Wortprotokolle von Gerichtsverhandlungen und Parlaments-/Ratssitzungen

Gerichte, Parlamente und Gemeinderäte müssen genau festhalten, was gesagt wurde, doch Stenografen und Schreibkräfte sind knapp und langsam. Spracherkennung mit Sprechertrennung (Diarisierung) erzeugt innerhalb von Minuten einen zeitlich ausgerichteten Entwurf mit benannten Sprechern; geschultes Personal korrigiert ihn auf amtliche oder beweiskräftige Qualität. Das Ergebnis ist ein durchsuchbares Protokoll, das mit dem Audio verknüpft ist – der Mensch bleibt Urheber des amtlichen Textes.

Problem & Nutzen

• Heute: Parlamente setzen Stenografen und Redaktionsdienste ein; Gerichte in vielen EU-Staaten (z. B. Deutschland, Strafprozesse) führen nur ein Inhaltsprotokoll (Formalprotokoll) und Notizen der Richter, sodass Streit darüber, was ein Zeuge gesagt hat, aus dem Gedächtnis entschieden wird. Gemeinderäte veröffentlichen ihre Protokolle oft erst nach Wochen.
• KI-Nutzen: schnellere Veröffentlichung von Protokollen, Volltextsuche über alle Sitzungen, Entlastung knapper Stenografen und eine überprüfbare Beweisgrundlage für Rechtsmittel. Korrekturaufwand ersetzt Tippaufwand.
• Rechtlicher Treiber (DE): Das Hauptverhandlungsdokumentationsgesetz (DokHVG, BT-Drs. 20/8096) sieht die Tonaufzeichnung erstinstanzlicher Hauptverhandlungen an Land- und Oberlandesgerichten mit automatisierter Transkription vor; der Bundestag hat es am 17. November 2023 beschlossen, doch der Bundesrat rief im Dezember 2023 den Vermittlungsausschuss an, der seine Beratungen im Februar 2024 ohne Ergebnis vertagte [1][9]. Das Gesetz wurde bis zum Ende dieser Wahlperiode nicht verkündet, eine bundesweite Aufzeichnungspflicht gibt es daher derzeit nicht; prüfen Sie vor der Planung, ob ein neuer Entwurf eingebracht wurde.
• Es gibt keine belastbaren öffentlichen Zahlen zur Zeitersparnis, die sich auf andere Einrichtungen übertragen lassen; messen Sie in einem Pilotprojekt die eigene Korrekturzeit pro Audiostunde.

Varianten

• Gerichte: Straf- und Zivilverhandlungen, Schiedsverfahren; beweiskräftiges Transkript mit lückenloser Beweiskette (Chain of Custody), optional Bildaufzeichnung.
• Parlamente: Wortprotokolle von Plenar- und Ausschusssitzungen, mehrsprachige Kammern mit Dolmetschung.
• Gemeinderäte & Verwaltungsverfahren: Protokolle plus öffentlicher Livestream mit Untertiteln (siehe SPEECH-004); oft ein kleines Team, mäßige Anforderungen.
• Privat/Vereine: Mitgliederversammlungen, Hauptversammlungen (leichtere Variante, siehe SPEECH-001).

So funktioniert es

1. Raumaudio (Kanäle je Mikrofon) + Sitzungsmetadaten (Teilnehmerliste, Tagesordnung)
2. Aufnahme mit Hash/Zeitstempel (Beweiskette)
3. Sprachaktivitätserkennung + Diarisierung (kanalbewusst) + Sprecherzuordnung per Teilnehmerliste
4. ASR mit Fachvokabular (Namen, Gesetze, Dialekt)
5. Wortzeitstempel + Konfidenz
6. Interpunktion/Normalisierung nach Regeln für wörtliche oder „bereinigt wörtliche“ Protokolle
7. menschliche Korrektur im Editor synchron zum Audio (unsichere Wörter hervorgehoben)
8. Prüfung/Freigabe (Protokollführung, Redaktion, Vorsitz)
9. signiertes, archiviertes Protokoll
10. Suchindex, Untertitel, Veröffentlichung

• Sprecherzuordnung: Das stärkste Signal ist der physische Mikrofonkanal zusammen mit dem Sitzplan; die akustische Diarisierung ist eine Rückfallebene für gemeinsam genutzte Mikrofone und zugeschaltete Teilnehmer. Die Benennung muss aus der Sprecherliste oder vom Urkundsbeamten kommen, nicht aus einer Stimmidentifikation (siehe Risiken).
• ASR: ein großes mehrsprachiges oder sprachspezifisches Modell, angepasst an das Fachvokabular; Dialekt, überlappende Sprache und Zwischenrufe und Durcheinanderreden bleiben die schwierigen Fälle.
• Rolle des LLM: optional und streng nachrangig: Zeichensetzung korrigieren, Unstimmigkeiten markieren, Grenzen von Tagesordnungspunkten erkennen oder das formale Protokoll entwerfen. Der Wortlaut selbst darf nicht von einem LLM umgeschrieben werden.
• Mensch-in-der-Schleife (Human-in-the-Loop): Jedes amtliche Protokoll wird von einer befugten Person korrigiert und freigegeben; der Entwurf ist nie das Protokoll. Korrekturen und Freigaben werden protokolliert.

Datenaufbereitung

Daten: Mehrkanal-Audio und -Video aus Gerichtssälen und Ratssälen, Sprecherlisten, Sitzpläne, Tagesordnungen, Anträge und frühere amtliche Protokolle. Diese liegen typischerweise in Konferenz- oder Aufzeichnungssystemen, im Dokumentenmanagement oder Ratsinformationssystem, auf Dateiablagen und bei älterem Material auf Papier.

Typische Lücken: eine gemischte Tonspur statt eines Kanals pro Mikrofon, fehlende Zuordnung von Mikrofon zu Person, eingescannte historische Protokolle ohne Text, uneinheitliche Schreibweise von Namen, Ortsnamen und Rechtsbegriffen sowie unklare Zugriffsrechte an Aufzeichnungen.

Schritte der Aufbereitung: 1. Zeichnen Sie wo möglich einen Kanal pro Mikrofon auf und dokumentieren Sie die Zuordnung zu Sitzplätzen und Personen. 2. Bauen Sie aus Tagesordnungen, Sprecherlisten und Rechtsbegriffen ein eigenes Vokabular auf, siehe PREP-015. 3. Digitalisieren Sie alte Protokolle per OCR (PREP-006) und sammeln Sie korrigierte amtliche Protokolle als Referenzbeispiele und Testmengen (PREP-016, PREP-018). 4. Legen Sie Aufbewahrung, Zugriffsrechte und Klassifizierung der Aufzeichnungen fest (PREP-024). 5. Erfassen Sie Korrekturen der Urkundsbeamten als Rückmeldung, um das Vokabular im Lauf der Zeit zu verbessern (PREP-021).

Werkzeuge: ffmpeg zur Audiokonvertierung, Modelle der Whisper-Familie und pyannote für Pilotprojekte, Paperless-ngx oder ein DMS für Archivscans.

Aufwandsanteil: etwa 20 bis 30 Prozent des Projekts, vor allem Audio-Einrichtung und Vokabulararbeit. Eine Bereitschaftsprüfung finden Sie in GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• public: C. Verhandlungen und Sitzungen sind sensibel, Gerichte und Parlamente brauchen souveräne Kontrolle, und Modelle der Whisper-Klasse mit Diarisierung laufen auf einem eigenen Server oder in einer deutschen Verwaltungscloud.
• enterprise: C. Aufsichtsräte, Schiedsverfahren und interne Anhörungen betreffen vertrauliche Inhalte und wiederkehrende Mengen, daher lohnt sich eine selbst betriebene Pipeline auf einer gemeinsamen internen KI-Plattform.
• developer: C. Offene ASR- und Diarisierungsmodelle geben volle Kontrolle über eigenes Vokabular, Audio-Aufbewahrung und die Integration in Gerichts- oder Ratssoftware.

Weg A — Kaufen (Standardsoftware)

• Protokollsysteme für Parlament/Verwaltung: spezialisierte Anbieter wie Verbit (Gerichtsprotokollierung), Speechmatics (UK), Trint sowie europäische Spezialisten wie Phonexia (CZ) und Vocapia (FR); im deutschsprachigen Raum Anbieter von Aufzeichnungs- und Stenografiesoftware für Gerichte und Parlamente. Klären Sie den aktuellen Produktumfang mit dem Anbieter.
• Rats-/Sitzungswerkzeuge: Ratsinformationssysteme (z. B. Somacos, Sternberg, Systeme der Klasse ALLRIS) ergänzen zunehmend Module zur Protokollerstellung.
• Wählen Sie A, wenn: ein kleiner Rat oder ein kleines Gericht ein verwaltetes Werkzeug mit EU-Hosting und Editor möchte; prüfen Sie On-Premises-Option, Prüfpfad, rollenbasierten Zugriff, Exportformate und Löschfunktionen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Sprach-APIs mit EU-Regionen: Azure AI Speech (Stapeltranskription mit Diarisierung, individuelle Sprachmodelle), Google Cloud Speech-to-Text (EU-Standort), AWS Transcribe (Frankfurt/Irland), Speechmatics, Deepgram. Vereinbaren Sie vertraglich EU-Datenhaltung und den Ausschluss von Training mit Ihren Daten.
• Einschränkung: Gerichte und sicherheitsrelevante Stellen dürfen häufig keine nicht souveräne Public Cloud nutzen; üblich ist eine Justiz- oder Verwaltungscloud (in Deutschland z. B. die Bundes- und Länder-Clouds).
• Wählen Sie B, wenn: öffentliche Sitzungen (offenes Parlament, Ratsstreams) ohne vertrauliche Inhalte vorliegen.

Weg C — Selbst betreiben (Open Source) -- übliche Wahl für Gerichte

• ASR: OpenAI Whisper large-v3 / large-v3-turbo über faster-whisper oder whisper.cpp; mehrsprachige Modelle NVIDIA Canary und Parakeet (NeMo); Sprachmodelle von Kyutai und Mistral Voxtral sind offene Alternativen. Prüfen Sie Lizenz und Fehlerraten je Sprache an Ihren eigenen Aufnahmen.
• Ausrichtung & Diarisierung: WhisperX (erzwungene Ausrichtung), pyannote.audio, NVIDIA Sortformer/NeMo- Diarisierung, Silero VAD.
• Editor & Stack: Korrekturoberfläche auf Wortebene, mit dem Audio synchronisiert (z. B. quelloffene Untertitel-/Transkript- Editoren oder eine eigene Web-Anwendung), PostgreSQL/OpenSearch für die Suche, vLLM für ein optionales lokales LLM.
• Hardware: HW2 bewältigt eine oder wenige gleichzeitige Sitzungen; HW3 für viele Gerichtssäle plus Livestreaming.

Weg D — Eigenes Training

Lohnt sich bei starken Dialekten, juristischem Fachjargon oder ressourcenarmen EU-Sprachen. Feintunen Sie Whisper oder ein Canary/Parakeet-Modell mit Hunderten Stunden Audio samt freigegebenen menschlichen Transkripten (das Archiv vorhandener amtlicher Protokolle ist die naheliegende Datenquelle, vorbehaltlich Vertraulichkeits- und Einwilligungsregeln). Halten Sie eine separate Testmenge mit anderen Sprechern und Räumen zurück.

Stand der Technik (2026)

• Große offene Modelle transkribieren saubere, vorgelesene Sprache in den wichtigen EU-Sprachen mit niedrigen Wortfehlerraten, doch spontane, überlappende, akzentbehaftete oder dialektale Sprache im Gerichtssaal ist deutlich schwieriger. Messen Sie an Ihrem eigenen Audio, nicht an Herstellerangaben.
• Diarisierung und Überlappung bleiben das schwächste Glied; Mehrkanalaufnahme und Zuordnung über die Sprecherliste schlagen rein akustische Verfahren. Raummikrofone in der Ferne verschlechtern die Genauigkeit; Einzelmikrofone helfen.
• Wörtlich vs. bereinigt: Parlamente redigieren üblicherweise zu gut lesbarem Text; Gerichte wollen inhaltstreuen Text einschließlich relevanter Zögerlaute. Legen Sie die Stilregel fest und konfigurieren Sie die Normalisierung entsprechend.
• Fehlerbilder: erfundener Text bei Stille oder Rauschen (bekannt bei Modellen vom Typ Whisper), ausgelassene Wörter, falsche Namen, falsche Sprecher, Zahlen und Rechtszitate. Markieren Sie geringe Konfidenz und stellen Sie den Entwurf nie als amtliches Protokoll dar.
• Trend: durchgängige Streaming-Modelle und Sprach-LLMs senken die Latenz und ermöglichen Live-Entwürfe; sie erfordern weiterhin eine Korrektur, bevor das Protokoll amtlich ist.

Gemeinsame Bausteine & Kombinationen

• Derselbe ASR- und Diarisierungs-Stack wie bei SPEECH-001 (Besprechungen), SPEECH-005 (Diktat), SPEECH-016/-020 (Notruf und Funk); ein GPU-Server kann mehrere davon bedienen.
• Live-Untertitel für Streams: SPEECH-004; Dolmetschkammern: SPEECH-003 (aus dem korrigierten Protokoll übersetzen, nicht aus dem Entwurf).
• Aktenbearbeitung: DOC-020 (Aktenverarbeitung auf Gerichtsseite), DOC-005 (historische Dokumente) für dasselbe Archiv.
• Vermeiden Sie die Kopplung mit SPEECH-010 (Stimmbiometrie): Die Sprecherbenennung sollte über Sprecherlisten erfolgen.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate inklusive Einbau der Raumtechnik und Beschaffung.
• Weg B/C: 6-18 Monate bei Gerichten (Beschaffung, Sicherheitszulassung, Audiotechnik, Schulung, verfahrensrechtliche Vorgaben); die Audioinstallation ist oft der größte Kostentreiber.
• Kennzahlen: Wortfehlerrate und Fehlerrate der Sprecherzuordnung an einer zurückgehaltenen Stichprobe; Korrekturminuten pro Audiostunde; Zeit vom Sitzungsende bis zum veröffentlichten Protokoll; Anteil unverändert übernommener Abschnitte; Suchnutzung; Anzahl der Vorfälle (nach der Freigabe entdeckte falsche Zuordnung).

Menschen & Veränderung

Wer und wann: Beziehen Sie Geschäftsleitung und Fachbereichsleitung (Gerichtsverwaltung, Geschäftsstelle, Ratssekretariat) von Beginn an ein, denn Prozess und Rechtsstatus des Protokolls liegen bei ihnen. Holen Sie Datenschutzbeauftragte und IT-Sicherheit vor dem ersten Aufnahmetest hinzu, die IT für Audiotechnik und Hosting. Urkundsbeamte, Stenografen sowie Richter oder Vorsitzende als Endanwender sind früh an der Pilotplanung beteiligt.

Betriebsrat / Personalrat: hängt vom Einzelfall ab. Sind Urkundsbeamte oder Stenografen Beschäftigte, hat der Personalrat (BPersVG oder Landesrecht) oder ein Betriebsrat ein Mitbestimmungsrecht (§87 Abs. 1 Nr. 6 BetrVG bzw. die entsprechenden Personalvertretungsregeln), weil das System Korrekturen und Bearbeitungszeiten protokolliert und objektiv zur Leistungsüberwachung geeignet ist. Unterrichten Sie ihn nach §90 Abs. 1 Nr. 3, wenn sich Arbeitsabläufe ändern, siehe GUIDE-004. Die richterliche Unabhängigkeit muss gesondert geklärt werden.

Datenschutz: Verhandlungen enthalten personenbezogene Daten und oft besondere Kategorien, daher ist eine DSFA wahrscheinlich (Art. 35 DSGVO), dazu ein AVV mit jedem Auftragsverarbeiter. Siehe GUIDE-005.

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit Schulungen zu Fehlerarten, Sprecherverwechslungen und Prüfpflichten (Art. 4 KI-Verordnung, GUIDE-006).

Pilot und Kommunikation: Beginnen Sie mit einem unkritischen Ausschuss oder einer Sitzungsart. Typische Sorge: der Ersatz von Stenografen. Sprechen Sie sie offen an: Das Werkzeug erstellt den Entwurf, geschultes Personal korrigiert und gibt frei, und ein Mensch verantwortet stets das amtliche Protokoll. Siehe GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): KI-Systeme, die von oder im Auftrag von Justizbehörden zur Unterstützung bei der Ermittlung und Auslegung von Tatsachen und Recht eingesetzt werden sollen, gelten nach Anhang III Nr. 8 als Hochrisiko. Ein reines Transkriptionswerkzeug ist wohl eine unterstützende Verwaltungsfunktion; die Einstufung hängt davon ab, wie stark das Ergebnis gerichtliche Entscheidungen beeinflusst. Behandeln Sie Einsätze bei Gerichten als Hochrisiko (Art. 9-15: Risikomanagement, Daten-Governance, Protokollierung, menschliche Aufsicht, Genauigkeit), bis eine Rechtsberatung etwas anderes bestätigt. Die Protokollführung bei Parlamenten und Gemeinderäten gilt in der Regel als minimales oder begrenztes Risiko. [3]
• Art. 5: Ergänzen Sie keine Emotionserkennung, keine Glaubwürdigkeits- oder „Lügen“-Bewertung und keine biometrische Kategorisierung der Sprecher; diese sind verboten oder Hochrisiko und liegen außerhalb dieses Anwendungsfalls.
• DSGVO: Verhandlungen enthalten besondere Kategorien personenbezogener Daten und Daten über Straftaten (Art. 9, 10) von Parteien, Zeugen, Minderjährigen und Opfern; Strafverfolgungsbehörden unterliegen der Richtlinie (EU) 2016/680 und dem nationalen Recht. Nötig sind eine Rechtsgrundlage, Zugriffskontrolle, Regeln zu Aufbewahrung und Löschung, kein Training des Anbieters mit dem Audio und eine DSFA. Öffentliche Sitzungen können dennoch eine Schwärzung erfordern (z. B. geschützte Zeugen).
• Verfahrensrecht: Beweiswert des Transkripts, wer es beglaubigt, Rechte der Parteien auf Einsicht und Widerspruch sowie der Umgang mit dem Audio sind national geregelt (z. B. die geplanten, aber nicht in Kraft getretenen StPO-Änderungen durch das DokHVG [1]).
• Richterliche Unabhängigkeit: Die KI darf keine Tatsachenfeststellungen entwerfen; die Richter behalten die Kontrolle über das Protokoll.
• Gegenmaßnahmen: On-Premises oder souveräne Cloud, Hashing und unveränderliche Audiospeicherung, Prüfprotokoll der Änderungen, verpflichtende menschliche Freigabe, Prüfung auf Verzerrungen über Dialekte, Akzente und Geschlechter hinweg.

Erste Schritte

1. Klären Sie den Rechtsstatus des Protokolls: amtlich, beweiskräftig oder nur Hilfsmittel; legen Sie Stilregeln fest.
2. Erfassen Sie Räume und Mikrofone; bevorzugen Sie einen Kanal pro Sitzplatz plus einen gemischten Kanal.
3. Sammeln Sie 20-50 Stunden repräsentatives Audio mit vorhandenen menschlichen Transkripten; vergleichen Sie Whisper, Canary/Parakeet und zwei Anbieter mit und ohne eigenes Vokabular.
4. Bauen Sie den Korrektur-Workflow (Editor synchron zum Audio, Rollen, Freigabe, Prüfprotokoll), bevor Sie die Genauigkeit optimieren.
5. Starten Sie ein Pilotprojekt in einer Kammer oder einem Raum, messen Sie die Korrekturzeit pro Stunde und skalieren Sie dann mit DSFA und AI-Act-Prüfung.

Quellen

1. Deutscher Bundestag — Gesetz zur Dokumentation der strafgerichtlichen Hauptverhandlung beschlossen — https://www.bundestag.de/dokumente/textarchiv/2023/kw46-de-hauptverhandlungsdokumentation-976608
2. Bundestag Drucksache 20/8096 (Entwurf DokHVG) — https://dserver.bundestag.de/btd/20/080/2008096.pdf
3. Regulation (EU) 2024/1689 (AI Act), Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
4. BMJV — Strafgerichtliche Hauptverhandlung wird digital dokumentiert — https://www.bmjv.de/SharedDocs/Pressemitteilungen/DE/2022/1122_Hauptverhandlungsdokumentationsgesetz.html
5. WhisperX — https://github.com/m-bain/whisperX
6. pyannote.audio — https://github.com/pyannote/pyannote-audio
7. faster-whisper — https://github.com/SYSTRAN/faster-whisper
8. Directive (EU) 2016/680 — https://eur-lex.europa.eu/eli/dir/2016/680/oj
9. DATEV magazin — Vermittlungsausschuss vertagt Beratungen zu Justizreform (Hauptverhandlungsdokumentationsgesetz, 22 Feb 2024) — https://www.datev-magazin.de/nachrichten-steuern-recht/recht/vermittlungsausschuss-vertagt-beratungen-zu-justizreform-119379