Mitschrift statt Mitschnitt: Wie KI-Transkription für den Gerichtssaal gebaut sein muss

Ein Sonderfall der Spracherkennung

Spracherkennung ist längst Alltag: Diktierprogramme, Untertitel, Protokolle von Videokonferenzen. Wer dieselbe Technik in einer strafgerichtlichen Hauptverhandlung einsetzen will, merkt schnell, dass die üblichen Werkzeuge für andere Situationen gebaut sind. Ein Diktierprogramm erwartet eine einzige Stimme dicht am Mikrofon. Eine Videokonferenz liefert jeden Teilnehmer über einen eigenen Kanal. Im Sitzungssaal dagegen liegt ein Laptop auf dem Tisch der Verteidigung, und vor ihm sprechen Vorsitzender, ggf. Beisitzer, Schöffen, Staatsanwaltschaft, Zeugen und Sachverständige aus unterschiedlicher Entfernung, im Raumhall, mit Zwischenrufen und vielen Eigennamen.

Hinzu kommen Anforderungen, die kein Büroprogramm kennt. Der Ton darf das Gerät nicht verlassen. Ob er überhaupt gespeichert werden darf, ist eine Rechtsfrage mit erheblichen Folgen: Wird er nur flüchtig im Arbeitsspeicher verarbeitet, entsteht rechtlich eine Mitschrift; wird er gespeichert, entsteht eine Tonaufnahme, die der Gestattung durch das Gericht bedarf. Und der Verteidiger hat während der Vernehmung keine Hand frei, um Software zu bedienen. Dieser Beitrag beschreibt, wie eine Transkriptionssoftware aufgebaut sein muss, die diesen Bedingungen gerecht wird.

Grundsatz 1: Alles bleibt auf dem Gerät

Aktuelle Laptops tragen spezialisierte KI-Rechenwerke, die Spracherkennung in Echtzeit ohne Cloud erlauben. Für den Gerichtssaal ist das keine Komfortfrage, sondern Voraussetzung. Läuft die Erkennung lokal, gibt es keinen Auftragsverarbeiter, keine Übermittlung in Drittländer und keine Frage nach der anwaltlichen Verschwiegenheit gegenüber einem Dienstleister.

Lokal heißt dabei konsequent lokal. Die Erkennungsmodelle gehören in das Programmpaket und werden nicht zur Laufzeit nachgeladen. Der Tonpfad hat keinen Zugang zum Netz. Wo die Software überhaupt eine Verbindung braucht, etwa um Stammdaten einer Akte aus der Kanzleisoftware zu übernehmen, bleibt diese Verbindung auf das Kanzleinetz beschränkt, ist nur lesend und berührt weder Ton noch Transkript. Diese Eigenschaften sollten nicht bloß versprochen, sondern durch die Rechteverwaltung des Betriebssystems erzwungen werden.

Grundsatz 2: Der Ton ist Rohstoff, nicht Ergebnis

Das Ergebnis einer Mitschrift ist Text. Der Ton ist nur das Material, aus dem dieser Text entsteht. Daraus folgt die wichtigste Architekturentscheidung: Der Weg vom Mikrofon zum Text muss so gebaut sein, dass ohne Tonspeicherung nichts fehlt, was für die Mitschrift selbst nötig ist.

Der Ablauf ist im Kern immer derselbe. Das Mikrofonsignal wird in ein für die Erkennung geeignetes Format umgerechnet, in kurzen Abschnitten in einem Puffer gehalten und an das Erkennungsmodell übergeben. Zurück kommt nicht nur Text, sondern zu jedem Wort sein Zeitpunkt und ein Wert dafür, wie sicher das Modell sich ist. Diese Zusatzangaben sind der eigentliche Wert der Maschine, denn auf ihnen bauen Sprecherzuordnung, Suche und Fehlerkennzeichnung auf.

Bei rein flüchtiger Verarbeitung wird der Puffer laufend überschrieben. Entscheidend ist, dass dies eine Eigenschaft der Architektur ist und keine Einstellung, die erst eine Datei schreibt und sie später löscht. Wer stattdessen Ton speichert, muss ihn so behandeln, wie es seiner Sensibilität entspricht:

• ein eigener Schlüssel je Sitzung, der seinerseits nur mit einem an den Sicherheitschip des Geräts gebundenen Hauptschlüssel lesbar ist, sodass die Daten auf keinem anderen Rechner zu entschlüsseln sind,
• Verschlüsselung in kleinen Blöcken, damit ein Absturz nicht die ganze Aufnahme unbrauchbar macht,
• eine feste Löschfrist, die ein Systemdienst auch dann durchsetzt, wenn die Anwendung nicht läuft,
• Löschung durch Vernichtung des Schlüssels (Crypto-Shredding), damit auch Reste auf dem Datenträger unlesbar werden,
• Ausschluss aus Datensicherungen, damit keine Kopie die Löschfrist überdauert.

Zwei Stufen der Erkennung

Für die Live-Mitschrift braucht es ein schnelles, stromsparendes Modell. Es zeigt vorläufigen Text sofort an und ersetzt ihn, sobald es sich festgelegt hat. Solche Modelle sind für Alltagssprache gut, bei Eigennamen, Ortsbezeichnungen, Zahlen und Datumsangaben aber spürbar schwächer. Genau diese Angaben sind in einer Zeugenaussage oft entscheidend.

Ist Ton gespeichert, lässt sich nach der Sitzung eine zweite Stufe anschließen: ein deutlich größeres Erkennungsmodell, das den Verhandlungstag über Nacht neu transkribiert. Damit diese zweite Stufe nichts verschlechtert, braucht sie Schutzmechanismen. Von Hand korrigierte Passagen dürfen nicht überschrieben werden, entfernte Passagen müssen leer bleiben, und die Live-Fassung sollte wiederherstellbar sein. Große Modelle neigen außerdem dazu, in Stillephasen Sätze zu erfinden, die nie gesagt wurden. Solche typischen Halluzinationen müssen erkannt und herausgefiltert werden.

Ohne Tonspeicherung entfällt die zweite Stufe. Das ist der Preis der rechtlich sicheren Variante, und die Software muss ihn an anderer Stelle ausgleichen, vor allem durch das Wörterbuch und die Anmerkungsspalte, die weiter unten beschrieben sind.

Wer spricht? Sprechertrennung ohne Tastendruck

Ein Transkript ohne Sprecherangabe ist im Gerichtssaal wenig wert. Der Verteidiger kann aber nicht bei jedem Sprecherwechsel eine Taste drücken, während er selbst Fragen vorbereitet oder sich mit dem Mandanten berät. Die Zuordnung muss deshalb automatisch geschehen.

Die Sprechertrennung (Diarisierung) arbeitet in drei Schritten: Sie zerlegt den Ton in Abschnitte mit jeweils einer Stimme, berechnet für jeden Abschnitt einen Stimmabdruck, also einen Zahlenvektor mit den Merkmalen der Stimme, und fasst ähnliche Abdrücke zu Sprechern zusammen. Je mehr Ton vorliegt, desto stabiler wird diese Zuordnung. Deshalb hat es Sinn, die Trennung während der Sitzung regelmäßig über den gesamten bisherigen Verlauf neu zu berechnen, statt nur das jeweils letzte Stück zu betrachten.

Daraus entsteht ein praktisches Problem: Jeder neue Lauf nummeriert die Sprecher neu. Hat der Verteidiger „Sprecher 2“ bereits als Vorsitzende benannt, darf diese Zuordnung beim nächsten Lauf nicht verloren gehen. Die Software muss alte und neue Sprecher deshalb über ihre gemeinsamen Redezeiten einander zuordnen. Eine Rolle wird so nur einmal je Sprecher vergeben und gilt für den ganzen Tag. Hilfreich ist zudem ein Vorschlag, wer in einer Vernehmung der Zeuge ist, erkennbar daran, wer dort den größten Redeanteil hat. Ein solcher Vorschlag muss als Vorschlag gekennzeichnet bleiben, bis der Verteidiger ihn bestätigt.

Stimmabdrücke sind kein Ton, aber sie sind personenbezogene, unter Umständen biometrische Daten. Sie gehören deshalb mit derselben Sorgfalt geschützt und gelöscht wie der Ton selbst.

Unsicherheit sichtbar machen

Die Genauigkeit von Transkriptionssoftware liegt bei etwa 95 Prozent. Ein flüssig lesbarer Text verdeckt diese Fehlerquote. Die Software muss daher zeigen, wo sie unsicher ist. Wörter, bei denen das Modell einen niedrigen Sicherheitswert meldet, werden farbig hinterlegt, im Programm ebenso wie im Export. Jedes Dokument, das die Software erzeugt, sollte zudem ausdrücklich als automatische Mitschrift gekennzeichnet sein, die kein amtliches Protokoll ist.

Die zweite Spalte: Wortlaut und Anmerkung nebeneinander

Das wichtigste Element der Oberfläche ist eine zweispaltige Darstellung: links der erkannte Wortlaut, rechts die Anmerkungen des Verteidigers. Dort hält er fest, was die Maschine nicht leisten kann: eine Korrektur, den Vermerk „unsicher“, eine Beobachtung zum Aussageverhalten, den Bezug zu einer Fundstelle in der Akte. Maschinentext und menschliche Wahrnehmung stehen nebeneinander, bleiben aber getrennt.

Ein Detail entscheidet über die Brauchbarkeit: Eine Anmerkung muss dem Absatz zugeordnet werden, der gesprochen wurde, als der Verteidiger mit dem Schreiben begonnen hat, nicht dem, der beim Speichern gerade läuft. Wer eine Notiz tippt, braucht dafür einige Sekunden, und in dieser Zeit spricht der Zeuge weiter. Ergänzt wird die Spalte durch Marken für wichtige Stellen, Widersprüche und mögliche Anträge sowie durch Gliederungspunkte, die den Ablauf einer Vernehmung abbilden: Belehrung, Angaben zur Person, Angaben zur Sache, Fragen der einzelnen Verfahrensbeteiligten, Vorhalte, Entlassung.

Ohne Tonspeicherung ist diese Spalte das zentrale Korrekturinstrument. Sie ersetzt das spätere Nachhören durch die Wahrnehmung im Moment des Geschehens.

Lernen aus Korrekturen

Eigennamen sind die Schwachstelle jeder Spracherkennung. Viele Systeme bieten an, eine Liste erwarteter Namen vorzugeben. In der Praxis zeigt diese Möglichkeit bei manchen Live-Modellen keine messbare Wirkung, bei manchen großen Modellen kann ein solcher Vorgabetext sogar dazu führen, dass Sätze verloren gehen.

Verlässlicher ist ein Wörterbuch, das aus den Korrekturen des Nutzers lernt. Korrigiert der Verteidiger einen Absatz, vergleicht die Software den alten mit dem neuen Text Wort für Wort und schlägt die gefundenen Änderungen als Ersetzungspaare vor. Paare, die nach Eigennamen aussehen, sind vorausgewählt. Bestätigte Paare gelten sofort für die ganze Sitzung und für jede künftige Erkennung. Wird ein Zeuge am ersten Verhandlungstag einmal korrigiert, ist sein Name am zweiten Tag von Anfang an richtig geschrieben.

Was nicht ins Transkript gehört

Nicht alles, was das Mikrofon erreicht, gehört in eine Mitschrift. Zwei Fälle muss die Software beherrschen.

Der erste sind Verhandlungsteile, die nicht erfasst werden dürfen, etwa nach Ausschluss der Öffentlichkeit oder während einer Beratung am Tisch. Hierfür braucht es einen gut sichtbaren Schalter, der das Mikrofon tatsächlich abschaltet, nicht nur die Anzeige. Im Transkript bleibt lediglich ein Vermerk, von wann bis wann nichts erfasst wurde.

Der zweite sind Gespräche, die versehentlich erfasst wurden, etwa ein leiser Austausch mit dem Mandanten. Sie müssen sich nachträglich entfernen lassen. Ist Ton gespeichert, genügt es nicht, den Text zu löschen: Auch der Ton an dieser Stelle muss unwiderruflich überschrieben werden, mit einem kleinen Sicherheitsabstand davor und danach, sonst könnte die zweite Erkennungsstufe den Inhalt über Nacht wiederherstellen. Im Export erscheint von einer solchen Stelle nichts.

Werkzeuge für den Verhandlungsalltag

Den eigentlichen Nutzen entfaltet eine Mitschrift erst, wenn sie während der Verhandlung arbeitet und nicht erst danach.

• Suche während der laufenden Mitschrift. Behauptet ein Zeuge am Nachmittag das Gegenteil dessen, was er am Vormittag gesagt hat, muss die Stelle in Sekunden auffindbar sein, ohne dass die Mitschrift stoppt. Die Fundstellen erscheinen mit Uhrzeit und Sprecher und lassen sich als Zitat für einen Vorhalt kopieren.
• Antrag nach § 273 Abs. 3 StPO. Kommt es auf den Wortlaut einer Äußerung an, kann der Verteidiger beantragen, sie vollständig niederzuschreiben und zu verlesen. Die Software übernimmt den markierten Wortlaut direkt in einen vorformulierten Antrag.
• Export. Eine Textverarbeitungsdatei mit Kopfangaben zum Verfahren und einer Tabelle aus Wortlaut und Anmerkungen je Vernehmung, mit markierten unsicheren Wörtern und einer Liste der gesetzten Marken.
• Betriebssicherheit. Der Bildschirm darf sich während der Mitschrift nicht sperren. Kommt kein Ton an oder ist der Pegel über längere Zeit kaum messbar, muss die Software warnen. Und sie sollte das Mikrofon selbst wählen: Auf vielen Rechnern sind durch Videokonferenz- oder Aufnahmeprogramme virtuelle Audiogeräte installiert, die sich als Standardeingang eintragen. Eine Software, die sich auf diesen Standard verlässt, transkribiert dann womöglich stundenlang Stille.

Die Kernfrage der Architektur: Ton speichern oder nicht?

Am Ende läuft jede Entwurfsentscheidung auf eine Abwägung hinaus. Gespeicherter Ton ermöglicht die zweite Erkennungsstufe, das Nachhören einzelner Stellen beim Korrigieren und eine spätere Neuberechnung der Sprechertrennung. Ohne Ton bleiben die Live-Mitschrift, die Kennzeichnung unsicherer Wörter, die Anmerkungsspalte, das lernende Wörterbuch, die Suche und der Export vollständig erhalten.

Rechtlich ist die flüchtige Verarbeitung nach der einschlägigen Literatur wie eine Mitschrift zu behandeln und zulässig. Die Speicherung von Ton bedarf dagegen der Gestattung durch den Vorsitzenden und ist in nichtöffentlichen Verhandlungsteilen strafrechtlich riskant. Wer eine solche Software entwirft, sollte daraus die Konsequenz ziehen: Die flüchtige Verarbeitung ist der Normalfall, die Tonspeicherung eine bewusst zuzuschaltende Ausnahme für Verfahren, in denen das Gericht sie gestattet hat.

Technik im Dienst der Verteidigung

Eine gute Transkriptionssoftware für den Gerichtssaal ist weniger eine Frage des besten Erkennungsmodells als eine Frage der Architektur. Sie arbeitet lokal, behandelt den Ton als flüchtigen Rohstoff, ordnet Sprecher ohne Zutun zu, zeigt ihre Unsicherheit offen, lässt den Verteidiger neben dem erkannten Wortlaut festhalten, was er selbst gehört hat, und lernt aus jeder Korrektur. So gebaut, ersetzt sie die unsichere Erinnerung durch den Wortlaut und gibt dem Verteidiger die Aufmerksamkeit für den Zeugen zurück.