Von der Redaktion von whispertranscribe.ai · Zuletzt aktualisiert im November 2026 · 12 Min. Lesezeit
Um MP3 in Text umzuwandeln, lade die Datei in ein KI-Transkriptionstool, wähle die gesprochene Sprache und exportiere das Ergebnis als DOCX, TXT oder SRT. Du kannst auch die Funktion „Transkribieren“ in Microsoft Word verwenden, den Text selbst abtippen oder das kostenlose Whisper-Modell von OpenAI auf deinem Computer ausführen. Die Qualität der MP3 bestimmt bei allen Methoden, wie gut das Ergebnis werden kann.
Hier findest du alle vier Methoden Schritt für Schritt, Hinweise zu Bitrate und Abtastrate, eine Checkliste für die Tonqualität, Tipps zu langen Aufnahmen und mehreren Stimmen sowie eine Prüfroutine in drei Durchgängen.
Kurz erklärt: So wandelst du MP3 in Text um
Ein Online-Tool ist für die meisten am schnellsten. Es verarbeitet die MP3 unverändert, kennzeichnet die Sprechenden und liefert eine bearbeitbare Datei. Verwende Word, wenn du bereits Microsoft 365 bezahlst. Tippe kurze Clips bei Bedarf von Hand ab. Mit Whisper kannst du lokal transkribieren, wenn Audio dein Gerät nicht verlassen darf.
- Prüfe die Datei. Spiele 30 Sekunden ab und achte darauf, ob die Stimmen klar verständlich sind.
- Lade die Datei hoch und stelle die Optionen ein. Wähle die gesprochene Sprache und aktiviere bei mehreren Stimmen die Sprechererkennung.
- Lies Korrektur und exportiere. Korrigiere Namen und Zahlen. Lade dann DOCX oder TXT für Dokumente oder SRT oder VTT für Untertitel herunter.
Welche Methode solltest du wählen?
Achte auf drei Dinge: die Aufnahmedauer, ob du Sprecherangaben brauchst und wohin die Audioaufnahme übertragen werden darf. Die Microsoft-Angaben wurden im November 2026 geprüft.
| Methode | Kosten | Sprecherangaben | Wo die Aufnahme verarbeitet wird | Geeignet für |
|---|---|---|---|---|
| 1. Online-Transkriptionstool | Bei vielen Tools kostenloser Einstieg. Für größere Mengen kostenpflichtige Tarife. | Bei den meisten Tools ja | Auf den Servern des Anbieters | Interviews, Podcasts, Vorlesungen und regelmäßige Arbeit |
| 2. Transkribieren in Microsoft Word | In Microsoft 365 enthalten, monatlich bis zu 300 Minuten hochgeladener Audioaufnahmen | Ja (Sprecher 1, Sprecher 2) | Auf Microsoft-Servern. Die Datei bleibt in deinem OneDrive. | Gelegentliche Aufnahmen, wenn du Word bereits nutzt |
| 3. Manuelle Transkription | Kostenlos, braucht aber viel Zeit | Du fügst sie selbst hinzu | Bleibt auf deinem Gerät | Kurze Clips, wortgetreue Zitate |
| 4. Whisper auf deinem Computer | Kostenlos, Open Source | Nicht im offiziellen Tool | Bleibt auf deinem Gerät | Vertrauliche Aufnahmen, technische Anwender und Verarbeitung mehrerer Dateien |
Vor dem Start: Prüfe deine MP3 in 60 Sekunden
MP3 ist ein verlustbehaftetes Format. Die Formatbeschreibung der Library of Congress erklärt, dass MP3 weniger gut wahrnehmbare Töne verwirft. Eine MP3 mit 128 kbit/s hat etwa ein Elftel der Größe von Audio in CD-Qualität. Verlorene Details lassen sich nicht wiederherstellen. Prüfe darum, welche Qualität die Datei hat.
Öffne in Windows Eigenschaften → Details oder auf dem Mac Informationen. Wenn du FFmpeg installiert hast, zeigt dieser Befehl Codec, Abtastrate, Kanalzahl, Bitrate und Dauer an:
ffprobe -v error -select_streams a:0 -show_entries stream=codec_name,sample_rate,channels,bit_rate -show_entries format=duration -of default=noprint_wrappers=1 interview.mp3
Wir haben ihn mit FFmpeg 7.1 an einer kurzen MP3-Beispieldatei ausgeführt, um die Syntax zu prüfen. Die Ausgabe enthält Zeilen wie sample_rate=44100 und bit_rate=128000. So liest du sie:
| Wert | Was er bedeutet | Relevanz für die Transkription |
|---|---|---|
| bit_rate | Wie viele Daten nach der Komprimierung pro Sekunde übrig bleiben | Sehr niedrige Bitraten enthalten weniger Details. Du kannst sie später nicht wiederherstellen. |
| sample_rate | Wie oft das Tonsignal pro Sekunde abgetastet wurde | Google empfiehlt für Spracherkennung 16.000 Hz oder mehr. |
| channels | Mono (1) oder Stereo (2) | Stereo ist in Ordnung. Whisper mischt die Kanäle beim Laden zu Mono. |
| duration | Dauer der Aufnahme | Zeigt, ob du bei einem Tool an eine Laufzeit- oder Minutengrenze stößt. |
Beeinflusst die MP3-Bitrate die Genauigkeit der Transkription?
Das ist möglich. Die Empfehlungen von Google Cloud zur Spracherkennung weisen darauf hin, dass verlustbehaftete Codecs wie MP3 die Genauigkeit verringern können. Rauschen und Hall fallen bei solchen Codecs stärker ins Gewicht. Es gibt keinen veröffentlichten Grenzwert für die Bitrate, sie ist also einer von mehreren Faktoren. Eine klare Stimme nahe am Mikrofon ist wichtiger als eine hohe Bitrate.
Transkribiere die beste verfügbare Fassung. Wenn die ursprüngliche WAV- oder FLAC-Datei noch vorliegt, verwende sie. Wenn du eine Datei von 96 kbit/s erneut mit 320 kbit/s kodierst oder als WAV speicherst, wird sie größer. Verlorene Details kommen dadurch nicht zurück.
Welche Abtastrate braucht die Spracherkennung?
Für Sprache reichen in der Regel 16 kHz. Der Open-Source-Code von Whisper lädt jede Datei über FFmpeg, wandelt sie in Mono um und setzt die Abtastrate auf 16.000 Hz, bevor das Modell sie verarbeitet (whisper/audio.py auf GitHub). Google rät ebenfalls davon ab, die Abtastrate selbst zu ändern. Eine Telefonaufnahme mit 8.000 Hz solltest du so übermitteln, wie sie ist, ohne die Abtastrate hochzusetzen.
Die für MP3 typischen 44,1 kHz oder 48 kHz reichen aus. Du brauchst die Abtastrate vor dem Upload nicht zu ändern.
Checkliste für die Tonqualität
Prüfe diese Punkte bei wichtigen Aufnahmen:
- Höre dir den Anfang und einen Abschnitt in der Mitte an. Stimmt die Sprache und sind alle zu verstehen?
- Prüfe die Lautstärke.
ffmpeg -i interview.mp3 -af volumedetect -f null -gibt den mittleren und höchsten Pegel aus. Ein Spitzenpegel nahe 0 dB kann auf Übersteuerung hindeuten. Verzerrte Signalspitzen lassen sich kaum ausbessern. - Verzichte auf aggressive Rauschunterdrückung. Laut Google verringert eine solche Verarbeitung vor der Spracherkennung gewöhnlich die Genauigkeit.
- Notiere Namen, Abkürzungen und Fachbegriffe für die spätere Korrektur.
- Bewahre die Originaldatei auf, bis das Transkript fertig ist.
Methode 1: MP3 in ein Online-Transkriptionstool hochladen
Online-Tools erstellen am schnellsten bearbeitbaren Text aus langen MP3-Aufnahmen. Das Modell läuft auf den Servern des Anbieters, du brauchst also nichts zu installieren. Die folgenden Schritte verwenden whispertranscribe.ai. whispertranscribe.ai ist ein browserbasiertes KI-Transkriptionstool mit OpenAIs Whisper-Modell. Es wandelt Audio und Video in mehr als 130 Sprachen in Text um und akzeptiert Dateien bis 5 GB und 10 Stunden. Andere Tools funktionieren ähnlich, haben aber andere Menüs.
Schritt 1: Die MP3-Transkriptionsseite öffnen und die Sprache wählen
Öffne die Seite MP3 in Text umwandeln und wähle unter Schritt 1 die gesprochene Sprache. Du hast mehr als 130 Sprachen zur Auswahl, darunter regionale Varianten wie Englisch (Indien) und Optionen für schlechte Aufnahmen wie Noise / Low-Quality Audio/Video.
Schritt 2: MP3 hochladen
Ziehe die Datei unter Schritt 2 in das Feld oder wähle sie aus. Dateien dürfen bis zu 5 GB groß sein. Die Tarife unterstützen Aufnahmen bis 10 Stunden. WAV, M4A, FLAC, MP4 und MOV funktionieren ebenfalls.
Schritt 3: Bei Bedarf die Sprechererkennung aktivieren
Aktiviere für Interviews, Meetings und Podcasts Enable Speaker Detection. So werden die einzelnen Wortbeiträge den jeweiligen Sprechenden zugeordnet.
Schritt 4: Transkription starten
Klicke auf Transcribe MP3 to text. Bei klarem Ton erreicht die Genauigkeit bis zu 99 %. Hintergrundgeräusche, starke Akzente und gleichzeitiges Sprechen mindern sie. Plane daher Zeit zum Korrekturlesen ein.
Schritt 5: Transkript exportieren
Lade DOCX, PDF, TXT oder CSV für Dokumente und Auswertungen herunter. Wähle SRT oder VTT für Untertitel mit Zeitangaben. Wenn du direkt Untertitel brauchst, erzeugt der MP3-zu-SRT-Konverter eine Untertiteldatei.
Du kannst das Tool kostenlos und ohne Konto testen, bevor du einen Tarif wählst. Kostenpflichtige Tarife beginnen bei 9,99 US-Dollar pro Monat bei jährlicher Abrechnung (Preise). Große Videodateien kannst du vorher mit dem Audio- und Video-zu-MP3-Konverter verkleinern. Links zu MP3-Dateien auf Google Drive oder Dropbox kannst du direkt in Transkription per URL einfügen.
Gut zu wissen: Online-Tools laden die Aufnahme auf die Server des Anbieters hoch. Lies bei vertraulichen Aufnahmen vorab die Datenschutzerklärung oder nutze Methode 3 oder 4.
Methode 2: Die Funktion „Transkribieren“ in Microsoft Word verwenden
Mit Microsoft 365 kann Word MP3-Dateien selbst transkribieren. Laut Microsoft-Support (Stand November 2026) verarbeitet die Funktion .mp3, .wav, .m4a und .mp4 und unterscheidet mehrere Stimmen.
- Melde dich bei Microsoft 365 an. Öffne ein Dokument in Word für das Web im aktuellen Microsoft Edge oder Chrome oder in Word für Microsoft 365 unter Windows.
- Wähle Start → Diktieren (Dropdown) → Transkribieren.
- Wähle im Bereich „Transkribieren“ die Option Audio hochladen und öffne deine MP3-Datei.
- Lass den Bereich geöffnet, während Word die Aufnahme verarbeitet. Laut Microsoft kann das ungefähr so lange dauern wie die Aufnahme selbst.
- Höre einzelne Abschnitte bei bis zu 2-facher Geschwindigkeit ab, bearbeite den Text und benenne „Sprecher 1“ bei Bedarf überall gleichzeitig um.
- Klicke auf Alle zum Dokument hinzufügen, um das Transkript einzufügen. Speichere es dann als DOCX.
Grenzen: Microsoft 365 erlaubt monatlich bis zu 300 Minuten hochgeladenes Audiomaterial. Jedes Dokument fasst ein Transkript. Word speichert die Uploads im Ordner „Transcribed Files“ in OneDrive. Laut Microsoft ist die Windows-Desktopversion derzeit auf Geschäftskonten beschränkt. Die Hilfeseite nennt keinen SRT- oder VTT-Export. Word eignet sich somit besser für Dokumente als für Untertitel.
Methode 3: MP3 von Hand transkribieren
Selbst abzutippen kostet nichts und die Datei bleibt auf deinem Gerät. Es braucht allerdings Zeit. Die Methode eignet sich für kurze Clips, wortgetreue Zitate oder Passagen, die ein Tool falsch wiedergegeben hat.
- Öffne die MP3 in einem Player mit langsamerer Wiedergabe und einem Tastenkürzel zum Zurückspringen. Öffne daneben ein leeres Dokument.
- Stelle etwa 0,75-fache Wiedergabegeschwindigkeit ein und arbeite in kurzen Abschnitten. Spiele eine Passage ab, pausiere, schreibe sie auf und springe bei Bedarf zurück.
- Kennzeichne jeden Sprecherwechsel, etwa mit
INTERVIEWER:undMARIA:. Der W3C-Leitfaden zu Transkripten erklärt, dass ein Podcast-Transkript aus einfachen Absätzen mit Sprecherangaben bestehen kann. - Markiere Unverständliches mit einer Zeitangabe wie
[inaudible 00:14:32]. So findest du die Stelle später wieder. - Höre alles noch einmal in normaler Geschwindigkeit und lies mit, damit dir verwechselte gleich klingende Wörter auffallen.
Du kannst auch einen automatischen Entwurf erstellen und nur die wichtigen Stellen nach dieser Methode prüfen.
Methode 4: Whisper auf deinem Computer ausführen
Whisper ist das Open-Source-Spracherkennungsmodell von OpenAI. Laut Forschungsarbeit von OpenAI wurde es mit 680.000 Stunden mehrsprachiger Aufnahmen trainiert. Du kannst es kostenlos lokal ausführen. Dabei wird nichts hochgeladen. Die Einrichtung erfordert Python und FFmpeg. Auf langsameren Computern braucht die Verarbeitung Zeit.
Installiere Whisper wie im offiziellen Repository beschrieben:
pip install -U openai-whisper
FFmpeg muss ebenfalls installiert sein und in deinem PATH stehen. Starte dann die Transkription:
whisper interview.mp3 --model turbo --language English --output_format srt
Verwende --output_format txt für Klartext oder lass die Option weg, um TXT, VTT, SRT, TSV und JSON gleichzeitig auszugeben. Auf einer CPU unterdrückst du die entsprechende Warnung mit --fp16 False. Wir haben diese Befehle mit openai-whisper 20250625 und dem Modell tiny an einem kurzen gemeinfreien Clip ausgeführt, um die Syntax zu überprüfen.
| Modell | Parameter | Ungefährer VRAM laut OpenAI | Geschwindigkeit gegenüber large laut OpenAI |
|---|---|---|---|
| tiny | 39 Mio. | etwa 1 GB | etwa 10-fach |
| small | 244 Mio. | etwa 2 GB | etwa 4-fach |
| medium | 769 Mio. | etwa 5 GB | etwa 2-fach |
| turbo (Standard) | 809 Mio. | etwa 6 GB | etwa 8-fach |
| large | 1550 Mio. | etwa 10 GB | 1-fach |
OpenAI beschreibt turbo als optimierte Variante von large-v3 mit geringem Genauigkeitsverlust. Das Modell ist nicht für Übersetzungen trainiert.
Einschränkungen: Das offizielle Tool bietet keine Sprecherkennzeichnung, keinen Editor und keinen DOCX- oder PDF-Export. Laut OpenAI unterscheidet sich die Leistung je nach Sprache deutlich. Community-Projekte ergänzen manche Funktionen. Sie müssen jeweils gesondert eingerichtet werden.
Lange MP3-Dateien, mehrere Stimmen und andere Sprachen
Lange Aufnahmen
Prüfe die Grenzen vor dem Upload. Die Tarife von whispertranscribe.ai unterstützen bis zu 10 Stunden und 5 GB pro Datei. In Word stehen monatlich insgesamt fünf Stunden zur Verfügung. Wenn ein Tool weniger erlaubt, kannst du mit FFmpeg die MP3 ohne erneute Kodierung in einstündige Teile aufteilen:
ffmpeg -i lecture.mp3 -f segment -segment_time 3600 -c copy lecture_part_%03d.mp3
Ein Schnitt kann mitten im Satz liegen. Prüfe daher die Übergänge, wenn du den Text zusammenfügst. Für Unterricht und Vorträge gibt es die Seite zur Transkription von Vorlesungen.
Mehrere Stimmen
Aktiviere die Sprechererkennung und ersetze die allgemeinen Kennzeichnungen durch Namen, bevor du das Transkript weitergibst. Fehler treten besonders häufig auf, wenn sich Beteiligte unterbrechen oder ähnlich klingen. Prüfe daher einige Beiträge pro Person. Gib bei der nächsten Aufnahme möglichst jeder Person ein eigenes Mikrofon.
Andere Sprachen und Akzente
Wähle die Sprache selbst aus, statt sie automatisch erkennen zu lassen, besonders wenn die Aufnahme mit Musik beginnt. whispertranscribe.ai bietet die Option Multilingual Mix für Aufnahmen, in denen zwischen Englisch, Spanisch, Französisch, Deutsch, Hindi, Russisch, Portugiesisch, Japanisch, Italienisch und Niederländisch gewechselt wird. Wenn du englischen Text aus einer anderssprachigen MP3 brauchst, verwende Audio ins Englische übersetzen, statt erst zu transkribieren und dann zu übersetzen.
Ein MP3-Transkript in 3 Durchgängen prüfen
KI-Entwürfe enthalten oft dieselben Arten von Fehlern. Meist musst du die gesamte Aufnahme nicht noch einmal anhören.
Durchgang 1: Den Text durchsuchen. Verwende „Suchen und Ersetzen“ mit deiner Liste von Namen und Begriffen, um falsche Schreibweisen auf einmal zu beheben.
Durchgang 2: Kritische Stellen abhören. Springe zu diesen Stellen und vergleiche sie mit der Aufnahme:
| Kritische Stelle | Typischer Fehler | So prüfst du sie |
|---|---|---|
| Zahlen und Daten | „fünfzehn“ statt „fünfzig“, verlorene Dezimalstellen | Höre jede Zahl, die du zitieren willst, erneut an. |
| Namen und Marken | Lautschrift statt korrekter Schreibweise | Vergleiche sie mit deiner Begriffsliste. |
| Gleichzeitiges Sprechen | Zwei Sätze werden zusammengezogen oder einer fehlt | Höre die Stelle zuerst in normalem Tempo und dann langsamer ab. |
| Sprecherwechsel | Ein Satz ist der falschen Person zugeordnet | Prüfe die erste Zeile nach jedem Wechsel. |
| Leise oder entfernte Stimmen | Wörter fehlen | Erhöhe für den Abschnitt die Lautstärke. |
| Erste und letzte Minuten | Smalltalk, Musik, falsch erkannte Sprache | Lösche oder korrigiere nach Bedarf. |
Durchgang 3: Das Dokument lesen. Lies das Transkript einmal ohne Ton und höre unverständliche Stellen noch einmal ab. Markiere, was du weiterhin nicht verstehst, mit [unclear], statt zu raten.
Welches Exportformat brauchst du?
Wähle nach der weiteren Verwendung. Für Dokumente eignen sich DOCX und TXT, für Texteinblendungen im Video SRT und VTT.
| Format | Verwendung |
|---|---|
| DOCX | Bearbeitung, Berichte, Artikel und Shownotes |
| Unveränderliche Kopie zum Weitergeben oder Archivieren | |
| TXT | Übernahme in andere Apps oder KI-Zusammenfassungen |
| CSV | Tabellen und Forschungsauswertung |
| SRT | Untertitel für YouTube, Schnittprogramme und Player |
| VTT | Untertitel für HTML5-Webplayer |
Dieselben Exportformate findest du auf der Seite zur Transkription von Sprachnotizen vom Smartphone.
Häufig gestellte Fragen
Kann ich MP3 kostenlos in Text umwandeln?
Ja. Selbst abzutippen ist kostenlos. Wenn du OpenAIs Open-Source-Modell Whisper auf deinem Computer ausführst, fallen abgesehen von der Einrichtung und der Hardware keine Kosten an. Bei vielen Online-Tools ist der Einstieg ebenfalls kostenlos. whispertranscribe.ai bietet eine kostenlose Möglichkeit ohne Konto, mit der du prüfen kannst, wie gut deine Aufnahme erkannt wird. Kostenlose Angebote begrenzen meist Länge oder Funktionen. Vergleiche bei regelmäßiger Nutzung die kostenpflichtigen Tarife. Bei whispertranscribe.ai beginnen sie bei 9,99 US-Dollar pro Monat bei jährlicher Abrechnung.
Wie lange dauert es, eine MP3-Datei zu transkribieren?
Ein KI-Tool braucht in der Regel deutlich weniger Zeit als die Laufzeit der Aufnahme. Das hängt aber von der Datei und dem Dienst ab. Laut Microsoft kann die Funktion „Transkribieren“ in Word ungefähr die Dauer der Aufnahme brauchen. Bei lokalem Whisper kommt es auf die Hardware und das Modell an. Kleinere Modelle laufen schneller, machen aber mehr Fehler. Ein Transkript von Hand zu schreiben dauert ein Mehrfaches der Laufzeit. Deshalb tippen die meisten nur kurze Clips selbst ab.
Verbessert die Umwandlung von MP3 in WAV die Genauigkeit?
Wenn du eine MP3 als WAV speicherst oder erneut mit höherer Bitrate kodierst, wird die Datei größer. Details, die bei der ursprünglichen MP3-Kodierung entfernt wurden, kommen dadurch nicht zurück. MP3 arbeitet mit Verlusten. Wenn die ursprüngliche WAV- oder FLAC-Aufnahme noch verfügbar ist, transkribiere sie. Sonst lade die MP3 unverändert hoch. Spracherkennungssysteme wie Whisper wandeln die Aufnahme intern in Mono mit 16 kHz um. Es hilft daher nicht, die Abtastrate selbst zu ändern.
Wie transkribiere ich eine MP3 mit mehreren Sprechenden?
Wähle ein Tool mit Sprechererkennung und aktiviere sie vor dem Start. Das Transkript erhält für die Wortbeiträge Nummern wie „Sprecher 1“, die du danach durch die Namen ersetzen kannst. Die Transkriptionsfunktion in Microsoft Word und whispertranscribe.ai kennzeichnen Sprechende. Das offizielle Whisper-Kommandozeilentool tut das nicht. Prüfe die Zuordnung bei Unterbrechungen, weil dort die Stimmen besonders häufig verwechselt werden.
Kann ich MP3 in ein Word-Dokument umwandeln?
Ja. Am schnellsten geht es, wenn du die MP3 online transkribierst und als DOCX exportierst. Das Format öffnet sich direkt in Word oder Google Docs. Mit Microsoft 365 kannst du die MP3 auch in Word über „Start“, „Diktieren“, „Transkribieren“ und „Audio hochladen“ hinzufügen. Wähle dann „Alle zum Dokument hinzufügen“. Ein Microsoft-365-Abonnement umfasst bis zu 300 Minuten hochgeladenes Audio pro Monat.
Kann ich aus einer MP3 Untertitel statt eines Transkripts erstellen?
Ja. Exportiere das Transkript als SRT oder VTT statt als DOCX oder TXT. Beide Formate speichern die Zeitangaben je Zeile. Ein Videoplayer oder Schnittprogramm kann den Text damit im richtigen Moment einblenden. Bei whispertranscribe.ai kannst du nach der Transkription SRT oder VTT ausgeben oder direkt den MP3-zu-SRT-Konverter verwenden. Auch das Whisper-Kommandozeilentool schreibt mit der passenden Option SRT- und VTT-Dateien.
Möchtest du es ausprobieren? Lade eine Datei auf whispertranscribe.ai im MP3-zu-Text-Konverter hoch oder verwende für andere Formate den kostenlosen Audio-zu-Text-Konverter. Beide unterstützen mehr als 130 Sprachen, Sprecherangaben und den Export als DOCX, PDF, TXT, CSV, SRT und VTT.
Quellen
- Library of Congress: MP3 (MPEG Layer III Audio Encoding)
- Google Cloud: Empfehlungen für Audiodaten in der Speech-to-Text-API
- Microsoft-Support: Aufzeichnungen transkribieren
- OpenAI: Whisper auf GitHub (README und
whisper/audio.py) - Radford et al., OpenAI: Robust Speech Recognition via Large-Scale Weak Supervision
- W3C Web Accessibility Initiative: Transkripte
