Audio in Text umwandeln
Wandle Sprachnachrichten, Meetings, Vorlesungen und Videos in wenigen Minuten in Text um. Kostenlos starten, ohne Anmeldung.
Kostenlos ohne Anmeldung: 1 Datei pro Tag mit bis zu 10 Minuten. Die Audiodatei wird nach 7 Tagen automatisch gelöscht.
- Audio- und Videodateien, mit Pro bis zu 10 Stunden
- 20 Sprachen oder automatische Erkennung
- Export als TXT, Word, SRT, VTT und JSON
- Audiodateien werden nach 7 Tagen gelöscht
So sieht ein fertiges Transkript aus
Drücke auf Play oder klicke auf eine Zeile, um die Stelle anzuhören. Deine eigenen Aufnahmen kommen genauso zurück, mit einem Zeitstempel pro Abschnitt.
So wandelst du Audio in Text um
- Datei auswählen. Ziehe eine Audio- oder Videodatei in das Feld oben oder klicke, um sie auf deinem Computer oder Handy auszuwählen.
- Sprache prüfen. Deutsch ist bereits ausgewählt. Wenn in der Aufnahme eine andere Sprache gesprochen wird, ändere sie vor dem Start.
- Transkription starten. Der Browser bereitet die Tonspur auf und lädt sie hoch. Den Fortschritt siehst du direkt auf der Seite.
- Prüfen und herunterladen. Lies den Text mit Zeitstempeln, höre dir einzelne Stellen an und kopiere ihn oder lade ihn als TXT, Word, SRT, VTT oder JSON herunter.
Was du hochladen kannst
VoceText liest die Audio- und Videodateien, die Handys, Aufnahmegeräte und Meeting-Apps üblicherweise erzeugen:
- Audio: MP3, M4A, WAV, OGG, Opus, FLAC und AAC, auch Sprachmemos und WhatsApp-Sprachnachrichten.
- Video: MP4, MOV, WebM und MKV, auch Bildschirmaufnahmen und gespeicherte Calls aus Zoom, Meet oder Teams.
Hochgeladen wird nur der Ton. Der Browser trennt die Tonspur ab und komprimiert sie vorher. Das Bild eines Videos verlässt dein Gerät also nicht, und ein zweistündiges Video wird als kleine Audiodatei hochgeladen. Die Limits richten sich nach der Länge der Aufnahme: 10 Minuten ohne Konto, 30 Minuten mit einem kostenlosen Konto und 10 Stunden mit Pro.
Was du bekommst
Jedes Transkript enthält Satzzeichen, Absätze und einen Zeitstempel pro Abschnitt. Wähle den Download passend zu dem, was du danach vorhast:
| Format | Geeignet für |
|---|---|
| TXT | Notizen, Artikel, Zitate und alles, was du in ein Dokument einfügst |
| Word (DOCX) | Interviewtranskripte, Abschlussarbeiten, Berichte und alles, was du als Dokument bearbeitest oder weitergibst, mit Zeitstempeln und Sprechern |
| SRT | Untertitel für YouTube, Videoeditoren und Social Video |
| VTT | Untertitel für Videoplayer im Web |
| JSON | Abschnitte mit Zeitangaben für Entwickler und Automatisierung |
Mit einem kostenlosen Konto oder mit Pro kannst du den Text außerdem im Editor korrigieren: Klicke auf einen Zeitstempel, höre genau diese Stelle, verbessere das Wort und speichere.
Genauigkeit und wie du ein besseres Transkript bekommst
Eine klare Aufnahme mit einer sprechenden Person braucht meist nur kleine Korrekturen. Mit echten Aufnahmen haben wir die Genauigkeit noch nicht gemessen. Der Test vor dem Start nutzte computergenerierte Sprache: je einen kurzen Clip mit 25 bis 40 Wörtern auf Deutsch, Englisch, Portugiesisch, Spanisch und Italienisch. Bei ausgewählter Sprache kamen die sauberen Clips ohne Wortfehler zurück. Mit hinzugefügtem Rauschen, Telefonqualität oder schnellerem Sprechtempo blieben 11 von 15 Clips fehlerfrei, der schlechteste hatte drei falsche Wörter. Echte Aufnahmen sind schwieriger: Rechne mit mehr Korrekturen und probiere es mit einer eigenen Datei aus.
Drei Dinge verbessern das Ergebnis am stärksten:
- Nimm nah an der sprechenden Person auf. Ein Handy auf dem Tisch neben ihr ist besser als ein Laptop-Mikrofon am anderen Ende des Raums.
- Wähle die Sprache aus, statt dich auf die Erkennung zu verlassen, wenn die Aufnahme kurz oder verrauscht ist oder die Sprecher schnell wechseln.
- Vermeide, dass mehrere Personen gleichzeitig sprechen. Überlappende Stimmen sind der häufigste Grund für fehlende Wörter.
Stille Passagen werden vor der Transkription entfernt. Das verhindert erfundene Sätze, die Spracherkennung manchmal dort einfügt, wo niemand spricht.
Wie lange es dauert
Die Transkription läuft um ein Vielfaches schneller als die Wiedergabe. In Tests des Sprachmodells vor dem Start wurden Aufnahmen von 5, 10, 20 und 30 Minuten 11- bis 16-mal schneller transkribiert, als sie dauern; die 30-Minuten-Aufnahme brauchte etwa zweieinhalb Minuten. Das waren Testanfragen, keine Messungen des laufenden Dienstes, die Werte sind also nur ein Anhaltspunkt. VoceText teilt lange Aufnahmen in 10-Minuten-Abschnitte und verarbeitet bis zu vier gleichzeitig. Dazu kommt die Zeit, die dein Browser für die Aufbereitung und deine Verbindung für den Upload braucht. Du kannst die Seite geöffnet lassen und später zum fertigen Transkript zurückkehren.
Deine Dateien und Datenschutz
- Audiodateien werden nach 7 Tagen automatisch gelöscht. Sie bleiben nur gespeichert, damit du sie beim Prüfen des Transkripts anhören kannst.
- Transkripte ohne Konto werden nach 24 Stunden gelöscht. Kostenlose Konten behalten Transkripte 30 Tage, Pro bis du sie löschst.
- Deine Aufnahmen werden nicht zum Training von KI-Modellen verwendet, und wir verkaufen deine Daten nicht.
- Du kannst ein Transkript samt Audiodatei jederzeit selbst löschen, direkt in deinem Dashboard.
Die Einzelheiten stehen in der Datenschutzerklärung (auf Englisch).
Wofür VoceText genutzt wird
- Sprachnachrichten – lange Sprachnachrichten lesen statt anhören oder wichtige Infos schriftlich festhalten.
- Meetings und Interviews – ein durchsuchbares Protokoll, um Beschlüsse festzuhalten oder Aussagen wörtlich zu zitieren.
- Vorlesungen und Seminare – mit dem Text lernen statt die Aufnahme immer wieder zurückzuspulen.
- Videos und Podcasts – Untertitel und Shownotes aus deinen eigenen Inhalten erstellen.
Warum VoceText
Die Audiospur wird vor dem Upload in deinem Browser vorbereitet. Ein zweistündiges Video wird so als kleine Audiodatei hochgeladen. Lange Aufnahmen werden an natürlichen Sprechpausen geteilt, parallel transkribiert und anschließend mit korrekten Zeitstempeln zu einem Text zusammengeführt. Stille Passagen werden vorher entfernt. Das verhindert erfundene Sätze, die andere Tools manchmal in Abschnitte ohne Sprache einfügen.
Limits von Gratis-Tarif und Pro im Überblick
| Ohne Konto | Kostenloses Konto | Pro | |
|---|---|---|---|
| Preis | Kostenlos | Kostenlos | $10/Monat oder $96/Jahr |
| Dateien pro Tag | 1 | 3 | Kein Tageslimit |
| Maximale Dateilänge | 10 Minuten | 30 Minuten | 10 Stunden |
| Monatskontingent | Nur Tageslimit | 10 Stunden | 100 Stunden |
| Sprechererkennung | Nicht enthalten | Nicht enthalten | Bis zu 10 Stunden pro Monat |
| Transkripte bearbeiten und speichern | Nicht enthalten | Enthalten | Enthalten |
| Download-Formate | TXT, DOCX, SRT, VTT, JSON | TXT, DOCX, SRT, VTT, JSON | TXT, DOCX, SRT, VTT, JSON |
| Transkripte gespeichert für | 24 Stunden | 30 Tage | Bis du sie löschst |
Häufig gestellte Fragen
Ist VoceText kostenlos?
Ja. Ohne Anmeldung kannst du täglich 1 Datei mit bis zu 10 Minuten transkribieren. Mit einem kostenlosen Konto sind es 3 Dateien pro Tag mit jeweils bis zu 30 Minuten, insgesamt bis zu 10 Stunden im Monat. Pro hebt das Tageslimit auf, unterstützt Dateien mit bis zu 10 Stunden und enthält 100 Stunden Transkription im Monat.
Kann ich WhatsApp-Sprachnachrichten umwandeln?
Ja. WhatsApp-Sprachnachrichten sind .opus-Dateien, die VoceText direkt lesen kann. Auf dem iPhone speichert WhatsApp Sprachnachrichten nur in der App: Leite die Nachricht an deine E-Mail-Adresse weiter und sichere den Anhang. Auf Android nutzt du die Teilen-Funktion. Die Schritte stehen auf der Seite Sprachnachricht in Text umwandeln.
Wie genau ist die Transkription auf Deutsch?
Bei klaren Aufnahmen enthält der Text nur wenige Fehler, auch bei regionalen Akzenten. Hintergrundgeräusche und mehrere gleichzeitig sprechende Personen verringern die Genauigkeit. Mit einem Konto kannst du jedes Wort im Editor korrigieren.
Wie lange dauert es?
Deutlich kürzer als die Aufnahme selbst. In Tests vor dem Start wurden Aufnahmen von 5 bis 30 Minuten 11- bis 16-mal schneller transkribiert, als sie abgespielt werden. Das waren Testanfragen, keine Messungen des laufenden Dienstes. Dazu kommen die Aufbereitung im Browser und der Upload, die Gesamtdauer hängt also von deinem Gerät und deiner Verbindung ab.
Was passiert mit meiner Audiodatei?
Die Audiodatei wird nur für deine Transkription verwendet und nach 7 Tagen automatisch gelöscht. Transkripte ohne Konto werden nach 24 Stunden gelöscht. Wir verwenden deine Aufnahmen und Transkripte nicht zum Training von KI-Modellen, und du kannst deine Dateien jederzeit selbst löschen.
Brauche ich ein Konto?
Nein. Du kannst eine Datei hochladen und das Transkript ohne Anmeldung herunterladen. Mit einem kostenlosen Konto steigen die Limits, du kannst den Text bearbeiten und Transkripte bleiben 30 Tage statt 24 Stunden gespeichert. Meldest du dich nach dem Transkribieren an, wandert das Transkript aus diesem Browser in dein Konto.
Welche Dateiformate kann ich hochladen?
Die meisten Audio- und Videoformate: MP3, M4A, WAV, OGG, Opus, FLAC, AAC, MP4, MOV, WebM und MKV. Der Browser extrahiert die Tonspur vor dem Upload, deshalb sind auch große Videos schnell hochgeladen.
Wie lang darf eine Aufnahme sein?
Bis zu 10 Minuten ohne Konto, 30 Minuten mit einem kostenlosen Konto und 10 Stunden mit Pro. Entscheidend ist die Länge der Aufnahme, ein langes Video zählt also nach seiner Laufzeit.
Welche Sprachen werden unterstützt?
Du kannst aus 20 Sprachen wählen, darunter Deutsch, Englisch, Spanisch, Portugiesisch, Italienisch, Französisch, Japanisch und Chinesisch, oder die Sprache automatisch erkennen lassen. Der Text erscheint in der gesprochenen Sprache; VoceText übersetzt nicht.
Erkennt VoceText verschiedene Sprecher?
Ja, mit Pro. Aktiviere vor dem Start „Sprecher erkennen“, dann wird jeder Absatz mit einer Sprechernummer versehen. Pro enthält Sprechererkennung für bis zu 10 Stunden Audio im Monat.
Kann ich das Transkript bearbeiten?
Ja, mit einem kostenlosen Konto oder mit Pro. Klicke auf einen Zeitstempel, um die Stelle anzuhören, korrigiere den Text und speichere. Ohne Konto ist das Transkript schreibgeschützt, du kannst es aber kopieren und in allen Formaten herunterladen.
Kann ich Untertitel für ein Video erstellen?
Ja. Lade das Video hoch und lade anschließend die SRT- oder VTT-Datei herunter. Beide enthalten die Zeiten für jede Zeile und lassen sich bei YouTube, in CapCut und in den meisten Videoeditoren verwenden.
Kann ich einen YouTube-Link transkribieren?
Über einen Link nicht. VoceText arbeitet mit Dateien: Lade die Audio- oder Videodatei hoch, die auf deinem Gerät liegt.
Was kostet Pro und kann ich kündigen?
Pro kostet 10 US-Dollar im Monat oder 96 US-Dollar bei jährlicher Zahlung. Du kannst jederzeit in den Abrechnungseinstellungen kündigen und behältst Pro bis zum Ende des bezahlten Zeitraums.