Audio transkribieren

Nein. Datei und Mikrofon-Aufnahme werden nur in deinem Browser gelesen und dort mit Whisper erkannt – sie verlassen dein Gerät nie, auch der erkannte Text nicht. Aus dem Internet geladen werden nur einmalig das Sprachmodell (von Hugging Face) und die Rechen-Laufzeit (von jsDelivr); beides speichert der Browser für spätere Besuche.

„Schnell“ (Whisper tiny, ca. 42 MB) reicht für einen schnellen Überblick und schwache Geräte. „Standard“ (Whisper base) ist ein guter Kompromiss. „Genau“ nutzt mit Grafikkarte Whisper large-v3-turbo (ca. 540 MB) und macht die wenigsten Fehler – in unserem Test mit einer deutschen Aufnahme rund 2 % falsche Wörter statt rund 6 % bei „Schnell“. Ohne Grafikkarten-Unterstützung ist „Genau“ Whisper small und langsamer als Echtzeit.

Beim ersten Mal lädt der Browser das gewählte Modell herunter (je nach Stufe ca. 42 bis 540 MB). Danach liegt es im Speicher deines Browsers und startet in Sekunden. Mit „Gespeicherte Modelle löschen“ gibst du den Platz jederzeit wieder frei.

Mit WebGPU (aktuelle Chrome- und Edge-Versionen, viele Android-Geräte) rechnet die Grafikkarte – eine Minute Audio ist dann in wenigen Sekunden fertig. Ohne WebGPU rechnet der Prozessor, und zwar mit nur einem Kern: Mehrere Kerne würden Sicherheits-Einstellungen erfordern, die sich mit dieser Website nicht vertragen. Auf dem Handy kann eine Minute Audio dann eine Minute oder länger dauern.

Alles, was dein Browser abspielen kann: MP3, WAV, M4A/AAC, OGG/Opus, FLAC, WEBM und die Tonspur von MP4-Videos. Whisper versteht rund 100 Sprachen; die gängigsten kannst du fest einstellen, sonst erkennt „Automatisch erkennen“ die Sprache selbst.

Am Computer sind Aufnahmen von einer Stunde und mehr möglich, auf dem Handy eher bis etwa 30 Minuten – die Grenze setzt der Arbeitsspeicher des Browsers. Für stundenlanges Material und die großen Modelle ist eine Desktop-Version von Whisper besser geeignet.

Bei deutlicher Sprache sehr gut, aber nicht fehlerfrei: Namen, Fachbegriffe, Dialekt, Hintergrundgeräusche oder mehrere Sprecher gleichzeitig führen zu Fehlern. Lies den Text vor der Weitergabe bitte gegen.

Ja – schalte „Sprecher unterscheiden“ ein oder klicke nach der Transkription auf „Sprecher erkennen“. Zwei kleine Zusatzmodelle (pyannote segmentation 3.0 und WeSpeaker ResNet34, zusammen ca. 33 MB, einmalig) erkennen, wann jemand spricht, und ordnen gleich klingende Stimmen einander zu. Die Anzahl der Sprecher ermittelt das Tool selbst; kennst du sie, stell sie fest ein – das ist zuverlässiger. Den Sprechern kannst du Namen geben, die dann auch in allen Exporten stehen. Liegt die Erkennung daneben, klick auf die Zeitangabe einer Zeile und wähle den richtigen Sprecher – oder führe zwei Sprecher über den farbigen Punkt zusammen. Stellen, an denen zwei gleichzeitig reden, sind markiert. Schwierig sind sehr kurze Einwürfe, gleichzeitiges Sprechen und ähnlich klingende Stimmen.

Ja. Wähle oben „Mikrofon“, klicke auf „Diktat starten“ und erlaube dem Browser den Zugriff auf das Mikrofon. Sprich in ganzen Sätzen: Nach jeder kurzen Pause wird das Gesagte erkannt und erscheint als Text – mit Grafikkarte siehst du schon während des Sprechens eine Vorschau, ohne folgt der Text einige Sekunden später. Satzzeichen setzt Whisper selbst, du kannst sie aber auch ansagen („Punkt“, „Komma“, „Fragezeichen“, „Ausrufezeichen“, „Doppelpunkt“); „neuer Absatz“ beginnt einen Absatz, „letzten Satz löschen“ nimmt den letzten Satz zurück. Welches Mikrofon benutzt wird, wählst du im Mikrofon-Bereich, sobald mehrere da sind. Zum Mitlesen schreibt höchstens die Stufe „Standard“ mit, weil „Genau“ mehrere Sekunden je Satz braucht – ist „Genau“ gewählt, wird die Aufnahme nach dem Diktat automatisch noch einmal damit erfasst. Jede Zeile kannst du danach direkt anklicken und ändern. Die Aufnahme bleibt auf deinem Gerät: Du kannst sie als WAV speichern oder Sprecher erkennen lassen. Ein Diktat kann am Computer bis zu 60 Minuten lang sein, am Handy 30.