Audio in Text
Verwandle Aufnahmen in Text mit OpenAIs Spracherkennungsmodell Whisper, das direkt in deinem Browser läuft. Zieh eine MP3-, WAV-, M4A- oder Videodatei hierher, wähle die Sprache und erhalte ein bearbeitbares Transkript mit Zeitstempeln, bereit zum Kopieren oder Speichern als TXT, SRT, VTT oder DOCX. Dein Audio verlässt nie dein Gerät.
Zuletzt aktualisiert:
Transkript
- Füge eine Audio- oder Videodatei hinzu. Aufnahmen, Sprachmemos, Interviews, Podcasts, Vorlesungen.
- Wähle Modell und Sprache. Beim ersten Mal wird das Whisper-Modell einmalig heruntergeladen; danach speichert dein Browser es zwischen.
- Klicke auf „Audio transkribieren“. Der Text erscheint Segment für Segment, während das Audio auf deinem Gerät verarbeitet wird.
- Korrigiere Wörter, indem du in den Text klickst, und kopiere ihn dann oder lade TXT, SRT, VTT oder DOCX herunter.
Klicke auf einen Zeitstempel, um ab dort abzuspielen. Deine Änderungen im Text werden in jedem Download übernommen.
Anleitung: Audio in Text
- Füge deine Aufnahme hinzu: Zieh eine Audio- oder Videodatei in das Feld oder klicke auf „Audiodatei auswählen“.
- Wähle ein Modell: Tiny ist am schnellsten, Base ist bei Akzenten und verrauschtem Audio genauer.
- Lege die gesprochene Sprache fest oder lass „Automatisch erkennen“ stehen, und wähle „Transkribieren“ oder „Ins Englische übersetzen“.
- Klicke auf „Audio transkribieren“. Beim ersten Mal wird das Modell einmalig heruntergeladen; danach erscheint der Text Stück für Stück.
- Korrigiere Wörter im Transkript und klicke dann auf „Text kopieren“ oder lade TXT, SRT, VTT oder DOCX herunter.
So funktioniert die Transkription im Browser
Dieses Tool nutzt Whisper, das offene Spracherkennungsmodell, das OpenAI 2022 veröffentlicht und mit 680,000 Stunden beschrifteter Audiodaten trainiert hat. Eine für das Web umgewandelte Version läuft mit WebAssembly in deinem Browser, sodass die Aufnahme auf deinem eigenen Computer oder Handy verarbeitet wird:
- Deine Datei wird vom Browser dekodiert und in 16 kHz Mono umgewandelt, das Format, das Whisper erwartet.
- Das Audio wird in Fenster von bis zu 30 Sekunden zerlegt. Jeder Schnitt wird an die leiseste Stelle nahe dem Fensterende gesetzt, damit Wörter nicht halbiert werden, und stille Fenster werden übersprungen.
- Jedes Fenster wird in ein Log-Mel-Spektrogramm umgewandelt und mit Zeitstempeln in Text dekodiert, die dann auf die Position des Fensters in der Aufnahme zurückgerechnet werden.
Das richtige Modell wählen
| Modell | Parameter | Download (einmalig) | Am besten für |
|---|---|---|---|
| Whisper Tiny | 39 Millionen | etwa 40 MB | Klare Sprache, schnelle Entwürfe, Handys und ältere Laptops |
| Whisper Base | 74 Millionen | etwa 80 MB | Interviews, Vorlesungen, Akzente, leichte Hintergrundgeräusche |
Größere Whisper-Modelle (small, medium, large) sind noch genauer, aber Hunderte Megabyte bis mehrere Gigabyte groß, was für die meisten Browser zu schwer ist.
Tipps für ein saubereres Transkript
- Wähle die Sprache statt „Automatisch erkennen“, wenn du sie kennst. Die Erkennung nutzt die ersten Sekunden jedes Teils, daher können Musik-Intros oder eine Begrüßung in einer anderen Sprache sie verwirren.
- Schneide lange Pausen und Musik heraus mit dem Audio-Cutter; Whisper erfindet in stillen oder reinen Musikpassagen manchmal kurze Sätze wie „Danke.“.
- Verwende Base für verrauschtes Audio oder Akzente. Es dauert länger, korrigiert aber meist Namen, Zahlen und kurze Wörter, die Tiny verpasst.
- Räume das Ergebnis auf: Entferne Füllwörter und Zeilenumbrüche mit dem Transkript-Bereiniger oder mache aus dem Transkript Untertitel mit dem automatischen Untertitel-Generator.
- Du diktierst live? Wenn du ins Mikrofon sprechen statt eine Datei transkribieren willst, nutze Sprache in Text.
Häufige Fragen
Wie wandle ich eine Audiodatei kostenlos in Text um?
Öffne diese Seite, füge deine MP3-, WAV- oder M4A-Datei hinzu und klicke auf „Audio transkribieren“. Das Spracherkennungsmodell Whisper läuft in deinem Browser, daher gibt es kein Konto, keinen Upload und keine Begrenzung der Dateianzahl.
Wird mein Audio auf einen Server hochgeladen?
Nein. Das Audio wird auf deinem eigenen Gerät dekodiert und transkribiert. Heruntergeladen wird nur das Whisper-Modell selbst (etwa 40 MB für Tiny oder 80 MB für Base), das dein Browser nach der ersten Nutzung zwischenspeichert.
Wie genau ist die Transkription?
Whisper ist bei klarer Sprache in gängigen Sprachen genau. Hintergrundgeräusche, Musik, durcheinander sprechende Personen, starke Akzente und Fachbegriffe verringern die Genauigkeit, und das kleine Tiny-Modell macht mehr Fehler als Base. Lies wichtige Transkripte immer Korrektur; du kannst den Text vor dem Export direkt bearbeiten.
Welche Sprachen werden unterstützt?
Whisper wurde mit 99 Sprachen trainiert. Dieses Tool listet über 40 gängige auf, darunter Englisch, Spanisch, Französisch, Deutsch, Portugiesisch, Hindi, Arabisch, Chinesisch und Japanisch, plus automatische Erkennung. Am genauesten ist es bei weit verbreiteten Sprachen.
Wie lange dauert es?
Das hängt von deinem Gerät und dem Modell ab. Auf einem aktuellen Laptop transkribiert das Tiny-Modell oft schneller als in Echtzeit; Base ist etwa zwei- bis dreimal langsamer. Handys und ältere Computer sind langsamer. Der Fortschrittsbalken zeigt eine Schätzung der verbleibenden Zeit.
Kann es verschiedene Sprecher unterscheiden?
Nein. Whisper schreibt auf, was gesagt wird, kennzeichnet aber nicht, wer es gesagt hat. Nutze bei Interviews die Zeitstempel, um jede Antwort zu finden, und ergänze beim Bearbeiten die Namen der Sprecher.
Was ist der Unterschied zwischen TXT, SRT und DOCX?
TXT ist reiner Text, optional mit Zeitstempeln. SRT und VTT sind Untertiteldateien mit Start- und Endzeiten für jedes Segment, für Videoplayer und Schnittprogramme. DOCX lässt sich in Microsoft Word, Google Docs und LibreOffice öffnen.
Werden alle Tools auf FreeToolCabin auf Qualität und Genauigkeit getestet?
Ja. Jedes Tool auf der Website durchläuft automatische Tests in echten Browsern, die prüfen, ob das Ergebnis stimmt und keine Fehler auftreten. Wenn du einen Fehler findest oder einen Vorschlag hast, schreib uns an [email protected] – wir sehen es uns an.