
ElevenLabs Scribe v3: Audio und Video transkribieren
Aktueller deutscher Leitfaden zu ElevenLabs Scribe v3: Dateien hochladen, Sprecher und Fachwörter korrigieren, Untertitel exportieren und v2 von Live unterscheiden.

Was Scribe v3 tatsächlich leistet und warum die Version wichtig ist
ElevenLabs Scribe v3 wandelt gesprochene Sprache aus vorhandenen Audio- oder Videodateien in geschriebenen Text um. Aus einem Interview, einer Besprechung oder einem Podcast entsteht so ein bearbeitbarer Entwurf, gegebenenfalls mit Wort-Zeitmarken und Sprecherkennzeichnungen. Das ist das Gegenteil der Sprachsynthese: Text to Speech erzeugt Audio aus Text, während Speech to Text Sprache erkennt und verschriftlicht.
ElevenLabs hat Scribe v3 am 9. November 2026 für die Speech-to-Text-API vorgestellt. Laut Anbieter weist das Modell auf dem FLEURS-Vergleichstest über 102 Sprachen 27 Prozent weniger Wortfehler als Scribe v2 auf. Das ist ein anbieterberichteter Benchmark und keine Garantie für Ihre Aufnahme: Dialekte, Hall, gleichzeitiges Sprechen und Eigennamen können weiterhin zu Fehlern führen. Für Claim26 wurden keine eigenen Tonaufnahmen getestet.
Scribe v3, Scribe v2 und Scribe v3 Live richtig unterscheiden
Scribe v3 ist die aktuelle Empfehlung von ElevenLabs für präzise Transkriptionen bereits aufgezeichneter Sprache; Scribe v2 ist weiterhin verfügbar. Auf der Website setzt der Anbieter nach seiner aktuellen Dokumentation standardmäßig Scribe v3 ein. In Umgebungen mit besonderer Datenresidenz wird weiterhin Scribe v2 eingesetzt. Prüfen Sie daher das tatsächlich angebotene Modell, statt aus einem alten Screenshot auf Ihre Benutzeroberfläche zu schließen.
Scribe v3 Live ist eine andere Variante für laufende Sprachströme, beispielsweise Untertitel während eines Gesprächs. Sie wird über einen Echtzeit-Zugang eingebunden, während die klassische Scribe-v3-Transkription eine vorhandene Datei verarbeitet. Die beiden Varianten unterscheiden sich beim technischen Ablauf und können andere Gebühren haben. Für einen schon abgeschlossenen Podcast ist die Datei-Transkription meist die einfachere Entscheidung.
Vor dem Upload: Einwilligung, Vertraulichkeit und eine saubere Originaldatei
Prüfen Sie vor jedem Upload, ob Sie die Aufnahme verarbeiten und an ElevenLabs übermitteln dürfen. Bei Gesprächen mit Kunden, Beschäftigten oder Patienten kann eine Tonaufnahme vertrauliche und personenbezogene Informationen enthalten. Die technische Upload-Möglichkeit ersetzt weder Zustimmung noch die Prüfung geltender Datenschutz- und Vertragsbedingungen. Für geschützte Arbeitsdaten ist außerdem die organisatorische Freigabe Ihres Unternehmens relevant.
Speichern Sie das Original getrennt von jeder bereinigten oder transkribierten Version. Notieren Sie Sprache, Dauer, bekannte Sprecher und mehrere schwierige Begriffe; wählen Sie zunächst einen kurzen, repräsentativen Ausschnitt. Ein zehnminütiger Test mit Hall oder mehreren Stimmen ist für die Qualitätsbeurteilung oft hilfreicher als ein reibungslos lesbarer Beispielsatz. Behalten Sie dabei den Informationswert der Originalaufnahme als Vergleichsmaßstab.
Schritt 1: Speech to Text öffnen und die richtige Datei wählen
Melden Sie sich bei ElevenLabs an und öffnen Sie das Werkzeug Speech to Text. Die offizielle Anleitung beschreibt den Einstieg über die Transkription von Dateien und das Hochladen einer Audio- oder Videodatei. Im Dialog können Sie verfügbare Optionen prüfen und den Upload starten. Menübezeichnungen und Schaltflächen können sich mit Produktaktualisierungen ändern, weshalb die aktuelle Anleitung maßgeblich bleibt.
Für einen ersten Durchlauf empfiehlt sich eine eindeutig benannte Testdatei, beispielsweise interview-test-2026-11.mp3. Verwenden Sie kein wahlloses Archiv mit langen vertraulichen Aufnahmen. Prüfen Sie vor dem Bestätigen, ob die richtige Sprache und das passende Modell eingestellt sind, welche Daten Sie übertragen und ob das Konto noch über ausreichend Transkriptionskontingent verfügt.
Dateiformate und Größenbegrenzung von Scribe überprüfen
ElevenLabs beschreibt die Verarbeitung verbreiteter Audio- und Videoformate über Speech to Text, unter anderem MP3, WAV, M4A und MP4. Nach der aktuellen Produktoberfläche können Dateien bis zu 3 GB hochgeladen werden. Die API-Dokumentation kann andere technische Größenbegrenzungen nennen; die tatsächlich verfügbare Grenze hängt daher vom verwendeten Zugang und dessen Regeln ab. Richten Sie sich immer nach der Grenze des konkreten Workflows.
Wenn ein Video keine Transkription liefert, prüfen Sie die Audio-Spur, den enthaltenen Codec und ob dort überhaupt verständliche Sprache vorhanden ist. Eine MP4-Endung allein garantiert keine lesbare Tonspur. Exportieren Sie nur dann in ein anderes Format, wenn der Upload oder die Tonqualität es erforderlich macht, und bewahren Sie das unveränderte Original für spätere Korrekturen auf.
Schritt 2: Sprache erkennen lassen oder bewusst auswählen
Scribe unterstützt mehr als 90 Sprachen, darunter Deutsch. Wenn die Aufnahme überwiegend in einer Sprache gehalten ist, kann deren gezielte Auswahl die Zuordnung erleichtern; alternativ kann das System Sprachen erkennen. Bei zweisprachigen Interviews ist eine erste Prüfung wichtig: Namen, kurze fremdsprachige Einschübe und ein Sprachwechsel mitten im Satz können falsch verstanden werden, selbst wenn die Sprache im Ganzen erkannt wird.
Scribe v3 bietet über die API zusätzlich die Angabe erwarteter sekundärer Sprachen. Das kann bei einer bewusst gemischten deutsch-englischen Aufnahme helfen. Die Funktion ist kein Übersetzungsmodus: Speech to Text soll das Gesagte in der gesprochenen Sprache wiedergeben. Wenn Sie einen übersetzten Text benötigen, folgt danach ein eigenständiger Übersetzungsschritt mit eigener Kontrolle.
Schritt 3: Fachwörter mit Keyterm Prompting absichern
Für seltene Begriffe wie Produktnamen, Personen oder technische Bezeichnungen stellt ElevenLabs Keyterm Prompting bereit. Damit geben Sie dem Modell Wörter oder kurze Phrasen als Orientierung. Prüfen Sie zunächst eine kleine Liste eindeutig geschriebener Ausdrücke, denn eine überladene Liste kann die Auswertung erschweren. Ein festgelegtes Wort ersetzt nicht die Prüfung, ob das Modell es auch tatsächlich an der richtigen Stelle erkannt hat.
Die aktuelle Modellübersicht dokumentiert je nach Schnittstelle unterschiedliche Obergrenzen für Schlüsselbegriffe. Einige erweiterte Optionen verursachen zusätzliche Kosten. Die Hilfeseite nennt für bestimmte Webabläufe bis zu 100 Begriffe und einen Aufpreis von 20 Prozent; in der API beschreibt die technische Dokumentation auch andere Obergrenzen. Übernehmen Sie deshalb nicht blind eine Zahl aus einer anderen Oberfläche oder einem älteren Tutorial.
Sprecher trennen: Was Diarisierung kann und was nicht
Bei einer Diskussion können mehrere Personen abwechselnd sprechen. Die Sprecher-Diarisierung versucht, gesprochene Abschnitte technischen Sprecherkennzeichen zuzuordnen. Für geeignete Batch-Verfahren beschreibt ElevenLabs bis zu 32 Sprecher. Diese Labels sind Hilfsmittel für eine Redaktion und keine verifizierten Namen realer Personen. Vor allem überlappende Wortmeldungen oder sehr ähnliche Stimmen können die Zuordnung beeinträchtigen.
Hören Sie die Übergänge zwischen Sprecher A und Sprecher B nach, bevor Sie im Editor richtige Namen vergeben. Trennen Sie Namen, die Sie aus dem Kontext kennen, von Namen, die der Dienst lediglich zuordnen soll. Bei einer veröffentlichten Interviewmitschrift kann eine falsche Zuordnung das Zitat inhaltlich verändern. Für juristische, medizinische oder journalistische Zwecke ist diese Kontrolle besonders wichtig.
Wort-Zeitmarken und Geräuschkennzeichnung richtig nutzen
Scribe kann Wörter mit Zeitpositionen versehen. Dadurch lassen sich Stellen im Original schneller nachhören, Untertitel vorbereiten und Zitate präziser prüfen. Die Ergebnisdaten können außerdem nichtsprachliche Ereignisse wie Lachen oder Applaus erfassen, wenn das entsprechende Tagging aktiviert wird. Ein erfasstes Ereignis ist jedoch nicht automatisch relevant für eine fertige Untertitelspur.
Vergleichen Sie die erzeugten Zeiten mit der tatsächlichen Datei. Schnittfassungen, hinzugefügte Intros und verschobene Tonspuren können jede spätere Synchronisation verändern. Wortgenaue Zeitmarken sind eine gute Ausgangsbasis, aber kein fertiger redaktioneller Schnitt. Bei schnellen Dialogen müssen Zeilenumbrüche und Lesezeiten nachträglich angepasst werden.
Schritt 4: Den Transkriptionsentwurf mit dem Audio korrigieren
Öffnen Sie nach der Verarbeitung das Transkript und spielen Sie zweifelhafte Passagen erneut ab. Die Produktoberfläche kann die Wiedergabe direkt an der ausgewählten Textstelle starten. Beginnen Sie mit Zahlen, Daten, Negationen, Eigennamen und Fachbegriffen: Gerade diese Fehler können eine sonst flüssig wirkende Mitschrift sachlich falsch machen.
Notieren Sie bei schwierigen Passagen, ob ein Wort tatsächlich zu hören war oder aus dem Kontext ergänzt wurde. Bei einer wörtlichen Zitierung darf eine unsichere Vermutung nicht stillschweigend zu einem überprüften Zitat werden. Nutzen Sie deshalb für die Veröffentlichung eine klar benannte, menschlich korrigierte Fassung und behalten Sie den automatisch erzeugten Entwurf als separate Version.
Transkript überarbeiten oder in einen lesbaren Text verwandeln
Die API dokumentiert einen optionalen Modus, der Füllwörter und abgebrochene Satzanfänge entfernen kann, sowie eine experimentelle Funktion zur Nachbearbeitung des Transkripts. Solche Veränderungen helfen bei einer flüssigeren Lesefassung, entfernen aber möglicherweise Eigenschaften der tatsächlichen Äußerung. Wenn der genaue Wortlaut für ein Protokoll wichtig ist, speichern Sie eine möglichst wortgetreue Fassung getrennt.
Bei der Nachbearbeitung ist außerdem zwischen automatischer Erkennung und redaktionellem Eingriff zu unterscheiden. Eine geglättete Aussage darf nicht als unverändertes Originalzitat erscheinen. Für Untertitel eines lockeren Videos kann eine leicht bereinigte Variante nützlich sein; für ein Interview, eine Einwilligung oder ein Gerichtsprotokoll können dieselben Änderungen problematisch sein.
Untertitel aus dem Text erstellen und kontrolliert exportieren
Nach der Kontrolle können Sie die Ergebnisse in einem von ElevenLabs angebotenen Exportformat herunterladen. Je nach Oberfläche stehen unterschiedliche Formate zur Verfügung. Für Untertitel sind Formate mit Zeitangaben hilfreich; für die Weiterbearbeitung kann ein reines Textdokument geeigneter sein. Prüfen Sie nach dem Export, ob Sprecherkennzeichen, Sonderzeichen und Zeitstempel erhalten blieben.
Öffnen Sie die exportierte Datei in Ihrem Schnitt- oder Untertitelprogramm und spielen Sie mehrere Passagen mit Bild ab. Achten Sie auf Lesetempo, lange Zeilen, Namensschreibweisen und kurze Ausrufe. Das ist ein zusätzlicher Qualitätsdurchgang, kein Fehler des Exportformats. Benennen Sie Entwurf, korrigierte Mitschrift und finale Untertitel so, dass sie später auseinandergehalten werden können.
Scribe v3 per API verwenden: Modellkennung und Sicherheitsregeln
Die offizielle API bietet den Speech-to-Text-Endpunkt POST /v1/speech-to-text. Für die neue Batch-Variante wird die Modellkennung scribe_v3 verwendet. Gegenüber einer bisherigen Scribe-v2-Integration wird laut Migrationshinweis vor allem die Kennung angepasst; dokumentierte Optionen wie Zeitmarken und Sprechererkennung bleiben grundsätzlich verfügbar. Prüfen Sie bei einer Umstellung dennoch aktuelle Felder und Einschränkungen in der API-Referenz.
Bewahren Sie Zugangsschlüssel ausschließlich serverseitig oder in einem geeigneten Geheimnisspeicher auf. Führen Sie zunächst mit einer autorisierten kurzen Datei einen kontrollierten Test durch und protokollieren Sie Kosten, Antwortfelder und Fehlermeldungen, ohne private Transkriptinhalte unnötig zu speichern. Dieser Artikel enthält keine erfundenen Messergebnisse oder als ausgeführt ausgegebenen API-Aufrufe.
Wie zuverlässig ist Scribe v3 für Deutsch und Dialekte?
ElevenLabs nennt mehr als 90 unterstützte Sprachen; Deutsch gehört dazu. Das Ergebnis hängt trotzdem vom verwendeten Mikrofon, Sprechtempo, Hintergrundgeräuschen, Dialekt und Fachwortschatz ab. Ein Modell kann in einem veröffentlichten Benchmark besser sein und dennoch bei Ihrem konkreten Dialekt oder einem übersteuerten Gespräch einen Namen falsch erkennen. Deshalb ist eine repräsentative Probe entscheidender als ein allgemeines Werbeversprechen.
Bewerten Sie eine Testmitschrift anhand echter Schwierigkeiten: vollständige Sätze, Eigennamen, Zahlen, Sprecherwechsel und mögliche Negationen. Wenn besonders wichtige Aussagen unverständlich sind, versuchen Sie nicht, die Lücke durch plausibel klingenden KI-Text zu verdecken. Bessere Aufnahmebedingungen oder erneutes Nachfragen können verlässlicher sein als ein weiterer automatischer Durchlauf.
Preise: Web-Kontingente und API-Gebühren nicht verwechseln
Die Speech-to-Text-Produktseite nennt für den kostenlosen Webzugang begrenzte Transkriptionsminuten und Unterschiede zwischen Tarifen. Die API rechnet nach Audiozeit ab und kann für Funktionen wie Schlüsselbegriffe, Erkennung sensibler Entitäten oder automatische Nachbearbeitung Zuschläge berechnen. Das sind verschiedene Abrechnungswege. Rechnen Sie vor einem größeren Projekt die Audiodauer und den aktiven Tarif durch, statt den Preis einer einzelnen Beispieldatei hochzurechnen.
Im November 2026 zeigt die ElevenAPI-Preisseite beispielsweise Listenpreise für Scribe-Transkription pro Audiostunde; Angaben können je nach Modell, Vertrag und aktualisierter Preistabelle abweichen. Entscheidend ist die aktuelle Rechnungsvorschau im eigenen Konto. Verwechseln Sie Stunden oder Minuten nicht mit der Länge eines ausgegebenen Textes; auch längere Sprechpausen können Teil der abzurechnenden Aufnahme sein.
Typische Fehler: Falsche Sprecher, fehlende Wörter und verschobene Zeitmarken
Bei ungenauer Sprecherzuordnung hören Sie zuerst die Übergänge und überlappenden Passagen nach. Bei falsch geschriebenen Fachbegriffen prüfen Sie Schreibweise, Ausgangston und vorhandene Schlüsselbegriff-Funktionen. Wenn Wörter ganz fehlen, kontrollieren Sie, ob die Datei beschnitten, beschädigt oder die Stimme durch Musik überlagert ist. Eine nachträgliche Verstärkung kann ein fehlendes Signal nicht zuverlässig wiederherstellen.
Bei verschobenen Untertiteln vergleichen Sie Dateibeginn, Schnittversion und exportierte Zeitangaben. Verändert sich das Ergebnis beim Umwandeln in ein anderes Format, bewahren Sie die originale Audiospur und dokumentieren Sie die Ausgabe. Laden Sie problematische Kundendaten nicht beliebig bei mehreren Anbietern hoch, ohne erneut Berechtigungen und Datenschutz zu überprüfen.
Wann lohnt sich Voice Isolator vor Scribe?
Bei starkem Umgebungsgeräusch kann es sinnvoll sein, eine kurze Passage zunächst mit einem spezialisierten Werkzeug wie ElevenLabs Voice Isolator zu prüfen. Dieses Werkzeug soll Sprache aus Störgeräuschen herauslösen, während Scribe v3 sie verschriftlicht. Beide Aufgaben dürfen nicht verwechselt werden: Ein sauber klingender Ton ist nicht automatisch ein inhaltlich korrektes Transkript.
Vergleichen Sie im Zweifel die Transkription der Originalspur mit der einer bearbeiteten Kopie. Bearbeitung kann Geräusche verringern, aber auch Konsonanten beschädigen. Wenn das Original gut verständlich ist, ersparen Sie sich zusätzliche Verarbeitung und Kosten. Der eigenständige deutsche Claim26-Leitfaden zu Voice Isolator erläutert den Audiobearbeitungsschritt ausführlicher.
Checkliste und Fazit: Eine Veröffentlichung braucht mehr als einen Upload
Klären Sie Nutzungsrechte und Datenschutz, sichern Sie das Original, wählen Sie das richtige Scribe-Modell und führen Sie zunächst eine kurze Probe durch. Kontrollieren Sie Spracherkennung, Sprecher, Fachwörter, Zahlen, Zeitmarken und Exporte. Unterscheiden Sie eine wortgetreue Mitschrift von einer redaktionell geglätteten Fassung und geben Sie keine ungeprüften Aussagen als sichere Zitate aus.
Scribe v3 kann bei der Herstellung eines überprüfbaren Transkriptionsentwurfs viel Handarbeit ersparen; die endgültige Verantwortung für Inhalt und Veröffentlichung bleibt bei Ihnen. Dieser Leitfaden basiert auf öffentlich zugänglichen ElevenLabs-Quellen vom 15. November 2026. Claim26 hat keinen eigenen kostenpflichtigen Test durchgeführt. Über ausgewählte offizielle Partnerlinks kann Claim26 bei einem qualifizierten Abschluss eine Provision erhalten, ohne dass dadurch allein der Klick Mehrkosten auslöst.
Vier Punkte, die Sie überprüfen sollten.
✓Originalaufnahme, Einwilligung und Datenschutz vor dem Upload geklärt.
✓Passendes Batch-Modell und Sprache ausgewählt.
✓Namen, Zahlen, Sprecherzuordnungen und Zeitmarken am Original überprüft.
✓Lizenz, Kosten und Ausgabeformat vor der Veröffentlichung kontrolliert.
Starten Sie mit einer kurzen, anspruchsvollen Probe und verbessern Sie den Entwurf anhand der Originalaufnahme.
Kontrollieren Sie die aktuellen Funktionen und Abonnementbedingungen, bevor Sie eine Zahlung auslösen.
Die wesentlichen Angaben stammen aus offiziellen Quellen.
Preise und Softwarefunktionen können sich ändern. Prüfen Sie vor dem Abschluss die aktuellen Informationen.