Video transkribieren: Datei hochladen, Transkript mit Zeitstempeln

Video transkribieren: Gelesen wird die Tonspur, nicht das Bild

Eine Videotranskription ist Spracherkennung auf der Tonspur eines Videos: ffmpeg, das quelloffene Medienwerkzeug, kopiert die erste Tonspur aus der Datei, ohne das Bild zu decodieren, wandelt sie in ein MP3 mit 16 kHz in Mono um und gibt sie an das Whisper-Modell von OpenAI weiter; der Bildcodec, H.264 oder HEVC, spielt deshalb keine Rolle.

• Das Bild wird ignoriert. Folien, ins Bild gebrannte Untertitel und anderer Text auf dem Bildschirm werden nicht gelesen; ins Transkript kommt nur, was gesagt wird.
• Kein Ton, kein Text. Eine Bildschirmaufnahme ohne Mikrofon und ohne Systemton wird mit der Meldung „Diese Datei enthält keinen Ton.“ abgelehnt.
• Eine Spur. Enthält eine Datei mehrere Tonspuren, etwa ein Film mit zwei Synchronfassungen, wird die erste verwendet.
• Zu groß? Lade nur den Ton hoch: QuickTime Player speichert einen Clip auch als reines Audio, und die exportierte Datei wird wie jedes M4A-Sprachmemo transkribiert. Der Text bleibt derselbe, die Datei schrumpft auf einen Bruchteil.

Weil der Weg identisch ist, kostet ein Clip pro Minute genauso viel wie eine Audiodatei, und wer eine Audioaufnahme in Text umwandeln will, also eine Aufnahme ohne Bild, nimmt genau diese Route.

Video transkribieren in vier Schritten

Vier Schritte bringen eine Datei von deinem Computer oder Smartphone zu einem Transkript zum Herunterladen, und mehr brauchst du nicht, um hier ein Video transkribieren zu lassen: nichts zu installieren, kein Zurückspulen, um Gesagtes abzutippen.

1. Wähle das Video. Ziehe eine MP4-, MOV-, MKV-, WEBM- oder andere Datei auf das Upload-Feld oder klicke darauf, um sie auszuwählen. Dein Browser prüft Typ und Größe, bevor etwas gesendet wird.
2. Starte die Transkription. Die erste Aufnahme eines Gastes startet sofort und ist kostenlos: vollständig bis 10 Minuten, bei einer längeren die ersten 10 Minuten. Nach der Anmeldung zeigt die Seite, wie viele Minuten die Datei verbraucht, und nichts läuft, bevor du auf „Transkribieren“ klickst.
3. Sieh und lies nebeneinander. Der Clip läuft von deinem eigenen Gerät neben dem Transkript; ein Klick auf einen Zeitstempel springt im Player zu diesem Moment.
4. Lade Text oder Untertitel herunter. Speichere TXT oder Markdown zum Lesen und Bearbeiten, SRT oder VTT als Untertitel.

Die Spracherkennung läuft auf unserem Server, deshalb braucht die Seite weder Plugin noch Desktop-App. Eine lange Aufnahme meldet ihren Fortschritt in erledigten Minuten: Bei einem 90-minütigen Webinar siehst du, wo es steht, statt auf ein Ladesymbol zu schauen. Für einen größeren Bildschirm kannst du den Arbeitsbereich mit deiner Datei öffnen, wo Player, Transkript und KI-Werkzeuge nebeneinander liegen.

Videoformate und Größengrenzen

Für Video zu Text angenommen werden die Container von Smartphones, Kameras, Meeting-Apps und Bildschirmrekordern, und hart begrenzt sind nur Dateigröße und Länge.

Größe und Länge hängen davon ab, ob du angemeldet bist:

• Ohne Konto: Dateien bis 100 MB; die erste Aufnahme wird kostenlos transkribiert, vollständig bis 10 Minuten, danach gibt es kurze kostenlose Ausschnitte.
• Nach der Anmeldung: Dateien bis 500 MB und bis 4 Stunden Länge.
• Eine Datei über 4 Stunden teilst du vorher in Teile.

Bild wiegt weit mehr als Sprache: Eine Stunde Bildschirmaufnahme in 1080p kann die Grenze von 500 MB überschreiten, während dieselbe Stunde Ton einige Dutzend Megabyte belegt. Die Dateiendung ist nur eine erste Prüfung; der Server liest mit ffprobe den echten Container und lehnt alles ab, was keine Mediendatei ist, bevor ein Preis erscheint.

Welche Videos sich gut transkribieren lassen

Videos transkribieren klappt am besten bei einer sprechenden Person vor der Kamera, bei Vorlesungen, Interviews, Webinaren und kommentierten Bildschirmaufnahmen, weil dort eine klare Stimme nah am Mikrofon spricht.

• Gut: ein Ansteck- oder Headset-Mikrofon, ein ruhiger Raum, jeweils eine Person spricht.
• Schlechter: Musik unter der Sprache, Publikumslärm, Personen, die durcheinanderreden, Wind bei Handyaufnahmen im Freien.
• Musikvideos: Gesungene Texte kommen ungenauer heraus als Sprache.

OpenAI hat Whisper mit 680.000 Stunden Audio aus dem Web trainiert, wie das Paper „Robust Speech Recognition via Large-Scale Weak Supervision“ von 2022 beschreibt; Akzente und Umgangssprache liegen damit im Rahmen dessen, wofür das Modell gebaut wurde, während überlappende Stimmen und Musik unter der Sprache die üblichen Fehlerquellen bleiben. Eine Genauigkeit in Prozent veröffentlichen wir nicht: Sie hängt viel stärker von der Aufnahme ab als von der Software. Deine kostenlose erste Aufnahme ist der ehrliche Test mit deinem eigenen Material, und der Zeitstempel neben einer verstümmelten Zeile führt dich direkt zur Stelle zum Nachhören.

Beispiel für ein Video-Transkript

Ein Video-Transkript kommt als eine Zeile pro gesprochener Phrase zurück, und jede Zeile beginnt mit der Minute und Sekunde, in der diese Phrase anfängt.

Beispieltext im exakten TXT-Format, keine echte Aufnahme:

[0:00] Hallo zusammen, das ist die Produktdemo für das neue Dashboard.
[0:06] Links seht ihr die Filter, die wir letzte Woche ergänzt haben.
[0:13] Ich öffne den Verkaufsbericht, denn dazu kamen die meisten Fragen.
[0:21] Wie ihr seht, aktualisieren sich die Summen jetzt ohne Neuladen der Seite.

Satzzeichen und Großschreibung kommen von Whisper, und die gesprochene Sprache wird von selbst erkannt, ohne Einstellung vor dem Start. Nach der ersten Stunde bekommt der Zeitstempel ein Stundenfeld, etwa [1:04:10]. Jeder Stempel markiert den Anfang einer Phrase, nicht den jedes Wortes.

Nach dem Transkript: Untertitel, Export, KI

Ein fertiges Video-Transkript lädst du ohne Aufpreis in vier Formaten herunter, und zwei davon sind Untertiteldateien.

• TXT und Markdown zum Lesen, für Notizen und zum Bearbeiten, mit oder ohne die Stempel [m:ss].
• SRT für Premiere Pro, DaVinci Resolve und YouTube Studio; VTT für HTML5-Player.

Mit demselben Upload kannst du Untertitel als SRT-Datei generieren, mit Start- und Endzeiten aus der Erkennung, ein zweiter Durchlauf ist nicht nötig. Zum Umwandeln oder Entfernen der Zeitangaben gibt es Untertitel-Konverter, die in deinem Browser laufen, für SRT, VTT und reinen Text.

KI-Aktionen setzen auf dem fertigen Transkript auf: Zusammenfassung, ausführliche Notizen, Kernmomente, Kapitel mit Zeitmarken, Artikel, Social-Post, ein bereinigtes Pro Transcript, Chat zur Aufnahme oder ein eigener Prompt. Sie gehören zur transkribierten Aufnahme, ohne zweite Abrechnung: Bezahlt werden Minuten Spracherkennung, nicht einzelne Knöpfe.

Video transkribieren kostenlos, und wann Minuten anfallen

Kostenlos ist hier deine erste Aufnahme ohne Konto, vollständig bis 10 Minuten und bei einer längeren die ersten 10 Minuten; danach kostet eine ganze Datei eine Minute Guthaben pro Minute Aufnahme, ab $0.033 pro Minute.

In der Praxis deckt das Geschenk eine Bildschirmaufnahme von 10 Minuten oder ein kurzes Interview ab. Eine 75-minütige Vorlesung braucht zusätzlich ein Paket, und die Seite sagt das, bevor etwas abgebucht wird. Die „erste Aufnahme“ gibt es einmal pro Gast: Ein zuvor transkribiertes YouTube-Video ohne Untertitel zählt ebenfalls als diese Aufnahme.

Muss ein Video, das schon auf YouTube ist, hochgeladen werden?

Nein: Die meisten YouTube-Videos haben Untertitel, und deren Text wird direkt gelesen, ohne Upload und ohne Spracherkennung.

Ein YouTube-Video mit Untertiteln in Text umwandeln kostet nichts: Der Text kommt aus der Untertitelspur, ohne Anmeldung und ohne Limit, und auch die KI-Analysen dazu sind kostenlos. Spracherkennung, und damit Minuten, braucht es nur, wenn es keinen Text als Ausgangspunkt gibt: bei einer eigenen Datei oder bei einem YouTube-Video ohne Untertitel.

Wohin dein Video geht

Nur der Text bleibt, wenn du hier ein Video transkribierst: Die Videodatei selbst löschen wir von unserem Server, sobald ihr Ton extrahiert ist.

• Der extrahierte Ton geht zur Erkennung an Whisper von OpenAI; seine Teilstücke werden gelöscht, sobald das Transkript fertig ist.
• Ohne Konto wird das Transkript nicht auf dem Server gespeichert: Der Server hält es etwa eine Stunde bereit, bis die Seite es abholt, danach liegt es nur in deinem Browser.
• Ein Upload, der nie startet, etwa während du Minuten auflädst, wird nach etwa einer Stunde gelöscht.
• Nach der Anmeldung wird das Transkript in deinem Konto gespeichert.
• Der Player spielt die Datei von deinem eigenen Gerät ab. Nach dem Neuladen der Seite wählst du sie zum Ansehen erneut aus; der Text ist schon gespeichert.
• Wählst du auf dieser Seite eine Datei aus, behält dein Browser eine temporäre Kopie, um sie an den Arbeitsbereich zu übergeben, und löscht sie, sobald sie übernommen wurde, spätestens nach einer Stunde.

Alle Regeln stehen in unseren Datenschutzhinweisen.

Was die Video-Transkription nicht kann

Text auf dem Bildschirm lässt diese Video-Transkription aus: Sie macht aus Sprache Text und liest das Bild nicht.

• Keine Sprecherkennzeichnung; ein durchgehender Strom von Zeilen mit Zeitstempeln.
• Keine ins Bild eingebrannten Untertitel; du bekommst SRT- oder VTT-Dateien für Editor oder Player.
• Kein Auslesen von Untertitelspuren, die schon in einer MKV- oder MP4-Datei stecken; der Text entsteht aus der Sprache.
• Keine Links zu Google Drive, Dropbox, Vimeo oder TikTok; lade die Datei erst herunter und dann hier hoch.
• Dateien über 500 MB oder länger als 4 Stunden werden abgelehnt; lade nur den Ton hoch oder teile die Datei.
• Nur die erste Tonspur wird verwendet.

Worauf du dich verlassen kannst, wenn du ein eigenes Video in Text umwandeln willst: Der Preis steht vor dem Start fest, Minuten werden nur nach erfolgreicher Transkription abgebucht, und der Export des fertigen Transkripts ist inklusive.

Anleitungen nach Format und Aufgabe: MP4 to Text · Untertitel generieren

Häufige Fragen

Kann ich ein Video kostenlos transkribieren?

Ja, deine erste Aufnahme: Ohne Konto wird sie kostenlos transkribiert, vollständig bis 10 Minuten, bei einer längeren die ersten 10 Minuten. Danach bekommt ein Gast einen kurzen kostenlosen Ausschnitt; die ganze Datei verbraucht Minuten von deinem Guthaben, und bei der Anmeldung schenken wir dir 10 davon.

Brauche ich ein Konto?

Nein für die erste Aufnahme und für kurze kostenlose Ausschnitte. Ja für ganze Dateien danach: Die Anmeldung läuft über einen Link per E-Mail, ein Passwort musst du nicht anlegen.

Welche Videoformate und Dateigrößen kann ich hochladen?

MP4, MOV, MKV, WEBM, AVI, MPEG, TS und WMV, dazu Audiodateien wie MP3, M4A und WAV. Ohne Konto bis 100 MB; nach der Anmeldung bis 500 MB und 4 Stunden.

Mein Video ist größer als die Grenze. Was kann ich tun?

Lade nur den Ton hoch. Exportiere die Tonspur, zum Beispiel als M4A aus QuickTime Player, und lade diese Datei hoch: Das Transkript ist dasselbe, weil ohnehin nur der Ton erkannt wird, und die Datei ist nur ein Bruchteil so groß.

Wird mein Video auf eurem Server gespeichert?

Nein. Die Datei wird vom Server gelöscht, sobald ihr Ton extrahiert ist, oder nach etwa einer Stunde, falls die Transkription nie startet; die Tonstücke werden nach der Erkennung gelöscht. Der Text bleibt in deinem Browser oder, wenn du angemeldet bist, in deinem Konto.

Liest die Transkription Text auf dem Bildschirm oder eingebrannte Untertitel?

Nein. Nur Sprache wird zu Text. Folien, ins Bild gezeichnete Untertitel und anderer Text auf dem Bildschirm werden nicht gelesen.

Erkennt sie verschiedene Sprecher?

Nein. Es gibt keine Sprecherkennzeichnung: Das Transkript ist ein durchgehender Strom von Zeilen mit Zeitstempeln, egal wer gerade spricht.