So läuft es ab
Datei oben auswählen oder auf das Feld ziehen, dann „Abtippen starten“. Ihr Gerät rechnet die Tonspur um, schickt sie an unseren Server und zeigt den Fortschritt an. Der Text erscheint darunter, mit Knöpfen zum Kopieren und zum Speichern als TXT, Word-Datei, SRT oder VTT. Das schnelle Modell braucht etwa ein Zwanzigstel der Aufnahmedauer: eine Stunde Konferenzmitschnitt ist nach rund drei Minuten Rechenzeit fertig, dazu kommt die Zeit für das Hochladen. Lassen Sie die Seite bis dahin geöffnet, sonst holt Ihr Browser das Ergebnis nicht ab.
Unter „Automatisch“ läuft das schnelle Modell Whisper large-v3-turbo und bevorzugt Deutsch. Ist die Aufnahme eindeutig in einer anderen Sprache, schreibt das Werkzeug sie in dieser Sprache ab und sagt das über dem Text. „Selbst einstellen“ öffnet drei Felder: das genaue Modell Whisper large-v3, die Sprache aus einer festen Liste und bis zu 200 Zeichen eigene Namen und Fachbegriffe. Letzteres hilft bei Eigennamen, Ortsnamen, Produktbezeichnungen und Fachwörtern, die in einer Besprechung ständig fallen.
Woher MP3-Dateien kommen
MP3 ist das Format, in dem Aufnahmen aus den unterschiedlichsten Quellen auf dem Rechner landen. Ein Diktiergerät von Philips oder Olympus speichert je nach Einstellung MP3 oder WAV. Besprechungen aus Teams oder Zoom liegen als Aufzeichnung vor, aus der nur noch der Ton gebraucht wird. Interviews werden mit der Sprachmemo-App aufs Handy gesprochen, Podcast-Rohspuren kommen vom Mischpult oder aus dem Schnittprogramm, und in Archiven liegen alte Dateien, deren Herkunft niemand mehr kennt. Dazu Anrufaufzeichnungen, Vorträge, Schulungen und Tonspuren, die aus einem Video gezogen wurden.
Umwandeln müssen Sie vorher nichts. Die Seite nimmt neben MP3 auch M4A, WAV, Opus, FLAC, AAC, AMR und Videodateien wie MP4, MOV oder WebM an; aus Videos löst Ihr Browser die Tonspur selbst heraus. Wenn Sie den Ton aus einer Videodatei trotzdem einmal als eigene Datei brauchen, etwa fürs Archiv, erledigt das MP4 in MP3 umwandeln. Für das Abtippen ist das kein Zwischenschritt, sondern nur praktisch, wenn die Datei ohnehin kleiner werden soll.
Was die Tonqualität mit dem Ergebnis macht
Die Bitrate Ihrer MP3 ist weniger wichtig, als viele annehmen. Ihr Browser rechnet jede Datei vor dem Senden auf MP3 mit 128 kbit/s, einem Kanal und 16.000 Abtastwerten je Sekunde um. Die Spracherkennung arbeitet intern ohnehin mit 16 kHz. Eine Aufnahme mit 320 kbit/s in Stereo ergibt deshalb keinen besseren Text als eine mit 128 kbit/s. Nach unten gibt es dagegen eine Grenze: Was mit 24 oder 32 kbit/s aufgenommen wurde, verliert Zischlaute und Endungen, und genau daran scheitert die Erkennung bei Namen und Zahlen.
Mehr Einfluss haben die Umstände der Aufnahme. Ein Diktiergerät auf dem Tisch in einem gefliesten Besprechungsraum nimmt mehr Hall als Sprache auf. Ein Mikrofon drei Meter vom Sprecher entfernt bringt alle Nebengeräusche gleich laut mit. Reden mehrere Personen gleichzeitig, steht am Ende ein Satz im Text, den niemand so gesagt hat. Wer die Wahl hat, legt das Gerät näher an die sprechende Person, als es nötig scheint.
Sprecher trennt die Erkennung nicht. Der Text läuft durch, ohne Namen und ohne Kennzeichnung, wer gerade spricht. Nach einer Pause von mindestens zwei Sekunden beginnt ein neuer Absatz; bei einem Interview fällt das oft mit dem Sprecherwechsel zusammen, verlässlich ist es nicht. Für eine saubere Zuordnung nehmen Sie die SRT-Datei, in der jede Passage ihre Zeit trägt, und setzen die Namen beim Durchhören davor.
Zeitstempel, Word und Untertitel
Fünf Ausgaben stehen bereit. Der Text im Feld lässt sich mit einem Klick kopieren. TXT ist der reine Fließtext mit Absätzen. Die Word-Datei (DOCX) enthält Überschrift, eine Infozeile und je Absatz einen Absatz, sodass Sie direkt weiterschreiben können. SRT und VTT sind Untertitel-Dateien mit Zeiten im Format Stunden:Minuten:Sekunden,Millisekunden; Videoschnitt-Programme und Untertitel-Editoren lesen sie direkt ein. Für ein Interview, das später zitiert wird, sind die Zeitstempel oft wichtiger als der Fließtext: Sie finden damit jede Stelle im Original wieder.
Typische Fehler
Namen, Zahlen und Fachwörter sind die häufigsten Abweichungen. Dafür ist das Feld „Namen und Fachbegriffe“ gedacht: Schreiben Sie die Wörter hinein, die in der Aufnahme vorkommen und selten sind. Ein Diktat mit Paragrafen und Aktenzeichen braucht das, ein Podcast über Alltagsthemen eher nicht.
Dateien von älteren Diktiergeräten machen gelegentlich Ärger. Formate wie DSS oder DS2 kann kein Browser lesen, und die Seite meldet dann, dass sie keine Tonspur findet. Wandeln Sie die Aufnahme mit der Software des Geräteherstellers in MP3 oder WAV um. Kommt die Meldung bei einer gewöhnlichen MP3, bietet die Seite einen Knopf an, die Datei unverändert zu senden; dann geht die ganze Datei hoch statt nur der umgerechneten Tonspur.
Zwei Stolpersteine betreffen die Einstellungen. Das genaue Modell weist Aufnahmen über 30 Minuten ab, ein 50-Minuten-Interview läuft dort also nicht. Und wer kurz nach dem ersten Lauf eine zweite Datei abschicken will, trifft auf den Zähler unter dem Knopf: eine Aufnahme pro Stunde und Anschluss. Prüfen Sie deshalb vorher, welche Datei die richtige ist.
Grenzen des Dienstes
Eine Aufnahme darf 2 Stunden lang sein, mit dem genauen Modell 30 Minuten. Für die Tonspur, die hochgeht, gilt eine Grenze von 250 MB; bei 128 kbit/s sind das etwa 4 Stunden Ton, die Dauergrenze greift also zuerst. Der Upload läuft in Stücken von höchstens 90 MB, damit auch ein langer Mitschnitt durchgeht. Je Stunde und Internetanschluss ist eine Aufnahme möglich; wann die nächste geht, zeigt die Seite unter dem Knopf. Die Sprachliste umfasst rund zwei Dutzend Sprachen, Deutsch ist voreingestellt.
Für kurze Sprachnachrichten aus Messengern und Sprachmemos gibt es eigene Einstiege: Sprachnachricht in Text als allgemeine Seite und Sprachmemo transkribieren für Aufnahmen vom iPhone. Wer täglich diktiert und die Aufnahmen gar nicht erst aus dem Haus geben will, findet unter Diktat-Transkription die Einrichtung auf dem eigenen Rechner.
Was mit Ihrer Aufnahme passiert
Die MP3-Datei selbst verlässt Ihr Gerät nicht. Ihr Browser liest sie, rechnet die Tonspur um und schickt nur diese an unseren Server in Deutschland. Dort liegt sie in einem eigenen, nur für diesen Auftrag angelegten temporären Ordner. Die Eingangsdatei wird gelöscht, sobald sie umgewandelt ist, und mit der Auslieferung des Textes an Ihren Browser ist auch der Text weg. Holen Sie das Ergebnis nicht ab, räumt ein Prüflauf spätestens 30 Minuten nach der Fertigstellung alles weg. „Abbrechen“ löscht sofort.
Protokolliert werden je Auftrag nur Dauer, Größe und Status. Kein Dateiname, kein Text, keine IP-Adresse, auch nicht die Namen und Fachbegriffe, die Sie angeben. Für die Grenze von einer Aufnahme pro Stunde hält der Server einen gesalzenen Hash Ihrer IP-Adresse im Arbeitsspeicher; das Salz entsteht bei jedem Start neu, aus dem Hash lässt sich die Adresse nicht zurückrechnen. Die Erkennung läuft vollständig auf unserem eigenen Rechner, ohne Cloud-Dienst eines Dritten, und nichts davon wird weitergegeben oder zum Training verwendet. Der Weg dorthin führt verschlüsselt über Cloudflare, das die Tonspur nur durchleitet und dabei, wie bei jedem Aufruf dieser Website, Ihre IP-Adresse sieht (Einzelheiten in der Datenschutzerklärung).
Bei Aufnahmen von Besprechungen und Interviews gehört noch etwas dazu: Auf dem Band sind andere Menschen. Laden Sie die Datei nur hoch, wenn die Aufnahme erlaubt war und die Beteiligten mit einer Abschrift einverstanden sind.