Du hast eine Aufnahme — ein Standup, ein Kundengespräch, einen Elternabend — und du brauchst die verwertbaren Teile: was entschieden wurde, wer was macht und welcher Abschnitt zu welchem Sprecher gehört. Hier ist der Workflow, der funktioniert, mit echtem Output inklusive.
Schritt 1 — Datei ablegen, sagen, was du heraushaben willst
Drei Wege hinein: eine Audiodatei hochladen (MP3, WAV, M4A, FLAC — bis zu einer Stunde in einem Durchgang), das Mikrofon-Icon im Nachrichtenfeld drücken, um zu diktieren oder aufzunehmen, oder den Aufnahme-Button oben in der Datei-Schublade nutzen — Aufnahmen landen so oder so in deinem Workspace. Dann sag in einem Satz, was du wirklich brauchst:
- Nur Transkript — „transkribiere das" liefert dir den Text.
- Protokoll — „mach daraus ein Protokoll mit Action Items" liefert dir ein strukturiertes Dokument.
- Abschnitte — „trenn den Schulebenen-Teil vom Klassenebenen-Teil" funktioniert auch — das Transkript trägt Timestamps, also kann der Agent Abschnitte nach Zeit schneiden.
Wenn das Audio mehrere Sprecher hat, sag es — die Transkription läuft dann mit
Sprechertrennung, und der Output benennt die Turns <|speaker:0|>, <|speaker:1|> und so weiter.
Schritt 2 — Wie ein echtes Transkript aussieht
Wir haben ein 32-sekündiges Zwei-Sprecher-Standup synthetisiert (dieselbe Voice-Engine, die unsere Podcast-Pipeline antreibt — diese Datei ist also copyright-sauberes Demo-Material, nicht das echte Meeting von jemandem) und es durchlaufen lassen. Hör selbst:
Und die tatsächliche Transkription, die es produzierte, Sprecher-Labels inklusive:
<|speaker:0|> Let us start the sprint review. Marketing finished the landing page refresh, and sign-ups are up 12% week over week. <|speaker:1|> Good numbers. On my side, the new transcription pipeline shipped yesterday. Meeting recordings up to 60 minutes now work in one pass. Next, I want feedback on the minutes format before we announce it. <|speaker:0|> One open item. Pricing for the minutes feature, I will bring a proposal to Thursday. Anything else? <|speaker:1|> Just one thing. We still owe the team an incident write-up from last week. I will draft it today.
Jeder Turn trägt außerdem Start-/End-Timestamps — das macht Abschnitts-Schnitte und „clip den Teil, in dem über Pricing gesprochen wurde" möglich, ohne nochmal reinhören zu müssen.
Schritt 3 — Protokoll ist ein Formungsschritt, kein Transkriptionsschritt
Das Transkript ist das Rohmaterial; das Protokoll ist ein redaktionelles Produkt. Sag dem Agent Publikum und Form — „Protokoll fürs Team, Entscheidungen in einem Abschnitt, Action Items mit Verantwortlichen" — und er schreibt das Dokument, statt nur den Dump zu formatieren. In einem echten Lauf produzierte er aus einer einzigen Aufnahme zwei Dateien: eine Zusammenfassung auf Schulebene und eine auf Klassenebene, getrennt an dem Moment, in dem das Meeting den Scope wechselte.
Die ehrlichen Grenzen
- Rekorder mit seltsamen Containern dekodieren eventuell schlecht. Wenn eine Datei scheitert, konvertiert der Agent sie mit ffmpeg zu WAV und versucht es erneut — sag „es hat nicht geklappt" und er findet es heraus, aber ein Standard-MP3/M4A vom Handy ist der glatteste Weg.
- Sprachgemischtes Audio hat eine Dominant-Sprachen-Tendenz. Englisch und Chinesisch gemischt funktioniert gut; eine stark mehrsprachige Aufnahme markiert Abschnitte in Nebensprachen eventuell mit einem Sprach-Tag, statt sie zu transkribieren.
- Sprecher-Labels sind Nummern, keine Namen. Das Transkript sagt speaker:0 und speaker:1; der Agent rät Identitäten aus dem Kontext („der Schulleiter", „der Kunde") und liegt öfter richtig als nicht — verifiziere Namen, bevor du Protokolle veröffentlichst.
- Bindestriche und Produktnamen können driften. „meeting-to-minutes" kommt eventuell als „meeting to minutes" zurück. Einmal über Eigennamen drüberschauen.
Wohin das als Nächstes geht
Dieselbe Pipeline speist alles, was einem Transkript nachgelagert ist: E-Mail-Follow-ups, Slides-Decks aus Meeting-Inhalten, einen wöchentlichen Digest deiner Standups. Es ist eine Fähigkeit des persistenten Agents — derselbe Workspace, der deine Dokumente hält, hält das Audio, das Transkript und was immer du ihn daraus machen lässt.
Probier es: Öffne den Workspace, wirf eine Aufnahme rein und sag „transkribiere das, dann schreib mir ein Protokoll."