Audio transkribieren direkt im Browser.

Ein kostenloses Speech-to-Text-Werkzeug, das Audio und Video lokal im Browser transkribiert – angetrieben von einem Whisper-Modell, das auf Ihrem eigenen Gerät läuft. Es eignet sich für Meetings, Interviews, Vorlesungen, Podcasts und Sprachnotizen – auch für sensible Aufnahmen, die niemals zu einem Cloud-Transkriptionsdienst hochgeladen werden sollten.

Es gibt kein Konto, keine Auftragswarteschlange und keine minutenbasierte Abrechnung. Sie wählen eine von drei Whisper-Stufen, legen eine Datei ab oder nehmen direkt auf und erhalten ein interaktives Transkript mit Zeitstempeln, Sprecherwechsel-Markierungen und fünf Exportformaten – komplett in dem geöffneten Tab.

So funktioniert es

Dateien werden im Browser mit der Web Audio API dekodiert und auf das von Whisper erwartete 16-kHz-Mono-Audio resampled. Das Modell läuft dann über Transformers.js in überlappenden 30-Sekunden-Fenstern mit 10 Sekunden Überlappung, sodass auch stundenlange Aufnahmen fortschreitend verarbeitet werden und die Zeitstempel über Fenstergrenzen hinweg präzise bleiben. Auf Chrome oder Edge mit WebGPU läuft das Modell auf der GPU und eine einstündige Datei kann deutlich schneller als in Echtzeit fertig werden; Safari, Firefox und ältere Geräte nutzen einen WebAssembly-Pfad mit genau denselben Funktionen. Die Modellgewichte werden einmal heruntergeladen und vom Browser zwischengespeichert; danach funktioniert die Transkription offline.

Drei Whisper-Modelle, 99 Sprachen

Sie wählen den Kompromiss selbst: tiny ist ein Modell mit 39 Millionen Parametern und rund 150 MB, das auf jedem Gerät schnell läuft; base (74 Millionen, etwa 220 MB) ist die empfohlene Balance aus Genauigkeit und Tempo; small (244 Millionen, rund 600 MB) ist die genaueste Stufe und lohnt sich bei Akzenten und verrauschten Aufnahmen, kostet dafür mehr Downloadgröße und Inferenzzeit. Die Zeitstempel-Varianten aller drei Modelle liefern Zeitangaben pro Wort, die sowohl die Klick-zum-Abspielen-Wiedergabe als auch Exporte auf Wortebene ermöglichen.

Die automatische Spracherkennung ist nur einen Klick entfernt, oder Sie legen eine von rund 99 unterstützten Sprachen fest – von Englisch, Mandarin und Japanisch bis zu weniger verbreiteten Optionen –, was auch bei kurzen Clips die Genauigkeit verbessert, da die Erkennung dort nur wenige Anhaltspunkte hat.

Sprecherwechsel-Markierungen

Enthält ein Transkript Pausen zwischen Personen, rotiert das Werkzeug über die Gesprächswechsel hinweg die Markierungen Sprecher A, Sprecher B (und so weiter) – gesteuert über die Pausenlänge, standardmäßig Lücken von etwa 0,8 Sekunden, nicht über Stimmmerkmale. Die Markierungen erscheinen im Transkript und in den exportierten Dateien; Sie können sie umbenennen (in echte Namen, Rollen oder beliebige Bezeichnungen) und zusammengehörige, direkt aufeinanderfolgende Wechsel zusammenführen.

Diese Beschreibung ist bewusst ehrlich: Es handelt sich um eine pausengesteuerte Rotation der Wechsel, nicht um eine Stimmerkennung, einen Voiceprint oder eine Sprechererkennung. Das Modell analysiert zu keinem Zeitpunkt, wer eine Person ist. Dieselbe Sprecherin oder derselbe Sprecher, die oder der nach einer längeren Pause zurückkehrt, kann daher eine neue Markierung erhalten – genauso wie eine tatsächlich neue Person.

Aufnahme, Bearbeitung und Exporte

Sie können nicht nur Dateien ablegen, sondern auch direkt ein Mikrofon aufnehmen: Eine Live-Pegelanzeige zeigt den Eingangspegel, Sie können pausieren und fortsetzen, und beim Beenden der Aufnahme wird diese automatisch zur Transkription vorgemerkt. Das fertige Transkript verbindet einen eigenen Audioplayer – Klick auf eine Zeile zum Anspringen, die aktuelle Zeile wird hervorgehoben – mit Inline-Textbearbeitung, Volltextsuche und Statistiken zu Dauer, Wortzahl und benötigter Verarbeitungszeit.

Exportieren Sie das Ergebnis als SRT oder WebVTT mit Zeitstempeln und Sprechermarkierungen, als reines TXT, Markdown oder strukturiertes JSON, oder kopieren Sie es einfach in die Zwischenablage. Nichts wird mit einem Wasserzeichen versehen.

Kostenlose und Pro-Limits

Der kostenlose Tarif transkribiert Dateien von bis zu 30 Minuten Länge und reiht bis zu 5 Dateien pro Stapel ein, die einzeln oder gemeinsam als ZIP heruntergeladen werden. Pro hebt die Länge einer einzelnen Datei auf 180 Minuten und die Stapelgröße auf 50 Dateien. Keiner der Tarife kennt eine Ausführungszahl, ein monatliches Minutenkontingent oder ein Wasserzeichen, und beide umfassen die kommerzielle Nutzung – die einzigen Unterschiede sind die Länge pro Datei und die Stapelgröße. Dateien jenseits Ihres Limits werden mit einer klaren Meldung und einem Hinweis auf ein Upgrade abgelehnt; sie werden niemals stillschweigend gekürzt.

Häufige Fragen

Ersetzt die Sprechermarkierung eine professionelle Diarisierung? Nein – sie rotiert die Markierungen pausengesteuert und sagt das offen; für eine produktionsreife Zuordnung müssen Sie die Wechsel weiterhin prüfen und umbenennen.

Kann ich offline arbeiten? Ja, sobald die gewählte Modellstufe einmal heruntergeladen wurde; der Browser behält sie, und die erneute Nutzung braucht keine Verbindung.

Was passiert bei sehr langen Aufnahmen auf einem Gerät mit wenig Arbeitsspeicher? Die Verarbeitung skaliert mit dem Gerätespeicher, daher ist das Aufteilen mehrstündiger Aufnahmen der praktische Ausweg; der WASM-Modus hält bei fehlendem WebGPU jede Funktion verfügbar.

Ist die kommerzielle Nutzung im kostenlosen Tarif wirklich enthalten? Ja – die Ausgaben gehören Ihnen, ohne Wasserzeichen und ohne Nutzungsgebühr.