Eine Sprachnotiz für gehörlose oder schwerhörige Menschen zugänglich machen

Das kommt meist in einem ganz gewöhnlichen, ungeplanten Moment auf: eine Sprachnachricht aus der Arztpraxis, eine Sprachnotiz von einem Angehörigen, die Aufnahme eines Meetings, das jemand verpasst hat. Die Audiodatei weiterzuleiten fühlt sich wie die naheliegende, großzügige Geste an. Für jemanden, der gehörlos oder schwerhörig ist, ist das nicht großzügig, sondern schlicht wirkungslos — eine Datei, die Ton über einen Kanal abspielt, den die Person nicht nutzen kann, nicht anders, als würde man einem blinden Menschen ein Foto schicken und es eine Beschreibung nennen.

Die Aufnahme war nie der zugängliche Teil

Eine Sprachnotiz ist ihrer Natur nach Audio — ein Signal für Ohren. Das gilt unabhängig davon, wie klar sie aufgenommen wurde, wie gut das Mikrofon saß oder wie ruhig der Raum war. Nichts davon, was eine Aufnahme gut klingen lässt, ändert etwas daran, was sie im Kern ist. Die einzige Version einer Sprachnotiz, die für jemanden zugänglich ist, der sie nicht hören kann, ist die aus Wörtern auf einer Seite — und das bedeutet, ein Transkript ist hier keine optionale Zugabe, wie es das für eine hörende Person sein könnte, die genauso gut zuhören könnte. Es ist die gesamte Lieferung.

Welches Exportformat wirklich verschickt werden sollte

Ein Transkript-Export gibt es in zwei Formen, gebaut für unterschiedliche Leser. Ein TXT-Export stellt Titel, Datum, Uhrzeit und Ort über das Transkript, darunter die Worte selbst als durchgehenden Fließtext — dieselbe Form wie eine Textnachricht oder eine E-Mail, die sich problemlos in Notizen, Mail, Nachrichten oder jedem beliebigen Texteditor auf jedem Gerät öffnen lässt. Ein JSON-Export führt dieselben Angaben als getrennte Felder und fügt noch ein paar weitere hinzu, etwa Dauer, Stimmung und Tags, eingebettet in die Zeichensetzung, die ein Programm zum Auswerten erwartet, nicht ein Mensch zum Lesen.

Um einer Person Worte zu übergeben, ist TXT so gut wie immer die richtige Wahl. Es liefert genau das, was eine schlichte Lektüre von „was wurde gesagt“ braucht, und verlangt von der empfangenden Person nichts weiter, als eine Textdatei öffnen zu können — das kann jedes Telefon und jeder Computer bereits. JSON hat einen echten Zweck — strukturierte Angaben woandershin zu bewegen, oder ein Transkript in ein Programm zu füttern, das Felder erwartet —, aber eines direkt zu lesen heißt, sich zwischen geschweiften Klammern, Anführungszeichen und Feldnamen hindurchzukämpfen, die zwischen einem selbst und den eigentlich wichtigen Worten stehen.

Was ein Transkript trotzdem nicht kann

Die Worte zu übergeben ist nicht dasselbe wie synchronisierte Untertitel zu übergeben. Weder der TXT- noch der JSON-Export enthält Zeitstempel pro Wort oder pro Zeile — der Text kommt als durchgehender Fließtext heraus, nicht als zeitlich getaktete Zeilen, die wie eine Untertitelspur mit der Wiedergabe mitlaufen könnten. Einen SRT- oder VTT-Export gibt es ebenfalls nicht, und genau das wäre das Format, das für Text im Gleichschritt mit dem Ton während der Wiedergabe tatsächlich nötig wäre. Was man jemandem geben kann, ist der vollständige Text des Gesagten, zum eigenständigen Lesen; was man nicht geben kann, ist eine Version der Aufnahme, in der die Worte zeitgleich mit dem Audio erscheinen, denn das ist ein ganz anderer Dateityp, als ihn ein Transkript-Export erzeugt.

In der Praxis ist das seltener eine echte Lücke, als es klingt. Die meisten Situationen, in denen eine Sprachnotiz überhaupt geteilt wird — eine Sprachnachricht, eine Notiz von einem Angehörigen, Notizen aus einem verpassten Meeting — werden einmal gelesen, im eigenen Tempo der empfangenden Person, nicht in Echtzeit neben einem Video verfolgt. Der reine Text erledigt die Aufgabe, auf die es ankam. Synchronisierte Untertitel zählen mehr bei Video, wo Bild und Timing wirklich zusammenspielen, und das ist ein anderes Problem, als eine Sprachaufnahme überhaupt erst lesbar zu machen.

Vor dem Verschicken lesen, nicht danach

Ein Transkript ist bearbeitbarer Text, der auf der Aufnahme liegt, kein festgedruckter Ausdruck — und das zählt hier mehr als bei fast jeder anderen Verwendung eines Transkripts. Eine hörende Person, die auf einen unklaren Satz stößt, kann einfach den Ton abspielen und hören, was tatsächlich gesagt wurde. Eine gehörlose oder schwerhörige Person hat diese Rückfalloption nicht — der Text ist die einzige Version der Aufnahme, die bei ihr ankommt, also ist ein falsch erkannter Name oder ein unsinniges Wort kein kleiner Schönheitsfehler, sondern die gesamte Botschaft, die sie an dieser Stelle der Aufnahme erhält. Das Transkript vor dem Verschicken einmal gegen die eigene Erinnerung an das Gespräch gegenlesen und alles korrigieren, was eher wie eine Vermutung als wie ein tatsächlich gehörtes Wort wirkt — derselbe kurze Durchgang, der sich vor dem Teilen jedes Transkripts mit jedem lohnt, der hier aber den Unterschied macht zwischen der Botschaft ankommen und einer Lücke ankommen.

Wenn es um mehr als eine Aufnahme geht

Eine einzelne Sprachnachricht ist ein einmaliger Export. Eine wiederkehrende Situation — ein gehörloser Angehöriger, der den Text jeder Sprachnotiz aus dem Familienchat haben möchte, oder eine Studentin, die das Transkript jeder aufgezeichneten Vorlesung braucht — ist eigentlich dieselbe Arbeit, nur wiederholt: als TXT exportieren, einmal gegenlesen, verschicken. Es gibt keinen Sammelschritt, der daran etwas ändert, und es braucht auch keinen — ein Transkript kostet eine Handvoll Kilobyte und eine Minute Lesezeit, egal wie oft man es macht, was deutlich kleiner ist, als es sich beim ersten Mal anfühlt.

Das Audio bleibt trotzdem aufbewahrenswert

Nichts davon bedeutet, dass die .m4a-Datei weggeworfen oder weggelassen werden sollte. Sowohl das Transkript als auch die ursprüngliche Aufnahme zu verschicken kostet nichts zusätzlich und deckt die Fälle ab, die Text allein nicht abdeckt: eine hörende Person im selben Gespräch, die das Audio möchte, eine empfangende Person, die von den Lippen liest und die Aufnahme eines Videoanrufs lieber ansehen als nur lesen möchte, oder einfach der Wunsch, das Original für den Fall aufzuheben, dass ein Transkript später noch einmal geprüft werden muss. Das Transkript ist es, was die Aufnahme für jemanden zugänglich macht, der sie nicht hören kann; das Audio konkurriert damit nicht, es erledigt nur diese eine Aufgabe nicht.

Wie Voice Studio damit umgeht

Ein Transkript als TXT oder JSON zu exportieren, oder eine Aufnahme als ihre .m4a-Datei zu teilen, sind gewöhnliche, uneingeschränkte Teile der kostenlosen App — nichts davon steckt hinter Pro. Ein Transkript in Voice Studio ist bearbeitbarer Text auf der Aufnahme, also ist das Korrigieren eines falsch erkannten Namens oder einer unklaren Formulierung vor dem Verschicken eine ganz normale Bearbeitung, kein Umweg. Es gibt weder SRT- noch VTT-Export, noch Zeitstempel pro Wort in einem der beiden Transkriptformate — was verschickt wird, ist also der vollständige Text einer Aufnahme, keine mit ihr synchronisierten Untertitel. Das lohnt sich, vorher zu wissen, statt es erst hinterher festzustellen.

Häufige Fragen

Hilft es einer gehörlosen oder schwerhörigen Person, ihr einfach die Audiodatei zu schicken?

Nein. Die Aufnahme ist Ton, und sie zu teilen übergibt nichts, das die Person allein nutzen kann. Das Transkript ist es, was tatsächlich ankommt — das Audio zählt aus anderen Gründen, aber nicht aus diesem.

Sollte ich das Transkript als TXT oder als JSON verschicken?

TXT, um einer Person Worte zu übergeben. Es öffnet sich als klarer, lesbarer Fließtext auf jedem Gerät. JSON führt dieselben Angaben als strukturierte Felder und fügt noch ein paar weitere hinzu, etwa Dauer und Tags — das passt eher dazu, Daten in ein anderes Programm zu bewegen, als es direkt zu lesen.

Kann ich den Text mit dem Audio mitlaufen lassen, wie Untertitel?

Nein. Keines der beiden Exportformate enthält Zeitstempel pro Wort oder pro Zeile, und es gibt weder SRT- noch VTT-Export, also gibt es keine Möglichkeit, Text mit der Wiedergabe zu synchronisieren. Verschicken lässt sich das vollständige Transkript zum eigenständigen Lesen.

Warum ist es hier wichtiger, das Transkript gegenzulesen als sonst?

Weil die empfangende Person kein Audio hat, auf das sie zurückgreifen kann, wenn ein Wort merkwürdig wirkt. Eine hörende Person kann die Aufnahme einfach noch einmal abspielen; für jemanden, der sie nicht hören kann, ist der Text die gesamte Botschaft, also ist ein falsch erkanntes Wort eine echte Lücke und kein kleiner Ausrutscher.