Audiodatei transkribieren: Warum es keinen Datei-Upload gibt

Wer ein Interview, eine Besprechung oder eine Sprachnotiz bereits als Datei vorliegen hat, sucht meist nach einem einfachen Weg: Datei irgendwo hochladen, Text bekommen. Bei sprache-zu-text.de funktioniert das nicht, und das hat einen technischen Grund, keinen künstlichen. Dieser Ratgeber erklärt, warum das so ist, und zeigt zwei Wege, wie eine vorhandene Aufnahme trotzdem zu Text wird.

Warum es keinen Datei-Upload gibt

sprache-zu-text.de basiert auf der Web Speech API, einer Schnittstelle, die moderne Browser wie Chrome, Edge und Safari eingebaut haben. Diese Schnittstelle ist für genau einen Zweck gebaut: Live-Audio vom Mikrofon in Echtzeit erkennen. Sie nimmt keine Dateien entgegen und kann keine hochgeladene MP3- oder WAV-Datei einlesen. Ein Datei-Upload würde einen eigenen Server voraussetzen, der Audiodaten empfängt, verarbeitet und wieder zurückschickt. Den betreibt sprache-zu-text.de bewusst nicht: Die Website selbst bekommt weder Audio noch Text zu sehen. Die Erkennung übernimmt dein Browser, und der schickt das Audio dafür an seinen Hersteller, bei Chrome an Google, bei Edge an Microsoft, bei Safari an Apple. Der Kompromiss dieses Aufbaus: Es funktioniert nur Live-Sprache, keine fertigen Dateien.

Weg 1: Datei abspielen und mitsprechen

Der einfachste Weg mit sprache-zu-text.de: Aufnahme auf dem Smartphone oder Computer abspielen, Tool im Browser öffnen, Mikrofon erlauben, und den gehörten Inhalt laut nachsprechen oder mitsprechen. Der Text entsteht dabei genauso, als würdest du frei diktieren.

Das funktioniert am besten in kurzen Abschnitten von 20 bis 30 Sekunden. Nach jedem Abschnitt pausierst du die Wiedergabe, prüfst kurz, ob der erkannte Text stimmt, und spielst weiter. Für längere Aufnahmen ist das umständlicher als ein automatischer Datei-Import, aber es funktioniert ohne Datei-Upload und ohne Anmeldung.

Wichtig dabei: Wenn du die Aufnahme über Lautsprecher abspielst, während das Mikrofon aktiv ist, kann es zu Rückkopplungen oder doppelt erfasstem Ton kommen. Kopfhörer lösen dieses Problem zuverlässig, da dann nur deine eigene Stimme ins Mikrofon gelangt und nicht gleichzeitig die Lautsprecherwiedergabe.

Grenzen dieser Methode: Du kannst nicht schneller mitsprechen, als du selbst sprichst, die Transkription dauert also mindestens so lange wie die Originalaufnahme, oft länger durch Pausen und Wiederholungen. Bei mehreren Sprechern im Original musst du entscheiden, wessen Beiträge du nachsprichst, eine automatische Sprechertrennung gibt es nicht. Und die Qualität deiner eigenen Aussprache beim Nachsprechen wirkt sich direkt auf die Erkennungsgenauigkeit aus: Wer selbst undeutlich oder zu schnell nachspricht, bekommt trotz sauberer Originalaufnahme ein fehlerhaftes Ergebnis.

Weg 2: Wiedergabe als Mikrofon-Eingang nutzen

Wer nicht selbst mitsprechen will, kann die Systemwiedergabe des Computers direkt als Mikrofoneingang in den Browser leiten. Das Tool bekommt dann exakt das Audiosignal, das gerade abgespielt wird, ohne dass jemand mitspricht.

Unter Windows heißt die passende Funktion Stereomix. Sie ist auf vielen Systemen standardmäßig deaktiviert und muss in den Sound-Einstellungen unter den Aufnahmegeräten sichtbar gemacht und aktiviert werden. Anschließend wählst du Stereomix als Mikrofon im Browser aus, spielst die Datei ab, und der Ton läuft direkt in die Spracherkennung.

Unter macOS gibt es keine vergleichbare Bordfunktion. Hier braucht es ein virtuelles Audiogerät wie BlackHole, eine kostenlose Zusatzsoftware, die einen virtuellen Audio-Eingang bereitstellt und in einem Audio-MIDI-Setup mit dem eigentlichen Ausgabegerät verknüpft wird. Danach lässt sich BlackHole im Browser als Mikrofon auswählen.

Diese Methode ist technisch etwas aufwendiger einzurichten, läuft danach aber automatisch in Echtzeit mit, ohne dass du mitsprechen musst. Auch hier gilt: Die Verarbeitung dauert so lange wie die Aufnahme selbst, und bei mehreren Sprechern bekommst du einen durchgehenden Text ohne Sprecherkennzeichnung.

Wann sich ein spezialisiertes Werkzeug mehr lohnt

Für ein einstündiges Interview mit zwei Sprechern, ein langes Podcast-Gespräch oder eine Aufnahme, bei der eine automatische Sprechertrennung mit Zeitstempeln gebraucht wird, ist ein spezialisiertes Datei-Transkriptionswerkzeug meist die bessere Wahl. Solche Dienste nehmen die Audiodatei direkt entgegen, verarbeiten sie auf einem Server und liefern ein strukturiertes Ergebnis oft samt Sprecherkennzeichnung und Zeitmarken zurück. Dabei landet die komplette Datei beim Anbieter und wird dort je nach Dienst auch gespeichert. Prüfe bei vertraulichen Inhalten vorher, wo der Anbieter die Daten verarbeitet und wie lange er sie aufbewahrt.

Für kurze Passagen und einzelne Zitate bleibt der Weg über sprache-zu-text.de sinnvoll: kein Konto, keine Datei, die auf unserer Seite liegen bleibt. Ganz ohne Datenübertragung geht es allerdings auch hier nicht, denn die Browser-Spracherkennung von Chrome, Edge und Safari verarbeitet das Audio beim jeweiligen Hersteller. Wer Aufnahmen komplett auf dem eigenen Rechner transkribieren will, braucht eine lokal installierte Lösung wie Whisper.

Als grobe Orientierung: Bei einer einzelnen Sprachnotiz von zwei Minuten oder einem kurzen Zitat aus einem Vortrag lohnt sich kein zusätzliches Werkzeug, das dauert per Nachsprechen kaum länger. Bei einem einstündigen Interview mit drei oder vier Sprechern summiert sich der Aufwand dagegen erheblich, hier zahlt sich die Investition in ein dediziertes Werkzeug meist aus.

Aufnahmequalität bleibt entscheidend

Unabhängig vom gewählten Weg gelten dieselben Grundregeln für gute Ergebnisse: Eine Abtastrate von mindestens 16 kHz liefert ausreichend Detail für die Spracherkennung, höhere Werte wie 44,1 kHz bringen keinen spürbaren Vorteil. Mono-Aufnahmen werden zuverlässiger verarbeitet als Stereo, da die Engine das Signal ohnehin zusammenmischt. Und Hintergrundgeräusche wie Verkehrslärm, Hall oder Musik im Hintergrund senken die Erkennungsgenauigkeit spürbar, egal ob du nachsprichst oder die Wiedergabe direkt einspeist. Ein ruhiger Raum und eine klare Originalaufnahme sind in beiden Fällen die halbe Arbeit.

Das gilt besonders für die Stereomix- oder BlackHole-Methode: Weil hier kein zweiter Aufnahmeschritt mehr dazwischenliegt, überträgt sich jeder Fehler der Originalaufnahme unverändert in die Transkription. Bei der Nachsprechen-Methode kannst du dagegen unklare Stellen beim Mitsprechen bewusst deutlicher formulieren und so kleinere Schwächen der Originalaufnahme ausgleichen.

Fazit

sprache-zu-text.de transkribiert keine hochgeladenen Dateien, sondern ausschließlich Live-Sprache über das Mikrofon. Für eine vorhandene Aufnahme bedeutet das entweder Abspielen und Nachsprechen oder das Einspeisen der Wiedergabe als virtuellen Mikrofon-Eingang. Beide Wege kommen ohne Datei-Upload und ohne Konto aus, kosten aber mindestens so viel Zeit wie die Aufnahme selbst. Bei langen Aufnahmen mit mehreren Sprechern ist ein spezialisiertes Datei-Transkriptionswerkzeug meist die praktischere Wahl.

Zum Ausprobieren gibt es das Diktier-Werkzeug auf der Startseite. Weiterlesen: Online vs. Offline Spracherkennung: Welche Variante passt?.