Die Folge ist aufgenommen, das Gespräch war gut, und jetzt liegt auf deinem Mac eine Audiodatei. Bevor du sie auf die Plattform lädst, brauchst du Shownotes. Eine Einleitung, Kapitel mit Zeitmarken, vielleicht Zitate und Links. Genau an dieser Stelle verlieren viele Podcasts Qualität, weil das Transkript vorliegt, aber niemand die redaktionelle Sortierung übernehmen will.
Erst das Transkript, dann die Shownotes
Für die reine Umwandlung von Audio in Text hast du auf dem Mac mehrere sinnvolle Wege. Wer die Datei lokal verarbeiten will, kann beispielsweise Weesper Transcribe nutzen. Die Anwendung arbeitet Audio- und Videodateien auf dem Mac und exportiert unter anderem SRT, VTT, TXT, Markdown und DOCX. Auch Stapelverarbeitung und eine semantische Suche gehören dazu.
MacWhisper ist ein weiterer Ansatz. Es verarbeitet Audio- und Videodateien, unterstützt Diktieren, lokale Modelle, optionale Cloud-KI, Zusammenfassungen, einen KI-Chat und Exportfunktionen. Wer aus dem Gespräch zusätzlich ein Video oder eine stärker bearbeitete Tonfassung machen will, schaut sich häufig Descript an, weil dort Audio und Video direkt redaktionell weiterbearbeitet werden.
Für Shownotes reicht ein gutes Transkript aber noch nicht. Du brauchst Entscheidungen: Was ist die wichtigste These, welche Kapitel verdienen eine eigene Überschrift, welche Zitate sollen in die Beschreibung?
Die Schreibarbeit beginnt nach dem Transkript
Hier hilft es, Transkript und Redaktionsauftrag klar zu trennen. Das Transkript liefert den Textbestand. Die Shownotes entstehen erst, wenn du daraus eine Lesestruktur machst. Genau dabei kannst du 
einsetzen, wenn du das bestehende Transkript als bereitgestellten Textkontext verwendest.
Der Kontextmodus führt eine gesprochene inhaltliche Anweisung mit dem bereitgestellten Text aus. Du kannst also auf das Transkript Bezug nehmen, ergänzende Vorgaben sprechen und daraus eine passende Shownotes-Fassung formulieren lassen. unterstützt damit die Textarbeit, ersetzt aber keine automatische Aktion außerhalb dieses Schreibauftrags.
Wenn du lieber frei brainstormst, passt der Auto-Prompt-Modus besser. Du sprichst dein Problem aus, strukturiert Ziel, Kontext und Vorgaben zu einem KI-Auftrag, den du in ChatGPT, Copilot, Claude oder einem anderen KI-Werkzeug weiterverwenden kannst.
Ein konkretes Beispiel aus dem Podcast-Alltag
Angenommen, du hast eine 48-minütige Folge über KI-Tools im Steuerbüro aufgenommen. Das Transkript liegt vor. Du willst keine bloße Zusammenfassung, sondern Shownotes, mit denen Hörer schnell entscheiden, ob sie die Folge brauchen.
Eine gesprochene Anweisung könnte so lauten:
"Hier ist das vollständige Transkript meiner Podcast-Folge über KI im Steuerbüro. Erstelle daraus Shownotes mit einer kurzen Einleitung, fünf sinnvollen Kapiteln, jeweils einem passenden Stichwort pro Kapitel, drei starken Zitaten und einem separaten Abschnitt für erwähnte Begriffe und Links."
Daraus kann ein Arbeitsergebnis entstehen, das schon eine echte redaktionelle Form hat:
- Einleitung mit klarer Zielgruppe
- Kapitelstruktur für Aufnahme, Auswahl, Kosten und Alltag
- drei wörtliche Zitate mit Kontext
- ein Abschnitt für Toolnamen und Fachbegriffe
Der Nutzen liegt darin, dass du nicht bei einer leeren Shownotes-Datei beginnst. Du startest mit einer brauchbaren roten Fassung und übernimmst nur noch die letzte redaktionelle Kontrolle.
Wann welche Lösung sinnvoll ist
Nach rechts scrollen, um alle Spalten zu vergleichen.
| Lösung | Einsatz | Verarbeitung |
|---|---|---|
| macOS-Diktat | Kurze Notizen direkt am Mac | hängt von Gerät und Einstellungen ab |
| Weesper Transcribe | Audio- und Videodateien lokal in Text verwandeln | lokale Verarbeitung auf dem Mac, Export in mehrere Formate |
| MacWhisper | Dateien und Meetings transkribieren, Zusammenfassungen und Export | lokale Modelle und optionale Cloud-KI |
| Descript | Audio und Video redaktionell weiterbearbeiten | KI-gestützte Bearbeitung im Editor |
| Aus eigenem Sprachinput und bereitgestelltem Text Shownotes formulieren | Kontextanweisungen und Auto-Prompt, Sprach- und KI-Verarbeitung in der EU |
Deutsche Diktatqualität im Vergleich
erreicht in unserem internen deutschen Benchmark die niedrigste Word Error Rate und die kürzeste Verarbeitungszeit unter den verglichenen Lösungen. Die Wortgenauigkeit entspricht 100 % minus WER.
Nach rechts scrollen, um alle Spalten zu vergleichen.
| Lösung | Wortgenauigkeit | Word Error Rate | Verarbeitungszeit | Intelligenz |
|---|---|---|---|---|
| 99,99 % | 0,01 % | 150 ms | Textaufbereitung, gesprochene Anweisungen mit bereitgestelltem Bildschirm-/Textkontext, Auto-Prompt |
| Weesper Neon Flow | 96 % | 4 % | 400 ms | Spracherkennung und Textaufbereitung mit lokalem Schwerpunkt |
| Descript | 90 % | 10 % | 3+ Sekunden | KI-Bearbeitung von Audio und Video mit Underlord |
Ergebnisse unseres internen Benchmarks für deutsche Sprache. Die Verarbeitungszeit ist ein Messwert des Vergleichs und keine Gesamtdauer einer vollständigen Schreibaufgabe.
Hersteller- und Fachquellen: weesper, weesper-transcribe, macwhisper, descript, apple. Stand: 2. Oktober 2026.
So wird aus dem Transkript schneller ein publikationsfähiger Text
Der wichtigste Schritt ist nicht nur die Transkription. Der wichtigste Schritt ist die redaktionelle Verdichtung. Wenn du die Folge noch auf dem Schreibtisch liegen hast, arbeite zuerst mit einem Transkript, das zu deinem Arbeitsstil passt. Danach hilft dir dabei, aus gesprochenen Redaktionsentscheidungen und dem vorhandenen Text eine klare Shownotes-Fassung zu machen.
Wenn du genau diesen Arbeitsschritt beschleunigen willst, schau dir entdecken an.
