MP3-zu-Text-Konverter — KI-Transkription

Die Komprimierung, die Sie hören, ist nicht die, die sie liest

MP3 verwirft die Frequenzen, die Ihre Ohren nicht vermissen werden, und die Spracherkennung folgt derselben Logik gern: Was ein Transkript braucht — Phoneme, Silbengrenzen, der Tonhöhenverlauf eines Satzes —, übersteht gewöhnliche MP3-Komprimierung unversehrt. Ein mit normaler Bitrate exportierter Podcast trägt im Wesentlichen den gesamten sprachlichen Inhalt mit sich, den die Engine braucht; Transkribieren aus MP3 ist also überhaupt kein Kompromiss. Sprache nimmt einen viel schmaleren Frequenzbereich ein als Musik, und gewöhnliche Bitraten bewahren diesen Bereich großzügig — hörbare Artefakte leben in Becken und Nachhallausklingen, nicht darin, ob jemand fünfzehn oder fünfzig gesagt hat.

Technisch wird Ihre Datei zuerst in sauberes WAV-Audio dekodiert, und die FunASR-Transkriptionspipeline läuft darauf. Die Zwischendatei sehen Sie nie; sie existiert, damit das akustische Modell stets eine einheitliche Eingabe vorfindet, welche Bitrate oder Abtastrate Ihr MP3 auch verwendet. Für Sie ist das Format nur die Verpackung; für die Engine waren die Wörter immer die Nutzlast.

Drei Dateien, wenn das Audio sie hergibt

Die TXT-Datei ist das Kernartefakt: die vollständige Transkription als Klartext, bereit zum Zitieren, Bearbeiten oder Archivieren. Jeder erfolgreiche Job erzeugt sie, und es braucht keine spezielle Software, um sie zu öffnen — es ist das Format, das jede Notiz-App, jeder Editor und jedes Chatfenster ohne Zögern akzeptiert.

Die SRT- und Dialogdateien sind Extras nach besten Kräften, keine Versprechen. Sie beruhen darauf, was die Engine über Timing und Segmentierung erschließen kann; spärliche Sprache, ineinanderredende Menschen und lange Stille können ihr zu wenig Material lassen, und eine oder beide können fehlen. Ein Job, der nur das TXT zurückgibt, ist erfolgreich — die Seite tut nicht so, als kämen die drei Dateien immer zusammen. Wenn sie erscheinen, hält das SRT seine Zeitstempel mit dem Audio synchron, und die Dialogdatei gruppiert Äußerungen in lesbare Blöcke.

Wenn Untertitel für Ihren Workflow zählen, prüfen Sie die Ergebnisseite, bevor Sie den Tab schließen: Jedes erzeugte Artefakt ist dort aufgeführt, und ein fehlendes SRT sagt etwas über Ihr Audio, nicht über den Job.

Wo es glänzt, wo es schwächelt

Die Engine ist die FunASR-Pipeline auf Basis von paraformer-zh, einem für Chinesisch optimierten Modell. Chinesische Sprache transkribiert am besten, und chinesisch-englische Mischsprache — so klingen Tech-Meetings und Produktrezensionen wirklich — ist eine echte Stärke: Das Modell wechselt mitten im Satz die Sprache, ohne den Faden zu verlieren. Eine Aufnahme, die einen Mandarin-Vortrag mit englischen Produktnamen, API-Erwähnungen und Zahlen mischt, ist genau der Fall, für den das Modell abgestimmt wurde.

Rein fremdsprachiges Audio ist die offene Schwachstelle: Nur-englische Aufnahmen und andere Sprachen liefern begrenzte Qualität, und laute Räume oder starke Akzente drücken sie weiter nach unten. Das klar zu sagen ist besser, als Ihnen ein selbstbewusst falsches Transkript zu geben.

Zwei Grenzen gelten zusätzlich. Audio länger als 30 Minuten wird nicht angenommen — teilen Sie lange Aufnahmen, bevor Sie sie hochladen. Und Sprecherinformationen in den Ergebnissen sind das, was die Engine liefert: Sie können fehlen, und eine feste Zusage zur Sprechertrennung wird nicht gegeben.

Zeitraum, Kosten und Privatsphäre

Die meisten Konvertierungen sind in wenigen Minuten fertig; die Obergrenze für eine Aufgabe liegt bei etwa 45 Minuten, was auch die langsamsten angenommenen Aufnahmen abdeckt, und der Fortschritt wird angezeigt, während die Engine arbeitet. Das Dekodieren der MP3 schlägt kaum zu Buche — die Transkription dominiert die Uhr. Eine 30-minütige Aufnahme ist der schwerste angenommene Fall, und die Obergrenze ist auf ihn bemessen.

Das Werkzeug ist kostenlos, kein Konto erforderlich, und Ihre hochgeladene MP3 wird zusammen mit jeder erzeugten Datei automatisch innerhalb von 24 Stunden gelöscht. Uploads reisen über HTTPS, die Verarbeitung geschieht im Speicher auf dem Konvertierungscluster, und kein Werbenetzwerk von Dritten beobachtet die Seite. Eine E-Mail-Adresse wird zu keinem Zeitpunkt abgefragt.