Gesprochene Inhalte erfreuen sich großer Beliebtheit, sei es als Hörbuch, Hörspiel, in Form von Radio oder als Podcast. Doch kämpfen viele Audioinhalte mit dem Problem, dass ihre Inhalte schwer zu durchsuchen sind. Wer sich an eine bestimmte Information aus einem Podcast erinnert und dann die passende Stelle und Episode sucht, hat meist eine längere Rechercheaufgabe vor sich – es sei denn, der Podcast wurde transkribiert. Manuelle Verschriftlichung ist jedoch ein so hoher Aufwand, den kaum jemand betreibt (abgesehen von einigen öffentlich-rechtlichen Angeboten). Transkription per Künstlicher Intelligenz kann dabei Abhilfe schaffen – und eben diese Möglichkeit baut Apple in seine Sprachsoftware ein.


Apple hat für die Podcasts-App in iOS 17.4 automatische Transkripte angekündigt – zunächst für die Sprachen Englisch, Spanisch, Deutsch und Französisch. Anfangs werden neu hochgeladene Podcast-Folgen transkribiert, später will Apple auch für ältere Folgen Mitschriften erzeugen. Apple hat bereits damit begonnen, Podcastfolgen – so können Nutzer der ersten Beta von iOS 17.4 diese Funktion bereits testen. MacStories konnte beobachten, dass die Transkriptionen nach kurzer Zeit bereitgestellt werden. Die Verschriftlichungen haben eine hohe Qualität und unterscheiden zuverlässig die einzelnen Sprecher, jedoch ohne sie zu benennen.

Voraussetzung: Apple-Podcaster-Programm
Die Transkription bietet Apple allerdings nur den Teilnehmern des kostenpflichtigen Programms "Apple Podcasters for Creators" an. Es kostet in Deutschland 19,99 € plus 30 Prozent Umsatzbeteiligung, etwa bei kostenpflichtigen Abonnements; in diesem Fall übernimmt Apple auch das Hosting der Audiodateien. Wer seinen Podcast über Apples Portal "Podcast Connect" ohne diese Mitgliedschaft verwaltet, bekommt zwar die Felder für Transkriptionsinformationen angezeigt. Will man sie jedoch bearbeiten, erscheint eine Fehlermeldung.


Update 01.02.2024
In einer E-Mail an die Nutzer von Podcasts Connect weist Apple darauf hin, dass der Dienst den RSS-Transcript-Tag anderer Hosting-Plattformen unterstützen wird. Damit können beispielsweise Nutzer des Wordpress-Plug-ins Podlove ihre selbst erzeugten Transkripte für Apples Podcast-App bereitstellen.

Herausforderungen bei der Spracherkennung
Eine Transkriptions-KI muss mehrere Aufgaben meistern: Nach der Erkennung der Sprache sollte die Künstliche Intelligenz nicht nur einzelne Worte, sondern auch Zusammenhänge verstehen und passend Satzzeichen setzen. Dann entstehen mit Zeitmarken versehene Fragmente, sodass der Bezug zum zeitlichen Verlauf der Audiodatei erhalten bleibt. Apple verwendet hier das VTT-Format.
Im September stellte OpenAI, die Firma hinter ChatGPT, eine mächtige Spracherkennung kostenlos bereit: Whisper wurde auf GitHub als Open-Source-Software veröffentlicht. Sie beherrscht 150 Sprachen und stellt die Basis für viele günstige oder kostenlose Apps wie Whisper Transcription oder AIKO. Whisper kann jedoch keine Sprecher unterscheiden (Diarization). Apple verwendet entweder eine eigene KI oder hat eine zweite dazugeschaltet, um auch einzelne Sprecher zu unterscheiden.