Audio in Text
Sprache aus einer Audiodatei in Text und Untertitel umwandeln.
Video in Text
Hol dir die gesprochenen Worte eines Videos als Text mit Zeitstempeln und speichere Untertitel als .srt oder .vtt. Die KI läuft auf deinem Gerät, das Video wird nie hochgeladen.
oder Videos hierher ziehen
Videos als MP4, MOV, WebM oder MKV
Deine Dateien bleiben auf deinem Gerät
- 1Dateien hinzufügen
- 2Anpassen
- 3Herunterladen
So funktioniert es
- 1Wähle ein Video aus: MP4, MOV, WebM, MKV und mehr, bis zu 300 MB.
- 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“. Dein Browser holt den Ton aus dem Video, dann liest ihn das KI-Modell. Beim ersten Mal wird das Modell einmal geladen und für das nächste Mal gespeichert.
- 4Lies den Text, kopiere ihn oder lade .txt, .srt oder .vtt herunter. Nutze die Untertiteldateien in deinem Videoprogramm oder Player.
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, die im Video gesprochen wird. 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 englische Untertitel für 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 mein Video hochgeladen?
Nein. Der Ton wird in deinem Browser aus dem Video geholt und von einem Sprachmodell gelesen, das auf deinem Gerät läuft, auf deiner Grafikkarte, wenn dein Browser WebGPU unterstützt, sonst auf dem Prozessor. 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 des Videos 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.
Wie nutze ich die Untertiteldateien?
Öffne die .srt- oder .vtt-Datei zusammen mit deinem Video in einem Player wie VLC, oder importiere sie in dein Videoprogramm. Die meisten Player und Programme akzeptieren SRT, und Web-Videoplayer akzeptieren VTT. Um die Untertitel fest ins Bild einzubrennen, nutze dein Videoprogramm.
Gibt es ein Zeitlimit?
Von uns aus nicht, aber das Video darf bis zu 300 MB groß sein. Ein langes Video dauert länger, und auf dem Smartphone kann bei Dateien über etwa 100 MB der Speicher knapp werden.
Erkennt es, wer spricht?
Nein. Es schreibt die Wörter der Reihe nach mit Zeiten auf, kennzeichnet aber keine Sprecher.