Kurz und bündig (BLUF): Das Tool verwandelt Audio oder Video in Text und Untertitel: Es erkennt die Sprache mit dem Whisper-Modell direkt in Ihrem Browser, erkennt die Sprache der Aufnahme automatisch oder übernimmt die gewählte, setzt Zeitstempel und liefert das Ergebnis als TXT, SRT, VTT und JSON. Bei Video entsteht zusätzlich ein Clip mit eingebrannten Untertiteln. Die Datei wird nie hochgeladen, es werden keine Token erhoben und es gibt hier keine kostenpflichtige API.
Das Tool nimmt Audio oder Video und wandelt die Sprache in Text um. Sie laden eine Datei hoch und erhalten ein Transkript mit Zeitstempeln, fertige Untertitel und – bei Video – denselben Clip mit Untertiteln, die direkt in die Bilder gebrannt werden.
Die Erkennung läuft mit dem Whisper-Modell (dem offenen mehrsprachigen Modell Xenova/whisper-tiny) über Transformers.js: auf der Grafikkarte über WebGPU, wenn der Browser sie anbietet, sonst auf dem Prozessor über WASM. Die Tonspur wird lokal aus der Datei extrahiert – im Speicher Ihres Browsers.
Audio: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Video: MP4, WebM, MOV, M4V, MKV, AVI, OGV. Bei Video holt das Tool die Tonspur selbst heraus – sie müssen sie nicht separat extrahieren.
Der Klang wird zu Mono 16 kHz konvertiert – genau die Form, die Whisper erwartet. Eine lange Aufnahme wird in 30-Sekunden-Blöcken mit 5 Sekunden Überlappung erkannt, damit am Übergang keine Wörter verloren gehen.
Die Datei wird nicht hochgeladen: Ton, Erkennung und Zusammenbau der Untertitel geschehen vollständig in Ihrem Browser. Es gibt hier keine kostenpflichtige API und es werden keine Token erhoben.
Die Modellgewichte werden einmal aus dem offenen Hugging-Face-Katalog geladen und bleiben danach im Cache Ihres Browsers – beim nächsten Besuch startet das Modell ohne erneuten Download. Es gibt keine serverseitige Inferenz, kein CUDA und keinen Ausweich-GPU auf unserer Seite.
Whisper erkennt 99 Sprachen. Standardmäßig wird die Sprache automatisch erkannt, und das Tool zeigt an, welche Sprache es gehört hat. Bei kurzen oder gemischten Aufnahmen können Sie die Sprache manuell aus der Liste wählen – dann ist die Erkennung genauer.
Sie können den Text mit einem Klick kopieren oder in vier Formaten herunterladen. TXT ist ein einfaches Transkript, mit oder ohne Zeitstempel. SRT und VTT sind fertige Untertitel für Player, Videoschnittprogramme und YouTube. JSON ist das Transkript mit Sprache, Dauer und allen Zeilen samt Zeitstempeln – praktisch für die Weiterverarbeitung.
Für eine Videodatei baut das Tool einen neuen Clip, in dem die Untertitel direkt in die Bilder gebrannt sind. Ein solches Video läuft überall, auch wo externe Untertitel nicht unterstützt werden: in Messengern, in sozialen Netzwerken und in jedem Player. Der Originalton bleibt erhalten.
Denselben Untertiteln gibt es zusätzlich als SRT- und VTT-Dateien – so können Sie sie an das Originalvideo hängen, ohne es neu zu bauen.
Es übersetzt die Sprache nicht in eine andere: Die Erkennung läuft in der Sprache der Aufnahme, Übersetzung ist eine eigene Aufgabe. Es trennt keine Sprecher nach Stimme und beschriftet nicht, wer was gesagt hat.
Es behandelt Musik und Rauschen nicht als Sprache: Ohne verständliche Sprache in der Aufnahme bleibt das Transkript leer oder ungenau. Die Qualität hängt von der Aufnahme ab – auf klarer Sprache ohne Rauschen und Echo ist das Ergebnis deutlich besser.
Wählen Sie Audio oder Video, stellen Sie bei Bedarf die Sprache ein (oder lassen Sie die automatische Erkennung) und drücken Sie „Sprache erkennen“. Warten Sie auf das Transkript – der Fortschritt wird angezeigt, die Erkennung lässt sich abbrechen.
Kopieren Sie dann den Text oder laden Sie TXT, SRT, VTT oder JSON herunter. Wenn Sie ein Video hochgeladen haben, drücken Sie „Video mit Untertiteln erstellen“ und laden Sie den fertigen Clip herunter.
Video- und Podcast-Macher – Untertitel für die Veröffentlichung und ein Transkript für Beschreibungen. Studierende und Journalisten – Text aus Vorlesungen, Interviews und Diktiergeräte-Aufnahmen. Alle, die schnell Text aus einer Aufnahme brauchen, ohne sie an einen fremden Server zu schicken.
Nirgendwo. Der Klang wird vollständig in Ihrem Browser auf Ihrem Gerät extrahiert und erkannt. Unsere Server bekommen die Datei nie zu sehen.
Nein. Das ist ein kostenloses Tool, das auf Ihrem Gerät läuft: Es gibt hier keine kostenpflichtige API, also gibt es nichts abzuziehen.
Das Modell rechnet auf Ihrem Gerät. Der erste Start dauert länger: Die Modellgewichte werden heruntergeladen und der Rechengraph aufgewärmt. Danach kommt das Modell aus dem Cache Ihres Browsers, und die Erkennung ist schneller.
Wählen Sie die Sprache manuell in der Liste und starten Sie die Erkennung erneut – bei kurzen Aufnahmen ist die manuelle Wahl genauer als die automatische.
Ja. Laden Sie SRT oder VTT herunter und hängen Sie sie an das Video an – oder bauen Sie direkt im Tool einen Clip mit eingebrannten Untertiteln.