Sprache zu Text

Was das Tool macht

Dieses Sprache-zu-Text-Tool wandelt eine Audio- oder Videodatei in ein schriftliches Transkript oder in SRT- bzw. VTT-Untertitel um, ohne etwas hochzuladen. Es führt OpenAIs Spracherkennungsmodell Whisper direkt im Browser aus, sodass Sie Interviews, Meetings, Vorlesungen, Sprachnotizen und Podcasts kostenlos und vertraulich transkribieren können. Whisper kann Sprache in anderen Sprachen auch direkt in englischen Text übersetzen.

Nach der Dateiauswahl dekodiert die Seite die Tonspur mit der Web Audio API des Browsers, rechnet sie auf 16 kHz mono um (das Format, das Whisper erwartet) und transkribiert sie in einem Hintergrund-Worker in 30-Sekunden-Fenstern mit kleiner Überlappung, sodass auch lange Aufnahmen funktionieren. Das Ergebnis erscheint im Ausgabefeld und lässt sich kopieren oder als .txt, .srt oder .vtt herunterladen.

So funktioniert es

1. Wählen Sie ein Modell: Tiny ist am schnellsten, Small am genauesten und Base (Standard) ein guter Kompromiss.
2. Klicken Sie auf Modell herunterladen und starten. Beim ersten Mal wird das Modell mit Fortschrittsanzeige geladen, danach kommt es in Sekunden aus dem Browser-Cache.
3. Legen Sie eine Audio- oder Videodatei auf der Seite ab oder klicken Sie auf Datei wählen. MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM und MP4 funktionieren in den meisten Browsern, bis 500 MB. Dateiname, Dauer und Größe werden angezeigt.
4. Die Transkription startet automatisch und zeigt, wie viele Abschnitte fertig sind. Nach einer Änderung von Sprache oder Aufgabe klicken Sie auf Erneut transkribieren.
5. Wechseln Sie das Ausgabeformat jederzeit zwischen Text, SRT und VTT, ohne neu zu transkribieren. Dann kopieren oder herunterladen.

Die gesprochene Sprache wird anhand der ersten 30 Sekunden automatisch erkannt. Selbst gewählt geht es schneller und vermeidet Fehler bei kurzen Clips. Mit Ins Englische übersetzen erhalten Sie englischen Text aus Sprache in einer anderen Sprache. Modell, Sprache, Aufgabe und Format werden in der Seitenadresse gespeichert, daher verlinkt der Teilen-Knopf dieselben Einstellungen; Ihre Datei ist nie Teil des Links.

Beispiel

Ein Clip mit zwei Sätzen sieht als SRT so aus:

1
00:00:00,000 --> 00:00:03,240
Welcome back to the show.

2
00:00:03,240 --> 00:00:07,800
Today we are talking about speech recognition.

VTT verwendet dieselben Abschnitte mit einer WEBVTT-Kopfzeile und einem Punkt vor den Millisekunden – das Format, das HTML5-Videoplayer lesen.

Datenschutz, Genauigkeit und Voraussetzungen

Nach dem Modell-Download passiert alles auf Ihrem Gerät, daher eignet sich das Tool auch für vertrauliche Aufnahmen. Benötigt wird ein aktuelles Chrome, Edge, Firefox oder Safari mit WebAssembly. Wo WebGPU verfügbar ist (Chrome und Edge auf den meisten Desktops), wird es automatisch genutzt und ist deutlich schneller; sonst weicht das Tool auf WebAssembly aus. Lange Dateien brauchen Speicher: Eine Stunde Audio belegt dekodiert einige hundert Megabyte, und Small braucht mehr als Tiny oder Base; schließen Sie auf dem Handy andere speicherhungrige Tabs. Lassen Sie den Tab bis zum Ende geöffnet.

Whisper ist gut bei klarer Sprache und kommt mit Akzenten und Hintergrundgeräuschen recht gut zurecht, kann aber Namen und Fachbegriffe falsch verstehen und bei Stille oder Musik gelegentlich einen Satz wiederholen oder erfinden. Prüfen Sie das Transkript vor der Veröffentlichung. Das Tool unterscheidet keine Sprecher, und Videos werden nur transkribiert, wenn Ihr Browser deren Audio-Codec dekodieren kann.