Es gibt viele Dienste, die aus einer Meeting-Aufnahme ein Transkript machen. Man lädt die Audiodatei hoch, ein paar Minuten später kommt der Text zurück. Praktisch. Nur: In dieser Aufnahme steckt oft alles, worüber man in einer Firma nicht laut reden will. Zahlen, Personalthemen, Strategie. Und die schickt man dann zu einem Anbieter, dessen Serverstandort und Datenverwendung man nur aus den AGB kennt.
Das wollte ich nicht. Also habe ich es selbst gebaut.
Was ich gebaut habe
Ich bin von einem Open-Source-Werkzeug gestartet, das Aufnahmen lokal spiegelt, und habe daraus eine vollständige Verarbeitungskette gemacht. Wenn eine neue Aufnahme reinkommt, läuft sie automatisch durch fünf Schritte:
- Transkription mit Whisper, lokal auf dem Rechner.
- Sprecher-Trennung mit Pyannote: Wer hat wann gesprochen?
- Sprecher-Erkennung: Abgleich der Stimmen gegen hinterlegte Profile, damit im Transkript echte Namen statt „Sprecher 1" stehen.
- Aufräumen und Zusammenfassen durch ein Sprachmodell: Füllwörter raus, Kernpunkte und Aufgaben rausgezogen.
- Webhook: Das fertige Protokoll wird an einen n8n-Flow geschickt und landet automatisch dort, wo ich es haben will.
Kein Byte Audio verlässt dabei den Rechner. Und am Ende habe ich nicht nur ein Transkript, sondern ein sortiertes Protokoll mit Zusammenfassung und Action Items.
Obendrauf habe ich einen eigenen MCP-Server gebaut. MCP ist das Protokoll, über das KI-Assistenten wie Claude auf externe Werkzeuge zugreifen. Mein Server macht das komplette Meeting-Archiv für den Assistenten abfragbar: „Was haben wir letzte Woche zum Liefertermin besprochen?" wird beantwortet, indem der Assistent lokal in den Transkripten sucht, semantisch, nicht nur nach Stichworten. Die Gespräche bleiben dabei auf dem Rechner, der Assistent bekommt nur die Ausschnitte, die er für die Antwort braucht.
Der Teil, der wirklich Arbeit war
Transkribieren kann heute fast jedes Werkzeug. Die eigentliche Arbeit steckte woanders: darin, die Sprecher zuverlässig auseinanderzuhalten, und darin, dass das Modell beim Aufräumen den Sinn nicht verändert.
Ich habe die Kette in mehreren Runden systematisch auf Fehler abgeklopft und dabei über siebzig verifizierte Bugs gefunden und behoben. Sprecher, die mitten im Satz gewechselt wurden. Ein Modell, das beim „Aufräumen" heimlich Formulierungen ersetzt hat. Speicherüberläufe, wenn eine lange Aufnahme auf einem Rechner mit begrenztem Arbeitsspeicher lief.
Das ist der unsichtbare Teil, den fertige Cloud-Dienste für einen erledigen und den man beim Selberbauen erst zu schätzen lernt. Es ist auch der Teil, der darüber entscheidet, ob ein System im Alltag hält oder nach zwei Wochen genervt weggelegt wird.
Warum das mehr ist als Datenschutz
Der offensichtliche Gewinn ist die Vertraulichkeit: sensible Gespräche bleiben im Haus. Für viele deutsche Betriebe ist das allein schon der entscheidende Punkt.
Aber es steckt mehr drin. Weil die ganze Kette mir gehört, kann ich sie an jeder Stelle anpassen. Andere Zusammenfassungs-Vorlage für Vertriebsgespräche als für interne Syncs. Aufgaben automatisch als Aufgaben ins Projektwerkzeug. Ein Alarm, wenn ein bestimmtes Thema fällt. Bei einem geschlossenen Dienst bekommt man, was der Anbieter vorsieht. Bei einer eigenen Pipeline bekommt man, was man braucht.