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.

Auf jedem gemessenen Gerät kürzer als die Aufnahme selbst. Ein zehnminütiges Video brauchte etwa 100 Sekunden auf einem Notebook mit Grafikeinheit und rund sechseinhalb Minuten auf einem ohne. Das Werkzeug zeigt während des Laufs eine Schätzung an, die genauer wird, weil sie Ihr Gerät 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.

Dabei wird das Spracherkennungsmodell geladen. Auf einem Rechner mit Grafikeinheit sind das rund 920 MB, weil nur volle Genauigkeit korrekt transkribiert — wir haben die kleineren Varianten gemessen: eine war zehnmal langsamer, die andere lieferte stillschweigend Unsinn. Ohne Grafikeinheit sind es rund 240 MB. Ihr Browser behält es in beiden Fällen, die zweite Datei beginnt also sofort, und „Schneller, gröber“ nutzt ein Modell von etwa einem Sechstel der Größe.

Es wird von Hugging Face geladen, dem öffentlichen Verzeichnis, in dem das Modell veröffentlicht ist. Das ist die einzige Anfrage, die diese Seite an Dritte stellt, und sie läuft in die andere Richtung: Dateien kommen herunter, nichts geht hinauf. Ihre Aufnahme ist daran nie beteiligt — sie wird dem Modell im Browser übergeben und berührt das Netz nie. Alles Übrige, 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 Design, ob Sie angemeldet sind — und dieses Werkzeug legt eines dazu: das Spracherkennungsmodell selbst, im Speicher Ihres Browsers, damit die zweite Datei sofort beginnt. Das sind die oben genannten 920 MB (bzw. 240 MB ohne Grafikeinheit). Es bleibt, bis Sie die Websitedaten in Ihrem Browser löschen; dann ist es restlos weg.

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.