Live-Transkription

Was dieses Tool macht

Die Live-Transkription verwandelt das Gesprochene in Text, während Sie sprechen. Klicken Sie auf Start, sprechen Sie ins Mikrofon, und jeder Satz erscheint kurz nach einer Pause im Transkript. Das funktioniert wie Diktieren oder Spracheingabe, aber die Spracherkennung läuft vollständig im Browser, ohne Konto, ohne Server, und kein Audio verlässt Ihren Computer.

Das Erkennungsmodell ist Moonshine, ein offenes Sprache-zu-Text-Modell von Useful Sensors, das für Live-Transkription direkt auf dem Gerät entwickelt wurde. Es ist bei kurzen Phrasen schnell und passt daher gut zur Transkription Satz für Satz. Das Tool führt es mit Transformers.js und ONNX Runtime Web aus, auf WebGPU, wenn Ihr Browser es bietet, sonst mit WebAssembly.

Dieses Tool unterstützt nur Englisch.

So verwenden Sie es

1. Wählen Sie ein Modell. Base ist genauer, Tiny ist kleiner und auf langsamen Rechnern schneller.
2. Klicken Sie auf Modell herunterladen und starten. Das Modell wird einmal geladen (etwa 120 MB für Base, 50 MB für Tiny), danach fragt der Browser nach dem Mikrofonzugriff. Erlauben Sie ihn.
3. Sprechen Sie normal. Die Pegelanzeige zeigt die Eingangslautstärke und wird grün, solange Sprache erkannt wird. Bei einer Pause geht die Phrase an das Modell, und der Text erscheint als neue Zeile.
4. Klicken Sie auf Stopp, um das Mikrofon freizugeben. Mit Start geht es weiter; die Zeitstempel zählen ab dem Stopp weiter.
5. Mit Kopieren oder .txt herunterladen sichern Sie das Transkript, mit Leeren beginnen Sie neu. Stellen Sie Reihenfolge auf Neueste zuerst, damit die letzte Zeile oben steht; Kopieren und Herunterladen folgen derselben Reihenfolge.

Beispiel

Mit Zeitstempeln sieht eine kurze englische Diktatnotiz so aus:

[00:00] Let's start with the quarterly numbers.
[00:04] Revenue is up twelve percent compared to last year.
[00:09] Next, I want to talk about hiring.

Ohne Zeitstempel erhalten Sie einfache Zeilen, die Sie direkt in eine E-Mail, ein Dokument oder eine Notiz-App einfügen können.

Erkennung anpassen

Ein einfacher Sprachaktivitätsdetektor hört auf die Lautstärke des Mikrofons und entscheidet, wo Sätze beginnen und enden. Drei Einstellungen steuern ihn:

• Sprachschwelle legt fest, wie laut ein Geräusch sein muss, um als Sprache zu zählen. Wählen Sie eine lautere Stufe, wenn Hintergrundgeräusche die Anzeige grün halten, oder eine empfindlichere, wenn leise Sprache verloren geht.
• Pause, die eine Zeile beendet ist die Stille, die nötig ist, bevor die Phrase transkribiert wird. Kürzere Pausen liefern schneller Ergebnisse, längere halten Sätze zusammen.
• Längste Zeile teilt sehr lange Sprachpassagen, damit das Transkript weiterläuft, auch wenn Sie nie pausieren.

Diese Einstellungen gelten ab dem nächsten Klick auf Start. Modellwahl und Zeitstempel werden in der Seitenadresse gespeichert, sodass Sie Ihre Einstellung als Lesezeichen speichern oder teilen können. Das Transkript selbst kommt nie in den Link.

Modell, Lizenz und Grenzen

Das Tool verwendet onnx-community/moonshine-base-ONNX oder onnx-community/moonshine-tiny-ONNX, ONNX-Fassungen der englischen Moonshine-Modelle unter der MIT-Lizenz. Transformers.js steht unter der Apache-2.0-Lizenz. Am genauesten ist es bei einer Person, die deutlich und nah am Mikrofon spricht; Namen, seltene Wörter und starke Akzente können falsch erkannt werden, und die Zeichensetzung ist eine Schätzung des Modells. Für aufgenommene Audiodateien nutzen Sie das Tool Sprache zu Text.