Sprachnachricht in Text umwandeln
Kostenlos, im Browser, ohne Upload. Für WhatsApp-Sprachnachrichten, iPhone-Sprachmemos, MP3 und andere Audiodateien.
Das Sprachmodell wird einmalig geladen, deine Audiodatei verlässt den Browser nicht.
WhatsApp-Sprachnachricht in Text: so geht's
Du hast eine Sprachnachricht bekommen und kannst sie gerade nicht anhören? Speichere sie als Datei und mach in wenigen Schritten Text daraus.
iPhone
- Sprachnachricht in WhatsApp gedrückt halten.
- Teilen wählen (gegebenenfalls über "Mehr").
- "In Dateien sichern" wählen und einen Ordner bestimmen.
- Diese Seite in Safari, Chrome oder Edge öffnen, Datei auswählen, Transkribieren tippen.
Android
- Sprachnachricht in WhatsApp gedrückt halten und Teilen wählen, oder die Datei im Dateimanager öffnen.
- Die Dateien liegen im WhatsApp-Ordner unter Media / WhatsApp Voice Notes. Der genaue Pfad hängt von der Android-Version ab.
- Hier die Datei auswählen und Transkribieren tippen.
WhatsApp speichert Sprachnachrichten als Opus-Datei. Diese Seite liest das Format in allen aktuellen Browsern, auch in Safari. Bei Opus-Dateien in Safari wird dafür einmalig ein kleiner Zusatz geladen.
iPhone-Sprachmemos und MP3 in Text umwandeln
Sprachmemos vom iPhone sind M4A-Dateien. In der Sprachmemos-App tippst du auf die Aufnahme, dann auf die drei Punkte und wählst "Teilen" oder "In Dateien sichern". Danach wählst du die Datei hier aus.
MP3-Dateien, Aufnahmen vom Diktiergerät, Interviews, Podcasts oder Vorlesungen funktionieren genauso. Stelle die Sprache ein, wenn die Aufnahme nicht Deutsch ist, oder lass sie automatisch erkennen. Mit der Option "Zeitmarken anzeigen" bekommst du vor jedem Abschnitt die Position in der Aufnahme.
Datenschutz: warum die Umwandlung lokal läuft
Sprachnachrichten sind privat: Familie, Gesundheit, Kunden, Geschäftliches. Viele Online-Dienste verlangen, dass du die Datei hochlädst. Hier passiert die Umwandlung auf deinem Gerät. Das Sprachmodell wird einmalig in den Browser geladen und danach zwischengespeichert, deine Audiodatei und der Text werden nicht übertragen und nicht gespeichert.
Mehr zum Prinzip steht unter lokale Spracherkennung, die rechtliche Seite beschreibt der Beitrag Transkription und Datenschutz.
Grenzen, ehrlich benannt
- Erste Nutzung: Das Sprachmodell muss einmal geladen werden (je nach Auswahl 40 bis 250 MB). Danach startet es schneller.
- Geschwindigkeit: Sie hängt von deinem Gerät ab. Auf einem alten Handy kann eine Aufnahme länger dauern als ihre Spielzeit.
- Genauigkeit: Sie hängt von Audioqualität, Sprechweise und Hintergrundgeräuschen ab. Namen und Fachbegriffe werden öfter falsch geschrieben.
- Sprecher: Dieses Werkzeug trennt keine Sprecher und setzt keine Absätze nach Sprecherwechsel.
- Dateien: Nur Formate, die dein Browser lesen kann. Etwa 30 Minuten pro Datei.
Für unterwegs: die Bygmind-App
Die App transkribiert direkt am Handy, auch offline, in 25 Sprachen und mit Sprechererkennung. Aus Aufnahmen macht sie auf Wunsch fertige Berichte.
Häufige Fragen
Nein. Die Umwandlung läuft komplett in deinem Browser. Nur das Sprachmodell selbst wird beim ersten Mal einmalig von huggingface.co geladen und danach im Browser-Cache gehalten. Deine Audiodatei und der Text verlassen dein Gerät nicht.
Ja. Es gibt keine Registrierung, kein Limit pro Tag und kein Abo. Du zahlst mit etwas Rechenzeit deines Geräts, denn die Arbeit passiert bei dir und nicht auf einem Server.
Speichere die Sprachnachricht als Datei (iPhone: Nachricht gedrückt halten, Teilen, in Dateien sichern; Android: über Teilen oder aus dem WhatsApp-Ordner Voice Notes). Dann die Datei hier hineinziehen oder auswählen und auf Transkribieren tippen. Unten steht die Anleitung Schritt für Schritt.
Alles, was dein Browser abspielen kann: typischerweise MP3, M4A (iPhone-Sprachmemos), WAV, AAC, FLAC, WebM sowie Opus und OGG (WhatsApp, Telegram). Opus und OGG funktionieren in allen aktuellen Browsern, auch in Safari auf dem iPhone.
Bis etwa 30 Minuten. Die Dauer hängt von deinem Gerät ab: Mit einer schnellen Grafikeinheit geht es oft deutlich schneller als die Aufnahme lang ist, auf älteren Geräten kann es länger dauern als die Aufnahme selbst. Die Einstellung "Schneller" verkürzt die Wartezeit auf Kosten der Genauigkeit.
Bei klarer Sprache und wenig Hintergrundgeräusch ist das Ergebnis meist gut lesbar. Dialekte, Fachbegriffe, Namen, Rauschen und mehrere Sprecher durcheinander sorgen für Fehler. Lies den Text deshalb einmal gegen, bevor du ihn weitergibst. Die Einstellung "Genauer" lädt ein größeres Sprachmodell und liefert meist bessere Ergebnisse.