EIGENES TOOL · PRIVACY-FIRST
ToScribeXL
Audio und Video transkribieren — mit automatischer Sprechererkennung und komplett auf dem eigenen Rechner. Kein Upload, keine Cloud, kein Drittanbieter.
In Entwicklung — Release in Vorbereitung
Warum noch ein Transkriptions-Tool?
Transkription ist gelöst — solange die Aufnahme unkritisch ist. Sobald sie es nicht ist, wird es unangenehm: Ein Interview mit einer vertraulichen Quelle, ein Personalgespräch, eine Therapiesitzung, ein Mandantentermin. Das sind Aufnahmen, die man nicht auf einen fremden Server lädt — auch nicht auf einen mit gutem Ruf.
Die üblichen Auswege taugen wenig. Selbst tippen kostet ein Vielfaches der Aufnahmezeit. Ein Cloud-Dienst mit AV-Vertrag verlagert das Risiko, statt es zu beseitigen. Und ein lokales Whisper-Skript kann zwar transkribieren, sagt aber nicht, wer gerade spricht — was bei Gesprächen mit mehreren Personen die halbe Arbeit ist.
ToScribeXL macht beides lokal: transkribieren und Sprecher trennen.
Für wen es gebaut ist
Journalismus & Recherche
Interviews mit Quellenschutz — Aufnahmen, die das Haus nicht verlassen dürfen.
Forschung
Qualitative Interviews, Fokusgruppen, Feldaufnahmen mit Ethikauflagen.
Heilberufe & Therapie
Gesprächsdokumentation mit besonderen Kategorien personenbezogener Daten (Art. 9 DSGVO).
Recht & Beratung
Mandantengespräche, Verhandlungen, Zeugenaussagen unter Verschwiegenheitspflicht.
HR & Führung
Personalgespräche, Anhörungen, Betriebsratssitzungen.
Behörden & Verwaltung
Aufnahmen, bei denen Cloud-Nutzung schlicht nicht zulässig ist.
Was es kann
Transkription mit Whisper
Automatische Spracherkennung, Modellgröße wählbar — Genauigkeit gegen Geschwindigkeit abwägen.
Sprechererkennung mit pyannote
Diarisierung trennt die Stimmen, ohne dass Sie vorher angeben müssen, wie viele Personen sprechen.
Interaktive Sprecher-Benennung
Zu jedem erkannten Sprecher hören Sie echte Zitat-Beispiele und vergeben den Namen. Kein Raten anhand von SPEAKER_00.
40+ Sprachen
Automatische Spracherkennung, kein manuelles Umstellen.
Export als Markdown, Text oder PDF
Weiterverarbeitbar statt in einer Oberfläche eingesperrt.
Läuft per Docker
Ein Container, keine Systeminstallation, reproduzierbar auf macOS, Linux und Windows.
Was „lokal" hier konkret heißt
- Kein Upload. Die Modelle laufen im Container auf Ihrer Maschine. Es gibt keinen Schritt, an dem eine Datei den Rechner verlässt.
- Keine Auftragsverarbeitung. Weil kein Dritter Daten erhält, entsteht für die Transkription selbst kein AVV-Bedarf.
- Offline nachprüfbar. Nach dem einmaligen Laden der Modelle funktioniert alles ohne Internet. Trennen Sie das Netzwerk und testen Sie es selbst — Vertrauen sollte überprüfbar sein.
- Was es nicht leistet: Es macht Sie nicht automatisch DSGVO-konform. Rechtsgrundlage der Aufnahme, Einwilligung der Beteiligten, Löschkonzept und Verarbeitungsverzeichnis bleiben Ihre Aufgabe. Das Tool entfernt den Drittanbieter aus der Kette — mehr, aber auch nicht weniger.
Technik
Offene Modelle, offener Stack, keine proprietäre Blackbox. Wer nachvollziehen will, was mit den Aufnahmen passiert, kann es nachvollziehen.
Häufige Fragen
Verlassen die Aufnahmen wirklich nie den Rechner?
Ja. Transkription (Whisper) und Sprechererkennung (pyannote) laufen als lokale Modelle im Docker-Container. Es gibt keinen Upload-Schritt, keinen API-Aufruf und keine Telemetrie. Nach dem einmaligen Laden der Modelle funktioniert ToScribeXL auch ohne Internetverbindung — das ist der ehrlichste Test, den Sie selbst durchführen können: Netzwerk trennen und transkribieren.
Brauche ich dann noch einen AV-Vertrag?
Für ToScribeXL selbst nicht, weil keine Daten an einen Dritten übermittelt werden — es findet keine Auftragsverarbeitung statt. Ihre übrigen Pflichten bleiben davon unberührt: Verzeichnis von Verarbeitungstätigkeiten, Rechtsgrundlage für die Aufnahme, Löschkonzept, Einwilligung der Gesprächsteilnehmer. Das Tool nimmt Ihnen die Drittanbieter-Frage ab, nicht die Verantwortung.
Wie gut ist die Sprechererkennung?
pyannote trennt Sprecher zuverlässig, solange sie sich akustisch unterscheiden und nicht dauerhaft übereinander reden. Bei zwei bis vier Personen in ordentlicher Aufnahmequalität sind die Ergebnisse gut. Bei starkem Nachhall, Störgeräuschen oder vielen Sprechern sinkt die Trefferquote — deshalb gibt es die interaktive Nachbenennung.
Was heißt „interaktive Sprecher-Benennung"?
Nach der Diarisierung bekommen Sie pro erkanntem Sprecher echte Zitat-Beispiele aus der Aufnahme zu hören und vergeben den Namen. Kein Raten anhand von „SPEAKER_00" und „SPEAKER_01", sondern Zuordnung anhand dessen, was die Person tatsächlich gesagt hat.
Welche Hardware brauche ich?
Ein aktueller Rechner mit ausreichend RAM reicht. Größere Whisper-Modelle sind genauer und langsamer, kleinere schneller und ungenauer — das Modell ist wählbar. Auf Apple Silicon und auf Rechnern mit dedizierter GPU läuft es deutlich schneller als auf reiner CPU. Konkrete Zahlen liefere ich mit dem Release, geschätzte Werte wären unseriös.
Was kostet es und wann kommt es?
Beides steht noch nicht fest. Der Stand ist ehrlich: funktionierender Prototyp, Release in Vorbereitung. Wer auf der Liste steht, bekommt eine Nachricht, sobald es etwas Belastbares gibt — keine Newsletter-Serie.
Passt dazu
Bescheid bekommen, wenn es soweit ist
Eine kurze Mail mit „ToScribeXL" genügt. Sie bekommen eine Nachricht zum Release — keine Newsletter-Serie, keine Weitergabe der Adresse.
Sie brauchen eine angepasste Variante — andere Exportformate, Anbindung an ein bestehendes System, Betrieb auf eigenem Server? Das lässt sich bauen.