Kann ich den Text aus einem Video holen?

Ja. Wählen Sie die MP4-, MOV-, WEBM- oder MKV-Datei oder legen Sie sie ab; ihr Ton wird auf Ihrem Gerät ausgelesen und genauso transkribiert wie eine Audiodatei, mit Sprecherbezeichnungen und geschätzten Zeitmarken, und Sie laden das Ergebnis als Text oder als Untertitel (SRT oder VTT) herunter. Die Zeiten sind Schätzungen innerhalb jedes Vier-Minuten-Stücks; die Untertitel sind also eine grobe Orientierung, nicht wortgenau.

Welche Sprachen werden unterstützt?

Wählen Sie die gesprochene Sprache aus der Liste – die fünfzehn Sprachen, in denen diese Website geschrieben ist, Deutsch eingeschlossen – oder lassen Sie sie auf automatisch; das passt auch für ein Gespräch, das mitten im Satz die Sprache wechselt, etwa zwischen Deutsch und Englisch. Das Transkript behält jeden Teil in der Sprache, in der er gesprochen wurde.

Bekomme ich Untertitel oder eine Tabelle?

Ja. Das fertige Transkript lässt sich als Word, PDF, einfacher Text, Untertiteldatei (SRT, VTT) und als CSV-Tabelle exportieren, mit einer Zeile pro Wortbeitrag und dessen geschätzter Start- und Endzeit – je nachdem, was der nächste Schritt braucht.

Wird meine Aufnahme gespeichert?

Unser Server speichert weder den Ton noch den Text. Die Vier-Minuten-Stücke gehen über das KI-Gateway von Lovable an OpenAI, der Text an Gemini von Google; diese Dienste behandeln, was sie erhalten, nach ihren eigenen Bedingungen. Unser Server vermerkt Ihre IP-Adresse für das Stundenlimit und löscht sie nach etwa zwei Stunden. Ein Transkript bleibt nur erhalten, wenn Sie es speichern: in diesem Browser oder, wenn Sie angemeldet sind, in Ihrem Konto.

Audio in Text transkribieren

Cloud-Schritt

Wählen Sie eine Aufnahme – eine Besprechung, ein Interview, eine Vorlesung, eine Sprachnachricht – und Sie bekommen ein sauberes, nach Sprechern gegliedertes Transkript, das Sie als Word, PDF, einfachen Text, Untertitel oder Tabelle exportieren.

Gebaut ist es für echte Gespräche, auch für solche, die mitten im Satz die Sprache wechseln, und es gliedert den Text nach Sprechern – erschlossen aus dem Gespräch, nicht an der Stimme erkannt –, statt einen einzigen ungeteilten Block zu liefern.

Anders als die übrigen Werkzeuge dieser Website nutzt die Transkription einen Server: Diese Website führt keine Spracherkennung auf Ihrem Gerät aus. Die Seite fragt, bevor sie etwas sendet. Die Aufnahme geht in Stücken von vier Minuten, ohne ihren Dateinamen, über unseren Server und das KI-Gateway von Lovable an das Spracherkennungsmodell von OpenAI, der Text zum Aufbereiten an Gemini von Google. Unser Server speichert keins von beidem; diese Dienste folgen ihren eigenen Bedingungen.

So geht’s: Audio in Text transkribieren

Wählen Sie eine Aufnahme oder ein Video, oder legen Sie die Datei ab.
Wählen Sie die gesprochene Sprache oder lassen Sie „Automatisch erkennen“ für ein Gespräch in mehreren Sprachen stehen.
Tippen Sie auf „Transkribieren“, bestätigen Sie das Senden und warten Sie, bis die Aufnahme transkribiert und nach Sprechern gegliedert ist.
Exportieren Sie als Word, PDF, einfachen Text, Untertitel oder CSV-Tabelle mit geschätzten Zeiten.

Unterstützte Formate und Grenzen

Eingabe: MP3, WAV, M4A, OGG, FLAC, OPUS, AMR; MP4, MOV, WEBM, MKV und andere Videos (nur der Ton)
Ausgabe: Word, PDF, TXT, Markdown, Untertitel als SRT oder VTT, CSV-Tabelle, JSON
Sprachen: Automatisch, auch für gemischte Gespräche, oder eine von fünfzehn aus der Liste
Sprecher: Getrennt bezeichnet, aus dem Gespräch erschlossen, nicht an der Stimme erkannt
Zeiten: Geschätzt innerhalb jedes Vier-Minuten-Stücks
Stundenlimit: 30 Stücke von vier Minuten (zwei Stunden Ton) pro Stunde und IP-Adresse
Wo es läuft: Unsere Serverfunktion, dann über das KI-Gateway von Lovable an OpenAI (Sprache) und Google Gemini (Text); unser Server speichert keins von beidem, diese Dienste folgen ihren eigenen Bedingungen

Nicht geeignet für: Perfekte Genauigkeit bei schlechten Aufnahmen – starke Hintergrundgeräusche und Menschen, die durcheinanderreden, führen weiterhin zu Fehlern.

Was genau gesendet wird, und wohin

Nichts wird gesendet, bevor Sie im Dialog zustimmen, den „Transkribieren“ öffnet – es sei denn, Sie haben gewählt, nicht mehr gefragt zu werden. Dann dekodiert Ihr Browser die Aufnahme oder den Ton eines Videos, mischt ihn auf einen Kanal mit 16 kHz und schneidet ihn in Stücke von vier Minuten, die jeweils als WAV-Datei mit dem Namen part-1.wav, part-2.wav usw. gesendet werden: der Ton, ohne Ihren Dateinamen.

Jedes Stück geht an unsere Serverfunktion in Lovable Cloud, die es über das KI-Gateway von Lovable an das Sprachmodell gpt-4o-transcribe von OpenAI weiterreicht – zusammen mit Ihrem eigenen Vokabular, der Sprache, falls Sie eine gewählt haben, und den letzten 1.200 bereits transkribierten Zeichen. Der Text aller Stücke geht mit den eingegebenen Sprechernamen und dem Vokabular auf demselben Weg an das Modell Gemini von Google, das ihn nach Sprechern gliedert und Titel, Zusammenfassung und Kapitel ergänzt; das fertige Transkript geht noch einmal dorthin, für Kernpunkte und Aufgaben.

Unsere Funktionen schreiben weder den Ton noch den Text in einen Speicher. Sie vermerken bei jeder Anfrage Ihre IP-Adresse für das Stundenlimit und entfernen sie, sobald sie älter als zwei Stunden ist. Was Lovable, OpenAI und Google aufbewahren, regeln deren eigene Bedingungen. „In Bibliothek speichern“ legt das Transkript in diesem Browser ab oder, wenn Sie angemeldet sind, in Ihrem Konto; „Freigabelink“ lädt die exportierte Datei für 24 Stunden in unseren Speicher hoch, wie es neben der Schaltfläche steht.

Wie viel sich in einer Stunde transkribieren lässt

Unser Server nimmt dreißig Stücke pro Stunde und IP-Adresse an, das sind zwei Stunden Ton. Wird ein Stück abgelehnt oder schlägt es fehl, bleiben die schon fertigen Stücke erhalten, und „Fehlgeschlagene Aufnahmen erneut versuchen“ macht bei dem Stück weiter, das fehlgeschlagen ist, statt von vorn zu beginnen.

Wie Sprecher, Zeiten und Sprache behandelt werden

Sprecher werden nicht an ihrer Stimme erkannt. Gemini erschließt sie aus dem Text – aus Fragen, Antworten, Begrüßungen und laut genannten Namen – und verwendet für die Bezeichnungen die erwarteten Sprechernamen, die Sie eintippen. Schlägt dieser Schritt fehl, bekommen Sie trotzdem den Text, in Blöcken von vier Minuten mit der Markierung „Sprecher nicht erkannt“.

Lassen Sie die Sprache für ein Gespräch in mehreren Sprachen auf automatisch, oder wählen Sie die gesprochene Sprache, um dem Sprachmodell bei einer einsprachigen Aufnahme zu helfen.

Zeiten sind nur an den Rändern jedes Vier-Minuten-Stücks bekannt; Wortbeiträge innerhalb eines Stücks werden gleichmäßig verteilt und mit ~ markiert. Die SRT-, VTT- und CSV-Dateien tragen diese Schätzungen; sie dienen also als grobes Register für die Aufnahme, nicht als Untertitel, die der Sprache folgen.

Häufige Fragen

Kann ich den Text aus einem Video holen?: Ja. Wählen Sie die MP4-, MOV-, WEBM- oder MKV-Datei oder legen Sie sie ab; ihr Ton wird auf Ihrem Gerät ausgelesen und genauso transkribiert wie eine Audiodatei, mit Sprecherbezeichnungen und geschätzten Zeitmarken, und Sie laden das Ergebnis als Text oder als Untertitel (SRT oder VTT) herunter. Die Zeiten sind Schätzungen innerhalb jedes Vier-Minuten-Stücks; die Untertitel sind also eine grobe Orientierung, nicht wortgenau.
Welche Sprachen werden unterstützt?: Wählen Sie die gesprochene Sprache aus der Liste – die fünfzehn Sprachen, in denen diese Website geschrieben ist, Deutsch eingeschlossen – oder lassen Sie sie auf automatisch; das passt auch für ein Gespräch, das mitten im Satz die Sprache wechselt, etwa zwischen Deutsch und Englisch. Das Transkript behält jeden Teil in der Sprache, in der er gesprochen wurde.
Bekomme ich Untertitel oder eine Tabelle?: Ja. Das fertige Transkript lässt sich als Word, PDF, einfacher Text, Untertiteldatei (SRT, VTT) und als CSV-Tabelle exportieren, mit einer Zeile pro Wortbeitrag und dessen geschätzter Start- und Endzeit – je nachdem, was der nächste Schritt braucht.
Wird meine Aufnahme gespeichert?: Unser Server speichert weder den Ton noch den Text. Die Vier-Minuten-Stücke gehen über das KI-Gateway von Lovable an OpenAI, der Text an Gemini von Google; diese Dienste behandeln, was sie erhalten, nach ihren eigenen Bedingungen. Unser Server vermerkt Ihre IP-Adresse für das Stundenlimit und löscht sie nach etwa zwei Stunden. Ein Transkript bleibt nur erhalten, wenn Sie es speichern: in diesem Browser oder, wenn Sie angemeldet sind, in Ihrem Konto.