In einem Rohtranskript aus dem Camp stand die Phrase „Vielen Dank." genau 253-mal, im Abstand von rund dreißig Sekunden.[1] Zu diesem Zeitpunkt hatte niemand gesprochen.
Das Wichtigste in Kürze
- Transkription bringt nachlesbare Beschlüsse. Wer nicht dabei war, kann trotzdem folgen, und niemand muss Protokoll führen.
- Jede Person bekommt eine eigene Tonspur. Der Aufnahmebot Craig schneidet in Discord pro Teilnehmerin und Teilnehmer getrennt mit. Das macht die Zuordnung eindeutig und erzeugt zugleich das Problem.
- Spracherkennung erfindet an stillen Stellen. Aus Trainingsdaten stammende Höflichkeitsfloskeln füllen Pausen, in denen niemand spricht.
- Ein Schalter behebt das an der Wurzel. In Faster-Whisper heißt er
vad_filter=trueund schaltet eine Sprachaktivitätserkennung vor die Umwandlung. - Am Ende stehen drei Dokumente. Eine Korrekturliste, eine Rückfragenliste, die unveränderte Rohfassung.
Warum wir aufzeichnen
Wer bei einer Camp-Sitzung nicht dabei sein konnte, verlässt sich sonst auf das, was jemand anderes aus dem Gedächtnis wiedergibt. Eine Aufzeichnung macht daraus etwas Nachprüfbares: Beschlüsse lassen sich nachlesen, offene Punkte werden zu Tickets, und niemand muss neben dem Gespräch mitschreiben.
Technisch läuft das in zwei Schritten. Die Sitzung läuft in Discord, und dort schneidet der Aufnahmebot Craig mit. Er legt für jede anwesende Person eine eigene Tonspur an, also eine getrennte Audiodatei mit nur einer Stimme darauf. Eine gemeinsame Aufnahme des ganzen Raums entsteht dabei gar nicht. Die Umwandlung in Text übernimmt danach Faster-Whisper, eine Spracherkennung, die wir lokal auf eigener Hardware betreiben. Erst am Ende werden die Einzelspuren wieder zu einem Protokoll zusammengeführt, das festhält, wer wann gesprochen hat. Diesen Schritt nennt man Diarisierung.
Namen und Handles tauchen dabei nicht öffentlich auf. Wenn in diesem Beitrag von einer Person die Rede ist, steht dort höchstens eine Rolle.
Was schiefgeht, wenn niemand spricht
Der Fund mit den 253 Wiederholungen kam aus zwei Einzelspuren, auf denen über weite Strecken niemand sprach. Die Spracherkennung füllte die Stille trotzdem mit Text, und zwar mit Sätzen, die zu ihrem Trainingsmaterial passen, nicht zur Aufnahme.[2] Je länger eine Pause dauert, desto wahrscheinlicher erfindet die Erkennung etwas hinein.
Dass wir das im Extrem zu sehen bekamen, liegt an der Aufnahmeform. Eine gemeinsame Raumaufnahme ist selten still, weil fast immer irgendjemand redet. Eine Spur, die nur eine einzige Person aufzeichnet, ist dagegen genau so lange still, wie diese Person schweigt. In einer Runde zu viert schweigt jede Person die meiste Zeit des Abends. Wer an einem Abend wenig sagt, liefert damit eine Aufnahme, die fast durchgehend aus Stille besteht.
Genau darauf produziert die Erkennung ihre Erfindungen. Eine der beiden betroffenen Spuren aus jenem Lauf enthielt überhaupt keinen hörbaren Beitrag: Die Person war die ganze Sitzung über anwesend, hat aber nichts gesagt. Ihr Transkript bestand vollständig aus Sätzen, die nie gefallen sind.[1] Wer je Person aufzeichnet, bekommt dieses Problem also zwangsläufig mit.
Am fertigen Text sieht man diesen Stellen nichts an. Eine erfundene Höflichkeitsfloskel liest sich genauso flüssig wie ein tatsächlich gesprochener Satz, und genau das macht sie gefährlich für alles, was danach mit dem Transkript passiert.
Die Abhilfe, geprüft im eigenen Vergleich
Sprachaktivitätserkennung, im Englischen Voice Activity Detection und meist als VAD abgekürzt, prüft vor der eigentlichen Umwandlung, an welchen Stellen einer Spur überhaupt jemand spricht. Nur diese Abschnitte gehen anschließend an die Spracherkennung. Faster-Whisper bringt diese Vorprüfung mit, eingeschaltet ist sie ab Werk aber nicht.
Am 13. Juli 2026 lief die Transkription einer Camp-Sitzung ohne diese Vorprüfung, und eine der beiden Spuren kollabierte vollständig zu Erfindungen. Am Folgetag lief dieselbe Aufnahme noch einmal mit eingeschalteter Sprachaktivitätserkennung und lieferte beide Spuren sauber.[3] Verändert hatte sich dazwischen eine einzige Angabe im Aufruf der Transkription:
1segments, info = model.transcribe(spur, vad_filter=True)
Am Ergebnis ist der Unterschied sofort sichtbar. Die stillen Minuten einer Spur tauchen im Transkript gar nicht mehr auf, und die Höflichkeitsfloskeln im Dreißig-Sekunden-Takt verschwinden mit ihnen. Die Erkennung schaltet stille Abschnitte aus, bevor die Spracherkennung überhaupt die Chance bekommt, dort etwas zu erfinden. Seither ist der Schalter der Standard für jede Aufzeichnung im Camp.
Aufnahme: Craig als Aufnahmebot in Discord, eine eigene Tonspur je anwesender Person. Spracherkennung: Faster-Whisper, lokal auf eigener Hardware betrieben. Der Schalter: vad_filter=true im Transkriptionsaufruf. Belegt durch: zwei Läufe über dieselbe Aufnahme, ohne Sprachaktivitätserkennung am 13.07.2026, mit Sprachaktivitätserkennung am 14.07.2026.
Montags im Camp
Wenn du eigene Sitzungen aufzeichnen willst
Im Social Impact Camp arbeiten wir jeden Montagabend an gemeinnützigen Vorhaben, und Transkription gehört zum festen Ablauf. Du kannst dazukommen, ohne Vorerfahrung und ohne Kosten.
Beim Camp mitmachenWas am Ende dabei herauskommt
Aus einer Aufzeichnung werden bei uns drei getrennte Dokumente. Eine Korrekturliste führt jede belegbare Änderung mit Begründung. Eine Rückfragenliste sammelt unsichere Stellen mit Zeitstempel, ohne sie anzufassen. Und die Rohfassung bleibt unverändert erhalten, damit sich jede Korrektur im Zweifel gegen das Original prüfen lässt.
Wie aus diesen drei Dokumenten ein geschnittener Auftrag an einen Agenten wird, zeigt der Beitrag zum Aufgabenzuschnitt.
Quandes Projects e. V.
Wenn du wissen willst, woran wir gerade arbeiten
Das Social Impact Camp ist ein offenes, kostenloses Format von Quandes Projects e. V. Auf der Camp-Seite steht, was montags passiert und wie ein Abend abläuft.
Das Camp ansehenHäufige Fragen
Häufige Fragen zur Transkription von Sitzungen
Braucht ihr die Einwilligung aller Teilnehmenden?
Ja. Eine Aufzeichnung beginnt erst, wenn alle Anwesenden wissen, dass mitgeschnitten wird, und zugestimmt haben.
Warum erfindet eine KI überhaupt Text, wenn niemand spricht?
Weil die Spracherkennung darauf trainiert ist, aus Audio Text zu machen, und bei fehlendem Sprachsignal auf Muster aus ihren Trainingsdaten zurückgreift, statt eine Lücke zu melden.
Reicht eine einzige Einstellung wirklich, um das Problem zu beheben?
Im eigenen A/B-Vergleich schon. Der Schalter `vad_filter=true` stellt Faster-Whisper eine Sprachaktivitätserkennung voran, die stille Abschnitte aussortiert, bevor die Spracherkennung dort ansetzen kann.
Warum nehmt ihr je Person eine eigene Spur auf, wenn das Probleme macht?
Weil die Zuordnung sonst geraten werden müsste. Mit Einzelspuren steht fest, wer was gesagt hat, und darauf baut das ganze spätere Protokoll auf. Die Halluzinationen an stillen Stellen sind der Preis dafür, und die vorgeschaltete Sprachaktivitätserkennung bezahlt ihn.
Was passiert mit der Rohaufnahme nach der Transkription?
Sie bleibt unverändert erhalten, damit jede spätere Korrektur oder Rückfrage sich gegen das Original prüfen lässt.
Weiterführend
Mit Agenten arbeiten
Aufgaben für KI-Agenten zuschneiden: drei Schnitte, die den Auftrag klären
Ein KI-Agent scheitert selten am Prompt, sondern am Zuschnitt der Aufgabe. Drei Schnitte, die aus einem unscharfen Auftrag ein prüfbares Ergebnis machen.
Mit Agenten arbeiten
Mit KI-Agenten arbeiten: der Einstieg vor den drei Handgriffen
Was ein KI-Agent ist, was du ihm übergibst und was bei dir bleibt — die Landkarte, bevor du Aufgaben zuschneidest, Aufträge schreibst oder Ergebnisse prüfst.