Audio transkribieren
Verwandeln Sie jede Audioaufnahme kostenlos in ein editierbares Transkript mit Zeitstempeln — in Ihrem Browser, ohne Upload und ohne Konto. Ein kleines Whisper-Spracherkennungsmodell wird einmal geladen, danach läuft die ganze Transkription offline in diesem Tab; das Ergebnis exportieren Sie als TXT oder als SRT- bzw. VTT-Untertitel.
Hinweis: Die Transkription läuft per neuronalem Netz direkt in Ihrem Browser. Auf schwächeren Geräten dauern längere Audios eine Weile und das Gerät kann warm werden – kurze Clips sind deutlich schneller fertig.
Audiodatei hierher ziehen
oder irgendwo auf der Seite ablegen · Datei auswählen · 100 MB
Unterstützt: MP3, WAV, OGG, OGA, OPUS, M4A, M4B, AAC, FLAC, ALAC, AIF, AIFF, AIFC, WMA, AC3, EAC3, DTS, AMR, AWB, CAF, MKA, APE, WV, TTA, MP2, MPC, SPX, AU, SND, VOC, 3GA
Wie funktioniert Audio transkribieren?
Die Engine ist Whisper, das offene Spracherkennungsmodell, dessen tiny- und base-Varianten klein genug sind, um auf einer Laptop-CPU zu laufen. Es übersetzt Audio Abschnitt für Abschnitt in Text — mit Zeitstempeln je Segment und integrierter Spracherkennung.
Warum das Audio zuerst neu gesampelt wird
Whisper erwartet exakt 16-kHz-Mono-Samples — darauf trainiert, auf nichts anderes. Ihre Datei wird über die Web Audio API dekodiert und vor der Inferenz auf genau diese Rate neu gesampelt; ohne diesen Schritt fällt die Genauigkeit in sich zusammen.
Lange Aufnahmen in Stücken
Whisper konsumiert 30-Sekunden-Fenster, also wird eine lange Aufnahme in überlappende 30-Sekunden-Stücke mit 5 Sekunden Überlappung geschnitten. Jedes Stück wird transkribiert, und die Überlappungen werden abgeglichen, damit Sätze an der Naht nicht zerschnitten werden.
Ihre Aufnahme
interview.mp3 — 12 minutes, two speakers
Editierbares Transkript
Timestamped transcript: “0:04 So the first thing we tried…” → export as .srt
Welche Optionen und Sonderfälle unterstützt Audio transkribieren?
| Parameter | Typ | Standard | Verhalten & Sonderfälle |
|---|---|---|---|
| Modell | Größe | tiny (~40 MB) | Tiny (~40 MB) transkribiert schnell und reicht für klare Sprache; base (~80 MB) leistet mehr bei Akzenten und Rauschen. |
| Sprache | Einstellung | automatisch | Whisper erkennt die Sprache selbst; sie explizit zu setzen verbessert die Genauigkeit, wenn Sie sie kennen. |
| Eingabe | Formate | MP3, WAV, OGG, M4A, FLAC | MP3, WAV, OGG, M4A, FLAC und alles, was Ihr Browser dekodiert — das Resampling erledigt das Tool. |
| Zeitstempel | Ausgabe | je Segment | Jedes Segment trägt Start- und Endzeit. Ein Klick auf den Zeitstempel springt an diese Stelle in der Wiedergabe. |
| Exporte | Formate | TXT, SRT, VTT | Klartext, SubRip-Untertitel und WebVTT-Untertitel — aus derselben Transkription erzeugt. |
Häufig gestellte Fragen
Wird mein Audio irgendwo hochgeladen?
Nein. Das Modell wird einmal von dieser Website geladen, danach läuft alles in Ihrem Tab — die Transkription funktioniert sogar mit getrenntem Netz. Das Network-Panel beweist, dass Ihre Aufnahme nicht reist.
Welches Modell soll ich wählen — tiny oder base?
Tiny für klare Sprache, Standardakzente und Eile; base bei Hintergrundrauschen, gemischten Akzenten oder Fachvokabular. Base ist dreimal so schwer und rund doppelt so langsam, aber deutlich seltener falsch bei schwierigem Material.
Welche Audioformate werden unterstützt?
MP3, WAV, OGG Vorbis, M4A/AAC, FLAC und alles, was Ihr Browser dekodiert. Die Datei wird intern auf 16 kHz Mono neu gesampelt — Sie müssen nichts vorbereiten.
Wie genau ist die Transkription?
Bei klarer Sprache erreichen tiny und base menschliche Dienstgenauigkeit für Englisch; bei Rauschen, starken Akzenten oder Fachvokabular fällt sie. Die Konfidenzwerte zeigen, wo das Modell gezweifelt hat, damit Sie nur das Problematische nachprüfen.
Was unterscheidet SRT und VTT?
Beide sind Untertitel mit Zeitstempeln. SRT ist das Format für Videoplayer und YouTube; VTT ist der Webstandard (HTML5-track-Element). Der Inhalt ist identisch — wählen Sie nach dem Einsatzort.
Kann es Sprecher unterscheiden?
Nein. Whisper transkribiert, was gesagt wird, nicht wer es sagt. Für Interviews ist die praktische Konvention, die Sprecherwechsel in der Textausgabe von Hand zu etikettieren; Diarisierung ist ein eigenes Problem, das dieses Tool nicht löst.