So transkribierst du Audio in Text
Kurze Antwort: Um Audio in Text zu transkribieren, fügst du dein Audio hinzu, wählst ein Modell, wählst die Sprache, drückst Transkribieren und korrigierst und lädst den Text herunter.
- Audio hinzufügen. Eine Audio- oder Videodatei hineinziehen (bis zu 60 Minuten) oder direkt mit dem Mikrofon aufnehmen.
- Modell wählen. Schnell reicht für klare Sprache; Besser ist für die meisten der beste Kompromiss; Am besten ist für schwierige Aufnahmen, wenn dich ein großer Download nicht stört.
- Sprache wählen. Auf Automatisch erkennen lassen oder selbst wählen. Ins Englische übersetzen ankreuzen, wenn du aus einer anderen Sprache englischen Text willst.
- Transkribieren drücken. Beim ersten Mal wird das Modell geladen; danach geht es sofort los. Die Zeilen erscheinen, sobald jeder Teil fertig ist.
- Korrigieren und herunterladen. Auf eine Zeile klicken, um ein Wort zu korrigieren, dann den Text kopieren oder als TXT, SRT oder VTT herunterladen.
Ist das wirklich privat?
Ja, und du kannst es nachprüfen. Dein Browser dekodiert die Datei, und das Whisper-Modell läuft auf deiner eigenen CPU oder GPU, in einem Hintergrundprozess dieser Seite. Die Sicherheitsrichtlinie der Seite erlaubt nur Verbindungen zu unserer eigenen Website und zu Hugging Face, wo die Modelldateien liegen, und diese Anfragen laden das Modell herunter; in die andere Richtung geht nichts. Ist das Modell im Cache, könntest du sogar das WLAN ausschalten, und es würde weiter funktionieren.
Wie genau ist es, und wie lange dauert es?
Whisper ist sehr gut bei klarer Sprache in einem ruhigen Raum und wird schlechter bei Musik, Durcheinanderreden, starkem Akzent oder einem weit entfernten Handy. Die größeren Modelle kommen damit besser klar. Die Geschwindigkeit hängt von deinem Gerät ab: Mit WebGPU auf einem aktuellen Laptop kann eine Stunde Audio ein paar Minuten dauern; auf der CPU eines älteren Handys rechne mit etwa Echtzeit oder langsamer mit dem Modell Schnell. Lange Dateien werden an leisen Stellen in 30-Sekunden-Teile geschnitten, damit keine Wörter halbiert werden.
Häufige Fragen
Wird mein Audio irgendwo hochgeladen?
Nein. Das Audio wird auf deinem Gerät verarbeitet und verlässt nie deinen Browser. Der einzige Netzwerkverkehr ist beim ersten Mal der Download des Sprachmodells von Hugging Face; danach kommt es aus dem Cache deines Browsers.
Wie groß ist der Download?
Etwa 40 MB für das Modell Schnell, 77 MB für Besser und 250 MB für Am besten auf der CPU. Mit GPU sind die Dateien größer (etwa 120–300 MB), weil die GPU genauere Gewichte braucht. Jedes Modell lädst du nur einmal.
Welche Sprachen werden unterstützt?
Whisper versteht rund 100 Sprachen. Die Auswahl zeigt 36 gängige, darunter Englisch, Spanisch, Französisch, Deutsch, Arabisch, Urdu, Hindi, Chinesisch und Japanisch, und die automatische Erkennung funktioniert für diese ebenfalls. Außerdem kann es jede davon ins Englische übersetzen.
Kann ich Untertitel für ein Video machen?
Ja. Die Videodatei selbst hineinziehen, transkribieren, Wörter korrigieren und SRT oder VTT herunterladen. Die meisten Videoeditoren, YouTube und VLC akzeptieren beides.
Gibt es eine Längenbegrenzung?
Bis zu 60 Minuten und 500 MB pro Datei, weil die ganze Aufnahme in den Speicher des Browsers passen muss. Längere Aufnahmen vorher mit Video schneiden in Teile zerlegen.
Warum ist es auf meinem Handy langsam?
Ohne WebGPU läuft das Modell auf der CPU, und die ist viel langsamer. Wähl das Modell Schnell, lass den Bildschirm an und schließ andere Tabs. Auf einem Laptop mit Chrome oder Edge geht es meist deutlich schneller.
Ist es kostenlos?
Ja, kostenlos, ohne Anmeldung, ohne Wasserzeichen und ohne Minutenlimit, weil dein eigenes Gerät die Arbeit macht.