Audio in Text transkribieren
Der erste Lauf lädt das Sprachmodell herunter — etwa 45 MB für die schnelle Stufe, 81 MB für die genaue, von dieser Seite bereitgestellt und danach vom Browser zwischengespeichert. Nichts wird hochgeladen, und das Transkript ist maschinell erstellt: Korrekturlesen Sie Formulierung und Zeitangaben, bevor Sie es veröffentlichen.
Optionen
Zwei Stufen desselben Modells. Das schnelle ist etwa 45 MB groß und transkribiert ungefähr doppelt so schnell; das genaue ist etwa 81 MB groß und trifft Großschreibung und Zeichensetzung besser. Beide laufen hier, und der Download erfolgt einmal pro Browser. Bei einer langen Aufnahme probieren Sie zuerst die schnelle Stufe, um zu prüfen, ob die Sprache stimmt.
Die Sprache, die in der Aufnahme gesprochen wird. Eine automatische Option gibt es nicht: Diese Ausbaustufe des Modells erkennt keine Sprache und nimmt ohne Auswahl Englisch an. Eine chinesische Aufnahme als Englisch gelesen schlägt nicht fehl — sie erzeugt flüssig wirkenden Unsinn, was viel schwerer zu bemerken ist. Wählen Sie die Sprache, die Sie tatsächlich hören.
Diese Seite macht aus einer Aufnahme reinen Text: Absätze dessen, was gesagt wurde, ohne Zeitcodes. Es ist dieselbe Hör-Engine wie bei der Untertitel-Fassung dieser Seite – dieselben Modelle, dieselben Dreißig-Sekunden-Fenster, dieselbe Nur-lokal-Regel –, aber der letzte Schritt ist anders. Statt eines Blocks pro Satz werden die Sätze zu Absätzen verbunden und das Timing ganz weggelassen, sodass etwas entsteht, das sich in ein Dokument, eine E-Mail oder Besprechungsnotizen einfügen lässt.
Absätze brechen an den zwei Dingen, die Gedanken in gesprochener Sprache tatsächlich trennen: einer Pause von mehr als anderthalb Sekunden oder vier Sätzen in Folge. Nur eine lückenbasierte Regel würde einen fünfminütigen Monolog in eine unlesbare Textwand verwandeln; nur eine satzbasierte Regel würde die Atempause eines Sprechers in einen neuen Absatz zerlegen. Beide zusammen ergeben etwas, das ungefähr so liest, wie die Person gesprochen hat.
Die Arbeit ist lokal. Das Sprachmodell wird einmal von dieser Seite geladen – etwa 45 MB für die schnelle Stufe, etwa 81 MB für die genaue – und danach vom Browser zwischengespeichert; die Aufnahme selbst verlässt den Tab nie. Es gibt keinen Upload-Schritt zu überspringen und kein Konto anzulegen, was die Seite für Interviews brauchbar macht, die nicht an einen Transkriptionsdienst gehen dürfen.
Die Ausgabe ist eine .txt-Datei, benannt nach der Quellaufnahme: film.mkv wird zu film.transcript.txt. Die eigene Endung ist Absicht – eine reine .txt neben anderen Textdateien soll sagen, was sie ist, und ein maschinell erzeugtes Transkript ist eine andere Art Dokument als getippte Besprechungsnotizen.
Wie bei der Untertitel-Fassung muss das Ergebnis Korrektur gelesen werden, und die Sprache ist von Hand zu wählen: Dieses Modell nimmt ohne Angabe Englisch an, und die falsche Wahl erzeugt flüssig wirkenden Unsinn statt einer Fehlermeldung.
Häufige Fragen
Worin unterscheidet sich dieses Text-Transkript von der Seite, die eine Untertiteldatei als Text exportiert?
Der Unterschied liegt darin, woher das Timing kommt. Der Export beginnt mit einer Untertiteldatei, die bereits Blöcke hat, und verbindet deren Text zu Absätzen – die Zeiten existierten und werden nur verworfen. Diese Seite beginnt mit Audio, das gar kein Timing hat, baut es zuerst auf und verwirft es dann. Deshalb funktioniert hier eine Aufnahme ohne Untertitelspur und dort nicht, und deshalb braucht diese Seite einen Modelldownload, während jene sofort arbeitet.
Warum werden Absätze nach anderthalb Sekunden Stille getrennt?
Weil dort ungefähr der Punkt liegt, an dem Sprecher den Gedanken wechseln. Kürzere Lücken fallen in Sätze und würden den Text mitten im Nebensatz zerschneiden; viel längere Schwellen verbinden getrennte Themen in einem Absatz. Die Grenze von vier Sätzen existiert für den Fall, dass die Aufnahme überhaupt keine Stille hat – ein einstudierter Voice-over oder ein in einem Take aufgenommener Podcast –, wo Pausen nie kommen und eine reine Lückenregel einen einzigen Block ergäbe. Beide Regeln zusammen sind die kleinste Menge, die beide Enden abdeckt.
Lässt sich das Transkript als Beweis oder offizielle Aufzeichnung verwenden?
Nicht so, wie es entsteht. Es ist die beste Schätzung einer Maschine, und maschinelle Transkription verfälscht Namen, Zahlen und Fachbegriffe – genau die Wörter, die in einer Aufzeichnung am wichtigsten sind. In einem rechtlichen oder medizinischen Umfeld ist der richtige Ablauf, es als Entwurf zu verwenden, der Zeile für Zeile gegen das Audio geprüft wird, und das im Dokument zu vermerken. Ein Transkript, das sauberer ist als das Audio, ist eine Haftung; deshalb heißt die Datei hier .transcript.txt und nicht wie ein Protokoll.
Was ist bei Musik oder mehreren gleichzeitig sprechenden Personen in der Aufnahme?
Überlappende Sprache ist der Punkt, an dem jedes Einzelstrom-Modell schlechter wird: Zwei Stimmen gleichzeitig werden ein fortlaufender Satz, und es entstehen keine Sprecher Namen. Hintergrundmusik wird meist ignoriert, aber laute Musik unter Sprache kann Wörter aus dem Text ziehen oder welche erfinden, die nie gesagt wurden. Liest sich das Ergebnis stellenweise seltsam, an diesen Stellen mit dem Audio vergleichen, statt dem Fluss des Textes zu vertrauen – ein selbstsicher wirkender Satz ist kein Beweis, dass er gesagt wurde.
Behält das Transkript die Struktur der Aufnahme, etwa Kapitel oder Spurnamen?
Nein. Es kommt nur das transkribierte Audio durch; Container-Metadaten wie Kapitelmarken, Spurtitel und Sprachmarkierungen gehören nicht zum Text. Wird eine Spur aus einer Datei mit mehreren Spuren transkribiert, liest die Seite das Audio aus der abgelegten Datei, und die Absatzumbrüche stammen aus Pausen, nicht aus den Kapitelpositionen. Eine lange Aufnahme vorher in Kapiteldateien zu teilen ist ein sinnvoller Ablauf, wenn diese Grenzen sichtbar werden sollen.