So wird aus der Sprachnachricht Text
Sie wählen eine Datei, das Werkzeug erledigt den Rest in drei Schritten. Zuerst löst Ihr Gerät die Tonspur heraus und rechnet sie auf das um, was die Spracherkennung braucht: ein Kanal, 16.000 Abtastwerte je Sekunde, als MP3 mit 128 kbit/s. Eine Minute Sprache wird so knapp 1 MB groß. Bei einem Video bleibt das Bild auf Ihrem Gerät. Dann geht die Tonspur an unseren Server in Deutschland, große Aufnahmen in Stücken bis 90 MB. Dort schreibt whisper.cpp mit dem Modell Whisper large-v3-turbo den Text. Zum Schluss erscheint er auf der Seite, und Sie können ihn kopieren oder als Datei speichern.
Unter „Selbst einstellen“ können Sie drei Dinge ändern. Das Modell „Genau“ ist Whisper large-v3, das große Modell ohne Abkürzung. In unserer Messung vom 09.10.2026 brauchte es für 214 Sekunden Ton 26,6 statt 7,7 Sekunden, also etwa 3,4-mal so lange. Dafür hat es bei einer langen, gleichförmigen Probe keine Sätze ausgelassen, wo das schnelle Modell Lücken hatte. „Genau“ nimmt Aufnahmen bis 30 Minuten an. Die Sprache lässt sich fest wählen oder ganz der automatischen Erkennung überlassen. Und Sie können bis zu 200 Zeichen Namen und Fachbegriffe angeben, etwa „Kowalski, Hausverwaltung Lindenhof“. Whisper bekommt sie als Schreibhilfe vorab mit und schreibt diese Wörter dann eher richtig. Eine Garantie ist das nicht.
Whisper setzt Satzzeichen und Großschreibung selbst und schreibt Zahlen meist als Ziffern: Aus „um zehn Uhr“ wird „um 10 Uhr“. Bei deutschen Aufnahmen geben wir einen kurzen deutschen Beispielsatz mit Komma und Fragezeichen als Vorlage mit. Bei schnell und ohne Pausen gesprochenen Nachrichten setzt Whisper damit in unserem Test deutlich mehr Punkte und Kommas, statt alles in einen Satz zu schreiben. Nach einer Pause ab zwei Sekunden beginnt ein neuer Absatz. Stille und reine Musik erkennt ein vorgeschalteter Sprachdetektor (Silero VAD) und lässt sie aus. Das verhindert die bekannten Phantomsätze, die Whisper sonst in stille Stellen schreibt, etwa „Untertitel im Auftrag des ZDF“. Solche Zeilen filtert der Server zusätzlich heraus.
Was mit Ihrer Aufnahme passiert
Die Tonspur liegt während der Verarbeitung in einem eigenen, nur für diesen Auftrag angelegten temporären Ordner. Sobald sie in das Arbeitsformat umgewandelt ist, wird die hochgeladene Datei gelöscht. Sobald der Text fertig ist, folgt die Arbeitsdatei. Mit der Auslieferung an Ihren Browser verwirft der Server auch den Text. Holen Sie das Ergebnis nicht ab, etwa weil Sie die Seite schließen, löscht ein Prüflauf alles spätestens 30 Minuten, nachdem der Text fertig ist; die Wartezeit in der Warteschlange zählt dabei nicht mit. Ein abgebrochener Upload ist 30 Minuten nach dem Anlegen weg. Mit „Abbrechen“ geht es sofort.
Unser Transkriptionsdienst protokolliert je Auftrag nur Dauer, Größe und Status. Kein Dateiname, kein Text, keine IP-Adresse, auch nicht die Namen und Fachbegriffe, die Sie angeben; die liegen nur für die Dauer des Auftrags im Arbeitsspeicher. Auch der Webserver davor schreibt für diese Adresse kein Zugriffsprotokoll. Für die Grenze von einer Aufnahme pro Stunde hält der Server einen gesalzenen Hash Ihrer IP-Adresse im Arbeitsspeicher, also eine Prüfsumme, aus der sich die Adresse nicht zurückrechnen lässt; das Salz entsteht bei jedem Neustart neu. Wir geben nichts weiter und trainieren kein Modell mit Ihren Aufnahmen. Die Erkennung läuft vollständig auf unserem eigenen Rechner, ohne Cloud-Dienst eines Dritten. Der Weg dorthin führt verschlüsselt über Cloudflare: Cloudflare leitet die Tonspur nur durch und sieht dabei, wie bei jedem Aufruf dieser Website, Ihre IP-Adresse (Einzelheiten in der Datenschutzerklärung).
Kann Ihr Browser eine Datei nicht selbst lesen, sagt die Seite das und bietet an, die Datei unverändert zu senden. Das passiert nur, wenn Sie den Knopf dafür drücken. Bei einem Video ginge dann die ganze Datei an den Server, deshalb fragt die Seite vorher.
WhatsApp-Sprachnachricht als Datei speichern
Eine Sprachnachricht steckt zunächst in WhatsApp. Um sie hier abtippen zu lassen, braucht es sie als Datei. Am iPhone halten Sie die Nachricht gedrückt, tippen auf „Weiterleiten“ und dann unten rechts auf das Teilen-Symbol. Dort wählen Sie „In Dateien sichern“. Danach finden Sie sie beim Auswählen auf dieser Seite unter „Durchsuchen“. Bei Android halten Sie die Nachricht gedrückt, tippen auf „Teilen“ und legen sie in „Dateien“ oder Google Drive ab. Die Menüs heißen je nach WhatsApp-Version etwas anders, der Weg bleibt gleich. Die Datei endet fast immer auf .opus oder .ogg.
Wenn WhatsApp beim eigenen Transkript „Deutsch nicht verfügbar“ meldet, hilft dieser Umweg ebenso. Das Werkzeug ist auf Deutsch voreingestellt. Es hört trotzdem zuerst kurz hin: Ist die Aufnahme sicher in einer anderen Sprache, etwa Türkisch oder Arabisch, schreibt es sie in dieser Sprache ab und sagt das über dem Text. Ist es sich nicht sicher, bleibt es bei Deutsch. Das ist Absicht, denn bei sehr kurzen oder verrauschten deutschen Nachrichten hat die reine automatische Erkennung in unserem Test öfter falsch geraten, etwa Englisch oder Koreanisch. Andere Sprachen erkennt das Werkzeug selbst, rund 100 Sprachen; am besten klappt es bei Englisch, Türkisch, Russisch, Polnisch, Spanisch, Französisch und Italienisch, Arabisch und Hindi sind fehleranfälliger. Gemessen haben wir das am 05.10.2026 mit demselben Satz in 14 Sprachen, gesprochen von den macOS-Stimmen.
Wie genau das Ergebnis ist
Gemessen haben wir am 02.10.2026 mit einem deutschen Text von 90 Wörtern, gesprochen von der macOS-Stimme „Anna“. Gezählt wird die Wortfehlerrate: falsche, fehlende und überzählige Wörter geteilt durch die Wörter des Originals.
- Saubere Aufnahme (M4A, 35 Sekunden): 1 von 90 Wörtern abweichend, 1,1 %. Die eine Abweichung war „10“ statt „zehn“.
- Dieselbe Aufnahme mit Hall, Rauschen, Telefon-Frequenzband und Opus mit 16 kbit/s, also ungefähr eine Sprachnachricht aus dem Auto: 2 von 90, 2,2 % („Nebenposten“ statt „Nebenkosten“).
- Eine stark künstliche Computerstimme (macOS „Reed“) mit verwaschener Aussprache: 53 %. Was ein Mensch kaum versteht, versteht auch die Erkennung schlecht.
Saubere Computerstimmen sind leichter als echte Menschen. Rechnen Sie bei Dialekt, Nuscheln, Wind oder mehreren Leuten durcheinander mit deutlich mehr Fehlern. Eigennamen, seltene Fachwörter und Abkürzungen sind die häufigste Fehlerquelle. Die Erkennung trennt keine Sprecher: Bei einem Gespräch steht alles in einem Text, ohne „Person A“ und „Person B“.
Untertitel als SRT und VTT, Text als Word-Datei
Neben dem Fließtext liefert das Werkzeug zwei Untertiteldateien mit Zeitstempeln je Satzabschnitt. Die SRT-Datei folgt dem SubRip-Format: laufende Nummer, eine Zeitzeile wie „00:01:02,450 --> 00:01:05,100“, dann der Text und eine Leerzeile. Sie lässt sich in VLC zu einem Video laden, in YouTube Studio als Untertitel hochladen und in Schnittprogramme wie DaVinci Resolve oder Premiere importieren. Die VTT-Datei ist das Format nach W3C WebVTT, mit Punkt statt Komma vor den Millisekunden. Sie gehört über das track-Element in ein Video auf einer Webseite. Die Textdatei (TXT) öffnet jedes Programm. Die Word-Datei (DOCX) erzeugt Ihr Browser selbst aus dem Text, mit einer Überschrift und einer Zeile zu Dauer und Modell darüber; sie öffnet in Word, LibreOffice und Pages. Die Dateinamen übernimmt das Werkzeug von Ihrer Aufnahme.
Grenzen, Wartezeit und Dauer
Eine Aufnahme darf bis zu 2 Stunden lang sein. Die vorbereitete Tonspur hat dann rund 115 MB; mehr als 250 MB nimmt der Server nicht an. Je Stunde und Anschluss ist eine Aufnahme möglich; wann die nächste geht, zeigt die Seite unter dem Knopf an. Der Server arbeitet einen Auftrag nach dem anderen ab, wer gerade dran ist, sieht seinen Platz in der Warteschlange.
Mit dem schnellen Modell liegt die Rechenzeit bei etwa einem Zwanzigstel der Aufnahmedauer, mit „Genau“ bei etwa einem Sechstel, dazu kommt die Warteschlange. Deshalb nimmt „Genau“ höchstens 30 Minuten an; für längere Aufnahmen bleibt „Schnell“ mit bis zu 2 Stunden. Unsere 35 Sekunden lange Probe war in 2,7 Sekunden abgetippt. Eine Stunde Ton braucht nach dieser Rechnung drei bis sechs Minuten. Länger dauert oft das Senden: Bei 10 Mbit/s im Upload braucht eine Stunde Ton etwa 50 Sekunden, über mobiles Netz kann es mehr werden. Lassen Sie die Seite offen, bis der Text erscheint. Ist unser Server nicht erreichbar, sagt die Seite das gleich beim Laden.
Die Seite nimmt Opus und OGG aus WhatsApp, M4A von der iPhone-Sprachmemo-App, MP3, WAV, FLAC, AAC sowie Videos als MP4, MOV und WebM. Die Bildspur eines Videos wird nicht gesendet. Kopiergeschützte Dateien und Links auf Videos im Netz gehen nicht; das Werkzeug arbeitet nur mit Dateien auf Ihrem Gerät.
Für Kanzleien, Praxen und Betriebe: Diktate auf dem eigenen Rechner
Dieses Werkzeug ist für Privatleute gedacht. Wer beruflich Diktate von Mandanten oder Patienten abtippen lassen will, sollte sie nicht an einen fremden Server schicken, auch nicht an unseren. Dieselbe Erkennung läuft auch auf einem Mac mit Apple-Chip oder einem Windows-PC in Ihrem Büro, ohne Internet. Wie das aussieht und was es kostet, steht auf der Seite Diktat-Transkription ohne Cloud.