Audio transkribieren
Interview, Sprachnachricht, Vorlesung oder Video: Lade die Datei, und Whisper schreibt mit. Mit Zeitstempeln und Untertitel-Export. Erkannt wird in deinem Browser: Das Modell lädst du einmal herunter, deine Aufnahme wird nie hochgeladen.
Audio- oder Videodatei wählen, hierher ziehen oder direkt aufnehmen
Deine Aufnahme verlässt dein Gerät nicht. Erkannt wird direkt im Browser; nur das Modell wird beim ersten Mal heruntergeladen.
Audio in Text umwandeln: wofür es sich eignet
Ob du eine MP3 in Text umwandeln, ein Interview abtippen oder aus einem Video Untertitel machen willst: Das Werkzeug macht Sprache zu Text, kostenlos und ohne Konto. Typische Fälle sind Sprachnachrichten, die du lieber liest als hörst, Mitschnitte von Vorlesungen und Vereinssitzungen, Podcast-Folgen, schnelle Notizen per Mikrofon und Clips für YouTube oder Instagram, die mit Untertiteln mehr Leute zu Ende schauen. Was es nicht kann: Sprecher auseinanderhalten und Aufnahmen live mitschreiben, während jemand redet. Transkribiert wird immer eine fertige Datei oder Aufnahme.
Welches Modell soll ich nehmen?
| Modell | Download | Tempo (Prozessor) | Fehlerquote in unserem Test | Gut für |
|---|---|---|---|---|
| Schnell Whisper Base | ca. 80 MB | etwa 2-fache Echtzeit | 12 % (klar gesprochen), 17 % mit Rauschen | Handy, Sprachnachrichten, schneller Überblick |
| Genau Whisper Small | ca. 250 MB | etwas langsamer als Echtzeit | 7 % (klar gesprochen), 10 % mit Rauschen | Interviews, Vorträge, alles, was du weiterverwendest |
| Sehr genau Whisper Large v3 Turbo | ca. 570 MB | nur mit Grafikkarte | auf unserem Testrechner nicht messbar (keine Grafikkarte) | Computer mit WebGPU, schwierige Aufnahmen |
Die Tempoangaben haben wir in Chrome auf einem Rechner mit 8 Prozessorkernen gemessen, ohne Grafikkarte. „2-fache Echtzeit“ heißt: zehn Minuten Audio sind nach etwa fünf Minuten fertig. Ein älteres Notebook oder ein Handy braucht deutlich länger, eine Grafikkarte mit WebGPU ist meist schneller. Der Download fällt nur beim ersten Mal an, danach liegt das Modell im Browser-Speicher.
Wie gut ist das Ergebnis?
Wir haben das erste Kapitel von Kafkas „Die Verwandlung“ als Hörbuch (LibriVox, gemeinfrei, auf Deutsch vorgelesen) durch das Werkzeug geschickt und mit dem Originaltext verglichen. Gezählt werden falsche, fehlende und zusätzliche Wörter, Groß- und Kleinschreibung und Satzzeichen nicht.
- Schnell: 12 von 100 Wörtern falsch. Typisch: „Liebriewox“ statt „LibriVox“, „Krieger Samsa“ statt „Gregor Samsa“, falsche Endungen.
- Genau: 7 von 100 Wörtern falsch, Namen und Komposita meist richtig. Ein Teil der verbleibenden „Fehler“ ist Kafkas alte Schreibweise („ungeheueren“).
- Mit künstlichem Rauschen stieg die Quote auf 17 bzw. 10 Prozent, mit Telefonqualität (8 kHz) auf etwa 11 Prozent beim schnellen Modell.
- Langer Test: Das komplette Kapitel (41 Minuten) lief mit „Schnell“ in gut 11 Minuten am Stück durch, mit 14 von 100 Wörtern falsch und ohne Abbruch oder Wiederholungsschleifen.
Ein Vorleser im Studio ist der günstige Fall. Bei Dialekt, durcheinander redenden Leuten oder lauter Musik im Hintergrund wird es spürbar schlechter. Lies das Transkript also gegen, bevor du es veröffentlichst.
So funktioniert es
- Dein Browser dekodiert die Datei und rechnet sie auf 16 kHz Mono um, das Format, mit dem Whisper arbeitet. Bei Videos wird nur die Tonspur verwendet.
- Die Aufnahme wird in Stücke von höchstens 30 Sekunden zerlegt. Geschnitten wird an der leisesten Stelle, damit kein Wort mittendrin getrennt wird. Stille Abschnitte werden übersprungen, weil Whisper dort gern Sätze erfindet.
- Jedes Stück läuft durch das Modell, auf der Grafikkarte (WebGPU) oder dem Prozessor (WebAssembly). Der Text erscheint, sobald ein Stück fertig ist.
- Zeitstempel kommen direkt von Whisper, auf etwa eine halbe Sekunde genau. Für Untertitel reicht das in der Regel.
Tipps für bessere Transkripte
- Sprache fest einstellen. „Deutsch“ ist zuverlässiger als die automatische Erkennung, besonders wenn am Anfang Musik läuft.
- Nah am Mikrofon sprechen. Hall und Hintergrundgeräusche kosten mehr Genauigkeit als ein billiges Mikrofon.
- Namen nachkorrigieren. Eigennamen und seltene Fachbegriffe sind die typische Schwäche. Klick in den Text und korrigiere direkt; der Export übernimmt deine Änderungen.
- Zeitstempel antippen spielt die Stelle ab. So findest du unsichere Passagen schnell.
Was mit deiner Aufnahme passiert
Die Datei bleibt auf deinem Gerät. Die Programmteile (transformers.js, Apache-2.0, und ONNX Runtime, MIT) liefern wir selbst von boardy.de aus. Die Whisper-Modelle (MIT-Lizenz, von OpenAI, umgewandelt von der Hugging-Face-Community) lädt dein Browser beim ersten Start direkt von Hugging Face (huggingface.co, USA) und speichert sie zwischen. Dabei sieht Hugging Face wie bei jedem Download deine IP-Adresse, aber nie dein Audio. Es gibt keine Cookies und kein Tracking.
Passend dazu: eigene Clips mit KI erstellen, die SRT-Datei von hier legst du im Schnittprogramm einfach als Untertitelspur darunter.
Häufige Fragen
Wird meine Audiodatei hochgeladen?
Nein. Die Datei wird in deinem Browser dekodiert und dort von Whisper erkannt. Aus dem Internet kommt nur einmalig das Modell, danach liegt es im Speicher deines Browsers. Du kannst das prüfen: Modell laden, WLAN aus, nächste Datei transkribieren.
Wie lang darf die Aufnahme sein?
Getestet haben wir ein Hörbuchkapitel von 41 Minuten. Längere Dateien funktionieren ebenfalls, brauchen aber entsprechend Zeit und Arbeitsspeicher; über 1,5 GB Dateigröße lehnt das Werkzeug ab. Bei Videos hilft es, vorher nur die Tonspur zu exportieren.
Funktioniert das auf dem Handy?
Ja, am besten mit dem Modell „Schnell“. Wie flott es läuft, hängt stark vom Gerät ab; auf älteren Handys kann die Erkennung länger dauern als die Aufnahme selbst. Lass den Bildschirm dabei an, sonst pausiert der Browser.
Erkennt das Werkzeug verschiedene Sprecher?
Nein. Whisper schreibt mit, was gesagt wird, trennt aber nicht nach Personen. Bei Interviews musst du die Namen selbst ergänzen; der Text lässt sich direkt in der Liste bearbeiten.
Welche Formate gehen?
Alles, was dein Browser abspielen kann: MP3, M4A, WAV, OGG/Opus, FLAC, WebM sowie die Tonspur von MP4- und MOV-Videos. Sprachnachrichten aus WhatsApp (.opus) klappen in Chrome und Firefox.
Was ist der Unterschied zwischen SRT und VTT?
Beide sind Untertitelformate mit Zeitangaben. SRT verstehen fast alle Schnittprogramme und YouTube, VTT ist das Format für Videos auf Webseiten (HTML5). Für reinen Text nimm TXT.
Redaktion: Boardy-Team · Stand 19.11.2026. Probleme mit einer Datei? Schreib uns im Boardy-Treff.