Audio in Text umwandeln
Lade eine Aufnahme hoch und bekomm ein Transkript mit Zeitstempeln und Sprechern zurück. Klick jede Zeile an, um genau zu hören, wo sie gesagt wurde, und exportiere dann.
MP3, WAV, M4A oder OGG · bis zu 30 Minuten
Lade eine Aufnahme hoch, die du transkribieren darfst. Das Transkript gehört dir; das Audio wird nach der Verarbeitung nicht behalten.
Tippe auf eine Zeile, um sie zu hören. Die Zeile unter dem Abspielkopf leuchtet beim Abspielen auf. So wird dein Transkript aussehen.
01—So geht's
Audio in Text transkribieren in 3 Schritten
Keine Software, keine Warteliste, kein Mittippen zur Aufnahme. Der Konverter läuft im Browser und gibt dir das Transkript auf einer eigenen Seite, mit dem Player oben und den Export-Buttons dort, wo du sie erwartest.
- 1
Audiodatei hochladen
Zieh eine MP3, WAV, M4A oder OGG von bis zu dreißig Minuten hinein. Die Länge wird gelesen, bevor etwas hochgeladen wird, und die Seite sagt dir, ob die heutige Umwandlung gratis ist oder was sie kostet.
- 2
Audio in Text umwandeln
Drück auf Transkribieren. Die Engine hört einmal zu, schreibt jedes Wort mit der Sekunde auf, in der es gesagt wurde, und trennt die Sprecher. Eine Zehn-Minuten-Datei dauert meist unter einer Minute.
- 3
Mit dem Audio abgleichen, dann exportieren
Das Transkript öffnet sich neben einem Player. Klick eine Zeile, um sie zu hören, such nach einer Phrase, benenn die Sprecher um und lade reinen Text, Text mit Zeitstempeln, SRT oder VTT herunter.
Wie lange dauert Audio zu Text?
Etwa ein Zehntel der Aufnahmelänge. Ein Drei-Minuten-Sprachmemo ist in Sekunden zurück, ein Dreißig-Minuten-Interview in ein paar Minuten. Die Seite zeigt beim Arbeiten einen Timer, du musst also nie raten.
02—Die Grundlagen
Was ist ein Audio-zu-Text-Konverter?
Ein Audio-zu-Text-Konverter ist Software, die aus einer fertigen Aufnahme ihr Transkript erzeugt: jedes gesprochene Wort, den Moment, in dem es gesagt wurde, und wer es gesagt hat. Er arbeitet mit einer Datei statt mit einem Live-Mikrofon und kann darum die ganze Aufnahme lesen, bevor er sich bei einem einzigen Wort festlegt.
Audio zu Text vs. Diktieren
Diktieren tippt, während du redest, und sieht den Satz nie als Ganzes. Ein Konverter liest die ganze Datei, sodass die Zeichensetzung an der richtigen Stelle landet, ein genuscheltes Wort aus den Wörtern drumherum aufgelöst wird und jede Zeile einen echten Zeitstempel bekommt. Deshalb kann er auch Sprecher unterscheiden: Er hört das ganze Gespräch, bevor er etwas beschriftet.
Warum die Aufnahme wichtiger ist als das Werkzeug
Jede Transkriptions-Engine arbeitet mit dem, was das Mikrofon eingefangen hat. Musik, Verkehr und Raumhall kosten Wörter. Ist eine Datei rau, säubere sie zuerst mit dem Voice Isolator und wandle die saubere Version um; der Unterschied im Transkript ist größer als der zwischen Konvertern.
Welchen brauchst du?
Um durch Sprechen zu tippen, nimm das Diktieren deines Handys oder Dokument-Editors. Um die Wörter aus einer Aufnahme zu holen, die du bereits hast, mit Zeit und Sprechern, nimm diesen Konverter.
03—Zeile anklicken
Klick jede Zeile an, um sie zu hören
Die meisten Konverter geben dir eine Textwand und einen separaten Player, und ein Wort zu prüfen heißt spulen. Hier sind Transkript und Audio eins, auf einer Seite, und jede Zeile kennt die Sekunde, zu der sie gehört.
Das Transkript folgt dem Abspielkopf
Während das Audio läuft, wird die gesprochene Zeile hervorgehoben und im Blick gehalten. Klick eine andere Zeile, und die Wiedergabe springt dorthin. Ein Zitat zu prüfen dauert zwei Sekunden.
Suchen, dann hören
Tipp eine Phrase, und das Transkript filtert auf die Zeilen, die sie enthalten. Klick eine an, und du hörst genau diesen Moment.
Zeitstempel aus dem Audio selbst
Jede Zeile trägt die Sekunde, in der sie beginnt, gemessen, nicht aus der Lesegeschwindigkeit geschätzt.
Sprecher, die du umbenennen kannst
Zwei Stimmen werden Sprecher 1 und Sprecher 2. Benenn sie einmal um, und jede Zeile und jeder Export ziehen mit.
04—Das bekommst du
Das bekommst du von Audio zu Text
Eine Umwandlung erzeugt vier Dateien, alle aus denselben zeitlich verankerten Segmenten, sodass reiner Text, Untertitel und die Version mit Zeitstempeln einander nie widersprechen.
Reiner Text
Absätze dort getrennt, wo der Sprecher pausiert oder gewechselt hat, bereit zum Einfügen in Notizen, ein Dokument oder eine E-Mail.
Text mit Zeitstempeln und Untertitel
Dieselben Zeilen mit Startzeiten oder als SRT- und VTT-Dateien, die direkt auf eine Videospur passen.
Sprecherlabels
Interviews und Anrufe kommen mit zugeordneten Wortbeiträgen zurück, und du entscheidest, wie die Sprecher heißen.
Jedes Audioformat
MP3 aus einem Podcast, WAV von einem Recorder, M4A aus einem iPhone-Sprachmemo, OGG aus einer Messenger-App: Der Konverter liest sie alle. Vor dem Umwandeln muss nichts umgewandelt werden.
05—Beispiel
So sieht ein Audio-zu-Text-Transkript aus
Das ist echte Ausgabe für eine dreißigsekündige Aufnahme mit zwei Personen, kein Mock-up. Zeitstempel markieren, wo jede Zeile beginnt, die Sprecherlabels kommen von der Engine, und die hervorgehobene Zeile ist die unter dem Abspielkopf.
Das Beispiel lesen
Jede Zeile ist ein Wortbeitrag eines Sprechers oder, bei langen Beiträgen, ein oder zwei Sätze. Die Lücke zwischen dem Ende einer Zeile und dem Anfang der nächsten ist die Pause in der Aufnahme. Füllwörter bleiben erhalten, denn ein Transkript, das Menschen redigiert, klingt nach niemandem.
Was sich bei einer raueren Aufnahme ändert
Zeilen werden länger, wo die Engine bei den Trennstellen weniger sicher ist, ungewöhnliche Namen kommen nach Gehör geschrieben zurück, und Sprecher, die durcheinanderreden, teilen sich womöglich eine Zeile. All das lässt sich in der Transkriptansicht beheben, und das meiste vermeidet man, indem man das Audio vorher säubert.
06—Anwendungsfälle
Was Menschen umwandeln
Eine Aufnahme in Text umzuwandeln lohnt sich überall dort, wo etwas einmal gesagt wurde und viele Male gelesen, durchsucht oder zitiert werden muss. Das sind die sechs häufigsten Aufgaben und was Zeitstempel und Sprecherlabels jeweils hinzufügen.
Podcast-Folgen
Zitate für die Shownotes ziehen, die Minute finden, in der ein Thema aufkam, und ein Transkript für Leser veröffentlichen.
Interviews und Sprachmemos
Jede Antwort schriftlich mit zugeordnetem Sprecher, und die Aufnahme einen Klick entfernt, wenn ein Zitat geprüft werden muss.
Vorlesungen und Kurse
Eine aufgezeichnete Stunde wird zu Notizen mit Zeitstempeln, sodass Lernende zur genauen Minute zurückgehen können, in der ein Begriff erklärt wurde.
Meetings
Ein Transkript mit Sprechern ist ein Protokoll davon, wer sich wozu verpflichtet hat. Such nach einem Namen oder einem Datum, statt eine Stunde nachzuhören.
Untertitel
Exportiere SRT oder VTT, und das Video ist untertitelt, ohne gegen die Uhr zu tippen.
Ein Skript in deiner eigenen Stimme
Ein Transkript ist ein Skript. Schick es an Text to Speech oder klone deine Stimme und hör die Wörter darin vorgelesen, neu aufgenommen ohne Mikrofon.
Was es nicht kann
Es transkribiert keine Wörter, die nie hörbar waren, es übersetzt nicht, und es ist keine Live-Untertitelung. Es arbeitet mit Dateien, die du bereits hast, bis zu dreißig Minuten pro Datei; teile eine längere Aufnahme an einer natürlichen Pause und wandle sie in zwei Teilen um.
07—Vergleich
Audio-zu-Text-Konverter vs. selbst abtippen vs. Transkriptionsdienst
Drei Wege, eine Aufnahme in Text zu verwandeln, die sich in Tempo, Kosten und dem unterscheiden, was du zurückbekommst.
| Audio-zu-Text-Konverter | Selbst abtippen | Transkriptionsdienst | |
|---|---|---|---|
| Bearbeitungszeit | Unter einer Minute | 4–6× die Aufnahme | Stunden bis Tage |
| Zeitstempel | Von Hand | Manchmal | |
| Sprecherlabels | Von Hand | ||
| Zeile anklicken und hören | |||
| Kosten pro zehn Minuten | Täglich gratis, dann Credits | Eine Stunde deiner Zeit | Minutengebühr |
| In deiner Stimme vorlesen lassen |
Ein Konverter ist der richtige Standard. Tipp nur selbst, wenn die Aufnahme für jede Engine zu rau ist, und bezahl einen Dienst nur, wenn eine menschliche Garantie Teil des Auftrags ist.
08—Best Practice
Ein saubereres Transkript bekommen
Die Engine macht die Arbeit, aber die Aufnahme entscheidet, wie viele Wörter du hinterher korrigierst. Drei Gewohnheiten decken den größten Teil des Unterschieds zwischen zehn Minuten und zehn Sekunden Korrektur ab.
Die eine größte Verbesserung
Lärm. Verkehr, Musik oder ein Lüfter hinter der Stimme kosten Wörter, die eine saubere Aufnahme behält. Schick raues Audio zuerst durch den Voice Isolator; das dauert etwa eine Minute, und das Transkript ist sichtbar besser.
Ein Mikrofon, nah dran
Ein Handy auf dem Tisch zwischen vier Personen nimmt den Raum auf. Näher ist besser als lauter.
Sprecher ausreden lassen
Überlappendes Reden ist der schwerste Fall für jede Transkriptions-Engine. Aufnahmen, in denen sich Leute abwechseln, kommen sauber zurück; eine hitzige Runde braucht überall dort einen zweiten Blick, wo zwei Stimmen auf derselben Sekunde landen.
Hinterher nach Namen suchen
Ungewöhnliche Namen und Produktbegriffe sind die Stellen, an denen Transkripte rutschen. Suchen, einmal korrigieren, exportieren.
09—Fragen
Häufig gestellte Fragen
Ist der Audio-zu-Text-Konverter gratis?
Jedes angemeldete Konto bekommt täglich drei Gratis-Umwandlungen von je bis zu zehn Minuten, mit jedem Exportformat. Bezahlte Pläne heben das Tageslimit auf, erlauben Dateien bis dreißig Minuten und rechnen pro Minute in Credits ab. Den Satz findest du auf der Preisseite.
Wie transkribiere ich Audio in Text?
Lade die Datei hoch, drück auf Transkribieren und öffne das Transkript, sobald es fertig ist, meist unter einer Minute. Klick eine Zeile an, um sie zu hören, und lade es dann als Text oder Untertitel herunter.
Welche Audioformate kann ich umwandeln?
MP3, WAV, M4A und OGG, bis zu 50 MB und dreißig Minuten pro Datei. Sprachmemos vom Handy und Podcast-Downloads funktionieren, wie sie sind.
Fügt er Zeitstempel und Sprecherlabels hinzu?
Ja. Jede Zeile trägt ihre Startzeit aus dem Audio, und jeder Wortbeitrag wird einem Sprecher zugeordnet, den du umbenennen kannst. Bei einer Aufnahme mit nur einer Stimme werden die Labels nicht angezeigt.
Wie genau ist Audio zu Text?
Bei einer klaren Aufnahme von ein oder zwei Personen nahe an dem, was ein aufmerksamer Zuhörer schreiben würde. Lärm, entfernte Mikrofone und Menschen, die durcheinanderreden, senken die Genauigkeit. Das Audio vorher zu säubern hilft mehr als alles andere, und hinterher im Transkript nach Namen zu suchen fängt das meiste Übrige ab.
Kann ich ein Video in Text umwandeln?
Noch nicht direkt. Exportiere die Tonspur des Videos als MP3 oder WAV, wandle sie um und nutze den SRT-Export, um das Video zu untertiteln.
Welche Sprachen werden unterstützt?
Die meisten verbreiteten Sprachen, transkribiert in ihrer eigenen Sprache. Die Sprache wird automatisch erkannt.
Wird meine Aufnahme gespeichert?
Das Transkript und sein Audio bleiben dreißig Tage in deinem Verlauf, damit du sie wieder öffnen und exportieren kannst, und du kannst sie jederzeit löschen. Der Upload wird nirgends sonst behalten.
10—Vorlesen lassen
Das Transkript ist ein Skript
Sobald die Wörter auf der Seite stehen, kann der Rest von AnyVoice sie wieder aussprechen.
Voice Cloning
Klone deine Stimme und lass dir das Transkript darin vorlesen.
MP3, M4A & WAV to Text
Podcast-Downloads, iPhone-Sprachmemos und Recorder-Dateien, mit Zeitstempeln transkribiert.
Voice Isolator
Die Aufnahme zuerst säubern, für ein besseres Transkript.
Speech to Text
Derselbe Konverter im Arbeitsbereich, mit Aufnahme.