Audio & Video zu Untertiteln (KI)

Sprache mit Whisper in SRT, VTT oder Text umwandeln, direkt im Browser

Läuft in Ihrem Browser

Audio- oder Videodatei ablegen

MP3, WAV, M4A, OGG, MP4, WebM und alles, was Ihr Browser abspielen kann

Die Datei bleibt auf Ihrem Gerät. Nur das KI-Modell wird einmal geladen und vom Browser gespeichert.

Beim ersten Mal wird das Modell geladen, danach startet es sofort. Lange Dateien brauchen ohne WebGPU eine Weile.

Wie funktioniert KI-Transkription im Browser?

Dieses Tool führt das offene Spracherkennungsmodell Whisper von OpenAI mit transformers.js auf Ihrem eigenen Gerät aus. Der Browser dekodiert die Tonspur, rechnet sie auf 16 kHz um, und das Modell macht aus jedem 30-Sekunden-Fenster Text mit Start- und Endzeit. Diese Abschnitte werden zu SRT- oder WebVTT-Einträgen oder einem reinen Transkript. Das Modell wird einmal vom Hugging Face Hub geladen und vom Browser zwischengespeichert; der Ton selbst wird nirgendwohin gesendet. Wenn verfügbar, nutzt es die Grafikkarte über WebGPU, sonst den Prozessor.

Anwendungsfälle

  • Untertitel für ein Video auf YouTube, TikTok, CapCut oder Premiere erstellen, ohne sie abzutippen
  • Ein Transkript eines Interviews, einer Vorlesung, eines Meetings oder Podcasts erhalten
  • Eine Sprachnachricht oder kurze Audionotiz in Text umwandeln
  • Fremdsprachige Sprache in englische Untertitel übersetzen

Wann verwenden?

Gut geeignet für deutliche Sprache in Dateien bis etwa eine Stunde. Schnell passt zu kurzen Clips und Entwürfen, Ausgewogen ist ein guter Standard, Genau ist bei Akzenten und Störgeräuschen deutlich besser, aber ein größerer Download und ohne Grafikkarte langsamer. Wählen Sie die gesprochene Sprache, wenn Sie sie kennen, da die automatische Erkennung bei kurzen Clips danebenliegen kann. Lesen Sie das Ergebnis vor dem Veröffentlichen: Namen und Fachbegriffe sind typische Fehler, und mit dem Untertitel-Konverter lässt sich die Zeit danach verschieben.

Beispiele

  1. SRT-Untertitel für ein Video erstellen

    Eingabe

    Ein 2-minütiges MP4-Interview auf Deutsch. Modell: Ausgewogen. Sprache: Deutsch. Ausgabe: Gleiche Sprache.

    Ausgabe

    Eine .srt-Datei mit etwa 30 zeitgestempelten Abschnitten auf Deutsch, bereit für Player oder Schnittprogramm.

  2. Einen Vortrag in englische Untertitel übersetzen

    Eingabe

    Ein spanischer Podcast-Ausschnitt (M4A). Modell: Genau. Ausgabe: Ins Englische übersetzen.

    Ausgabe

    Englische Untertitel mit den ursprünglichen Zeiten, als SRT, VTT oder Text.

Fragen und Antworten

Wird mein Audio auf einen Server hochgeladen?

Nein. Die Datei wird im Browser dekodiert und transkribiert. Geladen wird nur das KI-Modell vom Hugging Face Hub, das der Browser dann speichert.

Welches Modell soll ich wählen?

Beginnen Sie mit Ausgewogen. Schnell für kurze Clips oder langsame Rechner, Genau für Akzente, Hintergrundgeräusche oder wichtige Arbeiten, wenn Sie den größeren Download abwarten können.

Warum ist es langsam?

Spracherkennung ist rechenintensiv. Mit WebGPU (aktuelles Chrome, Edge, Safari) läuft sie auf der Grafikkarte deutlich schneller, sonst auf dem Prozessor. Lassen Sie den Tab bis zum Ende offen.

Welche Sprachen werden unterstützt?

Whisper erkennt etwa 100 Sprachen, am genauesten verbreitete wie Englisch, Spanisch, Chinesisch, Japanisch und Deutsch. Übersetzt wird immer ins Englische.

Quellen und Standards

Alle Tools