Zwei Wege, Sprache in Text zu verwandeln
Was dieses Tool leistet
Speech to Text vereint zwei unabhängige Engines mit demselben Ziel. Der Echtzeitmodus nutzt die Web Speech API — die in aktuellen Browsern eingebaute SpeechRecognition-Schnittstelle — und schreibt die Wörter noch während des Sprechens auf die Seite: zunächst als vorläufiger Text, nach einer Pause als endgültige Zeile. Der Modus Audiodatei lädt dagegen ein Whisper-KI-Modell in Ihren Browser und transkribiert eine bereits vorhandene Aufnahme, ohne irgendein Mikrofon abzuhören.
Wann welcher Modus passt
Das Echtzeit-Diktat eignet sich, um Gedanken freihändig festzuhalten: Besprechungsnotizen, einen schnellen Entwurf oder eine Gedächtnisstütze, die man lieber spricht als tippt. Es spielt seine Stärke in kurzen Live-Sitzungen aus, in denen der sofort erscheinende Text den Fluss hält.
Der Modus Audiodatei passt besser zu bereits aufgenommenem Material: ein Interview, eine Vorlesung, eine Sprachnotiz oder die Tonspur eines Videos. Ist das Whisper-Modell einmal heruntergeladen, behält Ihr Browser es, sodass weitere Aufträge ohne erneuten Download starten — das kommt langen Aufnahmen und mehreren Dateien zugute.
Ein kurzer Durchgang
Für die Live-Arbeit wählen Sie Ihre Sprache aus der Liste, klicken auf Aufnahme Starten und erlauben den Mikrofonzugriff, wenn der Browser danach fragt; Ihre Stimme füllt das Transkript, das Sie anschließend bearbeiten können. Für eine Aufnahme wechseln Sie zum Tab Audiodatei, wählen ein Modell — Tiny für Tempo, Small für höhere mehrsprachige Genauigkeit — und legen eine MP3-, WAV-, MP4- oder ähnliche Datei ab. Beim ersten Mal sehen Sie vor dem Klick auf Transkribieren, wie viel das Modell herunterlädt; danach steht der Text zum Kopieren oder Herunterladen bereit.
Kompatibilität und Stolpersteine
Die Echtzeiterkennung hängt vom Browser ab: Chrome, Edge und Safari implementieren die Web Speech API, Firefox nicht — dort empfiehlt sich der Modus Audiodatei. Neuere Chrome-Versionen können ein Sprachmodell auf dem Gerät installieren und das Mikrofon-Audio lokal halten; andernfalls übernimmt der Sprachdienst des Browserherstellers die Erkennung. Beide Modi teilen sich eine Liste mit 22 Einträgen für 18 Sprachen (Englisch, Spanisch, Portugiesisch und Chinesisch gibt es jeweils in zwei regionalen Varianten), wählen Sie daher vor dem Start die Sprache, die Sie sprechen: Der Modus Audiodatei verwendet Ihre Auswahl, statt die Sprache zu erkennen, und ignoriert die Region. Der Modus Audiodatei akzeptiert gängige Audio- und Videoformate bis 500MB; bei Video beschleunigt das vorherige Extrahieren der Tonspur den Vorgang und verbessert das Ergebnis.