Audio zu Text & Untertitel

Verwandle Audio oder Video mit Whisper in bearbeitbaren Text und zeitgesteuerte Untertitel — direkt in deinem Browser. Deine Dateien verlassen dein Gerät nie.

Quelldatei

Ziehe hier eine Audio- oder Videodatei ab MP3, WAV, M4A, FLAC, OGG, MP4, WebM · Bis zu 250 MB / 20 Min.

Bei der ersten Verwendung lädt dein Browser das Whisper-Tiny-Modell herunter (ca. 41 MB im CPU-Modus). Deine Audiodaten bleiben auf diesem Gerät.

Transkript

Dein Transkript mit Zeitmarken erscheint hier. Wähle eine Zeitmarke, um zu dieser Stelle in der Datei zu springen.

Dateien und Ergebnisse bleiben nur auf dieser Seite. Lösche die Datei oder schließe die Seite, um sie zu entfernen. Das Whisper-Tiny-Modell wird einmal von Hugging Face geladen und im Browser zwischengespeichert.

So benutzt du Audio zu Text & Untertitel

  1. Ziehe eine Audio- oder Videodatei auf die Seite oder klicke auf „Datei wählen“.
  2. Wähle die gesprochene Sprache (oder lasse die automatische Erkennung an), wähle einen Verarbeitungsmodus und klicke auf „Untertitel erzeugen“.
  3. Klicke auf eine Zeitmarke, um eine Zeile mit dem Audio abzugleichen, bearbeite den Text und kopiere ihn dann oder exportiere ihn als SRT, VTT oder TXT.

Über dieses Tool

Audio zu Text & Untertitel führt Whisper Tiny — ein kleines Open-Source-Modell zur Spracherkennung — vollständig in deinem Browser aus, mit Transformers.js und ONNX Runtime Web. Bei der ersten Verwendung lädt dein Browser das Modell (ca. 41 MB im CPU-Modus) von Hugging Face herunter und speichert es im Cache; danach läuft die Transkription auf deinem Gerät. Deine Audio- und Videodateien werden nie hochgeladen, und nichts, was du transkribierst, wird irgendwohin gesendet.

Häufige Fragen

Werden meine Dateien irgendwo hochgeladen?

Nein. Die Transkription läuft vollständig in deinem Browser, und deine Audio- oder Videodatei verlässt dein Gerät nie. Der einzige Download ist das Whisper-Tiny-Modell selbst: Bei der ersten Verwendung lädt dein Browser es von Hugging Face herunter (ca. 41 MB im CPU-Modus) und speichert es im Cache. Ist Hugging Face nicht erreichbar, schlägt die erste Transkription fehl — deine Datei verlässt dein Gerät trotzdem nie.

Welche Dateien werden unterstützt, und wo liegen die Grenzen?

Audiodateien in MP3, WAV, M4A, FLAC oder OGG sowie Videos mit Audiospur in MP4 oder WebM. Eine Datei darf bis zu 250 MB groß und 20 Minuten lang sein. Kann dein Browser eine Audiospur nicht decodieren, exportiere sie zuerst als WAV oder MP3 und versuche es erneut.

Welche gesprochenen Sprachen werden unterstützt?

Automatische Erkennung sowie Englisch, Chinesisch, Japanisch, Koreanisch, Spanisch, Französisch, Deutsch und Portugiesisch. Wähle die Sprache, die in der Aufnahme zu hören ist — eine falsche Wahl kann dazu führen, dass das Transkript in der falschen Sprache herauskommt.

Was ist der Unterschied zwischen WebGPU- und CPU-Modus?

Der Automatikmodus versucht zuerst WebGPU und wechselt zur CPU, wenn WebGPU nicht starten kann oder fehlschlägt. WebGPU nutzt das Modell in voller Genauigkeit (fp16 oder fp32); der CPU-Modus nutzt das kleinere quantisierte Modell (ca. 41 MB). Wenn dein Browser oder Gerät kein WebGPU hat — etwa in einer Sandbox oder auf älterer Hardware — funktioniert der CPU-Modus trotzdem, nur langsamer.

Wie genau ist es, und was kann ich exportieren?

Whisper Tiny ist ein kleines, schnelles Modell: Alltagssprache gelingt meist gut, aber Namen, Zahlen und seltene Wörter kann es falsch verstehen — prüfe das Ergebnis also vor der Veröffentlichung. Klicke auf eine Zeitmarke, um zu der Stelle im Audio zu springen, bearbeite jede Zeile direkt und kopiere dann den Text oder exportiere ihn als SRT, VTT oder TXT.

Gefällt dir dieses Tool?

Hol dir Very Useful Tools Pro: ein Abo für 6 $/Monat für alle Tools — werbefrei, sobald Werbung startet, plus größere Stapel und höhere Limits.

Zu Pro — ab 6 $