Kostenloses Online-Audio-zu-Text — Eine Aufnahme transkribieren
Aufnahmen in über 90 Sprachen in Text umwandeln, mit Zeitstempeln — direkt im Browser.
Audio- oder Videodatei hierher ziehen oder zum Auswählen klicken
MP4, MOV, WebM, MP3, WAV und mehr · höchstens 10 Minuten · beim ersten Mal wird das Modell geladen, danach etwa so lange wie die Aufnahme
Lokal verarbeitet — deine Datei verlässt diesen Tab nie
Beim ersten Lauf wird das Modell einmal heruntergeladen (Tiny ≈ 40 MB, Base ≈ 80 MB) und vom Browser gespeichert — weitere Läufe funktionieren offline.
Lokal verarbeitet — deine Datei verlässt diesen Tab nie
Eine Aufnahme hier ablegen und die Wörter herausholen: Sprachmemos, Interviews, Vorlesungen, Podcasts — in rund 90 Sprachen, automatisch erkannt, wenn du nicht sicher bist, welche es ist. Ein Whisper-KI-Modell läuft in deinem Browser-Tab auf deinem eigenen Gerät, die Audiodatei wird nie hochgeladen, und die Transkription entsteht als bearbeitbarer Text oder als SRT-Datei mit Zeitstempeln.
Transkripte, die wirklich gebraucht werden
- Eine Vorlesung, ein Meeting oder ein Interview in durchsuchbare, zitierfähige Notizen verwandeln.
- Ein Video oder eine Podcast-Folge untertiteln, indem man ein SRT mit Zeitstempeln exportiert.
- Die Wörter aus einem Sprachmemo holen, ohne die Aufnahme irgendwohin zu schicken.
So verwendest du Audio in Text
-
Datei ablegen
MP3, WAV, M4A, eine Videodatei oder eine andere Aufnahme hinzufügen. Das Dekodieren passiert auf deinem Gerät, nichts wird hochgeladen.
-
Sprache und Modell wählen
Automatische Erkennung reicht für die meisten Dateien. Wähle Tiny für Tempo bei langen Aufnahmen oder schwächeren Geräten, Base für die beste Genauigkeit.
-
Transkribieren und speichern
Der erste Lauf lädt das Modell einmal herunter und speichert es. Transkription bei Bedarf bearbeiten, dann als TXT oder SRT sichern.
Ein lokales Transkript, keine Live-Untertitel
Audio in Text lässt ein Whisper-Modell im Browser laufen. Das Modell lädt einmal von einem CDN, dann wird die Datei auf dem Gerät transkribiert. Das Audio wird für das Transkript nicht hochgeladen.
Die Grenze liegt bei etwa 10 Minuten. Es gibt keine Sprecherkennzeichnungen. Es hört nicht live am Mikrofon. Nimm zuerst den Sprachrekorder auf, exportiere, und leg diese Datei hier ab.
Modell und Sprache
Etwa 90 Sprachen. Wähle die, die du gesprochen hast, oder lass die Erkennung an, wenn du unsicher bist:
- Tiny ist der kleinere Download und reicht bei klarer Sprache.
- Base ist langsamer und etwas genauer bei Rauschen oder Akzent.
- WebGPU ist schneller auf Geräten, die es haben. Sonst fällt es auf die CPU zurück.
Wo der Text danebenliegt
Namen, gleichzeitiges Reden und Musik unter einer Stimme werden unsauber. Es markiert nicht, wer gesprochen hat. Kürze die Datei zuerst, wenn die Enden lange Stille sind: kürzen, oder Stille entfernen, dann die kürzere Datei transkribieren.
Du kannst die Wörter vor dem Download korrigieren, als reinen Text oder als SRT mit Zeitstempeln. Es übersetzt sie nicht in eine andere Sprache.
Fragen zu Audio in Text
Wird mein Audio hochgeladen?
Nein. Die Datei wird im Browser dekodiert und von einem Whisper-Modell transkribiert, das lokal über WebAssembly oder WebGPU läuft. Die einzige Netzwerkanfrage ist der einmalige Modell-Download von einem öffentlichen CDN — danach funktioniert die Transkription offline. Von deinem Audio erreicht niemals etwas einen Server.
Wie genau ist die Transkription?
Sie nutzt die Whisper-Modelle von OpenAI, die bei klarer Sprache nahe an menschlichem Niveau liegen. Lauter Hintergrundlärm, starke Akzente, sich überlappende Sprecher oder laute Musik senken die Genauigkeit. Bei schwierigem Audio ist Base deutlich besser als Tiny — und sowieso landet das Ergebnis in einem bearbeitbaren Feld, sodass du Namen und Zeichensetzung vor dem Download korrigieren kannst.
Welche Grenzen gibt es?
Eine Datei nach der anderen, bis zu 10 Minuten pro Durchlauf — längere Aufnahmen vorher zurechtschneiden (der Audio-Trimmer arbeitet genauso privat). Sprecher werden nicht benannt: Ein Dialog erscheint als ein Fließtext ohne Namen. Und diese Seite arbeitet mit Dateien, nicht mit dem Live-Mikrofon.
Was ist der Unterschied zum Sprachrekorder?
Der Sprachrekorder nimmt dein Mikrofon als Audiodatei auf; diese Seite liest eine vorhandene Datei und schreibt die Wörter auf. Sie passen gut zusammen: dort aufnehmen, hier transkribieren. Beides läuft in deinem Browser.
Welche Sprachen werden unterstützt?
Whisper wurde mit rund 90 Sprachen trainiert, von Englisch, Chinesisch, Spanisch und Arabisch bis Vietnamesisch, Ukrainisch und Swahili. Lass die Sprache auf Automatisch erkennen und das Modell findet sie aus dem Audio heraus — oder lege eine Sprache fest für etwas mehr Genauigkeit.
Funktioniert es auf dem Handy?
Ja — aktuelle Chrome-, Edge-, Firefox- und Safari-Versionen, auf Desktop und Mobilgeräten. Browser mit WebGPU (Chrome, Edge) transkribieren viel schneller; sonst läuft es auf der CPU — wähle also Tiny für lange Dateien und rechne mit einigen Minuten bei zehn Minuten Audio. Der einmalige Modell-Download fällt bei Tiny ebenfalls kleiner aus.
Ähnliche Tools
Sprachrekorder
Nimm dein Mikrofon auf, kürze die Aufnahme und speichere sie als MP3 — nichts verlässt dein Gerät.
Sprachrekorder öffnen
Audio-Extraktor
Speichere die Tonspur jedes Videos als MP3 oder WAV — lokal, in Sekunden.
Audio-Trimmer
Audio online kürzen — kostenlos, direkt im Browser. Nichts wird hochgeladen.