Audio in Text umwandeln: Aufnahmen transkribieren, Untertitel erstellen
Transkribieren Sie eine Audio- oder Videodatei mit dem Spracherkennungsmodell Whisper direkt im Browser und speichern Sie den Text oder SRT- und VTT-Untertitel. Die Aufnahme wird nicht hochgeladen.
Audio- oder Videodatei hierher ziehen oder auswählen
MP3, M4A, WAV, OGG, OPUS, FLAC, WebM und MP4 funktionieren in den meisten Browsern. Andere Formate funktionieren, wenn Ihr Browser sie abspielen kann.
Diese Aufnahme ist länger als eine Stunde. Die Transkription kann so lange dauern wie die Aufnahme oder länger, und bei sehr langen Dateien kann dem Browser der Arbeitsspeicher ausgehen. Teilen Sie die Datei dann in mehrere Teile.
Ihr Browser meldet mobile Daten oder den Datensparmodus. Warten Sie besser auf WLAN.
Wählen Sie Sprache und Modell, dann fügen Sie eine Datei hinzu.
Hinweise
- Die Aufnahme wird in Ihrem Browser dekodiert und transkribiert. Sie wird weder zu LeedyBox noch anderswohin hochgeladen, und das Werkzeug kann während der Arbeit nur leedybox.com erreichen.
- Beim ersten Mal lädt Ihr Browser die Spracherkennung und das gewählte Modell von leedybox.com: etwa 90 MB für base, 250 MB für small oder 750 MB für large-v3-turbo. Danach sind sie im Speicher dieses Browsers abgelegt, sodass spätere Besuche sie nicht erneut laden. „Gespeicherte Modelle löschen“ unter der Modellauswahl entfernt sie, ebenso das Löschen der Websitedaten im Browser.
- Base und small laufen auf Ihrem Prozessor, large-v3-turbo auf dem Grafikprozessor, ein Abschnitt von 30 Sekunden nach dem anderen. Auf unserem Testrechner brauchte base etwa halb so lange wie die Aufnahme, small etwa anderthalbmal so lange und large-v3-turbo etwa ein Drittel; Smartphones und ältere Rechner sind langsamer. Lassen Sie diesen Tab offen, bis sie fertig ist.
- Am besten klappt es mit einer Person, die deutlich und nah am Mikrofon spricht. Hintergrundmusik, Lärm, mehrere Personen gleichzeitig, Dialekte und Fachwörter führen zu Fehlern, und Namen werden oft falsch geschrieben. Whisper kann auch einen Satz wiederholen oder Wörter schreiben, die nicht gesagt wurden, vor allem in stillen oder lauten Abschnitten.
- Für die ganze Datei wird eine Sprache verwendet. Passagen in einer anderen Sprache werden, so gut das Modell kann, in dieser Sprache geschrieben oder übersetzt. Sprecher werden nicht unterschieden.
- Die Untertitel folgen den Abschnitten, die Whisper findet, meist ein Satz oder Satzteil. Prüfen Sie das Timing in einem Player, bevor Sie sie veröffentlichen; lange Abschnitte müssen zum Lesen eventuell geteilt werden.
- Sehr lange Aufnahmen brauchen viel Arbeitsspeicher: Eine Stunde Audio belegt dekodiert etwa 220 MB, dazu kommt das Modell. Wenn der Browser die Seite beendet, teilen Sie die Datei in kürzere Teile.
Etwas stimmt nicht? Wenn sich eine Datei nicht öffnen lässt, das Modell nicht lädt, die Seite abbricht oder das Transkript viel schlechter ist als erwartet, schreiben Sie uns bitte. Nennen Sie das gewählte Modell und die Sprache, Dateityp und Länge sowie Gerät und Browser. Schicken Sie die Aufnahme nicht mit.
Klingt ein Satz auf dieser Seite in Ihrer Sprache unnatürlich? Schreiben Sie uns auch das.
So geht's
- Wählen Sie die Sprache der Aufnahme oder lassen Sie „Automatisch erkennen“ stehen.
- Wählen Sie das Modell: base ist am schnellsten, small genauer, und large-v3-turbo, das erscheint, wenn Ihr Browser WebGPU unterstützt, ist am genauesten.
- Ziehen Sie eine Audio- oder Videodatei in das Feld oder wählen Sie sie aus und klicken Sie auf „Transkription starten“. Beim ersten Mal werden Spracherkennung und Modell von leedybox.com geladen.
- Der Text erscheint, sobald ein Teil der Aufnahme transkribiert ist. Sie können jederzeit anhalten und den bisherigen Text behalten.
- Prüfen Sie das Transkript anhand der Aufnahme und kopieren Sie es oder laden Sie es als .txt-Datei oder als .srt- bzw. .vtt-Untertitel für ein Video herunter.
Häufig gestellte Fragen
Wird meine Aufnahme auf einen Server hochgeladen?
Nein. Die Datei wird in Ihrem Browser dekodiert und transkribiert. LeedyBox liefert nur die Spracherkennung und das Modell an Ihren Browser; Audio und Transkript werden nirgendwohin gesendet, und der Teil der Seite, der das Modell ausführt, kann keine anderen Websites erreichen.
Welche Sprachen werden unterstützt?
Die 99 Sprachen der mehrsprachigen Whisper-Modelle, darunter Deutsch, Englisch, Französisch, Spanisch, Italienisch, Portugiesisch, Russisch, Türkisch, Chinesisch, Japanisch, Koreanisch, Vietnamesisch, Indonesisch und Thai. Die Genauigkeit unterscheidet sich stark zwischen den Sprachen und ist bei weit verbreiteten Sprachen mit vielen Trainingsdaten am besten.
Welches Modell soll ich wählen?
Wenn Ihr Browser am Computer large-v3-turbo anbietet, nehmen Sie es: In unseren Tests machte es keinen der Fehler von base und small und war am schnellsten, weil es auf dem Grafikprozessor läuft; es lädt einmalig etwa 750 MB. Sonst beginnen Sie mit base (etwa 90 MB, auf einem aktuellen Rechner etwa halb so lange wie die Aufnahme) und wechseln zu small (etwa 250 MB, rund dreimal langsamer), wenn das Transkript zu viele Fehler hat. Auf dem Smartphone nehmen Sie base.
Wie lang darf die Aufnahme sein?
Eine feste Grenze gibt es nicht, aber die Dauer wächst mit der Länge, und alles läuft auf Ihrem Gerät. Auf einem Computer funktionieren Aufnahmen bis etwa eine Stunde gut. Längere Dateien können Stunden dauern und den Arbeitsspeicher sprengen; sie in Teile zu zerlegen ist sicherer.
Was ist der Unterschied zwischen SRT und VTT?
Beides sind Untertiteldateien mit dem Text und der Zeit, zu der er erscheint. SRT (SubRip) wird von Videoschnittprogrammen und Playern am breitesten unterstützt. VTT (WebVTT) ist das W3C-Format für Untertitel in Webseiten und HTML5-Video. Wählen Sie das Format, das Ihr Player oder Ihre Plattform verlangt.
Warum sind manche Wörter falsch oder erfunden?
Whisper errät aus dem Klang den wahrscheinlichsten Text. Lärm, Musik, überlappende Stimmen, Dialekte, Namen und Fachbegriffe führen zu Fehlern, und in stillen oder sehr lauten Abschnitten wiederholt es manchmal Sätze oder schreibt etwas, das nicht gesagt wurde. Es hilft, die Sprache selbst zu wählen, das Modell small zu nehmen und näher am Mikrofon aufzunehmen.
Warum bietet mein Browser large-v3-turbo nicht an?
Es läuft über WebGPU auf dem Grafikprozessor, eine Browserfunktion zum Rechnen auf der GPU. Aktuelle Versionen von Chrome und Edge unter Windows, macOS und ChromeOS sowie Safari auf neueren Macs bieten sie an, manche andere Browser und viele Smartphones nicht. Nur auf dem Prozessor bräuchte dieses Modell ein Vielfaches der Aufnahmedauer, deshalb erscheint es nur, wo WebGPU verfügbar ist.