Audio kostenlos & unbegrenzt
mit KI transkribieren

Es ist völlig kostenlos. Es gibt keine Begrenzung der Dauer, der Anzahl der Durchläufe oder der Zeichenzahl, und es ist keine Kreditkarte nötig. Die einzige Grenze sind 2 GB pro Datei (500 MB auf Smartphones); innerhalb davon können Sie es so oft nutzen, wie Sie möchten.

Nein. Die KI (Whisper oder SenseVoice) rechnet in Ihrem Browser, daher verlassen Ihre Audiodaten Ihr Gerät nicht. Nichts wird auf einem Server gespeichert und nichts an Dritte weitergegeben.

Nein. Öffnen Sie die Seite, wählen Sie eine Audiodatei, und die Transkription beginnt. Nach einer E-Mail-Adresse wird nie gefragt.

Audio: MP3, WAV, M4A, AAC, FLAC, OGG, Opus, AIFF, WMA und AMR. Video: MP4, MOV, MKV, WebM, AVI, WMV, FLV, MPG, MPEG-TS und 3GP. Sie können eine Datei per Drag & Drop ablegen oder über die Dateiauswahl wählen.

Ja. Laden Sie eine MP4-, MOV-, MKV-, WebM- oder AVI-Datei, und der Browser extrahiert die Audiospur für die Transkription. Eine vorherige Umwandlung in eine Audiodatei ist nicht nötig. Nach der Transkription können Sie das Video mit dem Ergebnis als Untertitel abspielen, um es zu prüfen und zu korrigieren, oder es mit übersetzten Untertiteln ansehen. Die Grenze liegt bei 2 GB pro Datei (500 MB auf Smartphones). Videos, die Sie mit dem X Video Downloader von X (Twitter) gespeichert haben, lassen sich direkt laden; um vorher nur das Audio zu extrahieren, nutzen Sie Media Tools.

Die Sprechererkennung (Diarisierung) wird unterstützt (Beta). Bei Aufnahmen mit mehreren Beteiligten, etwa Besprechungen oder Interviews, wird jeder Sprecher in einer anderen Farbe angezeigt. Die Anzahl der Sprecher wird automatisch geschätzt, daher müssen Sie sie normalerweise nicht einstellen. Sprecherbezeichnungen lassen sich auf dem Bildschirm umbenennen, versehentlich getrennte Sprecher zusammenführen, und jede Zeile kann einem anderen Sprecher zugewiesen oder geteilt werden. Läuft die Transkription mit WebGPU in einem anderen Browser als Firefox und steht die Sprecheranzahl auf „Auto“, nutzt die Erkennung NVIDIA Nemotron 3 Diarization, andernfalls pyannote; in beiden Fällen werden die Stimmmerkmale mit WeSpeaker verglichen.

Ja – Transkripte lassen sich als SRT-Untertitel mit Zeitstempeln exportieren, bereit für Videoschnittprogramme oder Videoplattformen. Export als reiner Text (TXT) und Kopieren in die Zwischenablage sind ebenfalls möglich. Um die exportierte SRT-Datei direkt ins Video einzubrennen, nutzen Sie Media Tools (Untertitel einbrennen).

Ja. Öffnen Sie „Übersetzen“ in der Kopfzeile des Ergebnisses, wählen Sie Ausgangs- und Zielsprache, und unter jeder Zeile erscheint eine Übersetzung. TXT und SRT lassen sich als Original, Übersetzung oder beides exportieren. Wenn Sie ein Video geladen haben, kann die Übersetzung bei der Wiedergabe auch als Untertitel darüber angezeigt werden. Die Übersetzung nutzt den integrierten Übersetzer von Chrome 138+ und Edge 148+ auf dem Desktop und läuft vollständig auf Ihrem Gerät, daher wird das Transkript nirgendwohin gesendet. Auf Smartphones sowie in Firefox und Safari ist sie nicht verfügbar. Bei der ersten Nutzung einer Sprache wird deren Übersetzungsmodell heruntergeladen.

Ja. Nachdem das KI-Modell einmal heruntergeladen wurde, funktioniert die Transkription ohne Netzwerkverbindung. Die Modelle sind je nach Auswahl etwa 40 MB bis 5,2 GB groß.

Ein zur Sprache passendes Modell verbessert die Genauigkeit. Für Japanisch, Chinesisch und Koreanisch ist das voreingestellte SenseVoice Small leicht und schnell und bei Japanisch und Chinesisch mindestens so genau wie Whisper Large v3 Turbo. Für andere Sprachen sind größere Modelle genauer; auf Geräten mit WebGPU bietet Whisper Large v3 Turbo nahezu die beste Genauigkeit bei hoher Geschwindigkeit. Auf Computern mit WebGPU können Sie außerdem Qwen3-ASR 1.7B wählen (beim ersten Mal ca. 5,2 GB Download), das bei Japanisch, Englisch und Chinesisch weniger Fehler macht als Whisper Large v3 Turbo. Wenn Sie die Sprache ausdrücklich festlegen, statt sie automatisch erkennen zu lassen, sinken die Fehler ebenfalls.

Ja, allerdings läuft es zum Schutz des Geräts in einem speicherschonenden Modus (WASM), und Dateien sind auf 500 MB begrenzt. Für lange Aufnahmen wird ein Computer empfohlen.

Nur die Statistiken, die zum Beheben von Problemen nötig sind. Das sind die Daten Ihres Geräts (GPU-Modell, Arbeitsspeicher, Anzahl der Kerne), Browser und Betriebssystem, das gewählte Modell und die gewählte Sprache, Ihre Einstellung der Sprechererkennung (an oder aus und die eingestellte Sprecheranzahl), die Anzeigesprache der Seite, wie weit der Durchlauf kam, Fehlerart und Fehlertext, das Dateiformat mit ungefährer Größe und Länge sowie die Dauer. Dieselben Felder werden auch bei Erfolg gesendet, weil sich eine Fehlerquote nur aus beidem ergibt. Audio, Transkripte, Dateinamen und IP-Adressen werden nie gesendet, und die Daten gehen nur an den eigenen Server dieser Website – nie an einen Drittanbieter. Sie können das jederzeit mit dem Schalter im Abschnitt „Helfen Sie uns, den Dienst zu verbessern“ unten auf der Seite abschalten.