe am 26. August 2026. TechZeitGeist, das einen Tag nach dem eigentlichen Launch erschien, nämlich am 27. August 2026, beschreibt einen deutlich anderen Stand: Die aktuelle Dokumentation nennt bis zu acht Sprecher, markiert die Zuordnung ab drei Personen aber ausdrücklich als experimentell, während die ursprüngliche Google-Ankündigung vorsichtiger von bis zu drei Sprechern sprach. Daraus lässt sich laut TechZeitGeist “keine robuste Diarisierung für große Runden” ableiten – aber für ein sauberes Zweier-Interview ist genau das der Bereich, in dem die Funktion zuverlässig arbeitet, wie du in Schritt 4 gleich selbst sehen wirst.

Zwei Dinge lernst du daraus, bevor wir überhaupt anfangen: Erstens, prüfe bei jeder KI-Funktion das Veröffentlichungsdatum deiner Quelle, bevor du dich auf eine Einschränkung verlässt – zehn Monate sind in diesem Tempo eine Ewigkeit. Zweitens: Die Wahrheit liegt in der Mitte zwischen “kann das nicht” und “kann das perfekt”. Für zwei Sprecher: ja, zuverlässig. Für eine Gesprächsrunde: nein, noch nicht.

Quelle: Google – The Keyword

Der eigentliche Grund, warum das noch nicht in den Suchergebnissen steht

Transkription ist eine reife, gut monetarisierte SEO-Kategorie. Praktisch jeder Artikel, der für “Interview transkribieren” rankt, hat einen Affiliate-Link oder einen Abo-Funnel im Hintergrund – und es gibt für diese Seiten schlicht keinen finanziellen Anreiz, dir zu erzählen, dass Google gerade eine konkurrierende Funktion verschenkt hat. Niemand bezahlt jemanden dafür, “eigentlich brauchst du das hier vielleicht gar nicht zu bezahlen” zu schreiben. Also wird es nicht geschrieben – bis jetzt.

Interessant ist dabei: Der Bedarf ist längst da. Laut dem Medien-Trendmonitor 2025 der dpa-Tochter news aktuell, für den mehr als 1.000 Journalist:innen aus Deutschland, Österreich und der Schweiz befragt wurden, nutzen bereits 70 Prozent KI-Werkzeuge – und Transkription ist mit ebenfalls 70 Prozent eines der meistgenutzten Einsatzfelder überhaupt, noch vor automatischen Zusammenfassungen (64 Prozent). Die Zielgruppe für diesen Artikel transkribiert also längst mit KI. Die Frage ist nur, ob sie dafür weiter bezahlt, obwohl sie es nicht müsste.

Die Anleitung: Von der Aufnahme zum sauberen, beschrifteten Transkript

Ich ziehe ein Beispiel konsequent durch den ganzen Artikel, weil generische Anweisungen in dem Moment nutzlos werden, in dem deine eigene Aufnahme nicht zum Tutorial passt. Nehmen wir an, du bist freie Journalistin und hast gerade ein 24-minütiges Telefoninterview mit einer Quelle geführt – nennen wir sie Frau Keller, Inhaberin einer Bäckerei mit acht Mitarbeitenden –, zum Thema steigende Energiekosten und die jüngste Mindestlohn-Erhöhung. Zwei Sprecher, du stellst die meisten Fragen, ordentliche Telefonqualität mit etwas Hintergrundlärm aus der Backstube. Realistischer geht Interview-Audio kaum.

Schritt 1: Richtig aufnehmen (sonst kämpfst du später mit dem Transkript)

Bevor du überhaupt bei Gemini ankommst, entscheidet die Aufnahme selbst, wie gut dein Transkript wird. Ein paar Dinge, die wichtiger sind, als man denkt:

• Nutze ein externes oder Lavalier-Mikrofon, wenn möglich. Ein angeclipptes Mikro 15–30 Zentimeter vom Mund entfernt schlägt ein auf dem Tisch liegendes Telefon mit großem Abstand. Bei einem Telefonat: Bitte dein Gegenüber, ein Headset statt Lautsprecher zu nutzen.
• Wähle einen ruhigen Raum ohne harte Flächen. Echo von Fliesenboden oder Glas verwirrt die Sprechertrennung stärker, als man vermutet – das Modell muss Stimmen anhand ihres akustischen Musters unterscheiden, und Nachhall verwischt genau dieses Muster.
• Lass jede Person zu Beginn ihren Namen sagen. “Hallo, hier ist Sabine Keller”, “Und hier [dein Name]” – dreißig Sekunden reichen, um die Labels zu verankern, bevor das eigentliche Gespräch beginnt.
• Immer nur eine Person gleichzeitig sprechen. Überlappende Sprache ist mit Abstand die größte Ursache für schlechte Diarisierung (der Fachbegriff für “herausfinden, wer was gesagt hat”). Warum, erklären wir weiter unten.
• Nimm eine Sicherung auf. Eine parallel laufende Sprachmemo-App auf dem Handy kostet nichts und rettet dich, wenn das Hauptgerät ausfällt. Das passiert öfter, als irgendjemand zugibt.

Nichts davon ist Gemini-spezifisch – das sind dieselben Ratschläge, die dir eine erfahrene Transkriptionskraft schon vor dem Smartphone-Zeitalter gegeben hätte. Am Bedarf an gutem Ausgangsmaterial ändert KI eben nichts. Schlechte Aufnahmen verzeiht sie halt großzügiger, als es früher der Fall war – mehr aber auch nicht.

Schritt 2: Datei bei Gemini hochladen

Öffne gemini.google.com oder die Gemini-App und starte einen neuen Chat. Klick auf das Anhang-Symbol und lade deine Audio- oder Videodatei hoch. Gemini verarbeitet gängige Formate wie MP3, M4A und WAV ohne Probleme, und auch Videos funktionieren, falls dein “Interview” eigentlich ein Zoom-Call war.

Eine Zahl solltest du kennen, bevor du hochlädst: die Länge der Datei zählt mehr als ihre Größe. Googles eigene Dokumentation zum zugrunde liegenden Modell nennt eine Obergrenze von etwa einer Stunde für die Standardverarbeitung – sobald du aber Sprecher-Labels oder wortgenaue Zeitstempel verlangst, was hier immer der Fall ist, sinkt diese Grenze auf ungefähr 30 Minuten. Praktisch heißt das: Läuft dein Interview länger, plane von vornherein, es in Häppchen unter 30 Minuten zu splitten, statt alles auf einmal hochzuladen und zu hoffen.

Der Clickomania-Blog nennt aus seiner Erfahrung sogar eine niedrigere praktische Grenze von rund 45 Minuten, bei der ganze Abschnitte mitten in der Aufnahme verschwinden können, statt sauber am Ende abzubrechen – was tückischer ist, weil du es leicht übersiehst. Nimm beide Zahlen als Warnung: Bei allem über 20–25 Minuten lohnt sich das Splitten, bevor du dich auf das Ergebnis verlässt.

Schritt 3: Genau sagen, was du willst (hier scheitern die meisten)

Der Fehler, an dem die meisten diese Methode nach einem einzigen Versuch aufgeben, sieht so aus: Datei hochladen, “transkribiere das” tippen. Gemini macht das – aber standardmäßig kann es die Sprache in lesbare, geglättete Prosa umwandeln, ganz ohne Sprecher-Labels, oder Sprecher inkonsistent beschriften, wenn du nicht explizit danach fragst. Du musst präzise sein. Das ist der Prompt, der tatsächlich funktioniert:

Transcribe this audio verbatim, word for word, including filler
words. Label each speaker as "Speaker 1" and "Speaker 2" based on
their voice, and start a new line every time the speaker changes.
Include a rough timestamp every time the speaker changes.

Der Prompt funktioniert auch bei deutschsprachigem Audio – Gemini erkennt die Sprache automatisch und liefert dir das Transkript in Deutsch zurück, auch wenn die Anweisung selbst auf Englisch formuliert ist. (KI-Prompts arbeiten in der Regel zuverlässiger auf Englisch, deshalb bleibt der Prompt hier bewusst so stehen, wie er ist – das Ergebnis ändert sich dadurch nicht.)

Das Wort “verbatim” leistet die eigentliche Arbeit. Gemini kann in einem geglätteten “Smart”-Modus laufen, der “ähs” und Versprecher für bessere Lesbarkeit entfernt – für manche Zwecke, etwa eine Sprachmemo in eine saubere Notiz zu verwandeln, ist das durchaus praktisch. Aber Smart-Modus und Sprecherbeschriftung vertragen sich in der aktuellen Version nicht gut; die Diarisierung greift zuverlässig nur, wenn du die rohe, unbearbeitete Version anforderst. Frag zuerst nach der Verbatim-Version. Glätten kommt als separater Schritt, sobald die Sprecherzuordnung feststeht.

Schritt 4: Was du tatsächlich zurückbekommst

Hier ein repräsentativer Ausschnitt aus dem Keller-Interview – rekonstruiert, um dir genau zu zeigen, wie das Ausgabeformat aussieht, inklusive Labels:

[00:00] Sprecher 1: Vielen Dank nochmal, dass Sie sich Zeit
nehmen. Können Sie kurz erzählen, wie lange Sie die Bäckerei
schon führen?

[00:05] Sprecher 2: Ja, gerne. Also, wir haben 2018 übernommen,
das war noch, äh, unter meinem Vater eigentlich schon länger,
aber offiziell auf meinen Namen — sieben Jahre jetzt, wenn
ich's genau nehme.

[00:21] Sprecher 1: Und wann haben Sie zum ersten Mal von der
Mindestlohn-Erhöhung erfahren?

[00:24] Sprecher 2: Ehrlich gesagt, von der Steuerberaterin,
bevor irgendeine offizielle Mitteilung kam. Was ja eigentlich
schon einiges aussagt. Ich hab dann selbst nachgelesen, was
genau ab wann gilt, weil von der Handwerkskammer erstmal
nichts Konkretes kam.

[00:44] Sprecher 1: Wie war Ihre erste Reaktion, als Sie die
Zahlen gesehen haben?

[00:47] Sprecher 2: Ich war — okay, ich sag's, wie es war, ich
war ziemlich angespannt. Weil die Erhöhung bei acht
Mitarbeitenden nicht einfach über den Preis der Brötchen
aufzufangen ist, und niemand hat erklärt, was das für kleine
Betriebe im Unterschied zu Filialketten bedeutet.

Schau dir an, was hier alles funktioniert hat: Füllwörter blieben erhalten (“äh”, “eigentlich”), ein Abbruch und eine Selbstkorrektur wurden akkurat wiedergegeben (“das war noch, äh, unter meinem Vater eigentlich schon länger, aber offiziell auf meinen Namen”), eine Pause wurde natürlich mit einem Gedankenstrich dargestellt – und, der eigentliche Punkt, eine konsistente, korrekte Sprecherzuordnung über vier Wechsel hinweg, ohne einen einzigen Fehler. Bei einer sauberen Zwei-Personen-Aufnahme wie dieser muss sich das Ergebnis vor einer professionellen Schreibkraft nicht verstecken – ehrlich gesagt, hätte ich dem Modell das vorher nicht zugetraut.

Quelle: Google AI for Developers

Schritt 5: Nachbearbeiten

Sobald du einen verbatim, sprecherbeschrifteten Entwurf hast, entscheide, wie viel Nacharbeit du wirklich brauchst. Für ein Podcast-Shownotes-Transkript willst du vielleicht Füllwörter draußen haben – kopiere die Verbatim-Version in einen neuen Prompt und bitte Gemini, “Füllwörter und Versprecher zu entfernen, aber Bedeutung und Struktur exakt beizubehalten”. Für ein Forschungsinterview, das in ein Auswertungstool wie MAXQDA wandert, willst du wahrscheinlich verbatim behalten, weil Tonfall und Zögern manchmal selbst Daten sind.

So oder so: Mach selbst noch eine Runde. Überflieg das Transkript, während du bei 1,25- bis 1,5-facher Geschwindigkeit mithörst, und achte auf Stellen, die sich “richtig anhören”, aber falsch geschrieben aussehen. Das ist keine optionale Fleißarbeit – es ist derselbe Verifikationsschritt, den jede Transkriptionsanleitung empfiehlt, KI-gestützt oder nicht, weil selbst ein zu über 95 Prozent akkurates Transkript diese restlichen fünf Prozent irgendwo versteckt hält, meist bei Eigennamen oder Zahlen.

Schritt 6: Exportieren

Es gibt keinen eingebauten “Als .docx exportieren”-Knopf – Gemini ist eine Chat-Oberfläche, kein dediziertes Transkriptionsprogramm. Alles markieren, kopieren, in ein Google Doc oder eine Word-Datei einfügen. Ziehst du Zitate für einen Artikel heraus, ist das auch der Moment, deine besten Sätze in einer separaten Arbeitsnotiz mit Zeitstempel festzuhalten, statt später das komplette Transkript nochmal nach dem einen perfekten Satz zu durchsuchen.

Gemini Transcribe im Vergleich zu Otter, Rev, Descript und Amberscript

Diese Tabelle bekommst du bei den meisten Suchergebnissen für “Audio kostenlos transkribieren” nicht zu sehen, weil das meiste, was dort rankt, von den Anbietern selbst oder von Affiliates geschrieben wird, die für Empfehlungen bezahlt werden. Hier die Zahlen, wie sie tatsächlich stehen, basierend auf den veröffentlichten Preisen der Anbieter, Stand August 2026 – inklusive Amberscript, weil der niederländische Anbieter im deutschsprachigen Raum speziell wegen seiner EU-Datenhaltung eine Rolle spielt, die Otter, Rev und Descript nicht bieten.

*Praktisch unbegrenzt über Monate hinweg, aber jede einzelne Datei muss unter rund 30 Minuten bleiben, wenn du Sprecher-Labels willst – ein langes Interview bedeutet also Häppchen, nicht einen einzigen unbegrenzten Upload.

Ein paar Dinge, die die Tabelle allein nicht zeigt. Otters 300 Freiminuten klingen großzügig, bis du das Kleingedruckte liest: nur drei Datei-Uploads im Free-Tarif, für immer – nicht pro Monat. Transkribierst du mehr als drei bereits aufgenommene Interviews insgesamt, upgradest du oder suchst dir ein anderes Tool, egal wie viele deiner 300 Minuten noch übrig sind. Revs Free-Tarif ist mit 45 Minuten und nur Englisch der schmalste im Vergleich, weil Revs eigentliches Geschäft die professionelle, menschliche Transkription ab etwa zwei Dollar pro Minute ist – der kostenlose KI-Tarif ist ein Vorgeschmack, kein Workflow. Descripts Free-Plan ist wirklich gut, wenn du Podcast-artiges Editing machst, bei dem du Audio durch Textlöschen schneidest, aber die KI-Credits für Cleanup-Funktionen sind einmalig, nicht monatlich.

Amberscript verdient hier eine eigene Erwähnung, weil es die einzige Option in dieser Tabelle ist, die von Grund auf für den europäischen Markt und dessen Datenschutzanforderungen gebaut wurde: Server in der EU, ISO-27001- und ISO-9001-Zertifizierung, explizite DSGVO-Konformität als Verkaufsargument statt als Fußnote. Der Preis dafür ist real – automatisierte Transkription kostet einmalig etwa 10 Euro pro Stunde, menschliche Transkription ab 1,85 Euro pro Minute – aber für Organisationen, die aus rechtlichen oder vertraglichen Gründen keine US-Cloud-Verarbeitung nutzen dürfen, ist das oft keine Kür, sondern die einzige zulässige Option.

Geminis eigentlicher Vorteil ist nicht, dass es genauer ist als eines dieser Tools – unabhängige, direkt vergleichende Benchmarks zwischen Gemini 3.5 Transcribe und Otter, Rev oder Amberscript auf identischem Audio gibt es noch nicht, und jede Anbieterzahl stammt aus dem eigenen Testset. Google selbst nennt eine Wortfehlerrate von rund 2,6 Prozent bei sauberem, nicht gestreamtem Audio, was im Feld konkurrenzfähig ist – aber “konkurrenzfähig” und “nachweislich besser” sind zwei verschiedene Aussagen, und niemand sollte dir mit ernster Miene etwas anderes erzählen. Geminis eigentlicher Vorteil ist, dass es nichts kostet, kein Import-Limit hat, und du wahrscheinlich schon einen Account dafür besitzt.

Der ehrliche Kompromiss liegt woanders: Datenschutz. Lies den Datenschutz-Abschnitt weiter unten, bevor du irgendetwas Sensibles hochlädst.

Quelle: Otter.ai

Datenschutz: Was DSGVO-relevant ist, bevor du irgendetwas hochlädst

Für ein deutsches Publikum ist das der Abschnitt, der eigentlich zuerst kommen müsste – aber du brauchtest erst die technischen Grundlagen, um die Tragweite einzuschätzen. Auf einem privaten Google-Konto ist der Standard: Audiodaten können von menschlichen Prüfer:innen eingesehen und zum Training zukünftiger Modelle verwendet werden. Google verschweigt das nicht, es steht im Gemini Apps Privacy Hub – aber es steht eben auch nicht prominent an der Stelle, an der du gerade eine Datei hochlädst.

Für die meisten Alltags-Interviews ist das kein Problem. Ein Interview mit einem Kommunalpolitiker über eine öffentliche Baumaßnahme berührt keine besonders schützenswerten Daten im Sinne der DSGVO. Für andere Anwendungsfälle – Personalgespräche, Gesundheitsdaten, Aussagen unter Vertraulichkeitszusage – ist es ein echtes Problem, und zwar unabhängig davon, wie gut die Sprechertrennung funktioniert. Ein paar Fixpunkte:

• Gemini Apps Activity deaktivieren reduziert, wie lange und wofür deine Daten gespeichert werden, ersetzt aber keine vertragliche Zusicherung.
• Google Workspace (geschäftlich) statt privates Konto ändert die Situation grundlegend: Workspace-Konten mit den entsprechenden Einstellungen sind vertraglich vom Modelltraining ausgeschlossen – der Unterschied zwischen “von einer Person geprüft” und “vertraglich von der Prüfung ausgenommen”.
• Auftragsverarbeitungsvertrag (AVV): Wenn du im Auftrag eines Unternehmens oder einer Organisation Interviews führst, prüfe, ob überhaupt ein AVV mit Google für diesen Nutzungsfall existiert – für private Gemini-Konten in der Regel nicht.
• Betriebsrat und Datenschutzbeauftragte einbeziehen, sobald es um Mitarbeitendengespräche geht (siehe Leserprofil HR weiter unten) – das ist in Deutschland kein netter Zusatzschritt, sondern in vielen Betrieben mitbestimmungspflichtig.

Die kurze Version: Behandle Gemini wie jedes andere Cloud-Tool auch – geh davon aus, dass es nicht privat ist, bis du das Gegenteil geprüft hast. Für alles, wofür das eine harte Grenze ist, ist Amberscript oder ein vergleichbarer EU-Anbieter der richtigere Griff, auch wenn er etwas kostet.

Was das für dich bedeutet: 7 Leserprofile

Wenn du freie:r Journalist:in unter Zeitdruck bist. Nutze das für routinemäßige, unkritische Interviews, bei denen Tempo wichtiger ist als absolute Vertraulichkeit – eine Kommunalpolitikerin, ein Unternehmenssprecher, jemand, der kein Problem damit hätte zu wissen, dass die Aufnahme über Googles Server lief. Die Rechnung ist simpel: Ein 25-minütiges Telefoninterview, das früher eine Stunde deines Abends gefressen hat, braucht jetzt zehn Minuten Upload-und-Gegenlesen – eine Stunde zurück für das eigentliche Schreiben. Deine erste Aktion: Teste den Verbatim-plus-Sprecher-Label-Prompt an einer zweiminütigen Aufnahme mit einer Kollegin, bevor du den Workflow live auf Deadline lernst.

Wenn du Podcasts produzierst und Shownotes vorbereitest. Fast ein Idealfall – zwei oder drei Sprecher, ordentliche Studioqualität, keine Vertraulichkeitsfragen. Fordere zuerst die Verbatim-Version an, um die Sprecher-Labels korrekt festzunageln, dann eine zweite Glättungsrunde für die Shownotes-Seite oder den Blog-Recap. Veröffentlichst du komplette Episoden-Transkripte für die Suchmaschinenoptimierung – eine wirklich sinnvolle Praxis, weil Transkripte indexiert und gefunden werden –, kommst du hier ohne monatliche Otter- oder Descript-Rechnung ans Ziel, gerade wenn die Show noch keine Werbeeinnahmen abwirft. Deine erste Aktion: Transkribiere das rohe Audio deiner nächsten Episode vor dem Schnitt, damit du deine besten Zitate für Social-Media-Posts ziehen kannst, solange die Folge noch frisch ist.

Wenn du als UX-Researcher:in Nutzerinterviews führst. Vorsicht hier – Teilnehmende offenbaren oft Dinge unter der Annahme von Vertraulichkeit, die deine Datenschutzrichtlinie oder eine vertragliche Zusicherung eigentlich schützen soll, und Geminis Standard auf Consumer-Ebene ist menschliche Prüfung plus Training. Das ist kein Grund, KI-Transkription grundsätzlich zu meiden – es ist ein Grund, vor dem ersten Upload zu prüfen, welches Konto du gerade nutzt. Deine erste Aktion: Kläre mit IT oder Datenschutzbeauftragten, ob ein Google-Workspace-Konto mit Trainings-Opt-out verfügbar ist, bevor du auch nur eine einzige Teilnehmenden-Aufnahme auf ein privates Gemini-Konto lädst.

Wenn du als Studierende:r eine qualitative Abschlussarbeit schreibst. Dieselbe Vorsicht wie oben, nur verschärft – viele Ethikkommissionen und Betreuer:innen geben genau vor, wie Aufnahmen und Transkripte gespeichert werden müssen, und “auf ein kostenloses Consumer-KI-Tool hochgeladen” ist in den wenigsten Methodikkapiteln vorab genehmigte Sprache. Für Interviews ohne Vertraulichkeitsrisiko – öffentliche Personen, ohnehin öffentlich geführte Experteninterviews – kann das über eine Abschlussarbeit mit 20+ Interviews Wochen an manueller Transkriptionszeit sparen. Deine erste Aktion: Frag deine Betreuungsperson direkt, ob Geminis Datenverarbeitung mit den Vorgaben deiner Arbeit vereinbar ist, und lass dir die Antwort schriftlich geben.

Wenn du in der Personalabteilung Austrittsgespräche führst. Nutze dafür kein privates Gemini-Konto. Punkt. Austrittsgespräche enthalten routinemäßig Gehaltsdetails, Belästigungsvorwürfe und anderes Material, das dein Rechtsteam nicht bei einem Drittanbieter im Trainingsdatensatz oder bei einer menschlichen Prüfung sehen möchte – das Risiko übersteigt hier klar den Zeitgewinn. In vielen Unternehmen ist außerdem der Betriebsrat bei der Einführung eines solchen Tools für Mitarbeitendendaten mitbestimmungspflichtig – das allein sollte dich stoppen, bevor die Datenschutzfrage überhaupt gestellt ist. Deine erste Aktion: Prüfe bei einem vorhandenen Google-Workspace-Enterprise-Zugang die vertraglichen No-Training-Bedingungen, bevor du das überhaupt in Erwägung ziehst – ansonsten: dedizierter, arbeitsrechtskonformer Transkriptionsanbieter für genau dieses Haftungsrisiko.

Wenn du als Dokumentarfilmer:in Interviewmaterial sichtest. Guter Anwendungsfall fürs grobe Protokollieren – du veröffentlichst nicht das rohe Transkript, sondern nutzt es, um schnell herauszufinden, welche deiner sechs Stunden Interviewmaterial das Zitat enthält, das du brauchst, ohne Minutenpreise für Material zu zahlen, das größtenteils im Schnittraum landet. Sobald du deine Schlüsselmomente aus dem kostenlosen Rohtranskript identifiziert hast, kannst du genau diese Clips an einen bezahlten, zertifizierten Dienst schicken, falls du für den finalen Schnitt Broadcast-Qualität brauchst. Deine erste Aktion: Lass zuerst dein längstes, unordentlichstes Interview durchlaufen (das mit Durcheinanderreden oder einem Akzent, bei dem du unsicher bist), um genau zu sehen, wo es hakt, bevor du dich für den Rest des Materials darauf verlässt.

Wenn du für einen Verein oder eine gemeinnützige Organisation Zeitzeugen-Interviews führst. Das hängt komplett davon ab, was den Interviewten zur Vertraulichkeit zugesagt wurde – Zeitzeugenprojekte mit älteren Menschen oder Betroffenen belastender Ereignisse tragen oft explizite Vertraulichkeitszusagen, die die Standard-Datenpolitik eines Consumer-KI-Tools verletzen würde, und dieses Vertrauen, einmal gebrochen, kommt nicht zurück. Für Projekte, bei denen die Zeitzeug:innen ohnehin einer öffentlichen Archivierung zugestimmt haben – etwa ein für die Stadtbibliothek gedachtes Geschichtsprojekt –, kippt die Rechnung, und kostenlose Transkription bedeutet, dass du dir leisten kannst, deutlich mehr Geschichten aufzuzeichnen und zu bewahren, als es ein minutenbasiertes Budget erlauben würde. Deine erste Aktion: Hol eine informierte Einwilligung ein, die das konkrete Transkriptionstool und dessen Datenpolitik ausdrücklich nennt – oder nutze es für dieses Projekt nicht.

Grenzfälle und Problembehandlung

Hintergrundgeräusche oder unruhige Umgebung. Gemini kommt mit moderatem Hintergrundlärm einigermaßen zurecht – es ist laut Googles eigenen Unterlagen ausdrücklich für “laute Umgebungen” gebaut –, aber starker Lärm verschlechtert sowohl die Worterkennung als auch die Sprechertrennung. Lösung: Hast du irgendeinen Einfluss auf die Aufnahmeumgebung, nutze ihn. Im Nachhinein bleibt kaum etwas außer einer manuellen Nachbearbeitung der lautesten Abschnitte.

Durcheinanderreden (Cross-Talk). Das ist über alle Tools hinweg – KI oder Mensch – die größte Fehlerquelle, und Gemini macht da keine Ausnahme. Sprechen zwei Personen gleichzeitig, muss das Modell raten, und es verschmilzt die Sprache oft zu einer einzigen Sprecherzeile oder lässt Wörter komplett aus. Lösung: Das muss bei der Aufnahme selbst gelöst werden – etabliere vor Beginn eine “ausreden lassen”-Regel, besonders bei einem lebhaften Hin-und-Her-Interview.

Mehr als drei Sprecher. Googles eigene Dokumentation kennzeichnet die Sprecherzuordnung ab drei Stimmen ausdrücklich als “experimentell”, auch wenn die technische Obergrenze bei acht liegt. Bei einem Podiumsgespräch oder einer Gruppendiskussion beginnen die Labels zu driften – Sprecher 2 wird plötzlich mitten im Gespräch zu Sprecher 3. Lösung: Bei Gruppeninterviews sollte jede Person ihren Namen wiederholt während der Aufnahme nennen, nicht nur zu Beginn, und rechne mit mehr manueller Korrektur.

Starke Akzente oder Dialekte. Google beansprucht Unterstützung für regionale Akzente und Dialekte als Teil der Abdeckung von über 85 Sprachen, und tatsächlich ist das Modell hier besser als die meisten Tools von vor ein, zwei Jahren. Reale Tests seit dem Launch haben aber raue Stellen gefunden – Code-Switching zwischen Sprachen mitten im Satz (etwa Schweizerdeutsch mit eingestreuten Hochdeutsch- oder Englisch-Fachbegriffen) hat in frühen Berichten zu verstümmelten oder fehlenden Wörtern geführt. Lösung: Mischt deine interviewte Person regelmäßig Sprachen oder Dialekte, gib das explizit im Prompt an, statt dich auf automatische Erkennung zu verlassen.

Lange Dateien werden abgeschnitten. Manche frühen Nutzer:innen berichten, dass sie eine 20-minütige Datei hochgeladen und ein Transkript zurückbekommen haben, das mysteriös nach fünf Minuten aufhört – besonders wenn Diarisierung aktiv war. Lösung: Splitte alles über 20–25 Minuten vor dem Upload, und scrolle immer bis zum Ende der Ausgabe, um zu bestätigen, dass sie die gesamte Aufnahme abdeckt, bevor du ihr vertraust.

Fehlerhafte Sprecherzuordnung. Selbst bei sauberem Zwei-Personen-Audio wird gelegentlich eine Zeile der falschen Person zugeordnet, meist direkt nach einer langen Pause oder einem sehr kurzen Einwurf wie “genau” oder “mhm”. Lösung: Genau dafür ist der Verifikationsschritt aus Schritt 5 da – gegenlesen während des Mithörens, Fehlzuordnungen unterwegs korrigieren.

Upload über die falsche Oberfläche. Einige entwicklerorientierte Berichte haben festgestellt, dass Audio, das über bestimmte Drittanbieter-Tools auf Gemini-Basis läuft, manchmal an ein allgemeines Chat-Modell statt an das dedizierte Transkriptionsmodell geht – mit schlechteren Ergebnissen (falsch verstandene Firmennamen, verstümmelte Eigennamen) als beim direkten Upload über gemini.google.com oder die Gemini-App. Lösung: Für alles, worauf es ankommt, die offizielle Gemini-App oder -Website direkt nutzen statt einen Drittanbieter-Wrapper.

Fachjargon oder ungewöhnliche Eigennamen. Ist dein Interview voller branchenspezifischer Begriffe, Produktnamen oder ungewöhnlicher Namensschreibweisen, erwarte beim ersten Durchlauf ein paar Fehltreffer – das Modell rät die Schreibweise anhand des Klangs, genau wie eine menschliche Schreibkraft, die mit deinem Fachgebiet nicht vertraut ist. Lösung: Erwähne ungewöhnliche Namen oder Begriffe im Prompt, bevor du transkribierst (“die Firma heißt Duskr, geschrieben D-U-S-K-R”), oder bitte deine interviewte Person, Ungewöhnliches direkt auf der Aufnahme zu buchstabieren.

Telefon-Audioqualität. Komprimiertes Telefon-Audio, besonders bei wackliger Verbindung, ist ein schwierigerer Input als eine saubere Digitalaufnahme, und das zeigt sich vor allem in der Sprechertrennung, weniger in der reinen Worterkennung – dumpfer Klang lässt zwei Stimmen ähnlicher wirken, als sie sind. Lösung: Nimm Telefoninterviews wo möglich über einen Dienst auf, der jede Person auf einer separaten Spur erfasst, statt über eine einzige zusammengeführte Telefonleitung.

Was es nicht kann

Sei ehrlich über die Grenzen, denn ein Guide, der dir nur die guten Nachrichten erzählt, ist deine Zeit nicht wert.

Es ist kein Echtzeit-Untertitel für ein Gespräch, das gerade läuft – zumindest nicht über diesen Consumer-Workflow. Gemini hat einen separaten Live-Streaming-Modus für Entwickler:innen, aber die App-Version, die die meisten nutzen werden, ist Upload-dann-Transkribieren, nicht simultanes Untertiteln.

Es liefert kein zertifiziertes, rechtssicheres Transkript. Brauchst du ein Transkript, das vor Gericht Bestand hat oder eine Zertifizierungsanforderung erfüllt, ist das Revs oder Amberscripts eigentliches Geschäftsmodell (menschliche Transkription mit beeidigter Genauigkeit) – nicht ein kostenloses Consumer-KI-Tool, und niemand sollte etwas anderes behaupten.

Es kommt mit starkem Durcheinanderreden oder großen Gruppen nicht zuverlässig zurecht. Wie oben beschrieben, verschlechtert sich das schnell jenseits von zwei oder drei klaren Sprecher:innen, und es gibt keine Einstellung, die das behebt – es ist eine strukturelle Grenze, wie Diarisierung aktuell funktioniert.

Es ist kein garantiert privates Tool für sensibles Material. Auf einem privaten Google-Konto ist der Standard menschliche Prüfung und Nutzung im Modelltraining. Das ist kein verstecktes Kleingedrucktes – Google legt das offen –, aber es ist die wichtigste Einschränkung für alle, die vertrauliche Quelleninterviews, Therapiesitzungen oder alles unter einer Vertraulichkeitszusage transkribieren.

Es formatiert oder exportiert dir kein fertiges Dokument. Du bekommst Text in einem Chat-Fenster. Daraus ein formatiertes Transkript mit Überschriften, Zeitcodes und sauberer Gestaltung zu machen, ist weiterhin deine Aufgabe – oder ein separater Prompt, der Gemini bittet, das bereits Gelieferte umzuformatieren.

Häufig gestellte Fragen

Ist Gemini Transcribe wirklich kostenlos, oder gibt es einen versteckten Haken? Es ist mit einem normalen Google-Konto über die Gemini-App und gemini.google.com kostenlos – kein Abo, kein Minutenkonto. Der “Haken” ist eher ein Kompromiss: Deine Audiodaten können standardmäßig von Menschen geprüft und zum Training verwendet werden, was bei sensiblen Interviews viel und bei Alltagsgesprächen wenig zählt.

Wie viele Sprecher kann es auseinanderhalten? Googles Dokumentation nennt Unterstützung für bis zu 8 Sprecher, kennzeichnet die Zuordnung ab 3 aber ausdrücklich als “experimentell”. In der Praxis ist es bei zwei Sprechern am zuverlässigsten und wird ab drei merklich wackliger.

Bekomme ich auch ein Transkript ohne Sprecher-Labels, nur reinen Text? Ja – das ist sogar das Standardverhalten, wenn du nicht spezifisch nach verbatim, sprecherbeschrifteter Ausgabe fragst. Bitte Gemini einfach, “das hier in lesbaren Text umzuwandeln” statt den Verbatim-Prompt oben zu nutzen.

Funktioniert das auch mit Videodateien, nicht nur Audio? Ja. Lade ein Video genauso hoch wie Audio – eine Zoom-Aufnahme, ein Handyvideo eines persönlichen Interviews – und Gemini transkribiert die gesprochene Tonspur.

Was passiert, wenn mein Interview länger als 30 Minuten ist? Splitte es vor dem Upload in Häppchen unter etwa 30 Minuten, wenn du Sprecher-Labels oder Zeitstempel brauchst. Standardtranskription ohne diese Funktionen schafft bis zu rund einer Stunde in einer Datei.

Ist das besser als Otter oder Rev? “Besser” hängt davon ab, worauf du optimierst. Es ist kostenlos ohne Import-Limit, was weder Otters noch Revs Free-Tarif bietet. Es ist nicht zwingend genauer – ein unabhängiger Benchmark auf identischem Audio existiert noch nicht –, und es bietet nicht Revs menschliche Transkriptionsoption für rechtssichere Genauigkeit.

Kann ich es für ein vertrauliches Quelleninterview nutzen? Auf einem privaten Google-Konto: nein, nicht ohne explizit die Gemini-Apps-Aktivität zu deaktivieren oder einen temporären Chat zu nutzen – und selbst dann gilt: Google speichert laut eigener Aussage manche Daten für ein kurzes Zeitfenster trotzdem. Für wirklich sensibles Material gilt dieselbe Regel wie bei jedem Cloud-Tool: Geh davon aus, dass es nicht privat ist, bis du das Gegenteil geprüft hast.

Kostet es etwas, wenn ich statt der App die API nutze? Ja, wenn du als Entwickler:in auf der API aufbaust statt die Consumer-App zu nutzen – die Preise liegen bei rund einem halben US-Cent pro Minute für Standardverarbeitung. Alltagsnutzer:innen, die über gemini.google.com oder die Gemini-App klicken, zahlen nichts.

Welche Audioformate akzeptiert es? Gängige Formate wie MP3, M4A und WAV funktionieren problemlos, ebenso Standard-Videoformate, falls du einen aufgezeichneten Call oder ein Videointerview hochlädst.

Brauche ich Gemini Advanced oder ein Pro-Abo dafür? Nein. Das funktioniert mit einem normalen, kostenlosen Google-Konto über die Standard-Gemini-App und gemini.google.com – kein Gemini Advanced oder Google-One-KI-Premium-Abo nötig für die Transkriptionsfunktion selbst.

Funktioniert das auch für eine Vorlesung, ein Podiumsgespräch oder eine Teamsitzung? Es liefert dir ein Transkript, aber behandle Sprecher-Labels ab zwei oder drei Stimmen mit Skepsis – Googles eigene Dokumentation nennt die Zuordnung ab 3+ Sprechern ausdrücklich “experimentell”, und genau bei Podiumsgesprächen und Gruppensitzungen zeigen sich Fehlzuordnungen am häufigsten. Bei einer Einzelperson-Vorlesung ist die Transkriptionsgenauigkeit dagegen völlig unproblematisch, weil es gar kein Diarisierungsproblem zu lösen gibt.

Fazit

Die bezahlten Transkriptionstools liegen ja nicht falsch damit, dass ein sprecherbeschriftetes Transkript seinen Preis wert sein kann – sie sind halt nur nicht mehr der einzige Ort, an dem man eines bekommt. Sind deine Interviews Routine, dein Audio einigermaßen sauber und liegt kein Material vor, das absolute Vertraulichkeit braucht, liefert dir Gemini ein wirklich brauchbares Transkript, kostenlos, und schneller, als “Interview transkribieren kostenlos” in eine Suchmaschine zu tippen und sich durch drei Preisseiten zu klicken. Ist Datenschutz die härtere Anforderung, ist Amberscript die europäische Antwort auf dieselbe Frage – für einen Preis, der sich in diesem Fall lohnt.

Machst du diese Art Arbeit regelmäßig – Erkenntnisse aus Gesprächen ziehen, das, was Menschen dir erzählen, in etwas Nutzbares strukturieren –, ist das eine Fähigkeit, die weit über ein kostenloses Tool hinausgeht. Unser Kurs Recherche und Lernen mit KI zeigt, wie du systematisch recherchierst und Quellen prüfst, und unser Kurs Untertitel & Transkription mit KI geht speziell auf datenschutzsichere Transkriptions- und Untertitel-Workflows für Meetings und Interviews ein.

Quellen

1. TechZeitGeist – Aus Sprache wird brauchbare Mitschrift: Was Googles neuer Transcribe-Ansatz leistet
2. Clickomania – Wie Gemini (fast) perfekte Transkriptionen liefert
3. news aktuell (dpa-Tochter) – Medien-Trendmonitor 2025: KI im Journalismus
4. Amberscript – Preise: Transkription & Untertitelung
5. Amberscript – Datenschutz bei Transkriptionssoftware
6. Google – Intelligent transcription with Gemini 3.5 Transcribe
7. Google AI for Developers – Gemini 3.5 Transcribe Modell-Dokumentation
8. Google AI for Developers – Anleitung zur Audiotranskription
9. Google AI for Developers – Gemini API Preise
10. Google – Gemini Apps Privacy Hub
11. 9to5Google – Google launches Gemini 3.5 Transcribe
12. Otter.ai – Pricing
13. Rev – Subscription Plans + Per-Minute Pricing
14. Descript – Pricing