Audio in Text
Wandeln Sie eine Aufnahme oder ein Video in Text und Untertitel um, direkt im Browser und ohne Upload.
Audio in Text wird geladen… Wenn nichts passiert, aktiviere JavaScript.
Dieses Tool hört sich eine Audio- oder Videodatei an und schreibt auf, was gesagt wird. Ziehen Sie eine Sprachnotiz, ein Interview, eine Vorlesung, eine Podcastfolge, die Aufnahme eines Meetings oder ein Handyvideo hinein, und kurz darauf erhalten Sie den gesprochenen Text als reinen Text, als Liste mit Zeitstempeln und als fertige Untertiteldateien in den beiden Formaten, die Videoplayer und Schnittprogramme erwarten: SRT und WebVTT. Es verarbeitet die gängigen Formate (MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM und MP4), und bei selteneren Containern wie MKV, AVI oder MOV holt es zuerst die Tonspur heraus. Sie können mehrere Dateien in die Warteschlange legen; sie werden nacheinander transkribiert, und am Ende gibt es ein einziges .zip mit dem Text und beiden Untertiteldateien für jede Datei.
Häufig gestellte Fragen
Wird meine Audiodatei auf einen Server hochgeladen?
Warum dauert der erste Durchlauf länger?
Wie lange dauert die Transkription einer Datei?
Welche Sprachen versteht es?
Was bewirkt die Option "Ins Englische übersetzen"?
Warum tauchen Wörter auf, die niemand gesagt hat?
Was ist der Unterschied zwischen SRT und VTT?
Kann ich eine Videodatei transkribieren?
Unterscheidet es verschiedene Sprecher?
Über Audio in Text
Die Transkription übernimmt Whisper, das offene Spracherkennungsmodell, das OpenAI 2022 veröffentlicht hat, in der mehrsprachigen Base-Größe. Es versteht knapp hundert Sprachen, erkennt selbst, welche gesprochen wird, und kann Gesprochenes in einer anderen Sprache auch direkt als englischen Text übersetzen. Das Modell läuft in Ihrem Browser: Beim ersten Mal lädt es etwa 77 MB von dieser Website, die Ihr Browser danach behält, sodass spätere Besuche fast sofort starten. Ihre Aufnahmen verlassen Ihr Gerät nie, was wichtig ist, wenn es sich um einen Arzttermin, ein Bewerbungsgespräch, ein Familienvideo oder eine vertrauliche Besprechung handelt. Auf einem Computer mit aktuellem Chrome oder Edge erledigt die Grafikkarte die Arbeit, und das geht schnell; andernfalls übernimmt der Prozessor, was für kurze Clips gut reicht, bei langen Dateien aber etwa so lange dauern kann wie die Aufnahme selbst oder länger.
Wer weiß, wie sich das Modell verhält, bekommt bessere Ergebnisse. Am besten funktioniert deutliche Sprache nah am Mikrofon, während laute Hintergrundmusik, mehrere Personen, die durcheinanderreden, starke Akzente und schlechte Telefonverbindungen die Genauigkeit senken. Wenn Sie die gesprochene Sprache selbst auswählen, statt sie automatisch erkennen zu lassen, vermeiden Sie den seltenen Fall, dass eine kurze oder verrauschte Datei falsch zugeordnet wird. Whisper neigt bekanntermaßen dazu, bei langen Pausen, Musik oder sehr leisen Passagen plausible Wörter zu erfinden (ein Satz wie "Danke fürs Zuschauen", der aus dem Nichts auftaucht, ist typisch). Deshalb überspringt das Tool komplett stille Abschnitte, und es lohnt sich, das Ergebnis vor dem Veröffentlichen zu lesen. Die Zeitstempel sind auf etwa eine Sekunde genau, was für Untertitel reicht, die Sie in jedem Untertitel-Editor feinjustieren können.
Whisper lernte aus 680.000 Stunden Internet
Als OpenAI Whisper im September 2022 veröffentlichte, überraschte nicht die Architektur des Modells, ein recht klassischer Encoder und Decoder, sondern die Trainingsdaten. Statt sorgfältig transkribierter Studioaufnahmen wurde es mit rund 680.000 Stunden Audio aus dem Web trainiert, zusammen mit den dort bereits vorhandenen Transkripten, etwa ein Drittel davon in anderen Sprachen als Englisch.
Dieser riesige, unordentliche Datenbestand ist der Grund, warum das Modell so gut mit Akzenten, Hintergrundgeräuschen und Fachvokabular zurechtkommt, ohne dafür eigens abgestimmt zu sein. Er erklärt auch die berühmten Halluzinationen: Viele Onlinevideos enden in ihren Untertiteln mit einem Satz wie "Danke fürs Zuschauen, abonniert den Kanal", auch wenn ihn niemand ausspricht, und so hat das Modell gelernt, dass auf Stille am Ende eines Clips oft genau diese Worte folgen.
Das Modell hört in festen Fenstern von 30 Sekunden zu und verwandelt jedes davon in eine bildähnliche Karte der Frequenzen über die Zeit, bevor es sie in Text dekodiert. Lange Aufnahmen werden in eine Reihe solcher Fenster zerlegt, und die Zeitstempel, die es innerhalb jedes Fensters vorhersagt, werden anschließend an ihre Stelle in der Gesamtdatei verschoben: genau das macht dieses Tool in Ihrem Browser.