Verwandle eine gesprochene Aufnahme in geschriebenen Text - lokal im Browser per KI-Spracherkennung (Whisper), komplett ohne Upload.
Läuft lokal auf deinem Gerät ...
Läuft lokal auf deinem Gerät ...
0%
Deine Dateien haben dein Gerät nie verlassen
Nein. Die Umwandlung läuft komplett in Deinem Browser - Deine Datei verlässt Dein Gerät nie. So ist das nachprüfbar
Ein Interview, eine Vorlesungsaufzeichnung, eine Sprachmemo mit einer Idee unterwegs: Dieses Tool hört die Aufnahme und schreibt sie als durchsuch- und kopierbaren Text nieder. Erkennungsmodell ist Whisper von OpenAI, hier als eigens kompiliertes, einzelsträngiges WebAssembly - dieselbe Grundtechnik, die auch die bekannten Transkriptionsdienste nutzen, nur läuft sie hier komplett auf deinem Gerät statt auf einem fremden Server.
Standardmäßig erkennt Whisper die gesprochene Sprache selbst ("Automatisch erkennen") - bei kurzen oder mehrsprachigen Aufnahmen lässt sich die Sprache aber auch fest vorgeben, was Erkennungsrate und Tempo leicht verbessern kann. Das Ergebnis erscheint als fortlaufender Text mit Absätzen je Sprechabschnitt; für Videos mit eingebettetem Zeitstempel-Bedarf gibt es das Schwester-Tool "Video zu Untertiteln", das dieselbe Erkennung nutzt, aber als SRT/VTT-Datei mit exakten Zeitmarken ausgibt.
Weil ohne geteilten Speicher (keine Cross-Origin-Isolation) gearbeitet wird, läuft die Erkennung einzelsträngig statt mehrfädig - korrekt, aber spürbar langsamer als ein serverseitiger Dienst. Deshalb gilt hier eine deutlich strengere Längen-Obergrenze als bei den übrigen Audio-Werkzeugen dieser Seite; lieber ehrlich langsam als eine falsche Geschwindigkeit versprechen.
| Eingabeformate | MP3, WAV, M4A, AAC, OGG, OPUS, FLAC |
|---|---|
| Auto-Konvertierung | MP4 |
| Ausgabeformat | TXT |
| Stapelverarbeitung | Nein |
| Verarbeitung | Lokal im Browser (WebAssembly) |
| Datei-Upload | Keiner |
Grenzen: Läuft einzelsträngig (kein Cross-Origin-Isolation-Modus auf dieser Seite) und ist deshalb spürbar langsamer als serverseitige Dienste - eine deutlich strengere Längen-Obergrenze pro Gerät gilt hier (kürzer als bei den übrigen Audio-Tools). Genutzt wird die kompakte "tiny"-Modellstufe: gut für klare Sprache, schwächer bei starkem Hintergrundlärm, Dialekten oder Fachjargon als ein größeres Modell. Die Erkennung ist nicht fehlerfrei - prüfe das Ergebnis, besonders Eigennamen und Zahlen.
Nein, die Erkennung läuft vollständig lokal im Browser über WebAssembly.
Fast 100 Sprachen; entweder automatisch erkannt oder fest gewählt.
Spracherkennung ist rechenintensiv und läuft hier ohne Mehrfädigkeit - korrekt, aber bewusst langsamer statt falsch schnell versprochen.
Ja, das Schwester-Tool "Video zu Untertiteln" gibt SRT/VTT mit exakten Zeitmarken aus.
Video zu Untertiteln · Rauschen entfernen · Bild zu Text (OCR) · Wellenform-Bild erstellen · Audio aufnehmen · Links/Rechts tauschen