Audio-Zusammenfassung
Aus einer Aufnahme die wichtigsten Punkte zusammenfassen
Erstelle aus einer Besprechung, einem Vortrag, Podcast oder Sprachmemo eine schriftliche Zusammenfassung. Du wählst die gewünschte Wortzahl, Fließtext oder Aufzählungspunkte und bei Bedarf einen thematischen Fokus. Das Tool nutzt die erste Tonspur deiner Aufnahme und sendet eine vorbereitete Audiofassung an Googles Gemini-Modell. Prüfe wichtige Aussagen, Namen und Zahlen vor der Weitergabe.
Kosten: Im verfügbaren Kontingent kostenlos. Es gelten Nutzungslimits; weitere Angaben stehen in der Anleitung unten.
So fasst du eine Audioaufnahme zusammen
Eine Aufnahme laden
Klicke auf Audio zum Zusammenfassen hochladen oder ziehe die Datei auf die Vorschau. Unterstützt werden Audio und Videos mit Ton bis 200 MB. Ein bereits hochgeladenes oder in einem anderen Tool erstelltes passendes Ergebnis kannst du unter Dateien wählen.
Die gewünschte Länge wählen
Unter Zusammenfassungslänge stehen 100, 250, 500, 1000 und 2000 Wörter. 500 Wörter sind voreingestellt. Wähle für eine kurze Aufnahme eine kurze Zielgröße, damit der Auftrag zum vorhandenen Inhalt passt.
Die Textform festlegen
Wähle unter Zusammenfassungsformat Absatz für Fließtext oder Aufzählungspunkte für eine Liste. Das ist die Gestaltung des Texts; TXT und DOCX stehen anschließend als Downloads bereit.
Optional einen Schwerpunkt angeben
Trage in Fokusbereich (optional) kurze Themen ein, beispielsweise
Entscheidungen, Aufgaben und Verantwortliche. Lasse das Feld leer, wenn du eine allgemeine Zusammenfassung der wichtigsten Aussagen möchtest.Erstellen, kontrollieren und speichern
Starte mit Zusammenfassung erstellen und lasse die Seite bis zum Ergebnis geöffnet. Die Zusammenfassung erscheint im Vorschaubereich unter Audio-Zusammenfassung. Speichere sie über In die Zwischenablage kopieren, TXT oder DOCX. Gleiche Entscheidungen und andere wichtige Details mit der Aufnahme ab.
Länge, Textform und Fokus
Die drei Einstellungen geben dem KI-Modell Anweisungen für den gewünschten Text. Die Wortzahl ist eine Zielgröße; das Ergebnis wird anschließend weder auf diese Zahl gekürzt noch mit zusätzlichen Sätzen aufgefüllt.
- Zusammenfassungslänge
- Die tatsächlichen Auswahltexte lauten Klein - 100, Niedrig - 250, Mittel - 500, Groß - 1000 und Hoch - 2000. Gemeint sind Wörter; Mittel - 500 ist voreingestellt. Eine längere Zielgröße gibt mehr Raum für Einzelheiten, kann aber nicht mehr Inhalt schaffen, als in der Aufnahme vorhanden ist. Die tatsächliche Wortzahl darf vom Ziel abweichen.
- Zusammenfassungsformat
- Absatz ist die Voreinstellung und liefert zusammenhängenden Text, etwa für eine E-Mail oder einen Bericht. Aufzählungspunkte fordert eine Liste an, die sich für Besprechungsnotizen oder Aufgabenübersichten eignet. Es gibt keinen zusätzlichen Gliederungsmodus.
- Fokusbereich (optional)
- Das anfangs leere Feld setzt einen Schwerpunkt innerhalb der allgemeinen Zusammenfassung. Kurze Themen wie
Aufgaben mit Verantwortlichen und Fristen,Definitionen und PrüfungsstoffoderEinwände zur Preisgestaltungsind passende Ausgangspunkte. Der Fokus ersetzt die Suche nach Kernaussagen nicht. Nenne nur das, was du aus der Aufnahme herausarbeiten möchtest; das Modell kann fehlende Angaben nicht zuverlässig ergänzen.
Ausgangswerte für unterschiedliche Aufnahmen
Diese Kombinationen kannst du selbst einstellen. Es gibt dafür keine eigenen Voreinstellungs-Schaltflächen.
Teambesprechung oder Gespräch
250 oder 500 Wörter, Aufzählungspunkte, Fokus Entscheidungen, Aufgaben und Verantwortliche. Prüfe, ob eine genannte Zuständigkeit tatsächlich in der Aufnahme vereinbart wurde.
Vortrag oder Schulung
1000 Wörter, Absatz, Fokus zentrale Begriffe, Definitionen und Beispiele. Eine ausführlichere Zielgröße bietet bei entsprechend umfangreicher Aufnahme mehr Raum für mehrere Themen.
Podcast oder Interview
500 Wörter, Fokus auf die wesentlichen Argumente und Empfehlungen. Die Zusammenfassung hat keine eigene Sprecherkennzeichnung. Nenne im Fokus die interessierenden Gesprächspartner und kontrolliere die Zuordnung ihrer Aussagen.
Kurzes Sprachmemo
100 Wörter, Absatz, Fokus leer. Bei einer kurzen Erinnerung oder einzelnen Idee reicht eine knappe Zusammenfassung häufig aus.
Tonverarbeitung, KI-Dienst und Textausgabe
Nach dem Upload bereitet FFmpeg auf unseren Servern die erste Audiospur als Mono-FLAC mit 16 kHz vor. Videobilder und Metadaten entfallen dabei. Diese Tonfassung und deine Texteinstellungen gehen an Googles Gemini API, hier mit Gemini 3.5 Flash-Lite. Erreicht der direkte Dienst eine Anfrage- oder Kontingentgrenze, wird dieselbe Anfrage über OpenRouter an dieselbe Gemini-Modellvariante gesendet.
Die temporäre FLAC-Kopie auf unseren Servern wird nach der KI-Anfrage gelöscht. Unser Server fordert anschließend auch die Löschung der hochgeladenen Kopie bei Gemini an. Original-Upload und gespeicherte Ergebnisse folgen den unten genannten Speicherfristen.
Die Zusammenfassung formuliert Inhalte neu. Sie kann Punkte auslassen, Ansichten verschiedener Sprecher vermischen oder Zahlen falsch wiedergeben. Wenn du die einzelnen Aussagen genauer prüfen möchtest, nutze Audio transkribieren für dieselbe Datei. Sie steht dort unter Dateien, sodass ein erneuter Upload nicht nötig ist.
TXT speichert den angezeigten Text in UTF-8, einschließlich möglicher Markdown-Zeichen wie oder #. DOCX** übernimmt daraus unterstützte Formatierungen wie Fettschrift, Überschriften und Listen in ein Word-Dokument.
Formate, Nutzung und Speicherung
- Eingabeformate
- MP3, WAV, M4A, AAC, FLAC, OGG, Opus und WebM als Audio; MP4, M4V, MOV, MKV, AVI, WebM, MPEG/MPG und OGV als Video mit Ton
- Verwendeter Ton
- Nur die erste Audiospur. Videobilder werden nicht analysiert.
- Ausgabe
- Text auf der Seite sowie summary.txt und summary.docx zum Herunterladen
- Maximale Dateigröße
- 200 MB pro Aufnahme
- Dateien pro Auftrag
- 1 Aufnahme
- Verarbeitung
- Vorbereitung mit FFmpeg auf unseren Servern; Zusammenfassung mit Googles Gemini-Modell direkt oder über OpenRouter. Ein Auftrag kann bis zu 60 Minuten laufen.
- Wasserzeichen
- Es wird kein Wasserzeichen hinzugefügt.
- Nutzungslimits
- Stunden- und Tageslimits gelten für die Anzahl der Aufträge beziehungsweise die gesamte Aufnahmedauer. Beim Erreichen einer Grenze erscheint eine Fehlermeldung.
- 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 Audio-Zusammenfassung
Kann ich Aufnahmen kostenlos und ohne Konto zusammenfassen?
Ja. Eine Anmeldung oder Bezahlung ist dafür nicht erforderlich. Es gelten Stunden- und Tageslimits, weil die Verarbeitung ein KI-Modell verwendet. Je nach Grenze wird die Zahl der Zusammenfassungen oder die gesamte Aufnahmedauer berücksichtigt.
Wird mein Audio an einen KI-Dienst geschickt?
Ja. Die Mono-Fassung mit 16 kHz der ersten Audiospur und dein Fokustext gehen an Googles Gemini API. Bei deren Anfrage- oder Kontingentgrenzen wird dieselbe Gemini-Modellvariante über OpenRouter verwendet. Das Videobild wird nicht übertragen.
Warum hat das Ergebnis eine andere Wortzahl als ausgewählt?
Zusammenfassungslänge ist ein Ziel für das Modell, keine nachträgliche Längenprüfung. Der Text wird weder gekürzt noch aufgefüllt. Passt die gewünschte Wortzahl nicht zum vorhandenen Inhalt, kann eine längere Zielgröße Wiederholungen begünstigen. Wähle für kurze Aufnahmen deshalb eine kurze Zusammenfassung.
In welcher Sprache erscheint die Zusammenfassung?
Es gibt hier keine Einstellung für die Ausgabesprache. Für eine bestimmte Sprache bietet Audio transkribieren einen Sprachhinweis und eine optionale Übersetzung des Transkripts.
Kann ich ein Video oder eine Bildschirmaufnahme zusammenfassen?
Ja, über den Ton der ersten Audiospur. Das Videobild und sichtbarer Text werden nicht ausgewertet. Speichert dein Aufnahmeprogramm das Mikrofon auf einer zweiten Tonspur, ist diese Stimme hier nicht enthalten.
Was kann ich bei einer Aufnahme über 200 MB tun?
Ein Stereo-WAV mit 44,1 kHz und 16 Bit benötigt rund 606 MB pro Stunde. Mit Audio konvertieren kannst du beispielsweise MP3 mit 64 kbit/s erzeugen; das benötigt ungefähr 27,5 MB pro Stunde. Prüfe danach die Verständlichkeit, da verlustbehaftete Kompression die Erkennung beeinflussen kann. Für getrennte Zusammenfassungen einzelner Sitzungsabschnitte nutze Audio aufteilen.