Von der Redaktion von whispertranscribe.ai · Zuletzt aktualisiert im November 2026 · 12 Min. Lesezeit
Für die Transkription eignet sich verlustfreies Audio am besten, wenn du die Aufnahme selbst einstellst: WAV (16-Bit-PCM) oder FLAC in Mono mit mindestens 16 kHz. Wenn schon eine MP3, M4A oder Videodatei vorliegt, lade sie unverändert hoch. Beim Umwandeln einer komprimierten Datei kommen keine verlorenen Details zurück. Der Mikrofonabstand und Störgeräusche beeinflussen das Ergebnis stärker.
Dieser Ratgeber erklärt die Einstellungen vor der Aufnahme und den Umgang mit vorhandenen Dateien. Dazu findest du Formeln für die Dateigröße, Empfehlungen für verschiedene Situationen, FFmpeg-Befehle und Lösungen für häufige Probleme.
Zur Einordnung. whispertranscribe.ai veröffentlicht diesen Ratgeber. Die technischen Angaben stützen sich auf Google Cloud, OpenAIs Whisper-Code, FFmpeg oder die Library of Congress. Für den Artikel haben wir keine Genauigkeitstests durchgeführt. Die Empfehlungen versprechen keinen bestimmten prozentualen Genauigkeitsgewinn.
Kurz erklärt: Das passende Audioformat zur Transkription
Welche Wahl sinnvoll ist, hängt davon ab, ob du noch aufnimmst oder schon eine Datei hast.
| Deine Situation | Beste Option | Warum |
|---|---|---|
| Du richtest einen Rekorder oder eine App ein | WAV (16 Bit) oder FLAC, Mono, mindestens 16 kHz | Google empfiehlt für Spracherkennung verlustfreies FLAC oder LINEAR16. |
| Beim Aufnehmen brauchst du kleine Dateien | Ein verlustbehafteter Sprachcodec mit moderater Bitrate | Google bevorzugt für verlustbehaftete Sprachaufnahmen in dieser Reihenfolge AMR-WB, Ogg Opus und Speex. |
| Eine MP3-, M4A- oder Opus-Datei liegt schon vor | Original hochladen | Erneutes Kodieren stellt keine Details wieder her. |
| Du hast ein Video (MP4, MOV oder MKV) | Direkt hochladen. Bei sehr großer Datei nur den Ton extrahieren. | Das Tool verwendet nur die Tonspur. |
| Jede Person hat eine eigene Spur | Die Spuren behalten | Google empfiehlt, die Kanäle getrennt einzureichen, wenn jede Person einen eigenen hat. |
Wann das Format zweitrangig ist: Bei Sprachnotizen, veröffentlichten Podcastfolgen oder Aufzeichnungen aus Zoom und Teams. Lade die Datei hoch, wähle die gesprochene Sprache und nutze die Zeit lieber zum Prüfen der Namen.
Format, Codec und Container: Was die Endung verrät
Die Dateiendung bezeichnet den Container. Welches Kompressionsverfahren darin steckt, geht aus ihr nicht unbedingt hervor. Googles Anleitung zur Audiooptimierung unterscheidet ausdrücklich zwischen Codecs und Dateiformaten. Drei Beispiele:
- WAV enthält meist unkomprimiertes lineares PCM, kann aber auch andere Kodierungen enthalten (Library of Congress zu WAVE).
- M4A kann verlustbehaftetes AAC oder verlustfreies Apple Lossless (ALAC) enthalten.
- OGG ist ein Container, der meist die verlustbehafteten Codecs Opus oder Vorbis enthält.
Um zu sehen, was die Datei wirklich enthält, frage mit FFmpegs ffprobe nur die Tonspuren ab:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Wir haben den Befehl mit FFmpeg 7.1.5 an einem kurzen Testvideo ausgeführt. Er gab pro Audiospur eine Zeile aus. Bei einer Kopie ohne Ton erschien keine Ausgabe. So erkennst du vor dem Upload schnell, ob die Datei überhaupt eine Tonspur hat.
Audioformate für die Transkription im Vergleich
Alle folgenden Formate lassen sich transkribieren. Sie unterscheiden sich darin, wie viele Details erhalten bleiben und wie groß die Datei wird. Die Größen stammen aus den Formeln im nächsten Abschnitt (1 MB = 1.000.000 Byte).
| Format | Verlustbehaftet oder verlustfrei | Typische Quelle | Dateigröße pro Minute bei Beispieleinstellung | Bedeutung für die Transkription | Empfehlung |
|---|---|---|---|---|---|
| WAV (PCM) | Unkomprimiert | Mobile Aufnahmegeräte, Audioeditoren | 1,92 MB bei 16 kHz, 16 Bit, Mono oder 10,58 MB bei 44,1 kHz, 16 Bit, Stereo | Behält das gesamte Mikrofonsignal | Für das Original geeignet. Bei langen Aufnahmen auf die Größe achten. |
| FLAC | Verlustfrei komprimiert | Archive, Exporte aus Editoren | Kleiner als die entsprechende WAV-Datei. Die Ersparnis variiert. | Identischer Ton zur WAV-Datei | Spart Speicher im Vergleich zu WAV. |
| AIFF / ALAC / CAF | AIFF meist unkomprimiert, ALAC verlustfrei, CAF für beide Varianten geeignet | Mac- und iPhone-Apps | AIFF bei gleichen Einstellungen so groß wie WAV | Hängt vom enthaltenen Codec ab | Unverändert hochladen. |
| MP3 | Verlustbehaftet | Podcasts, Downloads | 0,96 MB bei 128 kbit/s | Laut Google können verlustbehaftete Codecs die Genauigkeit mindern. | Unverändert hochladen. |
| M4A / AAC | Meist verlustbehaftet (AAC) | Sprachnotizen, Videoton | 0,48 MB bei 64 kbit/s | Wie bei MP3 | Original hochladen. |
| OGG / Opus | Verlustbehaftet | Sprachnachrichten, Internetanrufe | 0,24 MB bei 32 kbit/s | Opus steht auf Googles Liste bevorzugter verlustbehafteter Sprachcodecs. | Unverändert hochladen. |
| AMR (schmalbandig) | Verlustbehaftet, nur für Sprache | Ältere Telefone und Anrufrekorder | Etwa 0,09 MB bei 12,2 kbit/s | Überträgt nur 200 bis 3.400 Hz (Library of Congress zu AMR). | Unverändert hochladen und die Abtastrate beibehalten. |
Bei Videos liest das Tool ebenfalls die Tonspur. Der Mehraufwand besteht in der größeren Datei beim Upload.
Wie groß wird eine Audiodatei? Die Formeln
Mit zwei Formeln kannst du die Größe vor der Aufnahme oder vor dem Upload abschätzen.
Unkomprimiertes PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Rechenbeispiele:
- 16 kHz, 16 Bit, Mono: 16.000 × 2 × 1 = 32.000 Byte pro Sekunde. × 60 = 1.920.000 Byte, also etwa 1,92 MB pro Minute oder 115,2 MB pro Stunde.
- 44,1 kHz, 16 Bit, Stereo: 44.100 × 2 × 2 = 176.400 Byte pro Sekunde, also etwa 10,58 MB pro Minute oder 635 MB pro Stunde.
- 48 kHz, 24 Bit, Stereo: 48.000 × 3 × 2 = 288.000 Byte pro Sekunde oder 1.036,8 MB pro Stunde.
Verlustbehaftet mit konstanter Bitrate (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (also kbit/s × 7.500)
- 128 kbit/s: 128 × 7.500 = 960.000 Byte, also etwa 0,96 MB pro Minute oder 57,6 MB pro Stunde.
- 64 kbit/s: 0,48 MB pro Minute. 32 kbit/s: 0,24 MB pro Minute.
Tatsächliche Dateien sind wegen ihrer Kopfzeilen etwas größer. Bei variabler Bitrate schwankt die Dateigröße um den Durchschnitt. Systeme mit Binäreinheiten (MiB) zeigen etwa 5 % kleinere Zahlen an.
Was die Zahlen bei 5 GB und 10 Stunden Upload-Limit bedeuten
whispertranscribe.ai akzeptiert Dateien bis 5 GB und 10 Stunden. Die Tabelle zeigt, wie gängige Einstellungen mit den Grenzen zusammenpassen, wenn 5 GB gleich 5.000.000.000 Byte sind:
| Einstellung | 1 Stunde | 10 Stunden | Passen 10 Stunden unter 5 GB? |
|---|---|---|---|
| WAV, 16 kHz, 16 Bit, Mono | 115,2 MB | 1,15 GB | Ja |
| WAV, 44,1 kHz, 16 Bit, Stereo | 635 MB | 6,35 GB | Nein, etwa 7,9 Stunden passen. |
| WAV, 48 kHz, 24 Bit, Stereo | 1,04 GB | 10,37 GB | Nein, etwa 4,8 Stunden passen. |
| MP3, 128 kbit/s | 57,6 MB | 576 MB | Ja |
| Opus, 32 kbit/s | 14,4 MB | 144 MB | Ja |
Das klassische WAV hat eine eigene Obergrenze. Sein 32-Bit-Größenfeld begrenzt es auf etwa 4 GB. Größere Aufnahmen brauchen die Erweiterung RF64 (Library of Congress). Für sehr lange verlustfreie Aufnahmen kannst du mit FLAC oder einem Mono-WAV mit 16 kHz beide Größenprobleme vermeiden.
Was wichtiger ist als das Audioformat
Eine klare Stimme nah am Mikrofon ergibt als MP3 meist ein besseres Transkript als eine verlustfreie Aufnahme aus einem lauten Raum mit entferntem Mikrofon. Auf die folgenden Einstellungen und Gewohnheiten kommt es besonders an.
Abtastrate: Reichen 16 kHz?
Ja, für Sprache. Google empfiehlt 16.000 Hz oder mehr (Empfehlungen für Sprachdaten). Laut Anleitung bleibt bei niedrigeren Abtastraten wenig oder keine Information oberhalb von 8 kHz erhalten. OpenAIs Whisper-Code wandelt jede Eingabe vor der Erkennung in Mono mit 16.000 Hz um (whisper/audio.py). Aufnahmen mit 44,1 oder 48 kHz sind in Ordnung und benötigen nur mehr Speicher.
Eine nachträgliche Erhöhung hilft nicht. Laut Google enthält eine Datei mit 8 kHz nach dem Hochrechnen auf 44,1 kHz weiterhin nur einen Frequenzbereich von ungefähr 4 kHz. Lade Telefonaufnahmen, die oft mit 8.000 Hz vorliegen, mit der ursprünglichen Abtastrate hoch.
Bittiefe: 16 oder 24 Bit?
Google empfiehlt mindestens 16 Bit. Wenn du 8-Bit-Audio in 16 Bit umwandelst, ändert sich nichts an der Auflösung der ursprünglichen Aufnahme. Ihr Dynamikumfang steht bereits fest. Eine vorhandene Aufnahme mit 24 Bit kannst du beibehalten. Die Umwandlung von 16 auf 24 Bit bringt keine zusätzlichen Informationen.
Bitrate komprimierter Dateien
Keine Norm nennt eine Bitrate, die gute Transkription garantiert. Googles Empfehlung betrifft den Codec. Verlustbehaftete Codecs können die Erkennung verschlechtern, besonders bei Störgeräuschen oder Hall. Musst du komprimieren, wähle eine moderate Einstellung und komprimiere nur einmal. Vermeide mehrere Umwandlungen wie WAV zu MP3 zu OGG.
Mikrofonabstand, Störgeräusche und Pegel
Google empfiehlt für die Vorbereitung der Aufnahme:
- Stelle das Mikrofon so nah wie möglich an die sprechende Person, besonders bei Hintergrundgeräuschen.
- Vermeide Übersteuerung. Verzerrte Signalspitzen lassen sich später nicht reparieren.
- Schalte automatische Verstärkung und Rauschunterdrückung aus, wenn deine App das erlaubt. Laut Google mindert Rauschunterdrückung vor der Erkennung üblicherweise die Genauigkeit.
Mono oder Stereo?
Bei einem gemeinsamen Mikrofon reicht Mono. Whisper mischt Stereo ohnehin zu Mono. Dieselbe Stimme auf beiden Kanälen verdoppelt beim Upload nur die Datenmenge. Behalte Stereo bei, wenn pro Kanal eine andere Person aufgenommen wurde, etwa bei einem Anrufrekorder oder einem Ansteckmikrofon pro Kanal. Google empfiehlt, in diesem Fall jeden Kanal einzeln und eine gemischte Aufnahme unverändert einzureichen.
Aufnahmen mit mehreren Spuren
Podcast- und Interviewprogramme nehmen jede Person häufig auf einer eigenen Spur auf. Am einfachsten ist es, eine gemischte Spur zu exportieren und die Sprechererkennung zu aktivieren. Für den klarsten Ton transkribiere jede Spur getrennt. Die Texte musst du danach anhand der Zeitstempel zusammenführen.
Empfohlene Formate und Einstellungen nach Situation
Meist liegt schon eine Datei vor. In diesem Fall kannst du sie gewöhnlich unverändert hochladen.
| Situation | Empfohlene Aufnahme | Vorhandene Datei | Vor dem Upload | Darauf achten |
|---|---|---|---|---|
| Persönliches Interview | WAV oder FLAC, Mono je Mikrofon, 44,1 oder 48 kHz | M4A oder MP3 vom Smartphone | Namen und Begriffe notieren | Gast ist leiser als Interviewer. |
| Remote-Interview oder Podcast mit separaten Spuren | Eigene verlustfreie Spur pro Person | Einzelne WAVs und gemischte MP3 | Gemischte Spur oder Einzelspuren wählen | Überlappende Stimmen in der Mischung |
| Meeting-Aufzeichnung (Zoom, Teams, Meet) | Audiooption der Plattform, falls verfügbar | MP4 oder M4A | Ton nur bei sehr großen Videos extrahieren | Ein Laptop-Mikrofon für den ganzen Raum |
| Sprachnotiz auf dem Smartphone | Standardeinstellung der App | .m4a | Original exportieren | Gerät in der Tasche während der Aufnahme |
| Veröffentlichte Podcastfolge | Entfällt | Veröffentlichte MP3 | WAV oder FLAC von vor der Veröffentlichung verwenden, falls vorhanden | Musik-Intros. Sprache selbst einstellen. |
| Vorlesung oder Seminar | Mono, 16 Bit, Mikrofon nah an der Lehrperson | Lange MP3 oder Video | Aufnahmedauer mit der 10-Stunden-Grenze abgleichen | Fragen aus dem Publikum fern vom Mikrofon |
| Telefonaufzeichnung | Standardeinstellung des Rekorders | AMR, M4A oder WAV mit 8 kHz | Ursprüngliche Abtastrate beibehalten | Einwilligung prüfen und die Abtastrate nicht erhöhen. |
Für Telefonaufnahmen kann eine Einwilligung erforderlich sein. Mehr dazu steht in den Ratgebern zur Aufnahme von Telefonaten und zu Gesprächsaufnahmen nach US-Bundesstaat. Dies ist keine Rechtsberatung.
Audio für die Transkription mit FFmpeg umwandeln
Eine Umwandlung ist sinnvoll, wenn die Datei zu groß ist, du nur den Ton aus einem Video hochladen willst, das Tool den Codec ablehnt oder du die Stimmen in separaten Dateien brauchst. Sie kann verlorene Qualität nicht wiederherstellen.
Wir haben alle Befehle mit FFmpeg 7.1.5 an einem gemeinfreien Sprachclip von 11 Sekunden und an einem kurzen daraus erstellten Video ausgeführt. Geprüft wurden nur die Ausführung und ob ffprobe den erwarteten Codec, die Abtastrate und die Kanalzahl meldete. Die Optionen stehen in der FFmpeg-Dokumentation.
1. Datei in Mono-WAV mit 16 kHz und 16 Bit umwandeln (das Format, in das Whisper Audio intern umwandelt):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Datei in Mono-FLAC mit 16 kHz umwandeln (verlustfrei und meist kleiner als WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Aus Video eine kleine Mono-MP3 erstellen (ein zusätzlicher verlustbehafteter Schritt, wenn eine kleine Datei am wichtigsten ist):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Ton ohne erneute Kodierung aus Video extrahieren (geeignet bei AAC, einem häufigen Codec in MP4-Dateien):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Zwei Kanäle in je eine Datei pro Person aufteilen (mit dem Filter channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Option | Wirkung |
|---|---|
-ac 1 |
Mischt den Ton auf einen Kanal herunter |
-ar 16000 |
Legt die Ausgabe-Abtastrate auf 16.000 Hz fest |
-c:a pcm_s16le |
Schreibt unkomprimiertes PCM mit 16 Bit (Standard-WAV) |
-vn |
Lässt die Videospur weg |
-c:a copy |
Kopiert den Ton unverändert und ohne Qualitätsverlust |
-b:a 64k |
Legt die Bitrate für die verlustbehaftete Kodierung fest |
Verwende bei AAC-Ton möglichst Befehl 4 statt Befehl 3, um die Qualität zu behalten. Lass bei Telefonaufnahmen mit 8 kHz den Parameter -ar 16000 weg, damit die Abtastrate unverändert bleibt.
Ohne Kommandozeile? Der Audio- und Video-zu-MP3-Konverter von whispertranscribe.ai extrahiert Ton aus MP4, MOV, MKV, WEBM oder AVI. Laut Produktseite verarbeitet WebAssembly die Datei direkt im Browser, ohne Upload.
Große Dateien unter 5 GB und 10 Stunden halten
- Zu groß, aber kürzer als 10 Stunden: Meist ein Video oder eine hochauflösende WAV-Datei. Extrahiere den Ton (Befehl 4 oder Browser-Konverter) oder wandle WAV in FLAC um (Befehl 2).
- Länger als 10 Stunden: Laut Upload-Meldung verarbeitet die Seite derzeit nur Dateien bis 10 Stunden. Kürze die Datei auf 10 Stunden oder weniger und versuche es erneut. Zum Teilen ohne erneute Kodierung kannst du den Befehl aus dem Ratgeber MP3 in Text umwandeln nutzen. Der Befehl funktionierte im Test auch mit WAV. Prüfe beim Zusammenführen der Texte die Übergänge.
- Langsame Verbindung: Eine Stunde MP3 mit 64 kbit/s braucht etwa 28,8 MB. Stereo-WAV in CD-Qualität kommt auf 635 MB. Bewahre das verlustfreie Original als Archivkopie auf.
Probleme mit Audioformaten beheben
| Problem | Wahrscheinliche Ursache | Lösung |
|---|---|---|
| „Kein Audio erkannt. Die Datei ist möglicherweise beschädigt. Prüfe sie und versuche es erneut.“ (Meldung auf unseren Upload-Seiten) | Beschädigte Datei, Video ohne Ton exportiert oder leere Tonspur | Spiele sie lokal ab und prüfe die Spuren mit ffprobe wie oben. Ohne Ausgabe ist keine Tonspur vorhanden. Exportiere die Aufnahme erneut. |
| Upload wegen der Länge abgelehnt | Datei ist länger als 10 Stunden. | Teile sie in Abschnitte von höchstens 10 Stunden. |
| Datei ist zu groß | Video oder hochauflösendes WAV mit mehreren Kanälen | Extrahiere den Ton oder konvertiere WAV in FLAC. |
| Eine WAV-Datei über 4 GB lässt sich nicht öffnen oder hochladen. | Größenlimit von klassischem WAV | Exportiere sie als RF64 oder FLAC oder teile sie auf. |
| Eine Stimme ist viel leiser als die andere. | Personen wurden auf verschiedenen Kanälen mit verschiedenen Pegeln aufgenommen. | Trenne die Kanäle (Befehl 5) und transkribiere jede Datei einzeln. |
| Verzerrte, knisternde Spitzen | Übersteuerung bei der Aufnahme | Nachträglich nicht zu beheben. Senke beim nächsten Mal den Eingangspegel. |
| Schlechter Telefonton auch nach Umwandlung auf 48 kHz | Eine höhere Abtastrate ergänzt keine Informationen. | Lade das Original hoch und teste einen Modus für verrauschte oder minderwertige Aufnahmen, falls verfügbar. |
Was whispertranscribe.ai bietet
whispertranscribe.ai ist ein browserbasiertes Transkriptionstool mit OpenAIs Whisper-Modellen. Es gibt keine App, API oder manuelle Korrektur durch Menschen. Der kostenlose Audio-zu-Text-Konverter und die anderen Upload-Seiten nennen MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG und MPEG.
- Dateigrenzen: bis 5 GB und 10 Stunden je Datei.
- Sprachen: mehr als 130, für viele mit der Option Noise / Low-Quality Audio/Video.
- Genauigkeit: bis zu 99 % bei klarem Ton. Störgeräusche, Abstand, Akzente und überlappende Stimmen mindern sie.
- Sprecherangaben: Aktiviere Speaker Detection vor der Transkription.
- Exporte: DOCX, PDF, TXT, CSV, SRT und VTT.
- Datenschutz: Laut Datenschutzerklärung werden Originaldateien nach der Verarbeitung gelöscht. Extrahierte MP3-Dateien werden standardmäßig 30 Tage gespeichert.
Für bestimmte Aufnahmen gibt es Seiten zu MP3-Dateien, Sprachnotizen, Telefonaten, Interviews und Vorlesungen und Seminaren. Teste die Transkription kostenlos ohne Konto. Die Grenzen stehen auf der Seite. Kostenpflichtige Tarife beginnen bei 9,99 US-Dollar pro Monat bei jährlicher Abrechnung (Preise). Alles Weitere findest du auf der Funktionsseite.
Häufig gestellte Fragen
Welches Audioformat eignet sich am besten zur Transkription?
Wenn du die Aufnahme selbst einstellst, verwende WAV oder FLAC, idealerweise in Mono mit mindestens 16 kHz und 16 Bit. Wenn eine komprimierte Datei wie MP3, M4A oder Opus bereits vorliegt, lade sie unverändert hoch. Ein nahes Mikrofon, wenig Hintergrundgeräusche und ein Pegel ohne Übersteuerung sind meist wichtiger als die Wahl zwischen diesen Formaten.
Ist WAV besser zum Transkribieren als MP3?
Ein direkt als WAV aufgezeichnetes Original enthält mehr Details als MP3. Google weist darauf hin, dass verlustbehaftete Codecs wie MP3 die Genauigkeit verringern können. Bei klarer Sprache ist der Unterschied oft gering, bei verrauschten Aufnahmen größer. Die Umwandlung einer bestehenden MP3 zu WAV führt zu keiner Verbesserung, weil die entfernten Details fehlen. Nimm wenn möglich in WAV oder FLAC auf und lade vorhandene MP3s unverändert hoch.
Welche Abtastrate sollte ich für die Transkription verwenden?
Verwende mindestens 16 kHz. Google empfiehlt für Spracherkennung wenigstens 16.000 Hz. OpenAIs Whisper wandelt jede Datei vor der Verarbeitung in Mono mit 16 kHz um. Aufnahmen mit 44,1 oder 48 kHz sind üblich und in Ordnung. Erhöhe eine niedrigere Abtastrate nicht im Nachhinein. Lade eine Telefonaufnahme mit 8 kHz bei 8 kHz hoch. Eine höhere Rate vergrößert die Datei, ohne Sprachdetails hinzuzufügen.
Sollte ich für die Transkription in Mono oder Stereo aufnehmen?
Verwende Mono, wenn alle dasselbe Mikrofon benutzen. Whisper mischt Stereo ohnehin zu Mono. Bei derselben Stimme auf beiden Kanälen verdoppelt Stereo nur die Dateigröße. Behalte Stereo oder getrennte Spuren, wenn jede Person einen eigenen Kanal hat, etwa bei Anrufrekordern oder einem Mikrofon pro Gast. Google empfiehlt, separate Kanäle getrennt zu transkribieren. Du kannst sie mit FFmpeg aufteilen.
Wie groß ist eine WAV-Datei pro Minute?
Multipliziere die Abtastrate mit der Bytezahl pro Abtastwert und der Kanalzahl. So erhältst du die Byte pro Sekunde. Bei Mono-WAV mit 16 kHz und 16 Bit sind das 16.000 × 2 × 1 = 32.000 Byte pro Sekunde, etwa 1,92 MB pro Minute oder 115,2 MB pro Stunde. Stereo mit 44,1 kHz und 16 Bit in CD-Qualität braucht etwa 10,58 MB pro Minute oder 635 MB pro Stunde.
Kann ich eine Videodatei hochladen, ohne den Ton vorher zu extrahieren?
Ja. Transkriptionstools lesen die Tonspur. MP4, MOV, MKV oder WEBM ergibt somit dasselbe Transkript wie der extrahierte Ton. Die Videodatei macht den Upload größer. Extrahiere die Tonspur bei einer langsamen Verbindung oder wenn die Datei nahe an der Größengrenze liegt. Mit -vn -c:a copy in FFmpeg bleibt die ursprüngliche Tonqualität erhalten. Bei whispertranscribe.ai kannst du das Video unverändert hochladen und DOCX, TXT, SRT oder VTT exportieren.
Hast du schon eine Aufnahme? Lade sie unverändert im kostenlosen Audio-zu-Text-Konverter von whispertranscribe.ai hoch. Wähle aus mehr als 130 Sprachen, aktiviere Speaker Detection und lade DOCX, TXT, SRT oder VTT herunter. Dateien dürfen bis zu 5 GB groß und 10 Stunden lang sein.
Quellen
- Google Cloud: Speech-to-Text-Empfehlungen für Sprachdaten
- Google Cloud: Audiodateien für Speech-to-Text optimieren
- OpenAI: whisper/audio.py im Whisper-Repository auf GitHub
- FFmpeg: Dokumentation der FFmpeg-Kommandozeile und Filter channelsplit
- Library of Congress: WAVE-Audiodateiformat (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
