Vom Gespräch zu den nächsten Schritten: Wie ich Sitzungen lokal transkribiere

Wichtige Einzelheiten verschwinden nach einem Gespräch erstaunlich schnell. An die Richtung erinnere ich mich, aber nicht immer an den genauen Wortlaut. Eine Entscheidung kann im Moment eindeutig erscheinen und zwei Tage später Fragen aufwerfen. Ausführliche Notizen helfen, teilen aber meine Aufmerksamkeit, obwohl ich eigentlich zuhören sollte.

Um diesen Aufwand zu verringern, habe ich ein lokales Transkriptionswerkzeug gebaut. Es zeichnet ein Gespräch auf meinem Mac auf, erstellt daraus ein Transkript mit Sprecherzuordnung und kann bei Bedarf eine Zusammenfassung erzeugen.

Das sichtbare Ergebnis ist Text. Der eigentliche Nutzen liegt im einfacheren Weg vom Gespräch zum nächsten Schritt.

Während des Gesprächs kann ich zuhören

Das Werkzeug zeichnet die Audioausgabe und standardmässig auch mein Mikrofon auf. So erfasst es sowohl die anderen Gesprächsteilnehmenden als auch meine Stimme.

Eine wichtige Entscheidung notiere ich weiterhin, wenn sie fällt. Die Aufnahme ist kein Grund, mit dem Denken aufzuhören. Ich muss mich aber nicht mehr zwischen aufmerksamem Zuhören und dem Mitschreiben jedes nützlichen Satzes entscheiden.

Das ist die erste Verbesserung im Arbeitsablauf. Das Werkzeug bleibt im Hintergrund. Es unterbricht das Gespräch nicht und versucht nicht, es zu steuern. Es erzeugt Material, mit dem ich später weiterarbeiten kann.

Eine Gesprächsaufzeichnung bringt auch Verantwortung mit sich. Die Beteiligten müssen wissen, dass aufgenommen wird. Ausserdem müssen Einwilligung, betriebliche Regeln und Aufbewahrungsdauer geklärt sein. Lokale Verarbeitung verändert den Datenweg. Sie hebt diese Pflichten nicht auf.

Nach dem Gespräch bleibt die Transkription auf meinem Mac

Wenn ich die Aufnahme stoppe, schliesst die Anwendung zuerst die Audiodatei sauber ab. Danach transkribiert Whisper sie lokal auf meinem Mac mit Apple Silicon. Ein separates Modell erkennt die verschiedenen Stimmen und ordnet die Abschnitte den jeweiligen Sprechern zu.

Das Ergebnis wird in zwei nützlichen Formen gespeichert:

als lesbares Markdown für die Prüfung und tägliche Arbeit,
als strukturiertes JSON mit Sprecherzuordnungen und Zeitmarken für die weitere Verarbeitung.

Die Aufnahme, die Transkription und die Sprecherzuordnung bleiben während dieser Schritte auf meinem Mac. Ich muss die Aufnahme nicht bei einem Transkriptionsdienst hochladen, nur um Sprache in Text umzuwandeln.

Das ist besonders hilfreich, wenn eine Aufzeichnung Arbeitsmaterial enthält, das nicht standardmässig an einen weiteren Anbieter gesendet werden soll. Gleichzeitig bestimme ich direkt, wo die Dateien liegen und wann sie gelöscht werden.

Das Transkript ist eine Quelle, zu der ich zurückkehren kann

Meine Erinnerung macht aus einem Gespräch gerne eine klare Geschichte. Echte Gespräche sind weniger ordentlich. Jemand kann eine Idee vorgeschlagen haben, ohne dass sie beschlossen wurde. Eine Frist kann an eine Bedingung geknüpft gewesen sein. Die abschliessende Antwort kann zwanzig Minuten nach der Frage gefallen sein.

Mit einem Transkript und Zeitmarken kann ich zur relevanten Stelle zurückkehren, statt mich allein auf meine Erinnerung zu verlassen.

Das hilft bei wiederkehrenden Aufgaben im Arbeitsalltag:

prüfen, was tatsächlich entschieden wurde,
den Grund für eine technische Entscheidung finden,
einen Namen, ein Datum oder eine Zusage wiederfinden,
eine Nachricht im Anschluss vorbereiten,
und nach einer Unterbrechung wieder in ein Projekt einsteigen.

Das Transkript ist nicht automatisch korrekt. Whisper kann Namen und Fachbegriffe falsch verstehen. Die Sprecherzuordnung kann Stimmen verwechseln, besonders wenn mehrere Personen gleichzeitig sprechen. Ich behandle das Ergebnis als durchsuchbare Arbeitsgrundlage, nicht als verbindliches Protokoll.

Die Zusammenfassung ist ein eigener, optionaler Schritt

Aufnahme und Transkription bleiben lokal. Für die Zusammenfassung gelten andere Bedingungen.

Wenn ich sie ausdrücklich anfordere, übergibt die Anwendung den Text des Transkripts an Codex. Die Audiodatei wird nicht mitgeschickt. Codex erstellt eine separate Zusammenfassung im Markdown-Format, die ich neben dem Transkript prüfen kann.

Diese Grenze ist bewusst gewählt. Ich kann nach der lokalen Transkription aufhören, wenn der Inhalt auf dem Gerät bleiben soll. Wenn der Inhalt mit dem konfigurierten Dienst verarbeitet werden darf, kann ich Folgendes vorbereiten lassen:

Entscheidungen,
offene Fragen,
Verantwortlichkeiten,
nächste Schritte,
und Punkte, die noch bestätigt werden müssen.

Das ganze System einfach als «lokale KI» zu bezeichnen, würde diesen Unterschied verdecken. Die Spracherkennung läuft lokal. Die optionale Zusammenfassung nutzt einen weiteren Dienst. Für jeden Schritt muss deshalb klar sein, welche Informationen er verarbeitet.

Vom Transkript zum nächsten Schritt

Die grösste Zeitersparnis entsteht nicht durch das Transkript allein. Sie entsteht, weil ich für den Übergang vom Gespräch zur nächsten sinnvollen Handlung weniger Zeit brauche.

Mein Ablauf ist einfach:

Das Gespräch mit der nötigen Einwilligung aufzeichnen.
Es lokal transkribieren und die Sprecher zuordnen.
Wichtige Namen, Begriffe und Sprecherzuordnungen korrigieren.
Nur dann eine Zusammenfassung anfordern, wenn der Inhalt mit dem dafür vorgesehenen Dienst verarbeitet werden darf.
Entscheidungen und Zusagen an den relevanten Stellen prüfen.
Das geprüfte Ergebnis in eine Nachricht, Aufgabe oder Projektnotiz überführen.

Die KI bereitet das Material vor. Ich entscheide, was ich in meine weitere Arbeit übernehme und was ich an eine andere Person sende.

Diese letzte Unterscheidung ist wichtig. Eine plausibel klingende Aufgabe ist nicht automatisch eine vereinbarte Zusage. Auch eine gut formulierte Nachricht kann auf einer falschen Interpretation beruhen. Die Prüfung anhand des Transkripts und die Entscheidung bleiben menschliche Arbeit.

Weshalb das Modell allein nicht reicht

Whisper und die Sprechererkennung liefern die eigentlichen KI-Funktionen. Sie sind aber nicht das ganze Werkzeug.

Die Anwendung muss auch die Audioausgabe und das Mikrofon aufnehmen, macOS-Berechtigungen berücksichtigen, stille Aufnahmen erkennen, Tonspuren zusammenführen und Audiodateien beim Stoppen zuverlässig abschliessen. Ausserdem kann ich darin frühere Aufnahmen öffnen, die Transkription später starten, ein Whisper-Modell wählen sowie Transkripte und Zusammenfassungen lesen.

Diese Einzelheiten entscheiden, ob ich das System an einem gewöhnlichen Dienstag wirklich benutze. Ein gutes Modell hinter einem umständlichen Befehl bleibt ein Experiment. Ein klarer Ablauf für Aufzeichnen, Stoppen, Transkribieren und Prüfen kann Teil der täglichen Arbeit werden.

Dieselbe Erkenntnis gilt für KI-Projekte in Unternehmen. Die Qualität des Modells ist wichtig. Ob Menschen ein System tatsächlich einsetzen, hängt aber oft von den weniger sichtbaren Teilen ab: Wie gelangen die Daten ins System? Was geschieht, wenn ein Schritt scheitert? Wo wird das Ergebnis gespeichert? Wer prüft und genehmigt es?

Wo lokale Transkription helfen kann

Der sinnvollste Einstieg ist ein wiederkehrendes Gespräch, aus dem weitere Arbeit entsteht. Das kann eine Projektbesprechung, ein Interview, eine technische Abklärung oder eine Übergabe sein.

Bevor man ein Modell auswählt, sollte der Arbeitsablauf geklärt sein:

Welche Tonquellen sollen aufgezeichnet werden?
Haben die Beteiligten zugestimmt?
Müssen Aufnahme und Transkript auf dem Gerät bleiben?
Wer darf das Ergebnis sehen?
Wie lange sollen die Dateien aufbewahrt werden?
Welche Aussagen müssen geprüft werden, bevor daraus Aufgaben oder Nachrichten entstehen?

Danach lässt sich das System mit einer Testaufnahme prüfen, deren Inhalt bereits bekannt ist. Namen, Fachbegriffe, Sprecherwechsel und Aufgaben zeigen schnell, welche Ergebnisse kontrolliert werden müssen.

Mein lokales Transkriptionswerkzeug ersetzt weder das Zuhören noch die Verantwortung oder die weitere Arbeit. Es gibt mir nach dem Gespräch eine durchsuchbare und überprüfbare Arbeitsgrundlage. Aufnahme und Transkription bleiben zunächst auf meinem Mac. So gelange ich mit weniger Aufwand vom Gespräch zu geprüften nächsten Schritten.