Canbari
← Audio-Tools

Audio-Transkription

AudioKeine Datei

Sprachaufnahmen aus Audio und Video in Text umwandeln

Transkribiere eine Sprachaufnahme, Sprachnachricht oder die Tonspur eines Videos. Du kannst die Sprache automatisch erkennen lassen, das Ergebnis übersetzen und Zeitmarken oder Sprecherkennzeichnungen ergänzen. Die Aufnahme wird für die Erkennung vorbereitet und an den gewählten externen KI-Dienst gesendet. Das Ergebnis lässt sich kopieren sowie als TXT oder DOCX speichern.

Kosten: Im verfügbaren Kontingent kostenlos. Es gelten Nutzungslimits; weitere Angaben stehen in der Anleitung unten.

So wandelst du Audio in Text um

  1. Eine Aufnahme auswählen

    Klicke auf Audiodatei zum Transkribieren hochladen oder ziehe die Aufnahme auf die Vorschau. Unterstützte Audio- und Videodateien dürfen bis zu 200 MB groß sein. Unter Dateien findest du auch bereits hochgeladene oder in anderen Tools erstellte Aufnahmen.

  2. Das KI-Modell festlegen

    Gemini 3.5 Flash Lite · fast ist voreingestellt. Unter KI-Modell kannst du stattdessen Gemini 3.6 Flash · advanced oder Experimental wählen. Die Modellübersicht unten erklärt die Unterschiede und die Grenze für kurze Experimental-Aufnahmen.

  3. Die Sprache wählen

    Lasse Audiosprache auf Automatische Erkennung oder wähle die gesprochene Sprache. Unter Übersetzen nach (optional) bleibt die Originalsprache erhalten, solange Keine Übersetzung (Originalsprache) ausgewählt ist. Wähle dort nur ein Ziel, wenn du das Transkript übersetzt benötigst.

  4. Zeitmarken und Sprecher einstellen

    Unter Transcript detail kannst du Fügen Sie Zeitstempel hinzu und Identifizieren Sie verschiedene Sprecher einschalten. Beide sind zunächst ausgeschaltet. Sie helfen bei Interviews, Besprechungen oder Gesprächen, die Textstellen wiederzufinden und Stimmen auseinanderzuhalten.

  5. Transkribieren und exportieren

    Starte mit Audio transkribieren und lasse die Seite bis zum Ergebnis geöffnet. Unter Transkribierter Text erscheinen Text und Zeichenanzahl. Nutze In die Zwischenablage kopieren, Als TXT herunterladen oder DOCX, um das Ergebnis weiterzubearbeiten.

Sprache, Übersetzung und Transkriptangaben

KI-Modell
Gemini 3.5 Flash Lite · fast ist die Voreinstellung. Gemini 3.6 Flash · advanced ist eine weitere Google-Modellvariante. Beide erhalten die Anweisungen für Übersetzung, Zeitmarken und Sprecher. Experimental verwendet Z.ai GLM-ASR für reine Spracherkennung mit Aufnahmen bis 30 Sekunden. Deine Modellauswahl bestimmt den für die Aufnahme verwendeten Dienst.
Audiosprache
Voreingestellt ist Automatische Erkennung. Die Liste enthält Englisch, Spanisch, Französisch, Deutsch, Italienisch, Portugiesisch, Russisch, Japanisch, Chinesisch und Arabisch. Ein Sprachhinweis kann bei kurzen Aufnahmen, starken Akzenten oder vielen Eigennamen helfen. Ist deine Sprache nicht aufgeführt, lasse die automatische Erkennung eingeschaltet.
Übersetzen nach (optional)
Anfangs steht die Auswahl auf Keine Übersetzung (Originalsprache). Als Ziele gibt es die zehn aufgeführten Sprachen sowie Hindi, Koreanisch, Niederländisch, Polnisch unter der Auswahl Polieren und Türkisch. Das Modell transkribiert und übersetzt in einem Durchlauf und liefert nur die übersetzte Fassung. Sprecherkennzeichnungen bleiben dabei erhalten. Für Original und Übersetzung benötigst du zwei Durchläufe.
Fügen Sie Zeitstempel hinzu
Ausgeschaltet als Voreinstellung. Eingeschaltet ergänzt die Erkennung regelmäßig Marken wie [00:01:23] für Stunden, Minuten und Sekunden, jeweils auf einer neuen Zeile. Das Modell erstellt diese Angaben selbst; sie dienen zur Orientierung und sind keine exakt gemessenen Untertitelzeiten. Für zeitgesteuerte Untertiteldateien nutze Video zu Untertiteln. Ohne Zeitmarken erhältst du Text in lesbaren Absätzen.
Identifizieren Sie verschiedene Sprecher
Ausgeschaltet als Voreinstellung. Eingeschaltet ergänzt das Modell Speaker 1:, Speaker 2: und weitere nummerierte Stimmen; bei einem Wechsel beginnt eine neue Zeile. Mit Zeitmarken sieht eine Zeile beispielsweise so aus: [00:04:10] Speaker 2: …. Die Erkennung unterscheidet Stimmen, keine tatsächlichen Personennamen. Alle Audiokanäle werden vorher zu Mono gemischt; getrennte Stereokanäle bleiben deshalb keine getrennten Sprecherkanäle.

Ein Modell für die Aufnahme auswählen

Vergleiche die Ergebnisse an wichtigen Stellen der Aufnahme. Kein Modell ersetzt die Prüfung von Namen, Zahlen oder Fachbegriffen.

Gemini 3.5 Flash Lite · fast

Beginne mit der Voreinstellung bei Sprachmemos, Vorträgen oder einer einzelnen gut verständlichen Stimme. Sie unterstützt auch Übersetzung, Zeitmarken und Sprecherkennzeichnungen. Für längere Aufnahmen gelten weiterhin die Dateigröße, Verarbeitungszeit und Textausgabegrenzen.

Gemini 3.6 Flash · advanced

Du kannst diese Variante bei schwierigen Stellen vergleichen, etwa mehreren gleichzeitigen Stimmen, starken Akzenten oder technischem Wortschatz. Ein anderes Modell garantiert kein fehlerfreies Transkript; die Verständlichkeit der Aufnahme bleibt entscheidend.

Experimental: höchstens 30 Sekunden

Z.ai GLM-ASR dient zur Erkennung kurzer Sprachclips. Die Aufnahme darf höchstens 30 Sekunden lang sein; die vorbereitete Audiodatei höchstens 25 MB. Für Übersetzung, Zeitmarken und Sprecherkennzeichnungen wähle eine Gemini-Variante.

Audio-Vorbereitung und verständliche Aufnahmen

FFmpeg entnimmt auf unseren Servern die erste Audiospur und bereitet sie als Mono-Audio mit 16 kHz vor. Bei den Gemini-Modellen wird dafür FLAC verwendet. Videobilder, Coverbilder und Metadaten werden dabei entfernt. Nur die vorbereitete Tonfassung wird an den gewählten KI-Dienst übertragen; die temporäre Kopie auf unseren Servern wird nach der Anfrage gelöscht.

MP3 oder M4A können deutlich weniger Platz benötigen als ein Stereo-WAV. Eine vorherige verlustbehaftete Kompression verändert aber das Audiosignal und garantiert kein identisches Transkript. Achte bei einem kleineren Export darauf, dass Sprache verständlich bleibt und nicht durch starke Kompression, Musik oder Hintergrundrauschen verdeckt wird.

Die Dateigröße ist von der möglichen Erkennungslänge zu unterscheiden. Ein Stereo-WAV mit 44,1 kHz und 16 Bit benötigt ungefähr 10 MB pro Minute; in 200 MB passen rund 20 Minuten. Bei MP3 mit 128 kbit/s liegt der Datenbedarf unter 1 MB pro Minute, sodass ungefähr dreieinhalb Stunden in diese Dateigröße passen. Eine lange Aufnahme kann trotzdem die Verarbeitungs- oder Textausgabegrenze erreichen.

Formate, externe Dienste und Speicherung

Audioformate
MP3, WAV, FLAC, M4A, AAC, OGG, Opus und WebM
Videoformate
MP4, M4V, MOV, MKV, WebM, AVI, MPEG/MPG und OGV. Eine lesbare Audiospur muss enthalten sein.
Ausgabe
Text auf der Seite, TXT in UTF-8 und DOCX
Maximale Dateigröße
200 MB pro Aufnahme
Aufnahmelänge
Experimental: höchstens 30 Sekunden und 25 MB für die vorbereitete Tonfassung. Gemini: keine feste Zeitgrenze für die Aufnahme, aber höchstens 60 Minuten Verarbeitungszeit und eine begrenzte Textausgabe pro Anfrage.
Dateien pro Auftrag
1 Aufnahme; nur die erste Audiospur wird transkribiert.
Verarbeitung
Audio-Vorbereitung mit FFmpeg auf unseren Servern, anschließend Erkennung durch einen KI-Dienst. Ein Auftrag kann bis zu 60 Minuten laufen.
Externe KI-Dienste
Gemini: Google über die Gemini API oder über OpenRouter. Experimental: Z.ai GLM-ASR. Übertragen wird die vorbereitete Tonfassung.
Nutzungslimits
Es gelten Tageslimits. Das Tool zeigt eine Fehlermeldung, wenn du eine Grenze erreichst.
Wasserzeichen
Es wird kein Wasserzeichen hinzugefügt.
Speicherdauer
Uploads und gespeicherte Ergebnisse werden bei Gästen nach 48 Stunden und bei kostenlosen Konten nach 30 Tagen automatisch gelöscht. Bezahlte Tarife können Dateien länger speichern.

Häufige Fragen zur Audiotranskription

Kann ich die Sprache aus einem Video transkribieren?

Ja, bei den aufgeführten Videoformaten. Verwendet wird die erste Audiospur. Enthält dein Video mehrere Sprachfassungen und ist die gewünschte Spur nicht die erste, exportiere diese Tonspur vorher separat. Ein Video ohne Ton kann nicht transkribiert werden.

Wird meine Aufnahme an einen KI-Dienst gesendet?

Ja. Die erste Audiospur wird als Mono-FLAC mit 16 kHz an Google über die Gemini API oder OpenRouter beziehungsweise bei Experimental an Z.ai übertragen. Videobilder und Metadaten des Originals werden nicht mitgesendet. Upload und gespeichertes DOCX folgen der Speicherdauer von 48 Stunden für Gäste beziehungsweise 30 Tagen für kostenlose Konten.

Warum endet das Transkript vor dem Ende der Aufnahme?

KI-Dienste können pro Anfrage nur eine begrenzte Textmenge zurückgeben. Wird diese Grenze erreicht, erscheint über dem Text ein Hinweis auf die gekürzte Ausgabe. Mit Audio aufteilen kannst du die Aufnahme in ein ZIP mit kürzeren Teilen zerlegen und diese einzeln transkribieren.

Was bedeutet „Von diesem Audio konnte kein Text transkribiert werden“?

Die Erkennung hat keinen Text geliefert. Prüfe, ob die Aufnahme verständliche Sprache enthält: Stille, Musik, Rauschen oder sehr leise Stimmen ergeben möglicherweise kein Transkript. Wähle die gesprochene Sprache unter Audiosprache und versuche es mit einer gut verständlichen Aufnahme erneut.

Was kann ich bei einer Datei über 200 MB tun?

Ein Export als MP3 oder M4A kann kleiner werden als WAV. Prüfe die Verständlichkeit nach der Kompression; identische Erkennung ist nicht zugesichert. Für größere Videos nimmt Video komprimieren größere Eingaben an. Behalte dort die Tonspur bei und wähle anschließend das kleinere Ergebnis hier unter Dateien.

Wie genau ist das Transkript?

Das hängt von der Aufnahme ab. Deutliche Sprache ohne starke Hintergrundgeräusche ist leichter zu erkennen als Hall, Telefonklang oder gleichzeitig sprechende Personen. Kontrolliere insbesondere Namen, Zahlen und Fachbegriffe. Füllwörter, Versprecher oder abgebrochene Sätze können fehlen; das Ergebnis ist kein zugesichertes wortgetreues Protokoll.