Transkription und Untertitel

Eine Besprechung, Vorlesung oder ein Interview von Hand abzutippen dauert ein Vielfaches der Aufnahme. Ein Spracherkennungsmodell nimmt den größten Teil der Arbeit ab, sein Ergebnis muss man aber prüfen. Diese Anleitung erklärt, wie das Modell eine Aufnahme liest, welches Modell Sie wählen sollten, wie Sie Fehler vermeiden und wie aus dem Text Untertiteldateien werden.

Audio in Text umwandeln Wort- & Zeichenzähler

Wie Spracherkennung eine Aufnahme liest

Das Werkzeug Audio in Text umwandeln verwendet Whisper, ein Spracherkennungsmodell, das OpenAI 2022 unter der MIT-Lizenz veröffentlicht hat. Laut seiner Modellkarte wurde Whisper mit 680.000 Stunden Audio und Transkripten aus dem Internet trainiert, etwa zwei Drittel davon auf Englisch.

Whisper hört nicht die ganze Datei auf einmal. Es liest jeweils 30 Sekunden Audio, umgewandelt in ein Spektrogramm (ein Bild davon, welche Frequenzen in jedem Moment laut sind), und schreibt den wahrscheinlichsten Text für diesen Abschnitt, Wortstück für Wortstück, zusammen mit Zeitmarken. Eine lange Aufnahme wird deshalb in Abschnitte geteilt. Das Werkzeug setzt jeden Schnitt in die längste Pause kurz vor dem Ende eines Abschnitts, damit Sätze nicht zerrissen werden, und überspringt stille Abschnitte.

Bevor es etwas schreibt, kann das Modell auch erkennen, welche Sprache gesprochen wird: Das Erste, was es vorhersagt, ist eine Sprachkennung. Steht die Sprache auf „Automatisch erkennen“, nutzt das Werkzeug diese Vorhersage für die ersten 30 Sekunden Sprache und verwendet danach eine Sprache für die ganze Datei.

Welches Modell?

Whisper gibt es in mehreren Größen. Das Werkzeug bietet drei an: base und small laufen in jedem aktuellen Browser auf dem Prozessor, large-v3-turbo auf dem Grafikprozessor, wenn der Browser WebGPU unterstützt.

Modell	Parameter	Erster Download	Dauer für 1 Minute Sprache*	Geeignet für
Whisper base	74 Millionen	etwa 90 MB	etwa 30 Sekunden	Klare Aufnahmen, Smartphones
Whisper small	244 Millionen	etwa 250 MB	etwa 1 Minute 35 Sekunden	Deutsch und andere Sprachen ohne WebGPU
Whisper large-v3-turbo	809 Millionen	etwa 750 MB	etwa 20 Sekunden	Computer mit WebGPU: am genauesten

* Gemessen auf einem Desktop-PC im Browser: base und small mit 8-Bit-Gewichten auf dem Prozessor, large-v3-turbo mit 4-Bit-Gewichten auf der Grafikkarte. Langsamere Geräte brauchen länger. Jedes Modell wird einmal geladen und bleibt dann im Browser gespeichert, bis Sie es im Tool löschen.

Der Qualitätsunterschied ist außerhalb des Englischen am größten. In unserem Test mit einer einminütigen koreanischen Aufnahme, gelesen von einer synthetischen Stimme, schrieb base 후회 (Reue) statt 회의 (Besprechung) und 머료일 statt 월요일 (Montag); small lag bei diesen beiden richtig, schrieb aber 무늬 (Muster) statt 문의 (Anfrage), und large-v3-turbo machte keinen Fehler. Nehmen Sie large-v3-turbo, wenn Ihr Browser es anbietet; sonst beginnen Sie mit base und wechseln zu small, wenn der Text zu viele Fehler hat.

Large-v3-turbo ist eine auf Geschwindigkeit optimierte Version von large-v3, dem größten Whisper-Modell. Es braucht einen Grafikprozessor: Nur auf dem Prozessor dauerte es etwa 13-mal so lange wie die Aufnahme, deshalb zeigt das Werkzeug es nur, wo WebGPU verfügbar ist, etwa in aktuellen Versionen von Chrome und Edge am Computer und in Safari auf neueren Macs. Es braucht außerdem viel mehr Arbeitsspeicher als base, den viele Smartphones nicht haben.

So wird das Transkript besser

Nah am Mikrofon aufnehmen. Abstand, Hall und Hintergrundgeräusche kosten mehr Genauigkeit als alles andere.
Musik und gleichzeitiges Sprechen vermeiden. Whisper schreibt einen einzigen Textstrom und unterscheidet keine Sprecher.
Die Sprache selbst wählen, wenn die Aufnahme mit Musik, Stille oder einer Begrüßung in einer anderen Sprache beginnt.
Namen und Fachbegriffe nachbessern. Das Modell errät die Schreibweise aus dem Klang und bevorzugt gängige Wörter.
Auf erfundenen Text achten. Die Modellkarte warnt, dass Whisper Text erzeugen kann, der nicht gesprochen wurde, und sich wiederholt, meist in stillen oder lauten Abschnitten. Lesen Sie diese Stellen mit der Aufnahme gegen.
Sehr lange Dateien teilen. Eine Stunde Audio belegt dekodiert etwa 220 MB Arbeitsspeicher, und alles läuft auf Ihrem eigenen Gerät.

Untertiteldateien: SRT und VTT

Eine Untertiteldatei ist reiner Text: eine Liste von Einträgen (Cues), jeweils mit Startzeit, Endzeit und dem anzuzeigenden Text. Die beiden gängigen Formate sehen fast gleich aus.

SubRip (.srt) nummeriert jeden Eintrag und schreibt vor die Millisekunden ein Komma:

1
00:00:00,000 --> 00:00:02,300
Guten Morgen zusammen.

2
00:00:02,300 --> 00:00:05,700
Ich fasse die wichtigsten Punkte zusammen.

WebVTT (.vtt) ist das W3C-Format für Untertitel in Webseiten, das das HTML-Element <track> verwendet. Die Datei beginnt mit dem Wort WEBVTT, Zeiten stehen mit Punkt, und Nummern sind freiwillig:

WEBVTT

00:00:00.000 --> 00:00:02.300
Guten Morgen zusammen.

00:00:02.300 --> 00:00:05.700
Ich fasse die wichtigsten Punkte zusammen.

In WebVTT darf der Text eines Eintrags kein --> enthalten, und die Zeichen & und < müssen als & und < geschrieben werden; das Werkzeug erledigt das für Sie. Für SRT gibt es keine offizielle Spezifikation, aber Videoschnittprogramme und Player lesen die oben gezeigte Form. Wählen Sie das Format, das Ihr Player oder Ihre Plattform verlangt.

Gut lesbare Untertitel

Die Abschnitte von Whisper folgen seinem eigenen Gefühl für Sätze, deshalb sind manche lang. Spielen Sie die Untertitel vor dem Veröffentlichen mit dem Video ab, teilen Sie Abschnitte, die zu lange stehen oder mehr als zwei Zeilen füllen, und prüfen Sie, ob jeder Eintrag erscheint, wenn die Worte fallen. Die meisten Untertitel-Editoren öffnen SRT-Dateien und können Einträge verschieben oder teilen.

Transkription auf dem Gerät oder in der Cloud

Online-Transkriptionsdienste laden die Aufnahme meist auf ihre Server, wo große Modelle sie schnell verarbeiten. Ein Werkzeug im Browser lässt die Aufnahme auf Ihrem Gerät: Das Audio wird in der Seite dekodiert und transkribiert, heruntergeladen werden nur die Modelldateien. Der Preis dafür ist die Geschwindigkeit, die von Ihrem Prozessor abhängt, und die Modellgröße, die durch die Möglichkeiten eines Browsers begrenzt ist.

Wer auch immer verarbeitet: Aufnahmen anderer Menschen verdienen Sorgfalt. Die Modellkarte von Whisper rät davon ab, Aufnahmen von Personen zu transkribieren, die ohne deren Einwilligung entstanden sind; fragen Sie, bevor Sie ein Gespräch aufnehmen oder transkribieren.

Häufige Fragen

Kann Whisper erkennen, wer spricht?

Nein. Es schreibt einen einzigen Textstrom. Sprecher zu unterscheiden (Diarisierung) erfordert ein anderes Modell; fügen Sie die Namen von Hand ein.

Warum stehen im Transkript Sätze, die niemand gesagt hat?

Whisper sagt wahrscheinlichen Text voraus und setzt in Stille, Musik oder Lärm manchmal mit Wörtern fort, die es oft gesehen hat, etwa mit einer Abschiedsformel. Das Überspringen stiller Abschnitte hilft, aber lesen Sie das Transkript mit der Aufnahme gegen.

Kann es die Aufnahme ins Englische übersetzen?

Whisper-Modelle können das, dieses Werkzeug transkribiert aber nur: Es schreibt den Text in der gesprochenen Sprache.

Welches Format braucht eine Videoplattform?

Die meisten Videoschnittprogramme und Plattformen nehmen SRT an, Web-Player verwenden VTT. Laden Sie im Zweifel beide herunter: Sie enthalten dieselben Einträge.

Quellen

Quelle: OpenAI, Whisper (README) · Zuletzt geprüft: 13. Oktober 2026

Quelle: OpenAI, Model Card: Whisper · Zuletzt geprüft: 13. Oktober 2026

Quelle: W3C, WebVTT: The Web Video Text Tracks Format (Candidate Recommendation Draft, 20 May 2026) · Zuletzt geprüft: 13. Oktober 2026