Open-Source-Videotranskription auf dem Mac: Praxisguide

Warum lokale Videotranskription auf dem Mac mehr als ein Nischenwerkzeug ist

Videotranskription ist für viele Mac-Nutzer längst kein experimenteller Zusatzschritt mehr. Interviews, Webinare, Schulungsvideos, Podcasts, Produktdemos und interne Meetings fallen als Rohmaterial an, und fast immer entsteht daraus ein zweiter Bedarf: Text. Ein Transkript macht ein Video durchsuchbar, zitierbar und weiterverwendbar. Es ist die Grundlage für Untertitel, Kapitelmarken, Blogartikel, Wissensdatenbanken und barrierefreie Veröffentlichungen. Wer regelmäßig Videos produziert, merkt schnell, dass die eigentliche Arbeit nicht im Schneiden endet, sondern in der sauberen Dokumentation beginnt.

Auf dem Mac ist die Ausgangslage günstig. Apple Silicon liefert viel Rechenleistung bei überschaubarem Energieverbrauch, macOS bringt solide Audio-Werkzeuge mit, und viele offene Projekte sind inzwischen gut dokumentiert. Gleichzeitig wächst der Wunsch nach lokaler Verarbeitung: Vertrauliche Gespräche sollen den Rechner nicht verlassen, Rohmaterial soll offline bearbeitet werden können, und niemand möchte für jedes kurze Video ein neues Abo abschließen. Offene Transkriptionswerkzeuge bedienen genau diese Anforderungen, solange man ihre Grenzen kennt.

Der entscheidende Gedanke vor der Werkzeugwahl ist deshalb nicht die Frage nach dem angeblich besten Modell. Entscheidend ist der Arbeitsalltag. Wer einmal im Monat ein zehnminütiges Video untertiteln möchte, braucht eine andere Lösung als ein Team, das täglich mehrere Stunden Material in mehreren Sprachen verarbeitet. Der Mac kann beide Fälle bewältigen, aber die Kombination aus Audioaufbereitung, Modellgröße, Oberfläche und Exportweg muss bewusst gewählt werden. Sonst entsteht eine technische Bastelei, die nach zwei Wochen liegen bleibt.

Die Bausteine einer offenen Transkriptionskette

Offene Videotranskription ist kein einzelnes Programm, sondern eine Kette aus mehreren Teilen. Wer diese Teile auseinanderhält, kann Fehler schneller finden und muss nicht bei jedem Problem gleich die gesamte Installation erneuern.

Audio, Modell und Laufzeit

Am Anfang steht immer die Audiospur. Ein Videocontainer wie MP4 oder MOV enthält Bild, Ton und Metadaten. Für die Spracherkennung zählt zunächst nur der Ton. Ein mono-WAV mit 16 kHz ist für viele Modelle eine robuste Ausgangsbasis, weil es unnötige Kanäle und hohe Samplingraten vermeidet. Das Modell übernimmt danach die eigentliche Umwandlung von Schall in Text. Die Laufzeitumgebung bestimmt, wie effizient das auf dem Mac geschieht: Eine Python-Installation ist flexibel, eine C++-Variante oft schlanker, und eine auf Apple Silicon optimierte Umsetzung kann die Hardware direkter nutzen.

Die Oberfläche ist die vierte Ebene. Sie entscheidet, ob man Dateien per Drag-and-drop ablegt oder ein Skript mit festen Parametern ausführt. Für Einsteiger ist eine grafische Oberfläche angenehm, für Serienverarbeitung ist die Kommandozeile überlegen. Der Export ist die fünfte Ebene: SRT, VTT, TXT, JSON oder eine Kombination daraus. Ein guter Workflow legt vor dem ersten Lauf fest, welche Formate tatsächlich gebraucht werden.

Lokal, offline und reproduzierbar

Der größte praktische Vorteil lokaler Verarbeitung ist nicht nur der Datenschutz. Lokale Läufe sind reproduzierbar. Man kann dieselbe Datei mit demselben Modell und denselben Einstellungen erneut verarbeiten und erhält eine vergleichbare Ausgangsbasis. Das ist bei Kundenprojekten, wissenschaftlichen Interviews oder internen Schulungen hilfreich. Cloud-Dienste mögen bequemer sein, aber sie bringen Abhängigkeiten von Netzwerk, Anbieterpolitik und jeweiliger Kontingentlogik mit. Für vertrauliche Aufnahmen ist die lokale Variante oft die einzige realistische Option.

Der Preis dafür ist Aufmerksamkeit. Lokale Transkription verlangt genügend Arbeitsspeicher, Geduld bei großen Modellen und eine gewisse Disziplin bei der Ablage. Wer diese Punkte akzeptiert, bekommt einen Workflow, der unabhängig funktioniert und sich gut dokumentieren lässt.

Werkzeuge und ihre Rollen richtig einordnen

Die Werkzeuglandschaft wirkt auf den ersten Blick unübersichtlich, weil Modelle, Laufzeiten und Apps oft in einem Atemzug genannt werden. Sinnvoller ist eine rollenbasierte Betrachtung.

Whisper-Familie und Varianten

Whisper ist der bekannteste offene Ansatz für mehrsprachige Spracherkennung. Die ursprüngliche Python-Implementierung ist flexibel und gut dokumentiert, aber nicht immer die schnellste Wahl auf dem Mac. whisper.cpp ist eine optimierte C++-Variante, die sich gut für lokale Läufe, kleine Werkzeuge und Automatisierung eignet. MLX-Varianten nutzen die Apple-Silicon-Architektur direkter und können auf geeigneten Rechnern schneller sein. Faster-Whisper setzt ebenfalls auf Optimierungen, ist aber stärker in Python-Umgebungen verwurzelt. Für die Praxis gilt: Das Modell bestimmt die Qualität, die Laufzeit bestimmt die Geschwindigkeit, und die App bestimmt den Bedienkomfort. Man sollte diese Ebenen nicht verwechseln.

ffmpeg als stiller Helfer

ffmpeg ist kein Transkriptionswerkzeug, aber ohne ffmpeg wäre der Workflow deutlich mühsamer. Es löst Audio aus Video, normalisiert Kanäle, konvertiert Formate und repariert so manche Datei, die eine grafische App nicht akzeptiert. Wer ffmpeg einmal beherrscht, spart sich viele Umwege. Ein einfacher Befehl reicht für den Anfang:

ffmpeg -i input.mp4 -vn -ac 1 -ar 16000 audio.wav

Danach prüft man die Datei mit Kopfhörern. Brummen, doppelte Tonspuren, ein leiser Sprecher oder Musik im Vordergrund erklären später viele Fehler, die zunächst wie Modellschwächen aussehen.

Grafische Apps und Kommandozeile

Wer nicht mit Terminal-Befehlen arbeiten möchte, findet Whisper-basierte Oberflächen wie Buzz oder Aiko. Sie bieten Dateiauswahl, Modellwahl und Exportfunktionen, ohne dass man sich mit Python-Umgebungen beschäftigen muss. Die Kommandozeile bleibt jedoch der beste Weg für Serienverarbeitung, eigene Skripte und reproduzierbare Einstellungen. Ein bewährter Einstieg ist eine grafische Oberfläche für den ersten Test und anschließend ein Kommandozeilenlauf für den regelmäßigen Workflow. So lernt man das Material kennen, ohne gleich eine komplette Pipeline zu bauen.

Realistische Qualitätserwartungen entwickeln

Kein Modell liefert perfekte Transkripte. Die Qualität hängt stärker von der Audiospur ab als von der Marketingbeschreibung des Werkzeugs. Raumhall, Nebengeräusche, Übersprechen und Mikrofonqualität verursachen mehr Fehler als die Wahl zwischen zwei ähnlich großen Modellen. Wer die Fehlerquote senken will, sollte zuerst am Audio ansetzen und erst danach über ein größeres Modell nachdenken.

Deutsch, Englisch und Mehrsprachigkeit

Deutsch stellt Transkriptionsmodelle vor besondere Herausforderungen: Komposita, Flexionsendungen, Dialekte und Eigennamen erzeugen viele Varianten. Englisch ist oft besser abgedeckt, weil mehr Trainingsdaten verfügbar sind. Bei mehrsprachigen Videos ist die automatische Spracherkennung praktisch, aber riskant. Wechselt die Sprache mitten im Satz, kann das Modell falsch weiterschreiben. Besser ist es, die Sprache pro Datei festzulegen oder mehrsprachige Abschnitte getrennt zu transkribieren. Für ein deutsches Interview mit englischen Fachbegriffen ist ein deutsches Grundmodell plus manuelle Korrektur meist zuverlässiger als ein automatischer Sprachwechsel.

Akzente, Sprecher und schwierige Räume

Dialekte und starke Akzente sind kein Grund, offene Werkzeuge völlig zu verwerfen. Sie erfordern aber realistische Erwartungen. Ein Modell, das bei klarem Studio-Deutsch hervorragend funktioniert, kann bei einer lauten Konferenzaufnahme mit Publikumsgeräuschen deutlich schlechter abschneiden. Bei Interviews mit mehreren Stimmen lohnt sich zusätzlich eine Sprechertrennung. Sie ist ein separater Verarbeitungsschritt und nicht automatisch Teil jeder Transkription. Wer zwei Personen getrennt aufnehmen kann, sollte das tun. Getrennte Spuren sind oft wertvoller als jedes größere Modell.

Ein belastbarer Workflow von der Datei zum Transkript

Ein guter Workflow beginnt nicht mit dem Transkriptionsmodell, sondern mit der Dateivorbereitung. Wer Rohmaterial ungeprüft in ein großes Modell gibt, produziert oft ein sauberes Transkript mit falschen Namen und fehlenden Fachbegriffen. Die folgenden Schritte lassen sich auf grafische Mac-Programme und auf Kommandozeilenwerkzeuge übertragen.

Material vorbereiten

Zuerst wird die Audiospur aus dem Video gelöst. Ein mono-WAV mit 16 kHz ist für viele Spracherkennungsmodelle ideal. Prüfen Sie danach die Lautstärke und entfernen Sie keine Atmer oder Pausen, wenn diese für den Rhythmus wichtig sind. Bei sehr leisen Aufnahmen hilft eine moderate Normalisierung, aber zu viel Nachbearbeitung kann Artefakte erzeugen. Ein kurzer Hörtest mit Kopfhörern deckt Brummen, doppelte Tonspuren und Kanaltrennung schnell auf. Legen Sie außerdem eine kurze Notiz an: Wer spricht, aus welchem Anlass, und welche Eigennamen kommen vor? Diese Notiz ist später beim Korrigieren oft wertvoller als ein weiterer Modelltest.

Testlauf mit kleinem Modell

Für einen ersten Durchlauf reicht ein kleines Modell. Es zeigt, ob die Audiospur grundsätzlich verständlich ist und wo Namen oder Fachbegriffe Probleme machen. Für die finale Fassung wechseln Sie auf ein größeres Modell, wenn Rechenzeit und Speicher es zulassen. Legen Sie die Sprache explizit fest, statt sich auf die automatische Erkennung zu verlassen. Das reduziert Fehler bei kurzen Videos, bei denen das Modell sonst auf die falsche Sprache kippt. Ein Testlauf mit den ersten fünf Minuten ist meist aussagekräftiger als ein Vergleich von Werbeversprechen.

Serienverarbeitung vorbereiten

Bei mehreren Dateien ist ein Skript sinnvoll, das Dateien sammelt, nacheinander verarbeitet und Ergebnisse in getrennten Ordnern ablegt. So bleibt nachvollziehbar, welches Modell, welche Sprache und welche Einstellungen verwendet wurden. Bewährt ist eine Ordnerstruktur wie Projekt, Rohmaterial, Audio, Transkripte, Untertitel und Archiv. Der Name der Ausgabedatei sollte dem Original entsprechen, damit keine Verwechslung entsteht. Wer regelmäßig arbeitet, sollte außerdem die verwendete Modellversion notieren. Ein Transkript ohne diese Information lässt sich später schwerer vergleichen.

Nachbearbeitung und Qualitätskontrolle

Die Nachbearbeitung ist kein optionaler Schritt. Prüfen Sie Namen, Zahlen, Produktbezeichnungen und Zitate. Legen Sie ein Glossar für wiederkehrende Begriffe an und ersetzen Sie falsche Schreibweisen systematisch. Hören Sie bei Unsicherheiten kurz in die entsprechenden Zeitmarken. Ein Transkript, das inhaltlich stimmt, aber falsche Namen enthält, ist für Veröffentlichungen und Suchmaschinen oft weniger wert als eine kürzere, geprüfte Fassung. Besonders wichtig ist die Trennung zwischen Rohfassung und freigegebener Fassung. Die Rohfassung darf Fehler enthalten, die freigegebene nicht.

Export und Weiterverwendung

Exportieren Sie mindestens ein Untertitelformat und eine reine Textfassung. SRT oder VTT eignen sich für Videoplattformen, TXT für Blogartikel und Notizen, JSON für eigene Weiterverarbeitung. Wenn Sie Untertitel veröffentlichen, prüfen Sie Lesbarkeit, Zeilenlänge und Timing. Ein automatisch erzeugtes Transkript ist eine Rohfassung, kein fertiges Barrierefreiheitsprodukt. Untertitel sollten nicht nur korrekt, sondern auch in der vorgegebenen Zeit lesbar sein. Kürzen Sie lange Sätze lieber in zwei Zeilen, als sie in einem Block über den Bildschirm laufen zu lassen.

Installationsbeispiele für typische Mac-Setups

Die folgenden Beispiele zeigen typische Wege. Sie sind als Ausgangspunkt gedacht, nicht als starre Vorschrift. Aktuelle Paketnamen und Modellpfade können sich ändern, deshalb lohnt ein Blick in die Dokumentation des jeweiligen Werkzeugs.

Für ffmpeg und die Python-Variante von Whisper:

brew install ffmpeg
python3 -m venv whisper-env
source whisper-env/bin/activate
pip install -U openai-whisper
whisper input.mp4 --model medium --language de --output_format srt --output_dir transcripts

Für whisper.cpp mit Homebrew:

brew install whisper-cpp
whisper-cpp -m models/ggml-medium.bin -f audio.wav -l de -osrt

Wer eine grafische Oberfläche bevorzugt, installiert eine Whisper-basierte App, wählt die Videodatei, setzt die Sprache auf Deutsch und startet die Transkription. Wichtig ist, das Modell nicht zu groß für den Rechner zu wählen. Ein mittleres Modell mit sauberem Audio liefert oft bessere Ergebnisse als ein großes Modell, das wegen Speicherdrucks abbricht oder in kleinen Häppchen verarbeitet wird. Bei einem MacBook Air mit wenig Unified Memory ist ein kleines oder mittleres Modell oft die vernünftigere Wahl. Auf einem Mac Studio mit viel Speicher darf man dagegen größere Modelle testen, sollte aber die Laufzeit pro Audiominute messen.

Entscheidungshilfe: Welche Lösung passt zu welchem Arbeitsalltag

Die beste Lösung ist nicht die mit dem größten Modell, sondern die, die nach zwei Wochen noch benutzt wird. Eine einfache Entscheidungsmatrix hilft.

Ziel	Empfohlener Einstieg	Warum
Gelegentliche Untertitel	Grafische Whisper-Oberfläche	Schneller Einstieg ohne Terminal
Regelmäßige Interviews	whisper.cpp plus Skript	Reproduzierbar und gut automatisierbar
Vertrauliche Aufnahmen	Lokale Verarbeitung	Material bleibt auf dem Mac
Viele Sprachen	Modell pro Sprache testen	Automatische Erkennung ist fehleranfällig
Untertitel für Veröffentlichung	Transkript plus manuelle Prüfung	Qualität und Lesbarkeit zählen
Teamarbeit	Dokumentierte Ordnerstruktur	Ergebnisse bleiben auffindbar

Wer nur wenige Minuten Material pro Woche verarbeitet, sollte nicht in eine komplexe Pipeline investieren. Eine einfache Oberfläche mit mittlerem Modell und manueller Prüfung ist meist ausreichend. Für Teams lohnt sich dagegen ein dokumentierter Ablauf mit festen Modellversionen, Glossar und Ablagestruktur. Auch die Frage nach der Sprache gehört in diese Entscheidung: Ein überwiegend deutscher Kanal braucht keine automatische Spracherkennung für jede Datei. Ein internationaler Kanal sollte dagegen pro Sprache testen und die Ergebnisse getrennt ablegen.

Typische Fehler und systematische Fehlersuche

Die meisten Enttäuschungen entstehen nicht durch ein defektes Modell, sondern durch falsche Erwartungen an den Input. Wer die Fehlerquelle systematisch eingrenzt, spart Zeit und vermeidet unnötige Neuinstallationen.

Speicherprobleme und Modellgröße

Wenn der Mac während der Transkription stark auslagert oder das Programm abstürzt, ist das Modell zu groß für den verfügbaren Arbeitsspeicher. Wechseln Sie auf ein kleineres Modell oder verarbeiten Sie die Datei in Abschnitten. Schließen Sie parallel laufende Programme, die viel Speicher belegen. Ein Neustart vor großen Läufen ist keine Esoterik, sondern kann den verfügbaren Speicher spürbar freigeben. Prüfen Sie außerdem, ob im Hintergrund ein Sync-Dienst große Dateien verarbeitet. Solche Nebengeräusche der Systemlast werden oft unterschätzt.

Schlechte Ergebnisse trotz guter Modelle

Prüfen Sie zuerst die Audiospur. Eine falsche Kanaltrennung, ein leiser Sprecher oder eine Tonspur mit Musik im Vordergrund erklärt viele Fehler. Testen Sie anschließend die Spracheinstellung und ein anderes Modell mit derselben Datei. Wenn nur Eigennamen falsch sind, hilft ein Glossar. Wenn ganze Sätze unverständlich bleiben, liegt es oft am Material und nicht am Werkzeug. Ein häufiger Fehler ist außerdem, eine automatische Spracherkennung bei einem sehr kurzen Clip zu verwenden. Bei wenigen Sekunden Audio rät das Modell manchmal auf die falsche Sprache. Sprache festlegen ist dann der schnellste Fix.

Dateiformate, Zeitmarken und Untertitel

Nicht jedes Programm akzeptiert jedes Videoformat. Der Umweg über eine WAV-Datei löst viele Probleme. Achten Sie bei Untertiteln auf korrekte Zeitmarken und keine überlangen Zeilen. Wenn Zeitmarken verschoben sind, prüfen Sie die Bildrate und ob das Werkzeug die Tonspur korrekt synchronisiert hat. Bei Videos mit variabler Bildrate kann eine Neuverkodierung der Audiospur helfen. Ein weiterer typischer Fehler ist das Ignorieren von Satzzeichen. Fehlende Punkte und Kommas machen ein Transkript schwer lesbar, selbst wenn die Wörter stimmen. Prüfen Sie daher, ob das Werkzeug Satzzeichen setzt, und planen Sie eine entsprechende Korrekturrunde ein.

Datenschutz und Ablage

Lokale Verarbeitung bedeutet nicht automatisch, dass alles privat bleibt. Wenn Transkripte in einem Cloud-Ordner synchronisiert werden, verlassen sie den Rechner trotzdem. Wer vertrauliche Interviews verarbeitet, sollte die Ablage bewusst wählen: lokaler Projektordner, verschlüsseltes Backup und klare Löschregeln. Auch Mikrofonaufnahmen enthalten oft mehr Informationen als erwartet, etwa Namen, Adressen oder interne Projektstände. Ein sauberer Workflow endet deshalb nicht beim Export, sondern bei der Frage, wer Zugriff auf die Ergebnisse haben soll.

Qualitätssicherung, Glossar und Wiederverwendung

Ein Transkript ist eine Quelle, kein fertiger Artikel. Wer daraus Blogtexte, Newsletter oder Schulungsunterlagen baut, sollte den Inhalt strukturieren und redigieren. Entfernen Sie Füllwörter, korrigieren Sie Namen und gliedern Sie den Text mit Zwischenüberschriften. Prüfen Sie, ob Aussagen korrekt wiedergegeben sind und ob der Text eigenständig genug ist, um Lesern einen echten Mehrwert zu bieten.

Ein Glossar ist dabei das einfachste Werkzeug mit dem größten Effekt. Legen Sie eine Liste mit Produktnamen, Personen, Abkürzungen und Fachbegriffen an. Diese Liste kann als Grundlage für die manuelle Korrektur dienen und bei späteren Läufen als Erinnerung für die Prüfung. Noch besser ist ein kurzer Stilzettel: Wie werden Zahlen geschrieben, welche Anrede wird verwendet, sollen Zeitangaben ausgeschrieben werden? Wer diese Fragen einmal beantwortet, spart bei jedem weiteren Video Zeit.

Für die Wiederverwendung lohnt sich eine klare Trennung zwischen Rohtranskript, korrigiertem Transkript und öffentlicher Fassung. Das Rohtranskript bleibt als Nachweis erhalten, das korrigierte Transkript dient als Arbeitsgrundlage, und die öffentliche Fassung wird für Untertitel oder Artikel angepasst. So geht keine Information verloren, und man muss nicht bei jeder Änderung die gesamte Datei neu erzeugen. Gerade bei Interviews ist diese Trennung hilfreich, weil nicht jede Passage veröffentlicht werden soll.

FAQ

Ist lokale Videotranskription auf dem Mac wirklich ohne laufende Abo-Kosten möglich?

Die offenen Modelle und viele Werkzeuge sind frei nutzbar. Indirekte Kosten entstehen durch Rechenzeit, Strom und den eigenen Aufwand für Installation und Prüfung. Wer eine fertige Oberfläche mit Support bevorzugt, findet auch kommerzielle Angebote. Für einen schlanken Workflow reicht oft die offene Variante, besonders wenn man nur gelegentlich transkribiert. Wichtig ist, die eigenen Zeitkosten realistisch einzuschätzen: Einfachere Bedienung kann mehr wert sein als die letzten Prozent Genauigkeit.

Welches Whisper-Modell ist für Deutsch am besten?

Es gibt keine pauschale Antwort. Große Modelle liefern häufig bessere Ergebnisse, brauchen aber mehr Speicher und Zeit. Testen Sie kleine, mittlere und große Modelle mit einer repräsentativen Datei. Wenn das mittlere Modell bei Ihrem Material fast so gut abschneidet wie das große, sparen Sie mit dem mittleren Modell viel Zeit. Entscheidend ist außerdem die Audioqualität. Ein mittleres Modell mit sauberem Interviewton ist oft besser als ein großes Modell mit Raumhall und Nebengeräuschen.

Brauche ich eine dedizierte Grafikkarte für schnelle Transkription?

Nein. Apple Silicon beschleunigt viele Modelle bereits gut. Eine dedizierte Grafikkarte ist auf dem Mac kein Standardweg. Entscheidend sind Arbeitsspeicher, Modellgröße und die Optimierung des jeweiligen Werkzeugs. Ein optimierter C++- oder MLX-Lauf kann auf einem MacBook Air schneller sein als eine unoptimierte Python-Installation auf einem größeren Rechner. Messen Sie die Laufzeit mit einer Testdatei, statt sich auf allgemeine Aussagen zu verlassen.

Wie gehe ich mit mehreren Sprechenden um?

Die Transkription liefert zunächst Text und Zeitmarken. Sprechertrennung ist ein zusätzlicher Schritt. Bei Interviews lohnt es sich, entweder getrennte Spuren aufzunehmen oder ein Werkzeug mit Diarisierung zu testen. Ohne Sprechertrennung bleibt nur die manuelle Zuordnung, die bei kurzen Gesprächen oft schneller ist als eine fehlerhafte Automatik. Wenn Sie regelmäßig Interviews führen, ist ein Aufnahmesetup mit zwei Mikrofonen und getrennten Spuren die zuverlässigste Investition.

Kann ich die Transkripte für Blogartikel und Suchmaschinen nutzen?

Ja, aber nicht als ungeprüften Rohtext. Entfernen Sie Füllwörter, korrigieren Sie Namen und strukturieren Sie den Inhalt mit Zwischenüberschriften. Ein Transkript ist eine Quelle, kein fertiger Artikel. Wenn Sie daraus eine Seite bauen, prüfen Sie, ob die Aussagen korrekt wiedergegeben sind und ob der Text eigenständig genug ist, um Lesern einen echten Mehrwert zu bieten. Ideal ist eine Mischung aus Zitat, Zusammenfassung und eigener Einordnung.

Wie lang sollte ein Testlauf sein?

Fünf bis zehn Minuten reichen meist aus, um die Grundqualität zu beurteilen. Achten Sie darauf, dass im Testmaterial die schwierigen Stellen vorkommen: Eigennamen, Fachbegriffe, mehrere Sprecher und typische Hintergrundgeräusche. Ein Test mit einer ungewöhnlich sauberen Studioaufnahme sagt wenig über ein reales Interview aus. Wenn der Testlauf gut funktioniert, können Sie die restlichen Dateien in derselben Einstellung verarbeiten und die Ergebnisse stichprobenartig prüfen.