Warum Transkripte
Lesen statt hören
Warum sollte man einen Podcast oder ein Video transkribieren, statt es einfach anzuhören? Weil Audio ein verschlossenes Format ist. Man kann es nicht durchsuchen, nicht überfliegen, keinen Satz daraus zitieren und keinem LLM zum Lesen geben — man kann es nur abspielen, von Anfang bis Ende, in Echtzeit. Text kann all das. Gesprochenes in Text zu verwandeln ist kein nettes Extra zum Zuhören — es macht aus einer Stunde Gerede etwas, das man tatsächlich nutzen kann. Und zunehmend etwas, das ein Modell stellvertretend für einen lesen kann.
Podcasts sind eine Blackbox
Im September 2022 brachte Andrej Karpathy — Gründungsmitglied von OpenAI und ehemaliger Leiter der KI-Abteilung bei Tesla — das Problem in einem Satz auf den Punkt und beschwerte sich dabei genau über das Format, in dem Podcasts erscheinen:
As someone who very much enjoys podcasts I continue to be frustrated that so much information is locked up in opaque audio files. How do we make all of this information accessible, searchable, navigable, linkable, upvotable, etc? Great opportunity if someone does this right, imo.
Lies es noch einmal und achte auf die Verben: accessible, searchable, navigable, linkable — zugänglich, durchsuchbar, navigierbar, verlinkbar. Jedes einzelne beschreibt etwas, das man mit einem Dokument macht — nicht mit einer Aufnahme.
Er hat die Lösung selbst gebaut
Karpathy hat das Problem nicht nur benannt, er hat es an einem Wochenende gelöst. Im selben Post-Schwall kündigte er Lexicap an: Er hatte alle rund 322 Folgen des Lex-Fridman-Podcasts heruntergeladen und mit OpenAIs Whisper transkribieren lassen — und die rohen Transkripte anschließend veröffentlicht, für jeden zum Lesen, Durchsuchen oder Weiterverwenden.[2] Das Projekt läuft bis heute unter karpathy.ai/lexicap.[5] Kein Firmenprojekt, keine geförderte Forschung — eine Person, ein Wochenende, ein ganzer Podcast-Katalog, den er leid war, nicht durchsuchen zu können.
Warum Text gewinnt
Sobald eine Aufnahme zu Text wird, wird alles trivial, woran Audio bisher gescheitert ist:
Durchsuchbar
Die fünfzehn Sekunden finden, an die man sich noch halb erinnert — per ⌘F, statt sich durch eine zweistündige Datei zu spulen.
Überfliegbar
In drei Minuten lesen, wofür jemand eine Stunde gesprochen hat. Die Teile überspringen, die man schon kennt.
Zitierbar und verlinkbar
Einen exakten Satz herausgreifen und zitieren — genau deshalb hat Karpathy Lexicap überhaupt gebaut: um ein paar bemerkenswerte Zeilen aus einer Folge zu teilen, die er gerade gehört hatte.[3]
LLM-abfragbar
Ein Modell fragen, was in einer Folge wirklich gesagt wurde, statt der eigenen Erinnerung zu vertrauen — oder einen ganzen Backkatalog an ein Modell übergeben und Fragen über alle Folgen hinweg stellen.
Archivierbar
Reiner Text überlebt die App, die Plattform und die Hosting-URL, auf der er ursprünglich lag. Eine Transkript-Datei gehört einem auf eine Weise, wie es ein Streaming-Link nie tut.
Auch für Modelle lesbar
Bis 2026 hatte sich auch Karpathys eigene Praxis mit dem Feld weiterentwickelt. In einem Rückblick auf ein Fireside Chat bei Sequoias Ascent-Konferenz beschrieb er, wie er das Transkript des Gesprächs einem LLM zum Aufräumen gab — und begründete das in einem einzigen Satz:
As an experiment, I fed an LLM all of my recent blog posts and tweets, then I had it read this video's transcript and produce 1) a summary and 2) a cleaned up transcript (correcting all transcription mistakes, getting rid of fill words, etc). I am posting both of these below. These can be useful for both people who may want to just read the summary in text format, but also for LLMs so that my content is legible and available to them.
„Legible and available to them“ — lesbar und zugänglich für sie — ist das ganze Argument in vier Worten. Ein LLM kann nicht zuhören, es kann nur lesen. Wer ein Modell eine Folge zusammenfassen, einen Backkatalog durchsuchen oder eine Frage zu etwas beantworten lassen will, das man einmal gehört und halb vergessen hat, muss die Aufnahme zuerst in sauberen Text verwandeln — Füllwörter raus, Struktur erhalten.
Was Vocateca daraus macht
Vocateca automatisiert genau den Schritt, den Karpathy zweimal von Hand gemacht hat: einmal für 322 Folgen eines fremden Podcasts, einmal für seinen eigenen Vortrag. Eine Show abonnieren, und jede neue Folge wird auf dem eigenen Mac transkribiert — kein Cloud-Upload, kein manueller Whisper-Lauf, kein Warten darauf, dass ein Nebenprojekt sich um den eigenen Backkatalog kümmert. Jedes Transkript kommt sauber, strukturiert und einsatzbereit heraus — zum Durchsuchen, Zitieren, Archivieren oder direkt für ein LLM, in der Form, die der eigene Workflow braucht.
LLM-Workflows
Wie ein Vocateca-Transkript in Claude, ChatGPT oder ein Modell auf dem eigenen Mac eingespeist wird.
Exportformate
Markdown, Klartext, SRT oder OKF mit Sprechern und Zeitstempeln — die passende Form wählen.
Datenschutz
Jedes Transkript entsteht auf dem Gerät. Nichts, was man anhört, verlässt jemals den eigenen Mac.
Andrej Karpathy steht in keiner Verbindung zu Vocateca, hat Vocateca nicht genutzt und unterstützt dieses Produkt nicht. Seine öffentlichen Beiträge und das Lexicap-Projekt werden hier als unabhängiger Beleg für das obige Argument zitiert — nicht als Empfehlung.
Quellen
- [1]Andrej Karpathy, X-Beitrag, 26. September 2022. https://x.com/karpathy/status/1574474952446615552 Abgerufen am 11. Juli 2026.
- [2]Andrej Karpathy, X-Beitrag (Ankündigung von Lexicap), 26. September 2022. https://x.com/karpathy/status/1574474950416617472 Abgerufen am 11. Juli 2026.
- [3]Andrej Karpathy, X-Beitrag, 26. September 2022. https://x.com/karpathy/status/1574501715990102016 Abgerufen am 11. Juli 2026.
- [4]Andrej Karpathy, „Sequoia Ascent 2026 summary“, karpathy.bearblog.dev, 30. April 2026. https://karpathy.bearblog.dev/sequoia-ascent-2026/ Abgerufen am 11. Juli 2026.
- [5]Lexicap — Whisper-Transkripte des Lex Fridman Podcast. https://karpathy.ai/lexicap Abgerufen am 11. Juli 2026.