Datenschutz an erster Stelle
Hochgeladene Dateien werden innerhalb von zwei Stunden automatisch und dauerhaft gelöscht.
Automatische Löschung
Sprache zu Text
Diktieren Sie eine Sprachnotiz, eine Erinnerung, eine Nachricht an Kollegen oder ein kurzes Memo direkt im Browser oder laden Sie eine Aufnahme hoch und erhalten Sie die Wörter als Klartextdatei (.txt, UTF 8). Die Transkription erfolgt mit Whisper, dem Open-Source-Modell zur Spracherkennung, auf unseren eigenen Servern – in rund 100 automatisch erkannten Sprachen.
-
Aufnehmen: Sprechen Sie in den Browser-Rekorder – bis zu 30 Minuten pro Aufnahme – oder laden Sie MP3-, WAV-, M4A-, AAC-, OGG-, FLAC- oder WebM-Dateien hoch.
-
Transkribieren: Whisper schreibt die Wörter mit Satzzeichen; Sprecherwechsel für Interviews und Besprechungen können optional markiert werden. Ausgabe: eine Klartextdatei (.txt, UTF 8).
-
Privat: Erst nach Ihrer Bestätigung wird etwas hochgeladen. Audio und Transkript werden nach der Verarbeitung automatisch gelöscht, spätestens innerhalb weniger Stunden.
Transkription
So funktioniert die Umwandlung von Sprache in Text
Die Seite kombiniert einen Recorder im Browser mit einem GPU basierten Transkriptionssystem. Die Aufnahme erfolgt über die in Chrome, Firefox, Edge und Safari integrierte MediaRecorder-Schnittstelle; die Spracherkennung übernimmt Whisper, das von OpenAI veröffentlichte Open-Source-Modell, das auf unserer eigenen Hardware statt über eine Drittanbieter API läuft.
Wie Sie Converter App verwenden
1
Aufnehmen oder hochladen
Klicken Sie auf „Mit Ihrem Mikrofon aufnehmen“, erlauben Sie einmal den Zugriff und sprechen Sie. Ein Timer und eine Pegelanzeige bestätigen, dass Audio empfangen wird. Oder laden Sie eine vorhandene Aufnahme hoch – Sprachnotizen von jedem Smartphone sind geeignet.
2
Prüfen und starten
Hören Sie sich die Aufnahme im Dialog an. Aktivieren Sie bei Interviews und Besprechungen „Mehrere Sprecher erkennen“ (markiert, wer spricht, dauert jedoch deutlich länger). Starten Sie anschließend die Transkription.
3
Transkript herunterladen
Der Fortschritt wird angezeigt, während das Modell arbeitet; einige Minuten Sprache sind in der Regel deutlich unter einer Minute verarbeitet. Laden Sie auf der Ergebnisseite eine Klartextdatei (.txt, UTF 8) herunter.
Wichtigste Funktionen
Whisper im Hintergrund
Whisper wurde mit 680.000 Stunden mehrsprachigem Audiomaterial trainiert und verarbeitet Akzente, Hintergrundgeräusche sowie technische Fachbegriffe deutlich besser als die Diktier-Engines von vor einigen Jahren. Die Sprache wird automatisch erkannt.
Sprechererkennung auf Anfrage
Bei Gesprächen kennzeichnet die optionale Sprechererkennung Sprecherwechsel im Transkript. Sie verdoppelt die Verarbeitungszeit ungefähr und ist daher standardmäßig deaktiviert.
Textausgabe, die zu Ihrem Workflow passt
Das Transkript wird als einfache UTF 8 Textdatei mit normaler Zeichensetzung und Absatzumbrüchen gespeichert. Es lässt sich in jedem Editor, Textverarbeitungsprogramm oder jeder Notiz-App öffnen und überall einfügen.
Kostenlos und privat
Kein Konto, kein Wasserzeichen, kein Testlimit. Die Aufnahme verlässt Ihr Gerät erst nach Ihrer Bestätigung, und Audio sowie Transkript werden nach der Verarbeitung automatisch entfernt.
Erfahrung & Datenschutz
Für zuverlässige Transkriptions-Workflows entwickelt.
Entwickelt von Ingenieuren mit mehr als 10 Jahren Erfahrung in groß angelegter Infrastruktur, Datensystemen und wissenschaftlichem Rechnen. Entwickelt für reale Audio-Workflows, bei denen Privatsphäre, zuverlässige Verarbeitung und praktische Benutzerfreundlichkeit zählen.
Von Nutzern vertraut
Bewertet mit 5 Sternen auf Trustpilot für Geschwindigkeit, Zuverlässigkeit und einfache Bedienung.
Nutzervertrauen
Akademische Nutzung
In veröffentlichter Forschung erwähnt und für Interview-Transkription und qualitative Datenanalyse verwendet.
Verwendung für Forschungszwecke
So wird Sprache auf dieser Seite in Text umgewandelt
Ihr Browser zeichnet das Mikrofon als Opus-Audio (Chrome, Firefox, Edge) oder AAC (Safari) auf und speichert die Aufnahme im Arbeitsspeicher. Wenn Sie bestätigen, wird die Datei per HTTPS an einen unserer Transkriptionsserver hochgeladen.
Dort dekodiert ffmpeg das Audio, und Whisper – ein Open-Source-Modell zur Spracherkennung – wandelt es in einem Durchgang in Text um, einschließlich Satzzeichen und Satzumbrüchen. Wenn die Sprechererkennung aktiviert ist, teilt ein Diarisierungsmodell das Audio zunächst nach Sprechern auf, und das Transkript wird entsprechend gekennzeichnet.
Das Transkript wird als einfache UTF 8 Textdatei mit normalen Satzzeichen und Absatzumbrüchen gespeichert. So lässt es sich in jedem Editor, Textverarbeitungsprogramm oder jeder Notiz-App öffnen und überall einfügen. Auf der Ergebnisseite können Sie es herunterladen; das Audio und das Transkript werden anschließend automatisch gelöscht.
Aufnahmetipps, die wichtiger sind als jede Einstellung
Die Spracherkennung ist nur so gut wie die Audioqualität. Drei Faktoren machen den größten Unterschied: Abstand, Hintergrundgeräusche und Überlappungen. Halten Sie das Mikrofon 10–20 cm von Ihrem Mund entfernt; ein nah gehaltenes Smartphone ist besser als ein Laptop auf der anderen Seite des Tisches. Schalten Sie Ventilatoren aus, schließen Sie das Fenster und vermeiden Sie Räume mit starkem Hall.
Sprechen Sie in normalem Tempo und beenden Sie Ihre Sätze – das Modell nutzt den Kontext, daher führen halbe Sätze und Füllwörter zu schlechteren Texten als etwas langsameres, vollständiges Sprechen. Bitten Sie bei Interviews darum, nicht durcheinanderzusprechen; überlappende Sprache ist für jede Spracherkennung der schwierigste Fall.
Hören Sie sich die Vorschau an, bevor Sie beginnen. Wenn sich die Pegelanzeige kaum bewegt oder ständig den Maximalwert erreicht, nehmen Sie die Aufnahme lieber erneut auf, statt darauf zu hoffen, dass das Transkript korrekt wird.
Typische Anwendungen für Sprache zu Text
Dieses Tool wird von Menschen genutzt, die lieber sprechen als tippen oder eine Sprachnachricht außerhalb einer Chat-App benötigen: um durch Sprechen eine E-Mail oder einen Artikel zu verfassen, Besprechungsprotokolle festzuhalten, eine Vorlesung oder Sprachnotiz in durchsuchbare Notizen umzuwandeln, Interviewantworten für Forschungszwecke zu transkribieren oder eine lesbare Version einer Sprachnachricht zu erhalten, die gerade nicht abgespielt werden kann.
Da Whisper die Sprache automatisch erkennt, funktioniert dieselbe Seite ohne Einstellungen für ein deutsches Diktat, eine spanische Sprachnotiz oder eine englische Vorlesung. Das Transkript wird nicht übersetzt – es wird in der gesprochenen Sprache erstellt.
Für Audio, das bereits als Datei vorliegt – Podcasts, Vorlesungen, Anrufe – nutzen die Audio-zu-Text- und MP3 zu Text Konverter auf dieser Website dieselbe Engine mit denselben Optionen.
Was dieses Tool nicht macht
Es übersetzt nicht: Transkripte werden in der gesprochenen Sprache erstellt. Es erzeugt keine Untertitel-Zeitstempel – für SRT- oder VTT Dateien verwenden Sie die Untertitel-Konverter auf dieser Website. Es erkennt Sprecher nicht anhand ihres Namens, sondern bei aktivierter Sprechererkennung nur anhand eines Sprecherwechsels. Außerdem kann es keine Wörter wiederherstellen, die in der Aufnahme nicht hörbar sind.
Eigennamen, Produktnamen und seltene Abkürzungen sind die häufigsten Fehlerquellen; ein kurzes Durchlesen des Ergebnisses mit Blick darauf ist bei einer sauberen Aufnahme meist die einzige notwendige Nachbearbeitung.
FAQ
Häufig gestellte Fragen
Wie genau ist die Transkription?
Bei einer klaren Aufnahme mit nur einer sprechenden Person erkennt Whisper in den wichtigsten Sprachen einschließlich Zeichensetzung in der Regel weit über 90 % der Wörter korrekt. Bei starken Hintergrundgeräuschen, mehreren gleichzeitig sprechenden Personen, sehr leisen Audiodateien oder ausgeprägten Dialekten sinkt die Genauigkeit – die folgenden Tipps zur Aufnahme helfen mehr als jede Einstellung.
Welche Sprachen werden unterstützt?
Whisper erkennt etwa 100 Sprachen und wählt die Sprache anhand der ersten Sekunden der Audiodatei automatisch aus, sodass Sie nichts einstellen müssen. Aufnahmen mit mehreren Sprachen werden in der vorherrschenden Sprache transkribiert. Das Transkript wird in der gesprochenen Sprache erstellt und nicht übersetzt.
Wird die Audiodatei während des Sprechens hochgeladen?
Nein. Der Recorder speichert die Audiodaten in Ihrem Browser, bis Sie die Schaltfläche im Dialog drücken. Wenn Sie abbrechen oder den Tab schließen, wird nichts gesendet. Hochgeladene Dateien und Transkripte werden nach der Verarbeitung automatisch gelöscht.
Wie lang darf die Aufnahme sein?
Der In-Browser-Rekorder stoppt nach 30 Minuten; hochgeladene Dateien können länger sein. Die Verarbeitungszeit steigt mit der Länge der Audiodatei, und die Sprechererkennung benötigt ungefähr noch einmal dieselbe Zeit.
Was bewirkt „Mehrere Sprecher erkennen“?
Vor der Transkription wird eine Sprecherdiarisierung durchgeführt und bei jedem Sprecherwechsel eine Markierung eingefügt. Nutzen Sie dies für Interviews, Besprechungen und Podcasts; lassen Sie es bei Diktaten und Sprachnotizen deaktiviert, da es dort nur die Wartezeit verlängert.
Kann ich den Text anschließend bearbeiten?
Ja – das Ergebnis ist eine einfache .txt-Datei. Öffnen Sie sie in einem beliebigen Editor, korrigieren Sie Namen oder Fachbegriffe, die das Modell falsch verstanden hat, und fügen Sie sie dort ein, wo Sie sie benötigen. Eigennamen und seltene Abkürzungen sollten Sie besonders überprüfen.