Audio in Text umwandeln
Laden Sie ein Interview, eine Vorlesung, ein Meeting oder eine Sprachnachricht hoch und erhalten Sie ein schriftliches Transkript. Die Spracherkennung schreibt das Gesagte mit Satzzeichen auf, auf Wunsch mit Zeitmarken und Sprecherbezeichnungen, als Dokument oder als Untertitel für Videos.
Audio in Text
oder MP3, WAV, M4A …-Dateien hierher ziehen ·
Max. 95 MB pro Datei· Bis zu 20 Dateien· Gelöscht nach 30 Minuten
Dateien werden auf unseren Servern verarbeitet und nach 30 Minuten gelöscht.
Untertitelzeilen, die länger sind, werden geteilt. 42 ist der gängige Rundfunkstandard.
Optional. Sekunden (z. B. 75) oder Minuten:Sekunden (1:15). Leer lassen, um von Anfang an zu transkribieren.
Optional. Gleiches Format wie die Startzeit. Leer lassen, um bis zum Ende zu transkribieren.
So verwenden Sie dieses Tool
- 1
Audio oder Video hochladen
Fügen Sie MP3-, M4A-, WAV-, AAC-, FLAC-, OGG-, Opus-, AMR- oder andere Audiodateien oder MP4-, MOV-, MKV-, WebM- und AVI-Videos hinzu. Bis zu 20 Dateien, je 95 MB.
- 2
Sprache und Ausgabeformat wählen
Gesprochene Sprache steht zunächst auf Automatisch erkennen. Wählen Sie unter Ausgabe: reinen Text, Word, PDF, SRT- oder VTT-Untertitel oder JSON mit Wortzeiten.
- 3
Transkribieren und herunterladen
Klicken Sie auf Transkribieren; die Schaltfläche nennt auch die gewählte Ausgabe. Öffnen Sie das Transkript, prüfen Sie Namen und Zahlen und laden Sie es herunter.
Die Umwandlung von Audio in Text, auch Transkription genannt, macht aus gesprochener Sprache geschriebene Wörter. Laden Sie die Datei hoch, lassen Sie Gesprochene Sprache auf Automatisch erkennen oder wählen Sie die Sprache, legen Sie eine Ausgabe fest und klicken Sie auf Transkribieren.
Audio in Text umwandeln: So funktioniert die Spracherkennung
Die Spracherkennung hört die Aufnahme in kurzen Abschnitten ab, wandelt jeden in ein Abbild seiner Frequenzen um und lässt ein trainiertes Modell entscheiden, welche Wörter diesen Klang am wahrscheinlichsten erzeugt haben. Moderne Modelle lernen aus sehr großen Mengen transkribierter Sprache und kommen daher mit verschiedenen Stimmen und Akzenten weit besser zurecht als Diktiersoftware vor zehn Jahren. Satzzeichen und Großschreibung werden aus dem Satzfluss vorhergesagt; schalten Sie Zeichensetzung aus, wenn Sie nur die reinen Wörter möchten.
Die Spracheinstellung ist wichtig. Die automatische Erkennung hört die ersten 30 Sekunden ab und verwendet dann eine Sprache für die ganze Datei. Beginnt die Aufnahme mit Musik, einem Jingle oder Stille oder wechselt sie zwischen Sprachen, wählen Sie die Gesprochene Sprache selbst. Die Liste umfasst 33 Sprachen, von Englisch, Spanisch und Arabisch bis Hindi, Tamil, Japanisch und Ukrainisch.
Nutzer kommen aus vielen Richtungen: eine Journalistin mit einem Interview auf dem Handy, ein Student mit einer aufgezeichneten Vorlesung, ein Team mit einem Meeting-Export, ein Creator, der Untertitel braucht. Die beiden häufigsten Dateitypen haben eigene Seiten: MP3 in Text für Recorder- und Podcast-Dateien und M4A in Text für Sprachmemos vom iPhone. Videodateien funktionieren direkt, der Ton muss nicht erst extrahiert werden.
Formate für Transkripte und Untertitel
| Ausgabe | Inhalt | Öffnen mit |
|---|---|---|
| Reiner Text (TXT) | Textabsätze, optional mit Zeitstempeln und Sprecherkennzeichnung | Jedem Texteditor, jeder Notiz-App oder E-Mail |
| Word (DOCX) | Formatiertes Transkript zum Bearbeiten und Teilen | Word, Google Docs, Pages, LibreOffice |
| Eine feste Kopie des Transkripts für die Ablage | Jedem PDF-Reader oder Browser | |
| Untertitel (SRT) | Nummerierte Untertitel mit Start- und Endzeit | YouTube, Videoeditoren, VLC |
| Web-Untertitel (VTT) | WebVTT-Untertitel, das W3C-Format für HTML5-Video | Web-Playern, YouTube, Kursplattformen |
| JSON (Wortzeiten) | Jedes Wort mit Start- und Endzeit | Skripten, Suchindizes, Bearbeitungstools |
Zeitmarken, Sprecher und weitere Transkriptionsoptionen
- Zeitstempel
- Zeitstempel setzen die Zeit, etwa [01:15], vor jeden Absatz von TXT-, Word- und PDF-Transkripten, damit Sie die Stelle in der Aufnahme finden.
- Sprecherkennzeichnung
- Die Sprecherkennzeichnung markiert als Sprecher 1, Sprecher 2 usw., wer gerade spricht, für Interviews, Meetings und Podcasts. Ersetzen Sie die Bezeichnungen anschließend durch Namen.
- Zeichensetzung und Füllwörter
- Zeichensetzung ist standardmäßig aktiviert. Füllwörter entfernen streicht ähm, äh und ähnliche Verlegenheitslaute.
- Zeichen pro Zeile
- Bei SRT und VTT teilt Zeichen pro Zeile lange Untertitel auf, standardmäßig 42, das Limit der Netflix-Untertitelrichtlinien für die meisten Sprachen mit lateinischer Schrift; erlaubt sind 20 bis 80.
- Abschnitt zum Transkribieren
- Beginn bei und Ende bei beschränken die Arbeit auf einen Abschnitt, in Sekunden (75) oder Minuten:Sekunden (1:15).
Grenzen des Online-Konverters für Audio in Text
- Aufnahmen pro Durchgang
- 20
- Pro Audio- oder Videodatei
- 95 MB
- Gesprochene Sprachen plus automatische Erkennung
- 33
- Bis Dateien und Transkripte gelöscht werden
- 30 Min.
So wird das Transkript genauer
Viele Wörter sind falsch oder fehlen
Hintergrundgeräusche, Abstand zum Mikrofon und gleichzeitiges Sprechen verursachen die meisten Fehler. Nehmen Sie möglichst nah am Sprecher auf und prüfen Sie, ob Gesprochene Sprache stimmt.
Das Transkript ist in der falschen Sprache
Die automatische Erkennung hat in den ersten 30 Sekunden Musik oder eine andere Sprache gehört. Wählen Sie die Gesprochene Sprache selbst und transkribieren Sie erneut.
Untertitel sind auf dem Bildschirm zu lang zum Lesen
Senken Sie Zeichen pro Zeile auf 32–37 für Handynutzer, damit jeder Untertitel in kürzere Zeilen geteilt wird.
Namen und Fachbegriffe sind falsch geschrieben
Seltene Wörter sind für jedes Modell schwierig. Ersetzen Sie sie einmal per Suchen und Ersetzen in der Word- oder Textausgabe; meist sind sie durchgehend gleich falsch geschrieben.
Fragen zu Audio in Text
Kann ich Audio kostenlos und ohne Anmeldung in Text umwandeln?
Ja. Laden Sie die Aufnahme hoch und klicken Sie auf Transkribieren; Konto, Testphase oder Kreditkarte sind nicht nötig. Dateien werden 30 Minuten nach der Verarbeitung automatisch gelöscht, laden Sie das Transkript also herunter, sobald es fertig ist.
Was macht einen Audio-in-Text-Konverter besser als einen anderen?
Für einen fairen Vergleich zählen die Genauigkeit bei Ihrer Art von Aufnahme, die angebotenen Sprachen, die Ausgabeformate und was danach mit Ihrer Datei geschieht. Hier erhalten Sie 33 Sprachen plus automatische Erkennung, sechs Ausgabeformate einschließlich Untertiteln, Sprecherkennzeichnung und Zeitstempel sowie automatisches Löschen nach 30 Minuten.
Welche Sprachen können transkribiert werden?
33, auswählbar unter Gesprochene Sprache: darunter Englisch, Spanisch, Französisch, Deutsch, Portugiesisch, Italienisch, Russisch, Arabisch, Türkisch, Hindi, Bengalisch, Tamil, Telugu, Marathi, Gujarati, Urdu, Japanisch, Koreanisch, Chinesisch, Indonesisch, Vietnamesisch, Thai, Polnisch, Ukrainisch, Niederländisch, Schwedisch, Griechisch und Hebräisch. Die automatische Erkennung wählt anhand der ersten 30 Sekunden eine Sprache pro Datei.
Kann ich aus der Tonspur eines Videos Untertitel erstellen?
Ja. Laden Sie das Video selbst hoch und wählen Sie unter Ausgabe SRT oder VTT. Sie erhalten eine Untertiteldatei mit Zeitangaben für YouTube, einen Videoeditor oder einen HTML5-Player. Um das Untertitelformat später zu ändern, nutzen Sie den Untertitel-Konverter.
Wie transkribiere ich eine 3-stündige Aufnahme?
Dateien sind auf 95 MB begrenzt, das sind etwa 1 Stunde 40 Minuten MP3 mit 128 kbps. Teilen Sie die Arbeit mit Beginn bei und Ende bei auf oder verkleinern Sie die Datei vorab: Sprache, mit Audio komprimieren auf 64 kbps mono umgewandelt, passt mit etwa 3,5 Stunden unter das Limit.
Kann das Transkript ins Englische übersetzt werden?
Nein, das Transkript entsteht in der gesprochenen Sprache. Transkribieren Sie zuerst und fügen Sie den Text dann in einen Übersetzungsdienst ein; die Übersetzung eines sauberen Transkripts liefert bessere Ergebnisse als direkt aus dem Ton, und Sie behalten den Originalwortlaut zum Prüfen von Zitaten.
Ist ein MP3-in-Text-Konverter etwas anderes als ein Video-Transkriptor?
Nur in dem, was Sie hochladen. Dieselbe Spracherkennung läuft auf der Tonspur eines MP4 oder MOV ebenso wie auf einer MP3 oder M4A. MP3 in Text und M4A in Text sind Voreinstellungen dieses Tools für diese Dateitypen.
Erscheinen „äh“ und „ähm“ im Transkript?
Standardmäßig ja, weil manchmal ein wörtliches Protokoll nötig ist, etwa bei Forschungsinterviews. Aktivieren Sie Füllwörter entfernen für ein sauberes Transkript zum Lesen, Zitieren oder Veröffentlichen.
Alle Audio in Text-Tools
Wählen Sie genau das Ziel, das von Ihnen verlangt wurde. Jede der folgenden Seiten ist dasselbe Tool mit anderen Voreinstellungen.
- M4A in Text umwandelniPhone-Sprachmemos und M4A-Aufnahmen in Text umwandeln, mit Zeitmarken und Sprecherangaben. 33 Sprachen, TXT, Word, PDF oder Untertitel, ohne Konto.
- MP3 in Text umwandelnMP3 in Text umwandeln in 33 Sprachen: als Text, Word, PDF oder SRT/VTT-Untertitel, optional mit Zeitstempeln und Sprecherzuordnung.