Sprachdateien in Text umwandeln
Aktualisiert am 28. Oktober 2026 · 7 Min. Lesezeit
Ein Interview von 50 Minuten, eine Vorlesung, ein Podcast, eine Sprachnotiz an sich selbst: Sprache in Schrift umzuwandeln ist eine der wenigen Tätigkeiten, die man wirklich abgeben kann. Statt mitzutippen und dabei die Hälfte zu verpassen, entsteht der Text aus der Aufnahme.
Diese Seite beschreibt, was die Transkription leistet, was sie kostet und wo sie an ihre Grenzen stößt — einschließlich der Grenzen, die andere Anbieter in ihren Beschreibungen weglassen.
Wann sich das Umwandeln lohnt
- Interviews und Recherche. Zitate finden, statt 50 Minuten abzuhören. Wer nach Stichworten sucht, wird im Text deutlich schneller fündig als in der Tonspur.
- Vorlesungen und Seminare. Mitschnitte werden durchsuchbar, Mitschriften lassen sich nachbereiten statt gleichzeitig anfertigen.
- Podcasts und Videos. Transkripte für Untertitel, für barrierefreie Fassungen und für die Auffindbarkeit in Suchmaschinen.
- Meetings und Protokolle. Rohfassung als Grundlage für Aufgabenlisten; die inhaltliche Kürzung bleibt Handarbeit.
- Diktafone und Sprachnotizen. Gedanken unterwegs aufnehmen, später als Text weiterverwenden.
So funktioniert es
1. Audiodatei hochladen
MP3, WAV, M4A, FLAC, OGG oder WEBM, bis 25 MB pro Datei. Bei MP3 mit 128 kbit/s entspricht das etwa 25 Minuten — längere Aufnahmen teilen Sie vorher in Abschnitte. Das klingt nach einer Einschränkung und ist eine: lieber drei Abschnitte sauber transkribieren als eine große Datei, bei der am Ende unklar ist, wo sie abgebrochen wurde.
2. Transkription
Die Aufnahme wird in Text umgewandelt, mit Satzzeichen und Absätzen. Aufnahmen mit mehreren Sprechenden werden unterstützt; Sprecherwechsel lassen sich in der Ausgabe unterscheiden.
3. Prüfen und weiterverwenden
Der Text lässt sich direkt im Browser lesen und kopieren. Für ein Zitat, ein Protokoll oder ein Transkript, das veröffentlicht wird, ist eine Durchsicht immer sinnvoll — Eigennamen und Fachbegriffe sind die Stellen, an denen Fehler bleiben.
Was es kostet
Abgerechnet wird pro Sekunde Audio, aufgerundet und einschließlich Sprechpausen. Eine Sekunde kostet 0,2 Credits.
| Umfang | Credits | Preis |
|---|---|---|
| 1 Minute | 12 | ca. 0,24 $ |
| 10 Minuten | 120 | ca. 2,40 $ |
| 1 Stunde | 720 | ca. 14,40 $ |
| 10 Stunden (als Abschnitte) | 7.200 | ca. 144 $ |
Credits werden im Voraus gekauft: 1 $ entspricht 50 Credits, Pakete beginnen bei 9 $. Es gibt keine monatliche Grundgebühr, und nicht verbrauchte Credits verfallen nicht — man kann also ein Projekt im Januar abschließen und das nächste im Oktober bezahlen. Die vollständige Preisliste steht unter Preise.
Was die Qualität entscheidet
- Hintergrundgeräusche vor Mikrofonqualität. Eine Aufnahme mit dem Telefon in einem ruhigen Raum ist besser als eine mit einem Kondensatormikrofon neben einem laufenden Kühlschrank. Lüftung, Verkehr und Raumhall sind das, woran die Erkennung scheitert.
- Ein Sprecher nach dem anderen. Wenn zwei Personen gleichzeitig reden, kann keine Transkription beide sauber trennen — das ist physikalisch, nicht bloß eine Frage der Modellgröße.
- Dialekt und Fachsprache. Hochdeutsch mit leichter Färbung ist unproblematisch. Starker Dialekt, Fachjargon und erfundene Begriffe führen zu Fehlern, die man vor dem Hochladen nicht sieht. Ein kurzer Test mit einer Minute Material zeigt, wo man steht.
- Zahlen, Namen, Abkürzungen. Jahreszahlen, Straßennamen, Akronyme und Firmennamen sind die Fehler, die man beim Gegenlesen findet — nicht beim Zuhören. Umlaute und ß werden korrekt übernommen.
- Musik und Jingles. Musik wird nicht als Text ausgegeben, kann aber Sprache überdecken. Bei Podcasts mit Intro-Musik lohnt es sich, den Anfang zu prüfen.
Was die Transkription nicht leistet
- Keine Zusammenfassung. Das Ergebnis ist der gesprochene Text, nicht sein Inhalt in Kurzform. Wer eine Inhaltsangabe braucht, kürzt selbst.
- Kein beglaubigtes Protokoll. Es entsteht ein Arbeitstranskript. Für gerichtliche oder notarielle Zwecke braucht es eine andere Form der Erstellung.
- Keine Sprecher-Identifikation. Sprecherwechsel lassen sich unterscheiden, aber nicht namentlich zuordnen.
- Keine Rettung schlechter Aufnahmen. Sehr leise, stark verrauschte oder übersteuerte Dateien liefern auch nach der Verarbeitung Fragmente.
Datenschutz
Die Audiodatei wird ausschließlich zur Verarbeitung an unseren Technologiepartner übermittelt. Wir verkaufen keine Daten und verwenden sie nicht zum Training von Modellen. Was gespeichert wird, wie lange es gespeichert wird und welche Rechte Sie haben, steht in der Datenschutzerklärung. Bei Aufnahmen von Gesprächen gilt außerdem: Die Einwilligung der Beteiligten ist Ihre Verantwortung, nicht die des Werkzeugs.
Häufige Fragen
Welche Dateiformate kann ich hochladen?
MP3, WAV, M4A, FLAC, OGG und WEBM, jeweils bis 25 MB pro Datei. Bei MP3 mit 128 kbit/s entspricht das etwa 25 Minuten Audio. Längere Aufnahmen teilen Sie vor der Transkription in Abschnitte.
Wie wird die Transkription abgerechnet?
Pro Sekunde Audio, aufgerundet und einschließlich Sprechpausen: 0,2 Credits pro Sekunde. Eine Minute kostet 12 Credits (etwa 0,24 $), eine Stunde 720 Credits (etwa 14,40 $). Credits werden im Voraus gekauft, verfallen nicht, und es gibt keine monatliche Grundgebühr.
Werden mehrere Sprecher unterschieden?
Ja, Aufnahmen mit mehreren Sprechenden werden unterstützt, und Sprecherwechsel lassen sich in der Ausgabe unterscheiden. Am zuverlässigsten ist das Ergebnis, wenn sich die Stimmen deutlich unterscheiden und nicht gleichzeitig gesprochen wird.
Was passiert mit meinen Audiodateien?
Die Datei wird ausschließlich zur Verarbeitung an unseren Technologiepartner übermittelt. Wir verkaufen keine Daten und verwenden sie nicht zum Training von Modellen. Details stehen in der Datenschutzerklärung.
Weiterlesen: häufige Fragen zu Stimme und Credits, Preise im Detail oder direkt in die Konsole.
Verwandte Funktionen: Stimmen mit KI klonen, Text in gesprochene Sprache umwandeln.