Audio in Text umwandeln
Wandeln Sie Sprache mit Hilfe von KI in Text um – und das direkt in Ihrem Browser. Wählen Sie eine Aufnahme aus, bestimmen Sie die Modellgröße und erhalten Sie eine Transkription, die Sie kopieren oder als TXT-, SRT- oder VTT-Untertitel herunterladen können. Ihre Audiodateien werden niemals hochgeladen: Das Sprachmodell wird einmal heruntergeladen und läuft auf Ihrem eigenen Gerät, sodass keine Konten, keine zeitlichen Beschränkungen und keine Dateien auf einem fremden Server gespeichert werden.
Beim ersten Aufruf wird ein Sprachmodell mit einer Größe von 77 MB heruntergeladen, danach speichert Ihr Browser es im Cache.
Weitere Transkriptionstools
Die gleiche private, im Browser ausgeführte Engine, die auf eine spezifische Aufgabe abgestimmt ist:
Wie wandelt man Audio in Text um?
- Fügen Sie eine Audio- oder Videodatei hinzu – MP3-, WAV-, M4A- und FLAC-Dateien sowie die meisten anderen Aufnahmen werden unterstützt.
- Wählen Sie eine Modellgröße und die gewünschte Sprache aus (oder lassen Sie die Sprache automatisch erkennen) und klicken Sie dann auf „Transkribieren“.
- Beobachten Sie, wie der Text angezeigt wird, und kopieren Sie ihn anschließend oder laden Sie ihn als TXT-, SRT- oder VTT-Datei herunter.
Über diesen Audio-zu-Text-Konverter
Dieses Tool führt das Open-Source-Spracherkennungsmodell Whisper von OpenAI direkt in Ihrem Browser aus. Beim ersten Start wird das von Ihnen ausgewählte Modell (41–249 MB) heruntergeladen und zwischengespeichert, sodass spätere Transkriptionen ohne Wartezeit beginnen. Es werden keine Daten Ihrer Aufnahme gespeichert, verfolgt oder an einen Server gesendet.
Dank der drei verschiedenen Modellgrößen können Sie zwischen Geschwindigkeit und Genauigkeit wählen: „Schnell“ für schnelle Notizen, „Ausgewogen“ für die meisten Aufnahmen und „Präzise“, wenn jedes Wort von Bedeutung ist. Die zeitgestempelten Segmente werden als SRT- oder VTT-Untertiteldateien ausgegeben, die sich direkt in Videobearbeitungs- und Wiedergabeprogramme einfügen lassen. Mit der Übersetzungsfunktion können Sie Sprache in jeder unterstützten Sprache in englischen Text umwandeln.
Häufige Fragen
Wurde meine Aufnahme irgendwo hochgeladen?
Nein. Die Transkription erfolgt vollständig in Ihrem Browser mithilfe eines lokalen KI-Sprachmodells (OpenAI's Open-Source-Modell Whisper). Das einzige, was heruntergeladen wird, ist das Modell selbst. Ihre Audiodateien verlassen Ihr Gerät nicht, was Sie im Netzwerkbereich Ihres Browsers überprüfen können.
Welche Sprachen werden unterstützt?
Das Modell ist mehrsprachig und erkennt Sprache in etwa 99 Sprachen, darunter Englisch, Spanisch, Chinesisch, Französisch, Deutsch, Portugiesisch, Japanisch und Indonesisch. Lassen Sie die automatische Spracherkennung aktiviert, oder wählen Sie die Sprache manuell aus, um die Genauigkeit leicht zu verbessern. Sie können auch Sprache aus jeder unterstützten Sprache direkt in englischen Text übersetzen.
Wie genau ist es?
Die Spracherkennung funktioniert bei deutlicher Aussprache sehr gut, und die größeren Modelle sind merklich besser. Wie bei allen Spracherkennungssystemen gibt es Probleme bei starkem Hintergrundlärm, ausgeprägten Akzenten, überlappenden Sprechern und Musik. Außerdem kann es bei längeren Pausen Text erfinden – daher sollte man das Ergebnis vor der Veröffentlichung immer kurz überprüfen.
Wie lange dauert die Transkription?
Es hängt von Ihrem Gerät und der Modellgröße ab: Die Aufnahme wird lokal verarbeitet, in der Regel etwa ein paar Mal schneller als in Echtzeit auf einem modernen Laptop mit dem „Balanced“-Modell. Längere Dateien benötigen schlichtweg mehr Zeit – lassen Sie das Fenster geöffnet, während die Verarbeitung läuft.