Dateien · Tool

Audio und Video online in Text umwandeln

Wähle eine Datei, um den Text lokal zu erstellen. Beim ersten Mal werden etwa 43 MB Modell heruntergeladen; für lange Aufnahmen empfehlen wir einen PC.

Läuft in Ihrem Browser. Kein Upload.

Läuft in Ihrem Browser. Kein Upload.

Für lange oder hochauflösende Dateien empfehlen wir einen Computer. Lass diesen Tab geöffnet; Geschwindigkeit, Speicher und Akku hängen vom Gerät ab.

Bei der ersten Nutzung werden etwa 58 MB Modell- und lokale Engine-Dateien geladen. Deine Aufnahme wird nicht hochgeladen; der Browser kann die Dateien nach dem Löschen des Caches erneut laden.

Läuft in Ihrem Browser. Kein Upload.

Über dieses Tool

Audio und Video online in Text umwandeln – einfach erklärt.

Whisper Tiny läuft lokal im Browser. Beim ersten Start lädt der Browser etwa 43 MB offene Modelldateien von Hugging Face herunter; deine Aufnahme wird weder dorthin noch zu UsefulVerse gesendet. Der Browser kann das Modell zwischenspeichern, aber auch löschen. Prüfe Namen, Zahlen und Satzzeichen, da das kompakte Modell Fehler machen kann. Keine feste Serverbegrenzung für Dateigröße oder Dauer; Arbeitsspeicher, Codecs, Browser, Akku und Geräteleistung setzen praktische Grenzen.

Anleitung

Audio und Video online in Text umwandeln verwenden

Diese Seite wandelt Sprache in einer Audio- oder Videodatei in reinen Text um. Du wählst eine Aufnahme, wählst ihre gesprochene Sprache oder lässt die Erkennung auf automatisch, und klickst auf Transkribieren. Ein kleines Sprachmodell namens Whisper Tiny läuft auf deinem eigenen Gerät, daher wird die Aufnahme nicht an einen Server gesendet. Beim ersten Mal muss das Modell heruntergeladen werden. Es eignet sich für Besprechungsnotizen, Vorlesungen und Sprachnotizen. Es liefert nur Text, ohne Zeitstempel oder Sprechernamen, und kann Namen und Zahlen falsch verstehen.

So gehst du vor

  1. Drücke auf Audio- oder Videodatei wählen und wähle eine Aufnahme aus. Die Dateiauswahl listet Typen wie MP3, M4A, WAV, OGG, MP4, MOV und WebM auf.
  2. Wähle die gesprochene Sprache aus der Liste der 16 oder lass Automatisch erkennen eingestellt, wenn du nicht sicher bist.
  3. Drücke auf Transkribieren und lass den Tab geöffnet. Bei der ersten Nutzung wird zuerst das Sprachmodell heruntergeladen (die Seite nennt etwa 58 MB mit ihrer lokalen Engine), und ein Fortschrittsbalken zeigt, wie weit es ist.
  4. Der Text erscheint im Feld Ergebnis, sobald jeder 30-Sekunden-Abschnitt des Audios fertig ist. Drücke auf Abbrechen, um vorzeitig zu stoppen.
  5. Drücke auf Ergebnis kopieren oder auf Herunterladen für eine .txt-Datei, die nach deiner Aufnahme benannt ist, und lies den Text durch, bevor du dich darauf verlässt.

Durchgerechnete Beispiele

Eine 75-Sekunden-Sprachnotiz

Du gibst ein
Datei
memo.mp3, 75 Sekunden, gesprochenes Englisch
Sprache
Englisch
Du erhältst
Ergebnisfeld
bis zu 3 Textzeilen

Das Audio wird in Abschnitte von 30 Sekunden geschnitten, hier 30 + 30 + 15. Jeder Abschnitt, der Text liefert, wird als eigene Zeile hinzugefügt. Das ist aus dem Code abgelesen und wurde nicht mit einer echten Aufnahme ausgeführt.

Nicht mit dem Tool berechnet. Bitte als Veranschaulichung verstehen.

Name der heruntergeladenen Textdatei

Du gibst ein
Datei
Team call (final).mov
Aktion
Herunterladen
Du erhältst
Herunterladen
Team-call-final-transcript.txt

Die Dateiendung wird entfernt, jede Folge von Zeichen, die keine Buchstaben, Ziffern, Punkte, Unterstriche oder Bindestriche sind, wird zu einem Bindestrich, und -transcript.txt wird angehängt. Akzentbuchstaben bleiben erhalten, daher ergibt Reunión 3 de marzo.m4a die Datei Reunión-3-de-marzo-transcript.txt. Der Benennungsschritt wurde für sich allein ausgeführt.

Mit dem eigenen Code des Tools berechnet.

Ein Video ohne Tonspur

Du gibst ein
Datei
screen-capture.mp4 ohne Ton
Sprache
Automatisch erkennen
Du erhältst
Status
Die Datei oder der Browser konnte die lokale Transkription nicht ausführen. Versuche ein anderes unterstütztes Format oder einen Desktop-Browser.

Der Reader sucht nach einer Audiospur und schlägt fehl, wenn keine vorhanden ist. Die Seite zeigt dann bei jeder Art von Fehler dieselbe allgemeine Meldung. Nicht mit einer echten Datei ausgeführt.

Nicht mit dem Tool berechnet. Bitte als Veranschaulichung verstehen.

Eine Aufnahme ohne Sprache

Du gibst ein
Datei
piano.wav
Sprache
Automatisch erkennen
Du erhältst
Status
Keine Sprache erkannt. Versuche klareres Audio oder wähle eine Sprache.

Wenn kein Abschnitt Text liefert, zeigt die Seite diese Zeile. Musik oder Rauschen kann bei einem kleinen Modell trotzdem vereinzelte Wörter erzeugen, lies also das Feld, statt einem leeren oder vollen Ergebnis zu trauen. Nicht mit einer echten Datei ausgeführt.

Nicht mit dem Tool berechnet. Bitte als Veranschaulichung verstehen.

Wann es hilft

  • Verwandle eine aufgezeichnete Vorlesung in durchsuchbare Notizen.
  • Fasse die wichtigsten Punkte einer Besprechung oder eines Telefonats zusammen, das du mit Erlaubnis aufgezeichnet hast.
  • Hole dir einen groben Entwurf aus einer gesprochenen Sprachnotiz, bevor du ihn bearbeitest.
  • Hole die gesprochenen Wörter aus einem kurzen Videoclip für Untertitel oder eine Zusammenfassung.
  • Prüfe, was in einem Interview gesagt wurde, bevor du es zitierst.

Grenzen, die du kennen solltest

  • Das Tool legt keine feste Dateigröße oder Länge fest. Dein Gerät entscheidet, was funktioniert, abhängig von Speicher, Akku und den Audio-Codecs, die der Browser dekodieren kann.
  • Das Modell ist Whisper Tiny in einer kompakten 8-Bit-Form, gebaut für geringe Größe statt für höchste Genauigkeit. Rechne mit Fehlern bei Namen, Zahlen und Satzzeichen.
  • Das Ergebnis ist reiner Text. Es gibt keine Zeitstempel, keine Sprecherkennzeichnung und keine Übersetzung, und das Feld Ergebnis ist schreibgeschützt, kopiere den Text also woandershin, um ihn zu bearbeiten.
  • Audio wird in 30-Sekunden-Abschnitten verarbeitet, und jeder Abschnitt wird zu einer eigenen Zeile, daher kann ein Satz, der eine Abschnittsgrenze überschreitet, auf zwei Zeilen verteilt werden.
  • Der erste Durchlauf braucht eine Internetverbindung, um das Modell und die Engine herunterzuladen, und der Browser lädt sie möglicherweise erneut herunter, wenn sein Cache geleert wird.

Tipps

  • Wähle die Sprache selbst, wenn du sie kennst. Bei automatischer Erkennung wird jeder 30-Sekunden-Abschnitt für sich geprüft, daher kann sich die Vermutung mitten in einer Datei ändern.
  • Verwende eine saubere Aufnahme, bei der das Mikrofon nah am Sprecher ist. Hintergrundgeräusche sind die häufigste Ursache falscher Wörter.
  • Prüfe jeden Namen, jedes Datum und jede Zahl anhand der Aufnahme, bevor du den Text zitierst oder teilst.
  • Verwende bei langen Dateien einen Laptop oder Desktop, schließe ihn ans Netz an und lass den Tab im Vordergrund, denn die Arbeit läuft auf deinem eigenen Prozessor.

Quellen

Häufige Fragen

Über Audio und Video online in Text umwandeln.

Wie wandle ich eine Aufnahme in Text um?

Wähle die Audio- oder Videodatei, wähle die gesprochene Sprache und drücke auf Transkribieren. Warte, bis das Modell geladen ist, und sieh dann zu, wie sich das Ergebnisfeld Abschnitt für Abschnitt mit Text füllt. Wenn es fertig ist, kopiere den Text oder lade ihn als Datei herunter.

Wird meine Aufnahme hochgeladen?

Nein. Das Audio wird in deinem Browser dekodiert und erkannt. Nur die Modelldateien kommen bei der ersten Nutzung aus dem Internet, von einem öffentlichen Modell-Host. Die Seite gibt an, dass die Aufnahme selbst nie an diesen Host oder an UsefulVerse gesendet wird.

Wie genau ist das Transkript?

Es wird keine Genauigkeitsangabe gemacht, und für diese Seite wurde keine gemessen. Das Modell ist bewusst klein, daher kann es Namen, Zahlen und Satzzeichen falsch verstehen, besonders bei Lärm oder starkem Akzent. Behandle den Text als ersten Entwurf und vergleiche ihn mit dem Audio.

Welche Sprachen kann es transkribieren?

Die Liste bietet die automatische Erkennung sowie 16 Sprachen: Englisch, Spanisch, Französisch, Portugiesisch, Deutsch, Japanisch, Koreanisch, Indonesisch, Hindi, Arabisch, Chinesisch, Bengalisch, Russisch, Urdu, Türkisch und Vietnamesisch. Andere Sprachen werden nicht angeboten, daher sind die Ergebnisse für sie unzuverlässig.

Wie lang darf eine Datei sein, die ich transkribiere?

Das Tool begrenzt weder Länge noch Größe. In der Praxis bittet es die Spracherkennung, einen einzigen Verarbeitungs-Thread zu verwenden, daher können lange Dateien lange dauern und viel Speicher belegen. Für alles Längere wird ein Laptop oder Desktop-Rechner empfohlen.

Warum startet die erste Transkription langsam?

Das Sprachmodell muss zuerst heruntergeladen werden. Die Seite nennt etwa 43 MB an Modelldateien und etwa 58 MB mit der lokalen Engine. Dein Browser behält sie möglicherweise für spätere Besuche, aber bei geleertem Cache ist ein erneuter Download nötig.

Fügt es Zeitstempel oder Sprechernamen hinzu?

Nein. Die Ausgabe ist nur Text, eine Zeile für jeden 30-Sekunden-Abschnitt, der Wörter ergeben hat. Wenn du Zeiten oder Sprecher brauchst, musst du sie beim Zuhören von Hand ergänzen oder ein anderes Tool nutzen, das dafür gebaut ist.

Kann ich eine Videodatei verwenden?

Ja, wenn sie eine Audiospur hat, die dein Browser dekodieren kann. Das Tool liest den Ton aus dem Video auf deinem Gerät und ignoriert das Bild. Ein Video ohne Ton ergibt eine allgemeine Fehlermeldung.

Übersetzt es Sprache ins Englische?

Nein. Der Worker ist auf Transkription eingestellt, daher schreibt er das Gesagte in der gesprochenen Sprache. Es gibt auf der Seite keine Übersetzungsoption. Nutze die Sprachliste, um ihm zu sagen, welche Sprache die sprechende Person verwendet.

Wie verwendet man „Audio- und Videotranskription“?

Wähle eine Datei, um den Text lokal zu erstellen. Beim ersten Mal werden etwa 43 MB Modell heruntergeladen; für lange Aufnahmen empfehlen wir einen PC.

Werden meine Daten an einen Server gesendet?

Nein. Die Verarbeitung findet in Ihrem Browser statt. Ihre Daten werden nicht hochgeladen.