Sprache auswählen
  1. Startseite
  2. Stimme
  3. MP3 zu Text

MP3 in Text umwandeln

Wandle Sprache aus MP3 und anderen Audio- oder Videodateien mit einem Whisper-Modell in Text um, das auf deinem Gerät läuft. Mit Zeitstempeln und Export als TXT, SRT und VTT.

Tool wird geladen…
Dieses Tool bewerten
Noch keine Bewertungen. Sei der Erste.

So funktioniert’s

  1. Schritt 1

    Aufnahme öffnen

    Ziehe eine MP3-, WAV-, M4A- oder andere Audiodatei oder ein Video auf die Seite.

  2. Schritt 2

    Sprache wählen

    Wähle „Schnell“ (Whisper Tiny, ca. 41 MB) oder „Genau“ (Whisper Base, ca. 77 MB) und dann die gesprochene Sprache oder die automatische Erkennung. Das Modell wird nur einmal heruntergeladen.

  3. Schritt 3

    Transkribieren

    Starte die Transkription. Der Text erscheint mit Zeitstempeln, sobald ein Abschnitt fertig ist.

  4. Schritt 4

    Exportieren

    Klicke auf eine beliebige Zeile, um sie zu korrigieren. Dann kannst du den Text kopieren oder als TXT sowie als SRT- und VTT-Untertitel herunterladen.

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

FormatInhaltVerwendung
TXTreiner TextNotizen, Dokumente, Zitate
SRTnummerierte Untertitel mit Start- und EndzeitVideoschnitt, YouTube, die meisten Player
VTTWeb-Untertitel mit ZeitangabenHTML5-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.

  1. Bereinige verrauschte Aufnahmen vor der Transkription mit Rauschentfernung.
  2. Wenn die Stimme leise ist, hebe den Pegel vorher mit Normalisieren an.
  3. 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.
  4. 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.

Häufig gestellte Fragen

Wie wandle ich eine MP3 kostenlos in Text um?

Ziehe die MP3 auf diese Seite, wähle die Sprache, starte die Transkription und lade den Text als TXT, SRT oder VTT herunter.

Wird mein Audio für die Transkription hochgeladen?

Nein. Das Whisper-Modell läuft in deinem Browser. Nur das Modell wird einmalig heruntergeladen, dein Audio bleibt auf deinem Gerät.

Welche Sprachen werden unterstützt?

23 Sprachen, darunter Deutsch, Englisch, Spanisch, Französisch, Russisch, Chinesisch, Japanisch und Koreanisch. Du kannst auch eine englische Übersetzung statt der Originalsprache erhalten.

Kann ich Untertitel für ein Video erstellen?

Ja. Ziehe das Video auf die Seite, transkribiere es und lade SRT- oder VTT-Untertitel mit Zeitstempeln herunter.

Warum ist die Transkription langsam?

Spracherkennung braucht viel Rechenleistung und läuft auf deinem eigenen Gerät. Nutze das Modell „Schnell“ und lass „Ausführen auf“ auf der Grafikkarte eingestellt, die deutlich schneller ist als der Prozessor.

Weitere Tools