Die Lücke zwischen Aufnahme und Protokoll

Die Besprechung endet, die Aufnahme bleibt im Telefon liegen, und das Protokoll ist noch nicht begonnen. Das ist für die meisten Menschen mit Schreibtischarbeit ein gewöhnlicher Tag, und genau diese Strecke soll Tingwu übernehmen. Es ist ein Helfer für Arbeit und Lernen von Alibaba Cloud, und die offizielle Produktbeschreibung klingt technischer als der Werbesatz: ein Agent, der Spracherkennung und ein großes Sprachmodell nutzt, um laufende oder gespeicherte Aufnahmen aus Besprechungen, Interviews und Lehrveranstaltungen zusammenzufassen und auszuwerten.

Drei Zugänge auf der Startseite

Wer die Seite öffnet, sieht drei Wege ganz vorn. Eine laufende Aufnahme starten, die Sprache während des Sprechens in Text verwandelt, daneben übersetzt und Kernpunkte zusammenfasst. Ton oder Video hochladen, was verschriftlicht, Sprecher trennt und in einem Schritt exportiert. Einen Podcast-Feed-Link einfügen, was ohne jeden Download eine verdichtete Zusammenfassung ergibt. Auch die Effizienzangabe ist konkret: eine Stunde Ton in fünf Minuten verschriftlicht, mit automatisch unterschiedenen Sprechern.

Livemitschnitt: ein Entwurf, während die Besprechung läuft

Der Livemitschnitt ist der Kern des Produkts. Am Rechner lautet das Versprechen: Hände frei, Ohren im Raum. Während die Besprechung läuft, wird Sprache zu Text, parallel über Sprachen hinweg übersetzt und das Wesentliche mitgeschrieben. Ein Projektleiter, der in den offiziellen Anwenderberichten zitiert wird, sagt es schlicht: Das Werkzeug halte jedes Detail des Gesprächs fest, fasse Kapitel und Aufgaben zusammen, und eine zweistündige Besprechung werde in fünf Minuten zum Protokoll.

Bei den Sprachen ist die Dokumentation genau: Verschriftlichung und laufende Übersetzung in beide Richtungen decken Chinesisch, Englisch, Kantonesisch, Japanisch, Koreanisch, Deutsch, Französisch und Russisch ab. Eine Besprechung, die Chinesisch und Englisch mischt, ein Interview auf Kantonesisch, eine Vorlesung auf Japanisch, Koreanisch oder Deutsch, alles läuft durch dieselbe Kette.

KI-Protokoll: vom Transkript zur Struktur

Die Verschriftlichung ist nur der erste Schritt; die Minuten entstehen aus dem Sprachmodell. Die offizielle Liste nennt eine Kapitelübersicht, eine Zusammenfassung des Ganzen, eine Zusammenfassung je Sprecher, eine Rückschau der Kernpunkte, eine Gedankenkarte, Schlüsselwörter, Aufgaben, Szenenerkennung, das Herausziehen und Zusammenfassen von Folien, die Umwandlung von gesprochener in geschriebene Sprache und eigene Anweisungen. Eine zweistündige Besprechung ergibt Kapitel, Zusammenfassung, wer was gesagt hat und wer was als Nächstes tut, bereits in strukturierte Blöcke geteilt.

Für Untertitel gibt es eigene Unterstützung: Ergebnisse lassen sich mit Absätzen, Satzgrenzen und Start- und Endzeiten auf Wortebene zurückgeben, bereit für die Anzeige. Wer Video produziert, muss die Zeitachse der Untertitel damit nicht mehr von Hand ausrichten. Als Anwendungsfelder nennt der Anbieter Büroarbeit, Aus- und Weiterbildung, Finanzen und Medien.

Podcasts: ein Feed-Link genügt

Von den drei Zugängen ist die Podcast-Transkription der bequemste. Feed-Link einfügen, nichts herunterladen, und das System verschriftlicht und verdichtet die Folge. Wer Podcasts überfliegt, kann die Zusammenfassung einer einstündigen Sendung lesen und dann entscheiden, ob sich genaues Hören lohnt.

Der Einstiegsbereich enthält außerdem drei kurze Videos: Nutzung im Unterricht in einer Minute und 53 Sekunden, in der Besprechung in 2 Minuten und 14 Sekunden, mit Podcasts und Video in 2 Minuten, womit genau die drei beworbenen Lagen abgedeckt sind.

Kostenloses Kontingent und Preise

Die Preisangaben folgen der Abrechnungsdokumentation im Hilfeportal von Alibaba Cloud. Ein neu freigeschaltetes Konto erhält 90 Tage kostenlose Probe, in dieser Zeit entstehen keine Kosten. Innerhalb der Probe liegt das Tageskontingent bei 48 Stunden Livemitschnitt mit 2 gleichzeitigen Strömen und bei 2 Stunden Ton für hochgeladene Dateien; ein aufgebrauchtes Tageskontingent steht 24 Stunden später wieder zur Verfügung.

Über die Probe hinaus und für die betriebliche Anbindung wird je Schnittstelle abgerechnet. Die Verschriftlichung kostet 0,6 Yuan pro Stunde, Sprechertrennung und automatische Spracherkennung inklusive. Jede Fähigkeit des Sprachmodells kostet 0,064 Yuan pro Stunde und summiert sich, wenn mehrere genutzt werden. Das Herausziehen von Folien samt Zusammenfassung kostet 0,64 Yuan pro Stunde. Die laufende Übersetzung kostet 4 Yuan pro Stunde, die Offline-Übersetzung 0,5 Yuan pro Stunde. Der Livemitschnitt nimmt bis zu 3 Tonquellen auf, und bei mehreren werden nur die Stunden abgerechnet, die ein Transkript ergeben haben. Die Seite kündigt zudem eine allgemeine Preissenkung an, die Unterstützung eigener Anweisungen, Vorlagen mit wenig Code, die sofort einsatzbereit sind und sich auch im eigenen Haus betreiben lassen, und einen Zugang zur Enterprise-API in der Seitenleiste.

Für wen es taugt

Drei Gruppen passen am direktesten. Menschen mit vollen Terminkalendern, Forschende, die Interviewaufnahmen aufarbeiten, und Hörer, die Podcasts aufmerksam verfolgen. Den ersten beiden geht es um Livemitschnitt plus strukturiertes Protokoll, der dritten spart der Feed-Link Zeit. Die mehrsprachige Übersetzung deckt auch fremdsprachigen Unterricht und grenzüberschreitende Besprechungen ab.

Zwei ehrliche Hinweise. Erstens hängt die Treffsicherheit von Aufnahmequalität, Akzent und Fachwortschatz ab, ein wichtiges Protokoll verdient vor dem Versand einen menschlichen Blick. Zweitens werden die Funktionen des Sprachmodells stundenweise und einzeln abgerechnet, mehrere davon summieren sich also; vor einem Abo oder einem API-Aufruf lohnt die Rechnung gegen die offizielle Abrechnungsseite. Das Zuhören und das Mitschreiben nimmt das Werkzeug ab. Welche Stellen es wert sind, behalten zu werden, entscheidet weiterhin ein Mensch.

Ein Transkriptionswerkzeug übernimmt die Tastatur, nicht das Urteil. Es drückt zwei Stunden Aufnahme auf fünf Minuten Protokoll zusammen, aber welche dieser Minuten ausgeführt wird, entscheidet weiterhin, wer zugehört hat.