Audio in Text umwandeln: kostenlose Methoden und Tipps

Eine Transkriptions-Engine hört Wörter nicht so wie Sie. Sie zerlegt die Wellenform in überlappende Frames von etwa 25 Millisekunden Länge und wandelt jeden Abschnitt in ein Spektrogramm um, eine Karte, die zeigt, welche Frequenzen in diesem Moment laut sind. Das akustische Modell betrachtet diese Karte und schätzt, welche Sprachlaute vorkommen: das Zischen eines s, den Verschlusslaut eines t, die Vokalformen, die Schiff von schief unterscheiden. Für sich genommen ergibt das einen Strom wahrscheinlicher Laute, aber keinen lesbaren Text.

Das Sprachmodell behebt einen Großteil davon. Es weiß, welche Wortfolgen in echten Sätzen wahrscheinlich sind. Wenn die Laute also Wie erkennt man Sprache oder Wie brecht man Spargel ergeben könnten, gibt der Kontext den Ausschlag. Ältere Systeme hielten beide Teile getrennt und trainierten sie mit begrenztem, sorgfältig vorgelesenem Material. Deshalb hatte Diktiersoftware der 2010er-Jahre mit Akzenten und lockerer Sprache Probleme.

Im September 2022 veröffentlichte OpenAI Whisper, ein offenes Modell, das mit rund 680.000 Stunden mehrsprachigem Audiomaterial aus dem Web trainiert wurde. Es vereint akustischen und sprachlichen Teil in einem Netz, das 30-Sekunden-Fenster liest und direkt Text mit Satzzeichen schreibt. Modelle dieser Familie machten Akzente, gemischtes Vokabular und unsaubere Aufnahmen aus dem Alltag deutlich besser nutzbar, und die meisten kostenlosen Transkriptionsdienste heute, auch Browser-Tools, setzen etwas Ähnliches ein. Sie raten aber weiterhin, und bei unklarem Audio raten sie flüssig, wodurch ihre Fehler schwerer zu erkennen sind.

Die Genauigkeit wird meist als Wortfehlerrate gemessen: der Anteil der Wörter, die im Vergleich zu einem sorgfältigen menschlichen Transkript vertauscht, ausgelassen oder erfunden wurden. Eine Fehlerrate von 5 % bedeutet einen Fehler alle zwanzig Wörter. Das klingt wenig, bis man merkt, dass sich die Fehler bei den wichtigen Wörtern häufen, etwa bei einem Nachnamen, einem Produktcode oder einer Zahl in einer Budgetdiskussion.

Die folgenden Faktoren sind grob danach geordnet, wie stark sie schaden. Fast alle werden bei der Aufnahme entschieden, nicht bei der Transkription. Ein Smartphone aus der Tischmitte in Armlänge zum Sprecher zu rücken, bringt oft mehr als jede Einstellung, die Sie nachträglich ändern können.

Die meisten Aufnahmen können unverändert hochgeladen werden. Vorbereitung lohnt sich in drei Fällen: Die Datei ist zu lang oder zu groß, die Sprache geht in Stille oder Musik unter, oder der Pegel ist so niedrig, dass Sie die Lautstärke ganz aufdrehen müssen. Eine lange Stille am Anfang ist mehr als verlorene Zeit, denn die automatische Erkennung bestimmt die Sprache anhand der ersten 30 Sekunden und rät womöglich anhand von Raumgeräuschen oder einem Intro-Jingle. Wenn Sie die Aufnahme auf den Teil mit Sprache kürzen oder mit Beginn bei überspringen, vermeiden Sie das.

Eine Formatkonvertierung ist selten nötig. iPhone-Sprachmemos sind M4A (AAC-Audio), Android-Rekorder erzeugen M4A, AAC oder 3GP, und Anrufrekorder erzeugen oft AMR; alle lassen sich direkt hochladen. Die Umwandlung einer komprimierten Datei in WAV stellt keine Details wieder her, die bei der Aufnahme verloren gingen, wie der Vergleich in unserem Ratgeber zu MP3, WAV, FLAC und AAC erklärt. Wandeln Sie deshalb nur um, wenn ein Tool das Format ablehnt. Teilen Sie eine mehrstündige Aufnahme an natürlichen Stellen wie einer Kaffeepause oder einem Themenwechsel, damit jeder Teil unter dem Upload-Limit bleibt und sich leichter Korrektur lesen lässt.

Wählen Sie die Ausgabe danach, was als Nächstes passiert. Wenn Sie das Transkript lesen, zitieren oder durchsuchen wollen, sind Nur-Text oder Word richtig; Word behält Absätze, Zeitstempel und Sprecherkennzeichnung zum Bearbeiten bei, und PDF dient dazu, eine feste Kopie zu verschicken, die niemand ändern soll. Sollen die Worte als Untertitel über einem Video erscheinen, brauchen Sie eine Untertiteldatei: SRT oder VTT teilen die Sprache in kurze Einblendungen mit Start- und Endzeit, und die Zeilenlänge bestimmt, wie viel auf den Bildschirm passt. Zweiundvierzig Zeichen pro Zeile sind der gängige Standard im Fernsehen.

SRT und VTT enthalten dieselben Informationen mit kleinen Unterschieden. SRT, aus dem alten Programm SubRip, nummeriert jede Einblendung und schreibt Zeiten mit Komma (00:01:15,000). WebVTT ist das W3C-Format für HTML5-Video; es beginnt mit einer WEBVTT-Kopfzeile, verwendet in den Zeiten einen Punkt und erlaubt Formatierung und Positionierung. YouTube, Vimeo, Premiere Pro und DaVinci Resolve akzeptieren beide. JSON mit wortgenauen Zeitangaben ist für Entwickler gedacht, die Suchfunktionen, Karaoke-artige Hervorhebung oder ein eigenes Untertitellayout bauen.

Prüfen Sie vor dem Hochladen, was Ihre eigenen Geräte schon können. Apple hat die App „Sprachmemos“ in iOS 18 um Transkripte erweitert, sodass eine Aufnahme auf einem aktuellen iPhone ihren Text direkt in der App zeigen kann. Die Recorder-App von Google auf Pixel-Smartphones transkribiert seit 2019 schon während der Aufnahme, komplett auf dem Gerät, und kann Sprecher unterscheiden. In Microsoft 365 hat Word für das Web neben Diktieren den Befehl Transkribieren, der hochgeladene MP3-, M4A-, WAV- und MP4-Dateien mit einem monatlichen Kontingent an Upload-Minuten annimmt. Die Spracheingabe in Google Docs (unter „Tools“, in Chrome) hört nur ein Live-Mikrofon ab; eine vorhandene Datei kann sie nicht lesen.

Eine weitere Quelle sind Meeting-Plattformen. Zoom, Microsoft Teams und Google Meet können ein Transkript eines Anrufs erzeugen, wenn die Transkription eingeschaltet ist und Ihr Tarif oder Ihre Organisation sie erlaubt, und Assistenten wie Otter.ai treten Meetings bei, um Notizen zu machen. Das ist praktisch für Gespräche, die Sie selbst leiten, aber jedes Tool funktioniert nur in der eigenen App, braucht die Einwilligung aller zur Aufnahme und exportiert in eigenen Formaten. Für eine bereits vorhandene Datei, etwa ein altes Interview, eine Vorlesungsaufnahme oder eine weitergeleitete Sprachnachricht, ist ein dateibasierter Transkriptionsdienst meist der einfachere Weg.

Ein Browser-Tool deckt ab, was die integrierten Optionen auslassen: beliebige Dateien von jedem Gerät, Untertitel-Ausgaben und Sprachen, die Ihr Smartphone nicht unterstützt. Fügen Sie im Audio-zu-Text-Konverter die Datei hinzu, lassen Sie Gesprochene Sprache auf automatischer Erkennung oder wählen Sie die Sprache selbst, wählen Sie eine Ausgabe und aktivieren Sie bei Bedarf Zeitstempel oder Sprecherkennzeichnung. Für Sprachmemos vom iPhone gibt es eine eigene Seite M4A in Text, für Podcast- oder Rekorderdateien MP3 in Text; beide nutzen dieselbe Engine. Jede Datei darf bis zu 95 MB groß sein, das sind etwa anderthalb Stunden MP3 mit 128 kbps. Nutzen Sie bei längeren Aufnahmen Beginn bei und Ende bei, um in Teilen zu transkribieren, oder schneiden Sie die Aufnahme zuerst zu.

Setzen Sie realistische Erwartungen. Ein einzelner Sprecher mit brauchbarem Mikrofon in einem ruhigen Raum wird meist zu 90–95 % oder besser korrekt erkannt, oft gut genug für eine Veröffentlichung nach leichter Überarbeitung. Ein Smartphone auf dem Tisch in einem vollen Restaurant, eine Telefonkonferenz mit Aussetzern oder eine Podiumsdiskussion, bei der sich die Leute ins Wort fallen, kann deutlich schlechter ausfallen, mit ganz fehlenden Sätzen. Die Sprecherkennzeichnung ist zuverlässig, wenn sich die Stimmen deutlich unterscheiden und die Personen abwechselnd sprechen; zwei ähnliche Stimmen verwechselt sie öfter, als man erwarten würde.

Lesen Sie mit geöffnetem Audio Korrektur, nicht nur anhand des Textes, denn moderne Modelle schreiben grammatisch korrekte Sätze, auch wenn sie falsch sind. Prüfen Sie jeden Eigennamen, denn ein Modell kann nicht wissen, dass Ihre Kollegin Katrin oder Catrin geschrieben wird. Prüfen Sie jede Zahl: fünfzehn und fünfzig, Daten, Preise und Prozentangaben werden leicht verhört. Achten Sie auf Homophone wie das/dass, seit/seid und wieder/wider sowie auf selbstsicher erfundenen Füllstoff, wo das Audio unklar war. Zeitstempel machen das schnell, weil Sie direkt an die Stelle springen können, an der eine zweifelhafte Zeile gesprochen wurde.

Eine Aufnahme enthält oft mehr persönliche Informationen als ein Dokument: Stimmen, Namen, Gesundheitsdaten, Gehälter. Wissen Sie vor dem Hochladen, wohin die Datei geht und wie lange sie bleibt. Bei UltKit werden Uploads auf dem Server verarbeitet und 30 Minuten nach der Verarbeitung automatisch gelöscht; es gibt kein Konto, daher ist nichts mit Ihrem Namen verknüpft. Pixel Recorder arbeitet offline, das Audio verlässt das Smartphone also nie. Prüfen Sie bei allem, was unter eine Vertraulichkeitsvereinbarung oder ein ärztliches oder juristisches Berufsgeheimnis fällt, zuerst die Richtlinie Ihrer Organisation; manche verlangen genehmigte, vertraglich gebundene Dienste.

Die Sprachunterstützung ist breit, aber ungleichmäßig. Der Transkriptionsdienst deckt 33 Sprachen ab, darunter Englisch, Spanisch, Französisch, Deutsch, Portugiesisch, Arabisch, Hindi, Japanisch, Koreanisch, Chinesisch und Ukrainisch; die besten Ergebnisse gibt es in den Sprachen mit den meisten Trainingsdaten. Die automatische Erkennung wählt pro Datei eine Sprache. Wechselt ein Meeting zwischen zwei Sprachen, transkribieren Sie jeden Abschnitt separat mit von Hand eingestellter Sprache. Das Transkript wird immer in der gesprochenen Sprache geschrieben; die Übersetzung ist ein separater Schritt, den Sie danach am Text vornehmen.

Die meisten fehlgeschlagenen Transkripte haben eine Handvoll Ursachen, und die Lösung liegt meist in der Datei oder einer Einstellung, nicht in einem anderen Dienst. Wenn das Audio selbst so schlecht ist, dass Sie ihm kaum folgen können, tut sich auch die Maschine schwer, und ein kurzes manuelles Transkript der wichtigsten Passagen geht womöglich schneller, als ein langes automatisches zu korrigieren.