Zum Inhalt springen

Audio und Video in Text umwandeln

Wandeln Sie Sprache aus Audio- und Videodateien – oder einer neuen Mikrofonaufnahme – in durchsuchbaren Text mit Wortzeitstempeln um. Das Whisper-Modell läuft auf Ihrem eigenen Gerät.

Audio- oder Videodatei hierher ziehenMP3, WAV, M4A, MP4, MOV, WebM … · kostenlos bis 10 Min.
Datei auswählenAuf Ihrem Gerät verarbeitet – wird nicht hochgeladen
Läuft in Ihrem Browser · kein UploadSo funktioniert's

So verwenden Sie Audio- & Video-Transkription

  1. 1

    Aufnahme hinzufügen

    Ziehen Sie eine MP3-, M4A-, WAV-, MP4- oder MOV-Datei hierher, oder wechseln Sie zu „Audio aufnehmen“ und sprechen Sie in Ihr Mikrofon.

  2. 2

    Transkription starten

    Base passt für die meisten Aufnahmen; Small kommt besser mit Akzenten und Störgeräuschen zurecht. Lassen Sie die Sprache auf automatischer Erkennung oder stellen Sie sie ein.

  3. 3

    Lesen, abspielen und suchen

    Folgen Sie bei der Wiedergabe den hervorgehobenen Wörtern, klicken Sie auf ein Wort, um dorthin zu springen, und suchen Sie nach Namen oder Themen.

  4. 4

    Speichern

    Kopieren Sie den Text oder laden Sie TXT, DOCX, SRT, VTT oder JSON mit Wortzeiten herunter.

Limits und Pro

Bis zu 10 Minuten Audio pro Datei oder Aufnahme (längere Dateien werden nur für die ersten 10 Minuten transkribiert), Dateien bis 500 MB. Das Sprachmodell wird einmalig heruntergeladen: 43 MB (Tiny), 80 MB (Base) oder 252 MB (Small).

Bis zu 600 Minuten pro Datei und Dateien bis 4 GB. Pro ansehen

Über Audio- & Video-Transkription

Transcribe ist ein Tool für die Umwandlung von Sprache in Text – für Interviews, Vorlesungen, Meetings, Podcasts, Predigten und Sprachnotizen. Sie wählen eine Aufnahme aus oder nehmen mit Ihrem Mikrofon eine auf, und das Open-Source-Modell Whisper schreibt das Gesprochene mit Satzzeichen sowie Groß- und Kleinschreibung auf, in einer von 99 Sprachen. Lange Aufnahmen werden in Fenstern von 30 Sekunden verarbeitet. So erscheint der Text, während der Rest noch bearbeitet wird, und ein am Fensterrand abgeschnittenes Wort wird aus dem nächsten Fenster neu gelesen, statt verloren zu gehen.

Das Ergebnis ist eine Leseansicht statt einer Textwüste: Sätze werden an den Sprechpausen zu Absätzen zusammengefasst, jeder Absatz kann seine Startzeit anzeigen, und jedes Wort hat seinen eigenen Zeitstempel. Starten Sie die Wiedergabe, und das gerade gesprochene Wort wird hervorgehoben; mit einem Klick auf ein beliebiges Wort hören Sie es im Zusammenhang. Die Suche findet eine Wendung im gesamten Transkript und springt von Treffer zu Treffer.

Die Downloads decken die üblichen nächsten Schritte ab: reiner Text (mit oder ohne Zeitstempel) für Notizen, ein Word-Dokument zum Bearbeiten und Weitergeben, SRT oder VTT, falls die Aufnahme als Video veröffentlicht wird, und JSON mit Start- und Endzeiten pro Wort für Entwickelnde. Das Transkript kennzeichnet nicht, wer spricht, und es ist kein Tool für Live-Untertitel – erst kommt die Aufnahme, dann die Transkription.

Datenschutz

Aufnahmen bleiben auf Ihrem Computer oder Smartphone: Dateien werden lokal geöffnet, Mikrofonaudio wird auf dieser Seite im Arbeitsspeicher aufgenommen, und Whisper läuft in einem Hintergrund-Worker, ohne Audio irgendwohin zu senden. Schließen Sie den Tab, sind Aufnahme und Transkript weg. Nur das Sprachmodell wird einmalig von Hugging Face geladen und im Cache Ihres Browsers gespeichert.

Funktionen

Nichts wird hochgeladen

Dekodierung und Erkennung laufen in diesem Browser-Tab, vertrauliche Gespräche und Interviews bleiben also bei Ihnen.

99 Sprachen

Automatische Spracherkennung sowie Übersetzung aus jeder unterstützten Sprache ins Englische.

Zeitstempel pro Wort

Jedes Wort hat eine Zeitangabe, sodass Sie per Klick abspielen und der Hervorhebung live folgen können.

Mit dem Mikrofon aufnehmen

Nehmen Sie eine Sprachnotiz, ein Interview oder ein Diktat auf und transkribieren Sie es sofort.

TXT, Word, SRT, VTT, JSON

Exportieren Sie das gewünschte Format – Dokumente, Untertitel oder strukturierte Daten für Ihre eigenen Tools.

Im Transkript suchen

Finden Sie jede Erwähnung eines Namens oder einer Wendung und springen Sie zwischen den Treffern.

Audio- & Video-Transkription: Häufig gestellte Fragen

Wie genau ist die Whisper-Transkription?
Bei einer klaren Aufnahme einer einzelnen Person, die Englisch spricht, erkennt Whisper Base in der Regel deutlich über 90 % der Wörter richtig und setzt sinnvolle Satzzeichen. Musik, durcheinander sprechende Personen, Telefonqualität und starke Akzente verschlechtern das. Das Modell Small ist hier die genaueste Option, braucht aber einen größeren Download und deutlich mehr Zeit.
Zeigt das Transkript, wer was gesagt hat?
Nein. Die Sprechererkennung (Diarisierung) benötigt ein eigenes Modell, das nicht enthalten ist. Das Transkript ist daher ein durchgehender Text, der an Pausen in Absätze geteilt wird. Bei einem Interview mit zwei Personen liegen die Absatzwechsel meist an den Sprecherwechseln, und Namen können Sie im Word-Export ergänzen.
Kann ich eine Sprachnotiz direkt über mein Mikrofon transkribieren?
Ja. Wählen Sie „Audio aufnehmen“, erlauben Sie den Mikrofonzugriff und drücken Sie die rote Taste; während der Aufnahme können Sie pausieren und fortsetzen. Nach „Stopp“ erscheint die Aufnahme, bereit zum Transkribieren und Abspielen. Sie existiert nur in diesem Tab, laden Sie das Transkript also vor dem Schließen der Seite herunter.
Was enthält der JSON-Export?
Er enthält die erkannte Sprache, die Dauer, das verwendete Modell, den vollständigen Text und eine Liste von Segmenten mit Start- und Endzeiten in Sekunden. Jedes Segment umfasst seine Wörter mit eigenen Start- und Endzeiten. Das ist nützlich, um in Ihrer eigenen Software eine Suche, Clip-Ausschnitte oder Untertitel im Karaoke-Stil zu bauen.
Wie lange dauert die Transkription einer Stunde Audio?
Das hängt vom Gerät ab. Mit WebGPU auf einem aktuellen Laptop schafft das Modell Base eine Stunde in etwa zehn bis zwanzig Minuten; nur mit der CPU dauert es ungefähr so lange wie die Aufnahme oder länger. Transkripte über 10 Minuten erfordern Pro. Sie sehen den Text entstehen und können jederzeit abbrechen.

Ähnliche Tools

Alle: video- und audio-tools

Untertitel-Generator

SRT- und VTT-Untertitel automatisch per KI auf dem Gerät erzeugen

Sprachrekorder

Audio mit dem Mikrofon aufnehmen und speichern

Audio-Konverter

MP3, WAV, M4A, OGG, FLAC und mehr umwandeln

Wortzähler

Wörter, Zeichen, Sätze und Lesezeit zählen