Interviews lokal mit noScribe und GPU transkribieren, für Forschung und Redaktion

Interviews auf dem eigenen Rechner transkribieren

Interviews lassen sich mit noScribe lokal transkribieren, einer kostenlosen App für Windows, macOS und Linux, die aus einer Aufnahme ein Transkript mit Sprecher­kenn­zeichnung und Zeitmarken macht, ohne etwas an einen Cloud-Dienst zu senden. Auf einem gewöhnlichen Rechner dauert eine Stunde Interview nach Angabe des Projekts ein bis drei Stunden. Eine NVIDIA-Grafikkarte verkürzt diese Wartezeit, und eine Workstation mit einer NVIDIA RTX PRO 4000 Blackwell ist der Einstieg für eine Forscherin, einen Forscher oder ein kleines Team.

Dieser Leitfaden richtet sich an Marktforschungsinstitute, sozialwissenschaftliche Institute, Redaktionen und Beratungen, die Nutzer- oder Experteninterviews führen und ihren Gesprächspartnern Vertraulichkeit zugesagt haben. Der Text erklärt, was noScribe tut, wie lange es mit und ohne GPU dauert, was der Datenschutz bei Interviewaufnahmen verlangt, wie das Transkript in MAXQDA oder Word kommt und welche Workstation zu welchem Umfang passt. Interviews mit ausscheidenden Fachkräften an der Maschine behandelt unser Leitfaden zum Erfahrungswissen vor dem Ruhestand sichern, die Modelle zur Sprecher­kenn­zeichnung unser Leitfaden zur Sprecherdiarisierung on-premise.

Zuerst einige Begriffe. Ein Transkript ist der geschriebene Text des Interviews. Die Sprecher­kenn­zeichnung, in der Technik Diarisierung genannt, markiert, welcher Abschnitt zu welcher Stimme gehört. Eine Zeitmarke ist die Stelle in der Aufnahme, an der ein Abschnitt beginnt. CUDA ist die Software-Schicht von NVIDIA, über die eine App die Grafikkarte (GPU) nutzt. QDA-Software wie MAXQDA oder ATLAS.ti dient dazu, qualitative Daten zu codieren und auszuwerten.

Was noScribe mit einem Interview macht

Das README des Projekts beschreibt noScribe als „An app to produce high quality transcripts of interviews for qualitative social research or journalistic use“. Die App steht unter GPL-3.0 und nutzt Whisper von OpenAI über faster-whisper für die Spracherkennung sowie pyannote für die Sprecher­kenn­zeichnung. Ihre Website noscribe.de hält fest: „No cloud, everything stays on your own computer.“ Das Installationsprogramm ist etwa 3 GB groß, weil es die KI-Modelle enthält; nach der Installation braucht die App für die Transkription also keine Internetverbindung.

README von noScribe auf GitHub, gelesen am 30. Oktober 2026.

Nach dem Durchlauf öffnet der Editor das Transkript neben der Aufnahme. Strg und Leertaste spielen das Audio an der Cursorposition ab, mit einstellbarer Geschwindigkeit; Namen, Zahlen und unklare Stellen lassen sich so dort prüfen, wo sie vorkommen. Ein Reiter „Queue“ listet alle Aufträge mit ihrem Stand. Version 0.7 brachte die Verarbeitung mehrerer Dateien auf einmal und eine Kommandozeile. Die neueste Version auf GitHub im Oktober 2026, 0.7.2, ist ein Wartungsrelease mit einem „True headless mode for servers“; das README nennt weiterhin 0.7 als aktuelle Versionsnummer.

Ausgegeben wird standardmäßig eine HTML-Datei, die sich laut README in jedem gängigen Textverarbeitungsprogramm öffnen lässt, außerdem reiner Text oder WebVTT, ein Untertitelformat, das das Projekt für den Import in EXMARaLDA ergänzt hat. Zu den Sprachen ist das README deutlich: Whisper „understands around 60 different languages, but the quality of the transcription varies widely between them“, am besten unterstützt sind Spanisch, Italienisch, Englisch, Portugiesisch und Deutsch. Unser Vergleich zur Spracherkennung Deutsch, Genauigkeit und Dialekt behandelt regionale Sprache.

Eine Warnung kommt vom Projekt selbst. Die Website schreibt: „Someone is trying to sell paid transcription services via the domain noscribe(dot)ai. I have nothing to do with that.“ Die offizielle Website ist noscribe.de, der Code liegt auf GitHub unter kaixxx/noScribe.

Wie lange die Transkription mit CPU und mit GPU dauert

Die Website von noScribe nennt den Planungswert für einen gewöhnlichen Rechner: „One hour of interview takes about 1-3 hours of transcription time, on older machines even longer“, und empfiehlt, Aufträge in die Warteschlange zu stellen, „for example overnight“. Sie ergänzt: „An NVIDIA graphics card (CUDA) can significantly speed up transcription.“ Die Windows-Version dafür braucht laut README „NVIDIA graphics cards with at least 6 GB of VRAM“, NVIDIA-Treiber „on version 570.65 or higher“ und ein installiertes CUDA Toolkit.

noScribe veröffentlicht keine Zeiten auf einer GPU. Veröffentlichte Werte gibt es für die Werkzeuge darunter. Das Paper zum Open ASR Leaderboard maß Whisper large-v3 auf einer NVIDIA A100-SXM4-80GB mit einem RTFx von 145,5, also 145,5 Sekunden Audio je Sekunde Rechenzeit, in Batches von 64; nach unserer Rechnung dauert die Erkennung eines 60-minütigen Interviews auf dieser Karte etwa 25 Sekunden. WhisperX, ein weiteres Werkzeug auf Basis von faster-whisper, nennt „70x realtime transcription using whisper large-v2“ im Batch-Betrieb, ohne die GPU zu nennen, sowie „<8GB gpu memory for large-v2 with beam_size=5“. Diese Werte stammen aus Batch-Aufbauten auf anderer Hardware und enthalten keine Sprechererkennung; über die Zeit von noScribe auf einer Workstation sagen sie daher nichts. Entscheidend sind die Einstellung „precise“ oder „fast“, die Sprechererkennung an oder aus, die Zahl der Sprecher, die Qualität der Aufnahme und die Karte. Messen Sie eine typische Aufnahme auf dem gelieferten Rechner, und planen Sie die Warteschlange danach.

Eine getestete Liste von Grafikkarten nennt das Projekt nicht. Auf einer neuen Blackwell-Karte installieren Sie einen Treiber ab der Version, die noScribe verlangt; eine erste Testtranskription zeigt dann, ob die App die GPU nutzt.

Sie können die Workstation allein bestellen, die Einrichtung von noScribe allein oder beides zusammen: die Workstation mit allem fertig installiert und eingerichtet; schreiben Sie uns, wir schlagen Ihnen die beste Lösung für Ihre Aufgaben und Ihr Budget vor.

Interviewdaten, Einwilligung und DSGVO

Interviews in Forschung und Journalismus berühren oft die Kategorien des Artikels 9 Abs. 1 DSGVO, der unter anderem Daten nennt, „aus denen die rassische und ethnische Herkunft, politische Meinungen, religiöse oder weltanschauliche Überzeugungen oder die Gewerkschaftszugehörigkeit hervorgehen“, sowie „Gesundheitsdaten“. Eine Sprachaufnahme mit zugeordnetem Namen enthält in jedem Fall personenbezogene Daten, und das Transkript enthält sie, bis es pseudonymisiert ist.

Transkribiert ein Cloud-Dienst die Aufnahmen, verarbeitet er sie in Ihrem Auftrag, und Artikel 28 Abs. 3 verlangt einen Vertrag, „in dem Gegenstand und Dauer der Verarbeitung, Art und Zweck der Verarbeitung, die Art der personenbezogenen Daten, die Kategorien betroffener Personen und die Pflichten und Rechte des Verantwortlichen festgelegt sind“. Eine Universitätsseite zeigt beide Wege nebeneinander. Die Fakultät für Erziehungswissenschaft der Universität Hamburg bietet ihren Mitarbeitenden den automatischen Transkriptionsdienst f4x an: „f4x ist ein Angebot der Dr. Dresing & Pehl GmbH“, mit „Servern in Deutschland und Verschlüsselung“. Dieselbe Seite hält fest: „Für die Verarbeitung der Daten durch Dritte in der Cloud müssen alle erforderlichen Rechte vorliegen“, und verweist für die lokale Transkription auf das kostenlose noScribe. Welchen Weg ein Projekt gehen darf, hängt davon ab, was den Interviewten gesagt wurde und wozu sie eingewilligt haben.

Drei Schritte helfen auf beiden Wegen. Prüfen Sie, was Einwilligungserklärung und Datenmanagementplan dazu sagen, wer wo transkribiert; lokale Transkription bringt keinen Auftragsverarbeiter hinzu. Speichern Sie das Audio auf einem verschlüsselten Laufwerk und löschen Sie es, sobald Einwilligung oder Projektplan es vorsehen; Artikel 32 Abs. 1 nennt unter Buchstabe a „die Pseudonymisierung und Verschlüsselung personenbezogener Daten“ als Maßnahme. Und pseudonymisieren Sie das Transkript früh. Artikel 4 Nr. 5 beschreibt Pseudonymisierung als Verarbeitung, nach der die Daten „ohne Hinzuziehung zusätzlicher Informationen nicht mehr einer spezifischen betroffenen Person zugeordnet werden können“, sofern diese Informationen „gesondert aufbewahrt werden“. In der Praxis werden Namen, Arbeitgeber und Orte durch Codes ersetzt, und die Schlüsselliste liegt an anderer Stelle. Ein lokales Sprachmodell kann die Ersetzungen vorschlagen, ein Mensch prüft sie, wie unser Leitfaden zur Schwärzung personenbezogener Daten vor dem LLM beschreibt.

Regeln zu Forschungsausnahmen und zum Schutz journalistischer Quellen setzt zum Teil das nationale Recht. Ihr Datenschutz­beauftragter, Ihre Ethikkommission oder Ihre Rechtsberatung bestätigen, was für Ihr Projekt gilt. Dieser Abschnitt ist eine allgemeine Information mit Stand Oktober 2026, keine Rechtsberatung.

Vom Transkript zu MAXQDA, ATLAS.ti oder Word

Laut README öffnet sich die HTML-Datei von noScribe in gängigen Textverarbeitungen, Word und LibreOffice eingeschlossen, und in QDA-Paketen wie MAXQDA, ATLAS.ti und QualCoder. Für MAXQDA führt der Weg mit Verknüpfung zum Audio über eine DOCX- oder RTF-Datei. Die Online-Hilfe von MAXQDA, gelesen am 30. Oktober 2026, schreibt „MAXQDA supports the formats of nearly all transcription programs“, listet die erkannten Zeitmarkenformate auf, darunter [hh:mm:ss] und das Format #hh:mm:ss-x# von f4x, und wandelt sie in eigene Zeitmarken um. Sie rät, Transkripte und Mediendateien im selben Ordner unter demselben Namen abzulegen, und fragt beim Import nach der Mediendatei.

Nach unserer Lesart entsprechen die Zeitmarken [hh:mm:ss] von noScribe einem der gelisteten Formate. Die Schritte: Zeitmarken in noScribe einschalten, die HTML-Datei in Word oder LibreOffice öffnen, als DOCX neben der Audiodatei unter demselben Namen speichern und in MAXQDA als Transkript mit Zeitmarken importieren. Testen Sie das mit einem Interview, bevor ein Projekt beginnt. Der VTT-Export dient EXMARaLDA und anderen Werkzeugen, die Untertiteldateien lesen; die Hilfe von MAXQDA nennt auch VTT-Untertiteldateien, etwa aus Teams, Zoom oder WebEx, unter den importierbaren Formaten, die VTT-Datei von noScribe ist daher ein zweiter Weg, den Sie testen können.

Die Transkriptionsregeln kommen vor der Software. Ein Projekt legt fest, ob es ein wörtliches Transkript mit Füllwörtern, Pausen und Abbrüchen braucht oder ein geglättetes. noScribe kann Pausen als „(..)“ markieren und versucht, Füllwörter zu erfassen, was das README „more of a 'recommendation'“ an das Modell nennt; ein Mensch korrigiert das Transkript daher im Editor gegen das Audio. Die Seite der Universität Hamburg beschreibt denselben Schritt für f4x: Die Nutzer prüfen das Rohtranskript und ergänzen die nötigen Angaben „gemäß Ihrer Transkriptionsrichtlinien“.

Welche Workstation für die Transkription von Interviews

noScribe ist eine Desktop-App; die erste Stufe ist daher eine Workstation für die Person oder das Team, das transkribiert. Ein Sprachmodell kommt hinzu, wenn das Team Zusammen­fassungen, erste Codes oder Antworten über viele Interviews hinweg möchte. Eine Stunde Interview mit beispielhaft 8.000 Wörtern ergibt auf Deutsch etwa 14.100 Tokens, wie unser Leitfaden zum Besprechungsprotokoll mit lokaler KI herleitet; eine Sitzung mit 32.768 Tokens fasst also ein ganzes Interview samt Anweisung und Antwort.

GPU-Speicher aus den Datenblättern von NVIDIA; Mindestwert von noScribe aus dem README; Speicher für Whisper aus dem Repository von OpenAI (10 GB = 9,3 GiB); Sitzungen nach unserer Regel für Nutzer je Karte (90 Prozent des vom Treiber gemeldeten Speichers, abzüglich 3 GiB je Karte und der Gewichte), mit 40,0 GiB nutzbar auf der RTX PRO 5000 mit 48 GB und 83,0 GiB auf einer 96-GB-Karte; gpt-oss-20b 12,8 GiB mit 0,75 GiB je 32K-Sitzung, gpt-oss-120b 60,8 GiB mit 1,125 GiB je 32K-Sitzung, wie in unseren Modell-Leitfäden. Unsere Schätzungen, ohne das Sprechermodell, dessen Speicherbedarf seine Modellkarte nicht nennt.

Einstieg. Eine NVIDIA RTX PRO 4000 Blackwell hat 24 GB GDDR7 bei 145 W in einem Steckplatz, das Vierfache des Mindestwerts von noScribe und mehr als die etwa 10 GB, die OpenAI für Whisper large nennt. Sie passt zu einer forschenden Person oder zu einem kleinen Team, das sich den Rechner teilt und die Warteschlange über Nacht laufen lässt. Unsere Seite zum Kauf einer RTX PRO 4000 Workstation nennt die Daten der Karte.

Einstieg mit Zusammenfassung. Die NVIDIA RTX PRO 5000 Blackwell mit 48 GB und 300 W bringt ein lokales Sprachmodell dazu. Nach unserer Regel bleiben 40,0 GiB; gpt-oss-20b belegt 12,8 und Whisper etwa 9,3, und die übrigen 17,9 GiB fassen 23 Sitzungen mit 32.768 Tokens, sodass mehrere Teammitglieder gleichzeitig Zusammen­fassungen oder erste Codes anfordern können. Was das Modell liefert, ist ein Entwurf für die Forschenden, nie die Auswertung selbst.

Mitte. Eine Workstation mit einer NVIDIA RTX PRO 6000 Blackwell Workstation Edition (96 GB, 600 W) betreibt das größere gpt-oss-120b neben der Transkription und zieht nach unserer Schätzung etwa 1,1 kW aus einem normalen Bürostromkreis. Eine zweite Karte derselben Edition verdoppelt den Platz für parallele Arbeit; zwei sind für diese Edition das praktische Maximum.

Groß. Wenn viele Projekte gleichzeitig transkribieren und Mitarbeitende Aufnahmen über den Browser hochladen sollen, wandert die Arbeit auf einen gemeinsamen Server. Unser Vergleich zur Otter-Alternative im Eigenbetrieb behandelt die Web-Apps dafür, unsere Seite zu KI-Servern die Hardware.

Nennen Sie uns die Zahl der Interviews im Monat und ihre Sprachen, wir schlagen Ihnen die beste Lösung für Ihre Aufgaben und Ihr Budget vor.

noScribe auf einer GPU-Workstation einrichten

1. CUDA-Version. Windows: Das CUDA-Installationsprogramm braucht mindestens 6 GB VRAM, NVIDIA-Treiber 570.65 oder neuer und ein installiertes CUDA Toolkit, danach einen Neustart (README). RTX-PRO-Blackwell-Karten haben die Compute Capability 12.0; prüfen Sie mit einer ersten Transkription, dass die GPU genutzt wird.
2. Versionen. README-Version 0.7; neueste Version auf GitHub 0.7.2, ein Wartungsrelease mit Headless-Modus. Die Kommandozeile kennt noScribe.exe --help und --no-gui für Skripte. Version 0.6 brachte eigene Whisper-Modelle.
3. Offline-Betrieb. Die Modelle liegen im etwa 3 GB großen Installationsprogramm, die Transkription braucht also keine externe Verbindung; sperren Sie ausgehenden Verkehr der Workstation, wenn Ihre Regeln das verlangen.
4. Gemeinsamer Server. WhisperX 3.8.6 (25. Mai 2026, BSD-2-Clause) ergänzt Zeitmarken je Wort und Diarisierung mit pyannote, die ein Hugging-Face-Token und die Annahme der Modellbedingungen braucht. Seine voreingestellten Ausrichtungsmodelle für Deutsch, Französisch, Spanisch und Italienisch sind die VoxPopuli-Modelle von torchaudio unter CC BY-NC 4.0, einer nichtkommerziellen Lizenz; ein Firmenserver braucht daher ein Ausrichtungsmodell, dessen Lizenz kommerzielle Nutzung erlaubt. Scriberr (MIT, v1.2.0) schreibt „Development is paused for now, but definitely not abandoned“, kündigt im selben README einen Neustart an und braucht auf diesen Karten sein Blackwell-spezifisches Image.
5. Speicher. Verschlüsseln Sie das Datenlaufwerk, nehmen Sie es in die Datensicherung auf und legen Sie Löschtermine je Projekt fest.
6. Eine Karte, zwei Programme. Läuft das Sprachmodell in vLLM neben noScribe, senken Sie --gpu-memory-utilization unter den Standardwert von 0,92; vLLM belegt diesen Anteil des Grafikspeichers beim Start, und für Whisper bliebe sonst zu wenig.

FAQ