Von der Redaktion von whispertranscribe.ai · Zuletzt aktualisiert im November 2026 · 12 Min. Lesezeit
Bei der Audioübersetzung entsteht aus einer Aufnahme in einer Sprache ein Text in einer anderen. Du kannst zuerst ein Transkript in der Originalsprache erstellen und dann den Text übersetzen. Oder du nutzt ein Modell, das aus dem Ton direkt Text in der Zielsprache erzeugt. Die erste Methode lässt sich leichter prüfen, die zweite ist schneller.
Hier erfährst du, wo beide Abläufe fehleranfällig sind. Dazu gibt es vier praktische Methoden einschließlich mehrsprachiger SRT- und VTT-Untertitel, eine Tabelle mit den wichtigsten Qualitätsfaktoren, eine Checkliste und Beispiele dafür, wann eine professionelle Übersetzung sinnvoller ist.
Kurz erklärt: So übersetzt du Audio in Text
Bei den meisten Aufnahmen empfiehlt es sich, zuerst in der Originalsprache zu transkribieren und zu korrigieren und anschließend den geprüften Text zu übersetzen. Brauchst du nur schnell einen englischen Entwurf, eignet sich ein Tool für die direkte Übersetzung aus Audio. Lass Inhalte, die du veröffentlichst oder als Grundlage nutzt, in beiden Fällen von einer Person prüfen, die beide Sprachen beherrscht.
- Transkribiere in der gesprochenen Sprache. Wähle die Sprache selbst aus.
- Korrigiere das Ausgangstranskript. Prüfe zuerst Namen, Zahlen und Fachbegriffe.
- Übersetze und prüfe. Übersetze den Text und vergleiche ihn dann mit dem Ausgangstext und der Aufnahme.
Was bedeutet Audioübersetzung?
Eine Audioübersetzung beginnt mit gesprochener Sprache A und endet mit Text in Sprache B. Eine reine Transkription bleibt in derselben Sprache. Eine einfache Textübersetzung beginnt bereits mit geschriebenem Text. Audioübersetzung verbindet beides. Die Reihenfolge bestimmt, wie leicht du das Ergebnis überprüfen kannst.
Zwei Abläufe: Kaskade und direkte Übersetzung
Die Forschung nennt den ersten Ansatz eine Kaskade: Spracherkennung, danach Textübersetzung. Der zweite Ansatz ist die direkte oder End-to-End-Übersetzung gesprochener Sprache. Dabei wandelt ein Modell Audio direkt in Text in der Zielsprache um. OpenAIs Whisper unterstützt die direkte Variante nur ins Englische.
| Zuerst transkribieren, dann übersetzen (Kaskade) | Direkte Sprachübersetzung | |
|---|---|---|
| Sichtbare Schritte | Zwei: Ausgangstranskript und Übersetzung | Einer: Audio eingeben, übersetzten Text erhalten |
| Zielsprachen | Alle vom Textübersetzer unterstützten Sprachen | Häufig begrenzt. Whispers Übersetzungsfunktion gibt nur Englisch aus. |
| Text in der Originalsprache | Bleibt erhalten | Wird meist nicht erstellt |
| Fehler erkennen | Zwischen den Schritten im Ausgangstext | Nur durch den Vergleich der Ausgabe mit der Aufnahme |
| Spätere Übersetzung | Das korrigierte Transkript wiederverwenden | Audio erneut verarbeiten oder den englischen Text übersetzen |
| Geeignet für | Forschung, Veröffentlichungen, mehrsprachige Untertitel und Zitate | Eine Aufnahme schnell auf Englisch verstehen |
Was bei beiden Abläufen schiefgehen kann
In der Kaskade werden Fehler weitergegeben. Steht im Transkript „fifty“, obwohl jemand „fifteen“ gesagt hat, enthält die Übersetzung dieselbe falsche Zahl in einem grammatisch korrekten Satz. Das lässt sich mit wenig Aufwand vermeiden. Korrigiere das Transkript vor der Übersetzung.
Bei der direkten Übersetzung fehlt ein Ausgangstext zur Kontrolle. Ein falsch verstandenes und ein falsch übersetztes Wort sehen im Ergebnis gleich aus. Zur Prüfung musst du deshalb die Aufnahme anhören. Eine direkte Übersetzung kann außerdem flüssig klingen, obwohl sie Fehler enthält. Das erschwert die Kontrolle.
Welche Methode passt zu deinem Vorhaben?
Wähle nach dem Zweck des Texts und der Zahl der Zielsprachen.
| Situation | Empfohlene Methode | Warum |
|---|---|---|
| Du willst eine fremdsprachige Aufnahme schnell verstehen | Methode 2: direkt ins Englische übersetzen | Ein Schritt liefert einen lesbaren Entwurf. |
| Du willst jemanden in einem Artikel oder Bericht zitieren | Methode 1, dazu Methode 4 für wichtige Zitate | Du kannst den genauen Wortlaut prüfen. |
| Du brauchst Untertitel in mindestens zwei Sprachen | Methode 3: SRT oder VTT in der Ausgangssprache erstellen, dann die Texte übersetzen | Dieselben Zeitangaben gelten für alle Sprachen. |
| Du willst Forschungsinterviews auswerten und zitieren | Methode 1 | Kodierung und Zitate bleiben mit dem Originaltranskript verknüpft. |
| Es geht um Verträge, Gerichtsunterlagen, medizinische Dokumente oder Einwanderungsakten | Methode 4 mit einer qualifizierten Fachkraft | Fehler können erhebliche Folgen haben. |
Methode 1: In der Originalsprache transkribieren, dann übersetzen
Diese Methode bietet die meisten Möglichkeiten. Das korrigierte Transkript ist deine Vorlage für alle Übersetzungen.
Schritt 1: In der gesprochenen Sprache transkribieren
Lade die Datei in ein Transkriptionstool und stelle die Sprache vor dem Start ein. In whispertranscribe.ai, einem browserbasierten Tool mit OpenAIs Whisper-Modell, stehen mehr als 130 Sprachen zur Auswahl, darunter regionale Varianten und Noise / Low-Quality Audio/Video für schwer verständliche Aufnahmen. Für häufige Anwendungsfälle gibt es eigene Seiten wie spanische Aufnahmen und chinesische Aufnahmen. Bei Sprachwechseln verarbeitet Multilingual Mix Englisch, Spanisch, Französisch, Deutsch, Hindi, Russisch, Portugiesisch, Japanisch, Italienisch und Niederländisch.
Liegt die Aufnahme auf Google Drive, Dropbox, Vimeo oder YouTube, nutze die Transkription per URL. Für Interviews und Meetings aktiviere die Sprechererkennung.
Schritt 2: Das Ausgangstranskript korrigieren
Korrigiere das Transkript vor dem Übersetzen, damit Fehler sich nicht in allen Fassungen wiederholen. Suche zuerst nach Namen, Produktbegriffen und Abkürzungen. Höre dann jede Zahl ab, die du übernehmen willst. Bei klarem Ton beträgt die Genauigkeit bis zu 99 %. Geräusche, starke Akzente und überlappende Stimmen mindern sie. Plane deshalb Zeit für die Prüfung ein.
Schritt 3: Den korrigierten Text übersetzen
Exportiere das Transkript als DOCX oder TXT und übersetze es mit einem Textübersetzer. Prüfe zuerst die Dateigrenzen. Stand November 2026:
- Google Übersetzer verarbeitet laut Google-Übersetzer-Hilfe Dokumente bis 10 MB in den Formaten .docx, .pdf, .pptx und .xlsx. PDFs dürfen höchstens 300 Seiten lang sein. Untertiteldateien stehen nicht auf der Liste.
- Die DeepL-Dateiformatübersicht nennt DOCX, PDF und TXT. SRT und VTT werden in Pro Individual, Pro Team, Pro Business und API-Tarifen unterstützt, je nach Tarif mit 150 KB oder 200 KB je Datei. TXT ist im kostenlosen Konto nicht enthalten.
Wenn das Tool Kontext annimmt, erkläre, wer spricht, an wen sich der Text richtet und wie förmlich er sein soll.
Schritt 4: Beide Fassungen zusammen aufbewahren
Speichere Original und Übersetzung mit zusammengehörigen Namen, etwa interview-04_es_v2.docx und interview-04_en_v2.docx. So findest du zu jeder fraglichen Stelle den ursprünglichen Wortlaut.
Methode 2: Direkt ins Englische übersetzen
Wenn du einen englischen Text brauchst, um die Aufnahme zu verstehen oder zusammenzufassen, spart die direkte Übersetzung einen Arbeitsschritt.
Die Seite „Audio ins Englische übersetzen“ verwenden
Auf der Seite Audio ins Englische übersetzen von whispertranscribe.ai wird gesprochene Sprache in englischen Text umgewandelt. Englisch ist die Zielsprache, die auf der Seite angegeben ist.
- Wähle die gesprochene Sprache. Stelle in Schritt 1 die Sprache der Aufnahme ein. Laut Produktseite verbessert die korrekte Wahl den englischen Text. Wenn das Ergebnis nicht überzeugt, teste eine andere Option.
- Lade die Datei hoch. Schritt 2 akzeptiert gängige Audio- und Videoformate wie MP3, WAV, M4A, MP4, MOV und MKV.
- Aktiviere die Sprechererkennung, wenn mehrere Personen sprechen. Die Produktseite nennt die Funktion auch für Übersetzungen.
- Wähle Translate audio to English. Prüfe dann den englischen Text und exportiere ihn.
Behandle die Ausgabe als Arbeitsentwurf, da die Übersetzungsqualität je nach Aufnahme variiert. Wenn du auch das Transkript in der Originalsprache brauchst, starte zusätzlich eine normale Transkription.
Open-Source-Whisper auf deinem Computer verwenden
OpenAIs Whisper-Repository beschreibt einen Übersetzungsbefehl mit englischer Ausgabe:
whisper japanese.wav --model medium --language Japanese --task translate
Das Standardmodell turbo ist laut README nicht für Übersetzungen trainiert. Es gibt auch mit --task translate die Originalsprache aus. Verwende medium oder large. Die Ausgabe ist auf Englisch beschränkt. Für französischen Text aus einer deutschen Aufnahme brauchst du weiterhin eine Textübersetzung.
Wie gut funktioniert das? Laut Whisper-Forschungsarbeit enthielten die Trainingsdaten 125.000 Stunden für Übersetzungen aus verschiedenen Sprachen ins Englische. Ohne Training auf CoVoST2, dem verwendeten Benchmark, erreichte Whisper 29,1 BLEU. Die Autoren bezeichneten das als neuen Bestwert. BLEU misst, wie sehr sich maschinelle Ausgabe und Referenzübersetzungen überschneiden. Es gibt keinen Prozentsatz richtiger Sätze an. Laut derselben Arbeit bleibt Whisper hinter älteren, gezielt für Sprachen mit vielen Trainingsdaten trainierten Systemen zurück. Mehr Trainingsdaten erlauben bei der Übersetzung außerdem eine deutlich unzuverlässigere Qualitätsprognose als bei der Transkription.
Methode 3: Mehrsprachige Untertitel als SRT und VTT erstellen
Erstelle für ein Video eine Untertiteldatei in der Originalsprache. Übersetze dann nur die einzelnen Texte. Die Zeitangaben bleiben in allen Sprachen gleich.
Schritt 1: Untertiteldatei in der Ausgangssprache erstellen
Exportiere mit dem Untertitelgenerator oder dem MP4-zu-SRT-Konverter SRT oder VTT in der gesprochenen Sprache. Korrigiere in dieser Datei erst Text und Timing. Sie dient als Vorlage für alle Sprachen.
Schritt 2: Die Untertiteltexte übersetzen und den Aufbau beibehalten
Ein SRT-Block enthält eine laufende Nummer, eine Zeile mit Zeitangaben und Text. Nur der Text soll sich ändern. Hier ein erfundenes Beispiel:
12
00:01:04,200 --> 00:01:07,900
La reunión empieza el 3 de mayo a las 15:00.
12
00:01:04,200 --> 00:01:07,900
The meeting starts on May 3 at 3 p.m.
Nummer und Zeitcodes bleiben gleich. Datum und Uhrzeit wurden an die Zielgruppe angepasst. Unterstützt dein Übersetzer nur Dokumente, kopiere die Texte in eine Tabelle und füge sie anschließend einzeln in die Untertiteldatei ein. DeepLs kostenpflichtige Pro-Tarife können wie oben beschrieben SRT und VTT direkt verarbeiten.
Schritt 3: Leselänge prüfen
Übersetzte Zeilen können länger werden. Was im Original in 3,7 Sekunden gut lesbar war, passt danach möglicherweise nicht mehr. Teile lange Untertitel auf oder kürze den Text. Verschiebe Zeitcodes nur, wenn du sie erneut mit der Aufnahme abgeglichen hast.
Schritt 4: Jede Sprache als eigene Spur hochladen
Verwende Sprachcodes im Dateinamen, zum Beispiel talk.en.srt und talk.es.srt. Lade jede Datei als separate Untertitelspur auf die Plattform. Bei zuschaltbaren Spuren können Zuschauer die Sprache wechseln.
Methode 4: Die Übersetzung von einem Menschen prüfen lassen
Bei Veröffentlichungen, Zitaten oder Entscheidungsgrundlagen sollte eine zweisprachige Person die Übersetzung mit dem Original vergleichen. Maschineller Text kann flüssig klingen und dennoch falsch sein.
Eine einfache Prüftabelle spart Zeit. Hier ein erfundenes Beispiel:
| Untertitel | Ausgangstext | Übersetzung | Hinweis | Anmerkung zur Prüfung |
|---|---|---|---|---|
| #37 | Vamos a cerrar el trato el lunes | We'll close the deal on Monday | In Ordnung | — |
| #81 | Eso no es moco de pavo | That's not turkey snot | Redewendung | „That's no small thing“ verwenden. |
| #126 | Facturamos 1,5 millones | We invoiced 1.5 million | Zahl | Währung bei der sprechenden Person bestätigen. |
Bitte die prüfende Person, Namen, Zahlen, Zitate, rechtliche oder medizinische Begriffe und als unverständlich markierte Stellen zu kontrollieren. whispertranscribe.ai bietet weder Transkription noch Übersetzung durch Menschen an. Diese Prüfung übernimmst du selbst oder gibst sie an eine Fachkraft.
Was beeinflusst die Qualität der Audioübersetzung?
Die Qualität hängt von zwei Schritten ab: der Umwandlung von Sprache in Text und der Übersetzung in die Zielsprache. Manche Faktoren wirken sich auf beides aus.
| Faktor | Auswirkung auf die Transkription | Auswirkung auf die Übersetzung | Was hilft |
|---|---|---|---|
| Tonqualität (Geräusche, Hall, Abstand) | Wörter fehlen oder werden falsch verstanden. | Fehler gehen in jede Übersetzung ein. | Nah ans Mikrofon gehen und das klarste Original verwenden. |
| Akzente und Dialekte | Mehr Fehler bei regionaler Aussprache | Regionale Wörter können wörtlich übersetzt werden. | Falls vorhanden, die regionale Variante wählen. |
| Fachbegriffe | Begriffe werden nach Klang geschrieben. | Falsche oder uneinheitliche Entsprechungen | Glossar anlegen und Begriffe schon im Original korrigieren. |
| Sprachpaar | Hängt von der gesprochenen Sprache ab. | Häufige Sprachpaare liefern meist bessere Ergebnisse. | Für seltenere Sprachen mehr Zeit zur Prüfung einplanen. |
| Eigennamen | Namen werden zu gewöhnlichen Wörtern. | Namen werden übersetzt oder verändert. | Vorab eine Namensliste erstellen und Einträge gezielt prüfen. |
| Sprachwechsel | Mitten im Satz wird die Sprache falsch erkannt. | Gemischter Text erschwert die Übersetzung. | Mehrsprachigen Modus verwenden und die Sprachen kennzeichnen. |
| Überlappende Stimmen | Beiträge werden zusammengeführt oder ausgelassen. | Die Aussage der sprechenden Person geht verloren. | Getrennte Mikrofone verwenden und Sprecherangaben bei Unterbrechungen prüfen. |
Laut Empfehlungen von Google für Sprachdaten können verlustbehaftete Codecs wie MP3 und M4A die Genauigkeit mindern. Hintergrundgeräusche und Hall wirken sich bei solchen Codecs stärker aus. OpenAIs README weist auf deutliche Qualitätsunterschiede zwischen Sprachen hin. Teste deshalb einen kurzen Ausschnitt, bevor du viele Aufnahmen verarbeitest.
Checkliste nach der Übersetzung
Arbeite diese Liste nach jeder Übersetzung ab, bevor du sie nach außen weitergibst:
- Zahlen. Jede Zahl stimmt mit der Aufnahme überein. Achte auf Dezimalkommas: „1,5“ in vielen europäischen Sprachen ist im Englischen 1.5.
- Währungen und Einheiten. Behalte die Währung bei, sofern du eine Umrechnung nicht ausdrücklich angibst. Kilometer werden nicht stillschweigend zu Meilen.
- Namen und Titel. Schreibweisen von Personen, Unternehmen und Orten stimmen mit deren eigener Schreibweise überein.
- Datum und Uhrzeit. Die Reihenfolge von Tag und Monat variiert. 03/04 kann den 3. April oder den 4. März meinen. Schreibe den Monat im Zweifel aus.
- Zitate. Gleiche wörtliche Zitate mit der Aufnahme ab.
- Redewendungen und Humor. Ersetze wörtliche Übersetzungen durch natürliche Entsprechungen oder markiere die Stelle.
- Kultureller Kontext. Erkläre Bezüge, die in der Zielsprache nicht verständlich sind, mit einer kurzen Anmerkung.
- Sprachregister. Formelle und informelle Anrede (tú/usted, du/Sie) passen zum Verhältnis der Beteiligten.
- Sprecherangaben. Jede Zeile ist weiterhin der richtigen Person zugeordnet.
- Unverständliche Passagen. Markiere unsichere Stellen in beiden Sprachen als
[unclear].
Wann ist eine professionelle Übersetzung nötig?
Beauftrage eine qualifizierte Person, wenn Fehler finanzielle, gesundheitliche oder rechtliche Folgen haben oder Vertrauen beschädigen können. Dies ist keine Rechtsberatung. Die Anforderungen hängen vom Land, Gericht und der Behörde ab. Frage bei der Stelle nach, die das Dokument erhält.
| Situation | Warum maschinelle Übersetzung nicht ausreicht |
|---|---|
| Einwanderungsanträge | Laut US-Regeln (8 CFR 103.2(b)(3)) müssen fremdsprachige Dokumente für USCIS mit einer vollständigen englischen Übersetzung eingereicht werden. Die übersetzende Person muss deren Vollständigkeit und Richtigkeit sowie die eigene Qualifikation bestätigen. |
| Beweismittel und Zeugenaussagen | Gerichte haben oft eigene Regeln, wer übersetzen oder die Richtigkeit bestätigen darf. |
| Verträge und Vereinbarungen | Ein falsch übersetztes Wort kann eine Verpflichtung ändern. |
| Medizinische Gespräche und Unterlagen | Dosierungen, Symptome und Einwilligungen müssen genau wiedergegeben werden. |
| Veröffentlichte Zitate und Pressematerial | Falsche Zitate beschädigen Vertrauen und können rechtliche Folgen haben. |
Bei internen Notizen, Forschungsentwürfen oder zum Verständnis eines Videos genügt meist maschinelle Übersetzung mit eigener Kontrolle.
Welches Exportformat brauchst du?
Wähle nach dem nächsten Arbeitsschritt. Transkripte von whispertranscribe.ai lassen sich als DOCX, PDF, TXT, CSV, SRT und VTT exportieren.
| Format | Verwendung |
|---|---|
| DOCX | Übersetzung in Word, DeepL oder Google Übersetzer und Bearbeitung mit Kommentaren |
| TXT | In einen Übersetzer oder eine andere App einfügen |
| Unveränderliche Kopie der freigegebenen Übersetzung | |
| CSV | Vergleichstabellen zur Prüfung und wissenschaftliche Kodierung |
| SRT | Untertitelspuren für YouTube, Schnittprogramme und Player |
| VTT | Untertitel für HTML5-Webplayer |
Häufig gestellte Fragen
Was ist der Unterschied zwischen Transkription und Audioübersetzung?
Bei der Transkription bleibt die Sprache gleich: Spanischer Ton ergibt spanischen Text. Eine Audioübersetzung endet in einer anderen Sprache, etwa mit englischem Text aus spanischem Ton. Dafür kannst du zuerst transkribieren und dann übersetzen oder ein Modell verwenden, das direkt in der Zielsprache schreibt. Der erste Ablauf ist leichter zu prüfen. Du kannst Fehler im Ausgangstext vor der Übersetzung korrigieren und ihn später für weitere Sprachen nutzen.
Kann Whisper Audio in andere Sprachen als Englisch übersetzen?
Whispers integrierte Übersetzungsfunktion gibt ausschließlich englischen Text aus. Sie akzeptiert gesprochene Sprache in vielen Sprachen. Für ein anderes Ziel transkribiere in der Originalsprache und übersetze den Text separat. Laut OpenAIs README ist turbo nicht für Übersetzungen trainiert und gibt bei einer Übersetzungsanfrage die Originalsprache aus. Verwende zur Übersetzung medium oder large.
Ist es besser, zuerst zu transkribieren und dann zu übersetzen?
In der Regel ja, wenn du Text veröffentlichst, zitierst oder in mehrere Sprachen übersetzt. Mit einem Ausgangstext musst du einen falsch erkannten Namen oder eine falsche Zahl nur einmal korrigieren. Die direkte Übersetzung ins Englische geht schneller und reicht, wenn du die Aufnahme nur verstehen willst. Für mehrsprachige Untertitel ist eine korrigierte SRT- oder VTT-Datei in der Ausgangssprache die beste Vorlage.
Wie genau ist eine Audioübersetzung?
Die Genauigkeit hängt von Aufnahme, Sprachpaar und Thema ab. Eine Prozentzahl für alle Situationen gibt es nicht. Bei klarem Ton kann die Transkription sehr genau sein. whispertranscribe.ai erreicht bei klarem Ton bis zu 99 %. Störgeräusche und Akzente mindern die Erkennung. Beim Übersetzen kommen eigene Fehler hinzu, besonders bei Redewendungen, Namen und Fachbegriffen. Häufige Sprachpaare ergeben meist bessere Ergebnisse. Kontrolliere Zahlen, Namen und Zitate selbst und lass wichtige Texte von einer zweisprachigen Person prüfen.
Kann ich Untertitel übersetzen und die Zeitstempel behalten?
Ja. Übersetze nur die Texte der Untertitel und lass Nummern und Zeitcodes unverändert. Das geht von Hand, durch Kopieren ins Übersetzungstool und zurück oder mit einem Tool, das Untertiteldateien importiert. DeepL nennt SRT und VTT für Pro Individual, Pro Team, Pro Business und API. Die Dokumentfunktion von Google Übersetzer nennt keine Untertitelformate. Prüfe nach der Übersetzung, ob längere Zeilen in der vorgesehenen Einblenddauer gut lesbar sind.
Kann ich Aufnahmen aus Recht oder Medizin maschinell übersetzen?
Für einen ersten Überblick ist das möglich. Für die Endfassung von rechtlichen oder medizinischen Aufnahmen, Verträgen und Einwanderungsunterlagen brauchst du häufig eine qualifizierte Person. Manche Stellen verlangen eine bestätigte Übersetzung. So verlangen US-Einwanderungsregeln zum Beispiel, dass die übersetzende Person die Vollständigkeit und Richtigkeit der englischen Übersetzung bestätigt. Prüfe die Anforderungen der zuständigen Stelle. Dies sind allgemeine Informationen und keine Rechtsberatung.
Möchtest du anfangen? Lade eine Aufnahme bei Audio ins Englische übersetzen hoch oder transkribiere zuerst in der Originalsprache, wenn du Untertitel oder eine andere Zielsprache brauchst. Du kannst es kostenlos und ohne Konto ausprobieren. Kostenpflichtige Tarife beginnen bei 9,99 US-Dollar pro Monat bei jährlicher Abrechnung (Preise). whispertranscribe.ai bietet keine API, manuelle Transkription oder Meeting-Bots.
Quellen
- Radford et al., OpenAI: Robust Speech Recognition via Large-Scale Weak Supervision (Abschnitte 1, 2.1 und 3.5, Tabelle 4)
- OpenAI: Whisper auf GitHub (README, Nutzung über die Kommandozeile)
- Google-Übersetzer-Hilfe: Dokumente und Websites übersetzen
- DeepL-Hilfe: Dateiformate
- Google Cloud: Empfehlungen für Audiodaten in der Speech-to-Text-API
- eCFR: 8 CFR 103.2, Einreichung und Bearbeitung von Anträgen
