Video in Text
Ein Video transkribieren und Untertitel als SRT oder VTT erhalten.
Audio in Text
Wandle Sprache aus einer Audiodatei in Text mit Zeitstempeln um und speichere sie als .txt, .srt oder .vtt. Die KI läuft auf deinem Gerät, die Aufnahme wird nie hochgeladen.
oder Audiodateien hierher ziehen
Audio als MP3, WAV, M4A, AAC, OGG oder FLAC · Mehrere Dateien möglich
Deine Dateien bleiben auf deinem Gerät
- 1Dateien hinzufügen
- 2Anpassen
- 3Herunterladen
So funktioniert es
- 1Wähle eine oder mehrere Audiodateien aus: MP3, WAV, M4A, OGG, FLAC und mehr. Du kannst bis zu 5 hinzufügen.
- 2Wähle die gesprochene Sprache oder lass sie automatisch erkennen. Wähle „Schnell“ für einen raschen Entwurf, „Genau“ für weniger Fehler oder „Nur Bengalisch“ für Bengalisch.
- 3Wähle „Transkribieren“. Beim ersten Mal wird das KI-Modell einmal geladen und von deinem Browser für das nächste Mal gespeichert.
- 4Lies den Text, kopiere ihn oder lade .txt, .srt oder .vtt herunter. Prüfe Namen und Zahlen anhand der Aufnahme.
Was die Optionen bewirken
- Modell
- Schnell ist klein und flott und für klares Englisch gut genug. Genau ist größer und macht bei Akzenten, Störgeräuschen und den meisten Sprachen weniger Fehler. Beste ist das größte Modell und braucht einen Computer mit WebGPU. Nur Bengalisch ist ein für Bengalisch trainiertes Modell: Wähle es für bengalische Sprache, denn die anderen Modelle sind bei Bengalisch nicht gut.
- Gesprochene Sprache
- Wähle die Sprache der Aufnahme. Die automatische Erkennung funktioniert bei langer, klarer Sprache, kann bei kurzen oder verrauschten Clips aber eine verwandte Sprache wählen. Die Auswahl von Hand ist daher zuverlässiger.
- Ergebnis
- Text in der gesprochenen Sprache schreibt auf, was gesagt wird. „Ins Englische übersetzen“ schreibt eine englische Fassung von Sprache in jeder Sprache.
- Zeiten im Text anzeigen
- Setzt die Startzeit vor jede Zeile im Textfeld und in der .txt-Datei. Die Untertiteldateien .srt und .vtt enthalten immer Zeiten.
Datenschutz
Dieses Tool läuft in deinem Browser. Deine Dateien werden nie auf einen Server hochgeladen.
Häufige Fragen
Wird meine Aufnahme hochgeladen?
Nein. Das Sprachmodell läuft in deinem Browser, auf deiner Grafikkarte, wenn dein Browser WebGPU unterstützt, sonst auf dem Prozessor. Die Aufnahme verlässt nie dein Gerät. Nur die Modelldateien, die keine persönlichen Angaben enthalten, werden einmal von Hugging Face geladen und von deinem Browser gespeichert.
Wie genau ist es, und wie sieht es bei Bengalisch aus?
Klares Englisch ergibt mit jedem Modell gute Ergebnisse, und Genau setzt auch die Satzzeichen gut. Bei Bengalisch ist es anders. Die allgemeinen Modelle sind bei Bengalisch schwach: Schnell schreibt die Wörter in lateinischen Buchstaben oder in der falschen Schrift, und Genau und Beste liefern oft falsche oder wiederholte Wörter. Wähle für Bengalisch das Modell „Nur Bengalisch“. In unseren Tests mit einer von Menschen gesprochenen Nachrichtenmeldung war es lesbar und meist richtig, machte aber trotzdem Fehler bei Namen, seltenen Wörtern und langen zusammengesetzten Wörtern und verhaspelte manchmal ein paar Wörter am Satzende. Betrachte bengalischen Text als Entwurf und lies ihn anhand der Aufnahme gegen. Hintergrundgeräusche, Musik, starke Akzente und mehrere gleichzeitig sprechende Personen senken die Genauigkeit in jeder Sprache.
Welches KI-Modell wird verwendet, und darf ich die Ergebnisse kommerziell nutzen?
Verwendet werden OpenAI-Whisper-Modelle unter der MIT-Lizenz, die kommerzielle Nutzung erlaubt. Der Text und die Untertitel, die du erstellst, gehören dir.
Gibt es ein Zeitlimit?
Von uns aus nicht. Die einzige Grenze ist dein Gerät: Eine lange Aufnahme dauert länger und braucht mehr Speicher. Eine einstündige Aufnahme funktioniert auf einem Computer mit Grafikkarte. Halte Aufnahmen auf dem Smartphone kurz.
Was sind .srt- und .vtt-Dateien?
Das sind Untertiteldateien mit Start- und Endzeit für jede Zeile. SRT funktioniert in den meisten Videoprogrammen und Playern. VTT ist die Web-Version für HTML-Video. Beide lassen sich als reiner Text öffnen.
Erkennt es, wer spricht?
Nein. Es schreibt die Wörter der Reihe nach mit Zeiten auf, kennzeichnet aber keine Sprecher.