Audio oder Video in Text umwandeln

Wandeln Sie Audio oder Video in Text und SRT- oder VTT-Untertitel um, in 99 Sprachen, mit der KI Whisper direkt in Ihrem Browser. Kostenlos, ohne Hochladen.

Kostenlos
Ohne Anmeldung
Kein Datei-Upload
Windows, Mac, Android, iPhone

Werkzeug wird geladen…

Dieses Tool teilen

Über dieses Werkzeug

Ein Interview zum Abtippen, eine Besprechung zum Zusammenfassen, ein Video zum Untertiteln? Legen Sie die Datei ab: Die KI Whisper hört den Ton und schreibt den Text, mit der Uhrzeit jedes Satzes. Sie erhalten Text zum Kopieren sowie SRT- und VTT-Untertitel, ohne dass der Ton Ihr Gerät verlässt.

Wann es hilft

Ein Interview abtippen

Erhalten Sie einen ersten Entwurf zum Korrigieren, statt alles beim Zuhören zu tippen.

Ein Video untertiteln

Die SRT- oder VTT-Datei lässt sich in YouTube, Schnittprogramme und Videoplayer importieren.

Eine Besprechung festhalten

Transkribieren Sie die Aufnahme, um eine Entscheidung oder ein Zitat wiederzufinden.

So funktioniert's

Wählen Sie den Modus: schnell oder genau.
Wählen Sie die gesprochene Sprache oder behalten Sie die automatische Erkennung.
Legen Sie eine Audiodatei oder ein Video ab.
Lesen Sie den Text gegen und kopieren Sie ihn oder laden Sie die Untertitel herunter.

So funktioniert es

Die Transkription nutzt Whisper, das Spracherkennungsmodell von OpenAI (MIT-Lizenz), in den nach ONNX umgewandelten Versionen tiny und base. Es läuft in Ihrem Browser mit ONNX Runtime Web, auf mehreren Kernen, wenn der Browser es erlaubt.

Der Ton wird in Fenster von 30 Sekunden geteilt; jeder Satz erhält Anfangs- und Endzeit. Das Modell wird einmal von zanakit.com geladen und dann im Browser-Cache behalten. Der Ton wird nie hochgeladen.

Tipps für beste Ergebnisse

Wählen Sie die Sprache, wenn Sie sie kennen: Die Erkennung kann bei einem stillen Anfang schwanken.
Der genaue Modus lohnt die Wartezeit für Text, den Sie veröffentlichen.
Eine Aufnahme nah am Mikrofon, ohne Hintergrundmusik, ergibt viel weniger Fehler.
Um vor dem Transkribieren nur einen Ausschnitt zu behalten, nutzen Sie „Audio schneiden“.

Häufige Probleme und Lösungen

Der Text enthält Fehler

Wechseln Sie in den genauen Modus und wählen Sie die Sprache; prüfen Sie Eigennamen und Zahlen immer.

Die Transkription dauert lange

Die Berechnung erfolgt auf Ihrem Gerät: Am Handy rechnen Sie im schnellen Modus etwa mit der Länge des Audios. Ein Computer ist viel schneller.

Sätze wiederholen sich

Das passiert bei Stille oder Musik: Schneiden Sie diese Stellen vor dem Transkribieren heraus.

Häufige Fragen

Wird mein Audio auf einen Server hochgeladen?

Nein, die Spracherkennung läuft vollständig in Ihrem Browser.

Wie viele Daten werden geladen?

Beim ersten Mal etwa 54 MB im schnellen oder 88 MB im genauen Modus; danach nichts mehr.

Welche Sprachen werden erkannt?

Die 99 Sprachen von Whisper. Die Qualität ist in Englisch, Französisch, Spanisch, Portugiesisch und Deutsch besser als in Indonesisch oder selteneren Sprachen.

Werden die Sprecher getrennt?

Nein, der Text unterscheidet nicht, wer spricht.

Darf ich es gewerblich nutzen?

Ja: Whisper steht unter der MIT-Lizenz, und der erhaltene Text gehört Ihnen.

Immer noch ein Problem?

Frag im Forum: Kategorie, Werkzeug, Datenblatt deines Geräts und Testergebnis werden automatisch ausgefüllt.