Video transkribieren

Nein. Das Spracherkennungsmodell wird in Ihren Browser geladen, die Transkription läuft auf Ihrem eigenen Rechner — die Aufnahme wird weder an uns noch an sonst jemanden gesendet. Sie können nach dem Laden des Modells die Internetverbindung trennen, es funktioniert trotzdem.

Ja, und es fragt das Spracherkennungsmodell selbst — dasselbe Modell, das transkribiert, erkennt auch Sprachen. Bei unserer niederländischen Testaufnahme nannte es Niederländisch mit 96 % Sicherheit. Die gewählte Sprache erscheint im Auswahlfeld, sobald sie feststeht — Sie sehen also, dass es stimmt, oder brechen nach Sekunden ab. Wenn Sie die Sprache kennen, ist es am sichersten, sie selbst anzugeben.

Das hängt von der Qualitätsstufe und Ihrem Computer ab, und jede Stufe zeigt ungefähr, wie lange eine Minute Aufnahme dauert. Das Tool nutzt den Grafikchip, wenn der Browser einen anbietet, und rechnet sonst auf allen Prozessorkernen gleichzeitig. Auf dem Desktop-Rechner, den wir gemessen haben, dauerte ein zehnminütiges Video mit Grafikchip auf „Besser“ etwa anderthalb Minuten und ohne Grafikchip auf „Gut“ etwa zweieinhalb Minuten. „Am besten“ braucht ungefähr so lange wie die Aufnahme selbst. Während es läuft, wird die Schätzung genauer, weil sie Ihren Rechner misst, statt zu raten.

Über zwanzig, darunter Deutsch, Englisch, Dänisch, Niederländisch, Französisch, Spanisch, Italienisch, Polnisch, Finnisch, Schwedisch, Norwegisch, Portugiesisch, Russisch, Ukrainisch, Türkisch, Arabisch, Hindi, Japanisch, Koreanisch und Chinesisch. Wählen Sie die Sprache vor dem Start, oder lassen Sie sie aus dem Ton bestimmen — siehe unten.

Ins Englische ja, dafür gibt es eine Einstellung. Das Modell kann aufschreiben, was es hört, oder ins Englische übersetzen — andere Sprachpaare beherrscht es nicht. Deutsch nach Französisch ist damit nicht möglich, und wir bieten es lieber gar nicht an als schlecht.

Alles, was Ihr Browser abspielen kann: MP4, MOV, WebM, MKV und AVI als Video sowie MP3, M4A, WAV, FLAC, OGG und Opus als Audio. Der Ton wird direkt aus dem Video gelesen, Sie müssen ihn nicht vorher extrahieren.

Als reinen Text, Word (.docx), PDF, Markdown, CSV für die Tabellenkalkulation, JSON sowie als SRT- oder VTT-Untertitel. Die Dokumentformate können einen Zeitstempel pro Absatz tragen, die Untertiteldateien die Zeiten, die ein Videoplayer braucht.

Gut, aber nicht fehlerfrei — und das sagen wir lieber. Bei einem neunminütigen niederländischen Interview stimmte es fast Wort für Wort mit einem Desktop-Programm überein; Fehler betreffen meist Eigennamen, worin Spracherkennung generell am schwächsten ist. Lesen Sie das Ergebnis durch, bevor Sie sich darauf verlassen.

Zwanzig Minuten pro Datei. Das ist eine Speichergrenze und keine Regel — dekodierter Ton liegt im Arbeitsspeicher Ihres Browsers, und jenseits von zwanzig Minuten geht ein Tab ein Risiko mit Ihrem Rechner ein. Längere Aufnahmen vorher mit unserem Audio-Trimmer teilen.

Es lädt einmalig das Spracherkennungsmodell herunter. Die Größe hängt von der Stufe ab und davon, ob Ihr Computer einen Grafikchip hat: von etwa 80 MB für „Schnell“ bis etwa 1,6 GB für „Am besten“. Mit Grafikchip lädt es Versionen, die für den Chip gebaut sind, ohne einen Versionen für den Prozessor. Ihr Browser behält das Modell, sodass die nächste Datei sofort startet.

„Schnell“, „Gut“ und „Besser“ sowie das Modell, das ins Englische übersetzt, werden von Hugging Face geladen, dem öffentlichen Verzeichnis, in dem sie veröffentlicht sind. „Am besten“ ist unser eigener Browser-Build von Whisper large-v3, weil niemand einen veröffentlicht, und kommt von unserem eigenen Dateiserver. Diese Downloads sind die einzigen Anfragen, die das Tool stellt, und sie gehen nur in eine Richtung: Dateien kommen herunter, nichts geht hinauf. Ihre Aufnahme ist nie dabei — sie wird dem Modell in Ihrem eigenen Browser übergeben und berührt nie das Netz. Alles andere, auch der Code, der das Modell ausführt, kommt von helpyself.com.

Keine Cookies und nichts aus Ihrer Aufnahme oder Ihrem Transkript. Die Seite merkt sich ein paar allgemeine Einstellungen — Ihr Farbschema, ob Sie angemeldet sind — und dieses Tool fügt eine Sache hinzu: das Spracherkennungsmodell, im Speicher Ihres Browsers, damit die nächste Datei sofort startet, eines je genutzter Stufe. Das ist der oben beschriebene Download, zwischen etwa 80 MB und 1,6 GB, und er bleibt, bis Sie die Daten dieser Seite in Ihrem Browser löschen, womit er vollständig verschwindet.

Weil etwas in der Aufnahme keine Sprache war. Musik, Applaus, ein gehaltener Ton oder ein Raum mit einem Lüfter bringen jedes Sprachmodell in eine Endlosschleife — es schreibt denselben Satz immer wieder, flüssig und in der richtigen Sprache, ohne dass irgendetwas verrät, dass er erfunden ist. Passiert das, wird die Passage mehrfach mit mehr Zufall neu dekodiert; bleibt die Schleife, wird sie ausgelassen und die Zusammenfassung sagt es. Eine sichtbare Lücke ist besser als ein Absatz Dialog, der nie gesprochen wurde.

Das Tool wählt „Besser“ auf einem Computer mit Grafikchip und „Gut“ ohne, und das passt meistens. Wechseln Sie von „Gut“ zu „Besser“, wenn der Ton schwierig ist — Dialekt, lauter Raum, mehrere Sprecher oder Gesang. Der Unterschied ist real und an Liedern gemessen, dem schwersten Fall: über drei Titel mit bekanntem Text fand „Besser“ 47 %, 57 % und 100 % der markanten Wörter, gegenüber 33 %, 40 % und 83 % bei „Gut“. „Am besten“ ist die genaueste und langsamste Stufe, für wenn jedes Wort zählt. „Schnell“ liefert einen groben Entwurf.