Audio zu Text mit wenigen Klicks
Wähle eine Aufnahme und drücke Transkribieren: Ein KI-Modell zur Spracherkennung hört sie auf deinem Gerät an und schreibt auf, was gesagt wird. Kopiere den Text direkt von der Seite oder lade ihn als Textdatei herunter, bei Bedarf auch als Untertitel mit Zeitstempeln.
Es verarbeitet MP3, WAV, M4A, FLAC, Ogg und Opus, Sprachnachrichten von Handys und Messengern sowie den Ton von Videodateien. Die Sprache wird automatisch erkannt; beginnt eine Aufnahme mit Musik oder Stille, wähle die Sprache selbst für einen besseren Start.
Gut zu wissen
Am genauesten ist es bei deutlicher Sprache, einer Person zur Zeit, nah am Mikrofon. Interviews und Meetings klappen gut; laute Räume, Musik und durcheinander sprechende Menschen machen Fehler wahrscheinlicher, lies den Text also vor dem Veröffentlichen.
Datenschutz eingebaut
Die meisten Transkriptionsdienste laden dein Audio auf einen Server und berechnen pro Minute. Hier läuft das Modell im Browser, Interviews, Arztnotizen und private Nachrichten bleiben auf deinem Gerät. Beim ersten Mal wird das Modell (etwa 136 MB) geladen und vom Browser gespeichert. Aufnahmen bis 90 Minuten.
So funktioniert es
Der Ton wird auf 16.000 Abtastwerte pro Sekunde umgerechnet und in 30-Sekunden-Fenster geteilt. Jedes Fenster wird zu einem Spektrogramm (wie laut jede Tonhöhe im Zeitverlauf ist), das das Modell Whisper base, ein quelloffenes Spracherkennungsnetz von OpenAI (MIT-Lizenz), liest, um die Wörter mit Zeitstempeln zu schreiben. Wo ein Satz geschnitten wird, überlappen die Fenster, sodass keine Wörter verloren gehen.
Häufige Fragen
Wird meine Aufnahme hochgeladen?
Nein. Die Spracherkennung läuft in deinem Browser auf diesem Gerät; die Datei verlässt es nie.
Welche Sprachen funktionieren?
Rund 100, darunter Deutsch, Englisch, Spanisch, Französisch und Portugiesisch. Die Sprache wird automatisch erkannt oder du wählst sie.
Wie lang darf die Aufnahme sein?
Bis 90 Minuten pro Datei. Ein Laptop transkribiert etwa sechs Minuten Audio pro Minute; beim ersten Mal kommt der Modell-Download (etwa 136 MB) dazu.
Wie genau ist das?
Sehr gut bei deutlicher Sprache einer Person zur Zeit. Hintergrundgeräusche, Musik, starke Dialekte und gleichzeitiges Sprechen senken die Genauigkeit, lies den Text also vor der Nutzung.
Bekomme ich Untertitel statt Text?
Ja. Wähle SRT oder VTT unter Herunterladen als.
Geht es schneller?
Ja, mit kostenlosem Konto: Wähle Schnell, in der Cloud. Whisper large-v3-turbo transkribiert eine Stunde Audio in wenigen Minuten für etwa 0,5 Credits pro Minute (kostenlose Konten erhalten 50 Credits im Monat). Das Audio geht in Zwei-Minuten-Stücken raus und wird nicht gespeichert. Auf diesem Gerät bleibt es kostenlos und privat.
Quellen
- OpenAI Whisper — robust speech recognition via large-scale weak supervision (MIT)
- Radford et al. (2022) — Robust Speech Recognition via Large-Scale Weak Supervision
- ONNX Runtime Web — run ONNX models in the browser (WebGPU and WebAssembly)
- Mediabunny documentation — Converting media files
- W3C — WebVTT: The Web Video Text Tracks Format
- Wikipedia — SubRip
Geprüft am 19.10.2026 · Testvektoren fixtures/tools/audio/transcribe-audio/