Spracherkennung in deinem Browser
Dieses Tool wandelt MP3 mit Whisper in Text um, einem offenen Spracherkennungsmodell. Die meisten Online-Transkriptionsdienste laden dein Audio auf einen Server hoch. Hier wird das Modell einmalig in deinen Browser heruntergeladen und läuft dann auf deinem eigenen Computer oder Smartphone. Deine Aufnahme verlässt dein Gerät nie. Das ist wichtig bei Interviews, medizinischen oder juristischen Notizen, Besprechungen und privaten Sprachnachrichten. Nach dem ersten Download speichert der Browser das Modell, sodass es beim nächsten Mal schneller lädt.
Sprachen und Genauigkeit
Whisper arbeitet hier mit 23 Sprachen, darunter Deutsch, Englisch, Spanisch, Französisch, Italienisch, Portugiesisch, Russisch, Chinesisch, Japanisch, Koreanisch, Türkisch und Polnisch. Am genauesten ist die Erkennung bei deutlicher Sprache mit wenig Hintergrundgeräuschen. Geringer ist sie bei:
- mehreren Personen, die gleichzeitig sprechen;
- lauter Hintergrundmusik oder starken Nebengeräuschen;
- sehr leisen oder weit entfernten Sprechern;
- seltenen Namen und Fachbegriffen;
- mehreren Sprachen in einem Satz.
Wenn du die Sprache selbst auswählst, statt die automatische Erkennung zu nutzen, sind die Ergebnisse meist besser, vor allem bei kurzen Aufnahmen.
Ausgabeformate
| Format | Inhalt | Verwendung |
|---|---|---|
| TXT | reiner Text | Notizen, Dokumente, Zitate |
| SRT | nummerierte Untertitel mit Start- und Endzeit | Videoschnitt, YouTube, die meisten Player |
| VTT | Web-Untertitel mit Zeitangaben | HTML5-Videoplayer, Webseiten |
Geschwindigkeit und lange Aufnahmen
Die Transkription ist für einen Computer rechenintensiv. Auf einem modernen Laptop kann eine einstündige Aufnahme je nach Prozessor, Modellgröße und Browser von wenigen Minuten bis zu mehr als der Aufnahmedauer dauern. Auf Smartphones geht es langsamer. Lass den Tab währenddessen geöffnet. Bei sehr langen Dateien kannst du die Aufnahme auch mit Audio trennen in Teile schneiden und diese nacheinander transkribieren.
Tipps für ein besseres Transkript
Das Modell hört in kurzen Fenstern von etwa 30 Sekunden zu und schreibt auf, was es hört, mit Start- und Endzeit. Satzzeichen und Großbuchstaben setzt es selbstständig, es weiß aber nicht, wer spricht. Bei einem Interview musst du die Sprecher daher selbst kennzeichnen. Lange Pausen und Musik ohne Sprache werden übersprungen oder bleiben leer. Beginnt eine Aufnahme mit Musik, setzen die ersten Textzeilen eventuell später ein als erwartet. Das ist normal.
- Bereinige verrauschte Aufnahmen vor der Transkription mit Rauschentfernung.
- Wenn die Stimme leise ist, hebe den Pegel vorher mit Normalisieren an.
- Prüfe bei Untertiteln das Timing in deinem Videoplayer. Ist ein Untertitel zu lang zum Lesen, teile ihn in einem Texteditor auf. SRT und VTT sind reine Textdateien.
- Lies das Transkript immer einmal durch. Korrigiere Namen, Zahlen und Wörter, die das Modell falsch verstanden haben könnte.
Auch Videodateien funktionieren: Ziehe ein MP4 hinein, und das Tool transkribiert die Tonspur. So erstellst du schnell Untertitel für deine eigenen Videos.