Transkription ohne Umweg: Was Whisper für Datenschutz und digitale Souveränität leisten kann

Automatische Besprechungsprotokolle sind binnen weniger Jahre vom Experiment zum Standard geworden. Ein Bot sitzt im Videocall, zeichnet auf, transkribiert und liefert am Ende eine Zusammenfassung samt Aufgabenliste. Das funktioniert gut.

Die Frage, die regelmäßig untergeht, lautet: Wo genau liegt das Audio, wer verarbeitet es und unter welcher Rechtsgrundlage?

Es gibt eine Antwort auf diese Frage, die den gesamten Fragenkomplex weitgehend auflöst, statt ihn rein vertraglich zu bewirtschaften. Sie heißt lokale Verarbeitung. Und das derzeit praktikabelste Werkzeug dafür ist Whisper.

Was ist Whisper?

Whisper ist ein Modell zur automatischen Spracherkennung, das OpenAI 2022 veröffentlicht hat. Entscheidend ist weniger die Herkunft als die Lizenz: Die Modellgewichte stehen unter MIT-Lizenz frei zur Verfügung. Das Modell lässt sich damit ohne Nutzungsbeschränkung herunterladen und auch kommerziell nutzen, auf eigener Hardware betreiben und in eigene Werkzeuge und Abläufe einbauen.

Fachlich deckt Whisper rund 99 Sprachen ab, erkennt die gesprochene Sprache selbstständig, setzt Satzzeichen und liefert Zeitstempel auf Segmentebene. Deutsch gehört zu den gut trainierten Sprachen, auch mit österreichischer Färbung liegen die Ergebnisse in einem Bereich, der Nachbearbeitung auf reines Korrekturlesen reduziert.

In der Praxis relevant sind zwei Varianten. Das vollständige Modell large-v3 liefert die höchste Genauigkeit. Die Variante large-v3-turbo reduziert die Decoder-Schichten von 32 auf 4 und kommt dadurch auf ein Vielfaches der Geschwindigkeit bei einem Genauigkeitsverlust im niedrigen einstelligen Prozentbereich.

Auf einem aktuellen Notebook mit Apple Silicon transkribiert Turbo über Implementierungen wie whisper.cpp oder faster-whisper deutlich schneller als Echtzeit. Eine Stunde Besprechung ist in wenigen Minuten verschriftlicht, ohne Netzwerkverbindung.

Der regulatorische Unterschied

Der Reiz liegt nicht alleine in der Technik, sondern in dem, was durch die rein lokale Verarbeitung wegfällt.

Eine Besprechungsaufzeichnung enthält immer personenbezogene Daten in dichter Form: Stimmen, Namen, Meinungen, mitunter Gesundheitsangaben, Beschwerden über Vorgesetzte oder Angaben zu laufenden Verfahren. Wird sie an einen Cloud-Dienst übergeben, entsteht eine Auftragsverarbeitung nach Art. 28 DSGVO mit allem, was daran hängt: Vertragswerk, Prüfung der technischen und organisatorischen Maßnahmen, Verzeichnis der Verarbeitungstätigkeiten, Unterauftragsverarbeiter, Löschkonzept. Sitzt der Anbieter in den USA oder greift er auf US-Konzernstrukturen zurück, kommt die Frage der Drittlandsübermittlung nach Kapitel V dazu. Der Data Privacy Framework trägt diese Konstruktion derzeit, aber die anhängige Auseinandersetzung um seine Tragfähigkeit ist bekannt, und ein Angemessenheitsbeschluss ist kein Naturgesetz.

Bei lokaler Verarbeitung existiert dieser gesamte Strang nicht. Es gibt keinen Auftragsverarbeiter, keine Übermittlung, keinen Unterauftragnehmer. Die Verarbeitung findet innerhalb der eigenen Verantwortlichkeit statt. Das reduziert nicht nur Risiko, es reduziert vor allem Aufwand, und zwar dauerhaft.

Was bleibt, ist die Aufzeichnung selbst. Sie braucht eine Rechtsgrundlage nach Art. 6 DSGVO, eine Information der Teilnehmenden nach Art. 13, ein Löschkonzept und, in Österreich, Beachtung des § 120 StGB zur unbefugten Aufnahme nicht öffentlicher Äußerungen. Wird das System unternehmensweit für Mitarbeitergespräche eingesetzt, ist zusätzlich die Mitbestimmung zu prüfen, insbesondere § 96 Abs. 1 Z 3 und § 96a ArbVG.

Ein Hinweis zum EU AI Act, weil mir die Frage schon mehrfach gestellt wurde: Reines Transkribieren löst keine Transparenzpflicht nach Art. 50 aus. Die dortigen Kennzeichnungspflichten betreffen Interaktion mit KI-Systemen, synthetisch erzeugte Inhalte, Deepfakes sowie Emotionserkennung und biometrische Kategorisierung.

Wer allerdings Stimmanalyse zur Bewertung von Gemütszuständen ergänzt, verlässt diesen rechtlich entspannten Bereich sofort, im Beschäftigungskontext sogar in Richtung der verbotenen Praktiken nach Art. 5.

Die Grenzen von Whisper

Whisper ist kein Stenograf, sondern ein probabilistisches Modell. Bei Stille, Hintergrundrauschen oder sehr leisen Passagen erfindet es gelegentlich Text, der grammatikalisch einwandfrei und inhaltlich frei erfunden ist. In einem Podcast-Transkript ist das ärgerlich. In einem Auditprotokoll, einer Betriebsratsanhörung oder einer Anhörung im Beschwerdeverfahren ist es ein handfestes Problem, auch mit Blick auf den Grundsatz der Richtigkeit nach Art. 5 Abs. 1 lit. d DSGVO.

Zweitens trennt Whisper von Haus aus keine Sprecher. Wer weiß, wer was gesagt hat, braucht eine ergänzende Diarisierung, etwa über WhisperX oder pyannote. Das funktioniert, ist aber ein zusätzlicher Baustein mit eigener Fehlerquote.

Drittens gibt es kein Fachvokabular auf Knopfdruck. Normbezeichnungen, Produktnamen und Abkürzungen aus dem eigenen Umfeld landen erst nach Nachbearbeitung oder über einen vorgelagerten Prompt korrekt im Text.

Wichtig: Ein maschinelles Transkript ist ein Entwurf, kein Nachweis. Es ersetzt keine Freigabe durch die Beteiligten und gehört in keinen Auditordner, bevor es jemand gegengelesen hat.

Einordnung im Kontext Compliance

Wer Tools wie Whisper im beruflichen Umfeld betreibt, behandelt lokale Spracherkennung im Regelfall nicht als privates Werkzeug, sondern als das, was sie ist: eine Verarbeitungstätigkeit mit eigenem Asset. Konkret heißt das, den Ablageort der Audiodateien und Transkripte festzulegen und in die Klassifizierung einzubeziehen, Aufbewahrungsfristen zu definieren, den Zugriff zu beschränken und die Nutzung in der Richtlinie zum akzeptablen Umgang mit Informationswerten abzubilden. In der Terminologie der ISO27001 berührt das unter anderem A.5.10, A.5.12, A.5.33 und A.8.10.

Ein zweiter Schritt liegt nahe, sobald das Transkript vorliegt: die Weiterverarbeitung durch ein lokal betriebenes LLM, etwa über Ollama, um daraus Protokoll, Beschlusslage und offene Punkte zu erzeugen. Damit bleibt die gesamte Kette vom gesprochenen Wort bis zum fertigen Dokument auf der eigenen Hardware. Das ist digitale Souveränität in ihrer unspektakulärsten und wirksamsten Form: nicht als Positionspapier, sondern als Werkzeugkette, die vollständig ohne fremde Infrastruktur funktioniert.

Fazit

Whisper löst kein Problem, das es ohne KI nicht gäbe. Es löst ein Problem, das durch die reflexhafte Auslagerung von Sprachdaten in fremde Clouds entstanden ist. Der Aufwand für einen lokalen Aufbau ist überschaubar und einmalig, der regulatorische Ertrag dauerhaft.

Wer ohnehin gerade seine Infrastruktur auf Souveränität hin prüft, sollte das Thema Spracherkennung nicht auslassen. Sie ist einer der wenigen Bereiche, in denen die datenschutzfreundliche Variante zugleich die schnellere und die günstigere ist.

Mrak Consulting e.U. begleitet Unternehmen bei Datenschutz, Informationssicherheit und digitaler Souveränität. Verantwortung umgesetzt.

Transparenzhinweis: Dieser Beitrag wurde unter Einsatz von Claude Opus 5.0 textlich überarbeitet.