Zurück zum Blog
Produkt-Tutorial•2026-11-16•11 min Lesezeit

Kann ChatGPT Audio transkribieren? Tarife, Limits und Lösungen

Kann ChatGPT Audio transkribieren? Tarife, Limits und Lösungen
TL
Team Laxis
Laxis-Team bei Laxis

Ja, ChatGPT kann Audio transkribieren: In einem Bezahltarif hängen Sie eine Aufnahme an einen Chat an und bitten um ein Transkript, eine Funktion, die OpenAI in seinen Release Notes vom 6. Oktober 2026 angekündigt hat. Im Free-Tarif geht das nicht, und in einem normalen Chat begrenzt OpenAI eine hochgeladene Aufnahme auf 6 Minuten, wenn Sie GPT-6 im Modus Instant nutzen. Für eine Sprachnotiz passt das also weit besser als für ein einstündiges Interview. Hier steht, was am 16. November 2026 funktioniert, geprüft anhand des Hilfecenters und der Entwicklerdokumentation von OpenAI, wo es hakt und was Sie in dem Fall stattdessen nehmen.

Die kurze Antwort

  • Nur in Bezahltarifen. Laut OpenAI funktionieren Audio-Uploads in bezahlten ChatGPT-Tarifen und -Workspaces, einschließlich Enterprise, aber nicht in Free.
  • Kurze Dateien klappen am besten. In einem normalen Chat mit GPT-6 im Modus Instant dürfen Aufnahmen bis zu 6 Minuten lang sein; alles Längere wird ohne Garantie verarbeitet und kann in einen Timeout laufen. Dateien dürfen bis zu 512 MB groß sein.
  • Gängige Formate. WAV, MP3, M4A, FLAC, AAC und OGG. MP4- und WebM-Dateien, die ChatGPT als Video erkennt, werden abgewiesen.
  • Sprecher und Namen prüfen. OpenAI warnt, dass Transkripte Fehler enthalten können und die Sprecherzuordnung unzuverlässig sein kann.
  • Entwickler nutzen stattdessen die API: gpt-transcribe, 25 MB pro Datei, 0,0045 $ pro Minute.

So transkribieren Sie eine Audiodatei in ChatGPT

Audio-Uploads laufen über ganz normale Chats. Der Hilfeartikel von OpenAI ergänzt, dass die Verfügbarkeit je nach Workspace-Einstellungen, Region, App-Version und gewähltem Modell variieren kann. Wenn die Option zu fehlen scheint, sind das die vier Stellen, an denen Sie nachsehen sollten.

  1. Prüfen Sie Ihren Tarif. Jeder bezahlte ChatGPT-Tarif oder Workspace kommt infrage, der Free-Tarif nicht. Bei einem Arbeitskonto hängt die Verfügbarkeit auch davon ab, wie Ihr Workspace eingerichtet ist.
  2. Prüfen Sie die Datei. Verwenden Sie WAV, MP3, M4A, FLAC, AAC oder OGG mit weniger als 512 MB. Für ein verlässliches Ergebnis bleiben Sie bei etwa 6 Minuten und teilen alles Längere zwischen zwei Sätzen.
  3. Hängen Sie sie an einen normalen Chat an, genauso wie ein Dokument.
  4. Bitten Sie um ein Transkript, nicht um eine Zusammenfassung. Zum Beispiel: „Transkribieren Sie diese Aufnahme Wort für Wort. Beginnen Sie bei jedem Sprecherwechsel einen neuen Absatz. Schreiben Sie [unverständlich], wo Sie ein Wort nicht verstehen.“ Deutlich zu sein lohnt sich, weil derselbe Upload genauso gut zusammengefasst oder besprochen werden könnte.
  5. Gleichen Sie mit dem Audio ab. Hören Sie die wichtigen Stellen noch einmal an: Namen, Zahlen und wer was gesagt hat. OpenAI warnt selbst, dass Transkripte Fehler enthalten können und die Sprecherzuordnung unzuverlässig sein kann.
  6. Wenn der Upload klappt, die Transkription aber nicht, wandeln Sie die Datei in WAV um und laden Sie sie erneut hoch. Das ist die erste Lösung, die OpenAI vorschlägt.
FrageWas OpenAI sagt
Welche Tarife?Bezahlte ChatGPT-Tarife und -Workspaces, einschließlich Enterprise. Nicht der Free-Tarif.
Welche Formate?WAV, MP3/MPEG, M4A, FLAC, AAC und OGG
Was wird abgewiesen?MP4- und WebM-Dateien, die als Video erkannt werden
Wie groß?Audiodateien bis 512 MB
Wie lang?Bis zu 6 Minuten in einem normalen Chat mit GPT-6 im Modus Instant. Längere Aufnahmen können in kleineren Abschnitten verarbeitet werden, wenn Data Analysis (Datenanalyse) verfügbar ist; ohne Garantie, und sehr lange Aufnahmen können in einen Timeout laufen.
Wie genau?Transkripte können Fehler enthalten, die Sprecherzuordnung kann unzuverlässig sein, und die Qualität kann je nach Sprache schwanken.
Warum fehlt die Funktion?Die Verfügbarkeit kann je nach Workspace-Einstellungen, Region, App-Version und gewähltem Modell variieren.

Diktierfunktion und Sprachmodus sind keine Transkription

Weil ChatGPT einen Mikrofon-Button hat, nehmen viele an, dass es darüber Audio transkribiert. Das stimmt nicht, zumindest nicht, wenn die Aufnahme schon existiert.

Die Diktierfunktion ist das Mikrofon im Eingabefeld. Sie sprechen, die Modelle von OpenAI machen aus Ihrer Sprache Text, und Sie können ihn vor dem Absenden bearbeiten. Gedacht ist sie für Ihre eigenen Prompts, live gesprochen.

Der Sprachmodus ist ein gesprochenes Hin und Her mit ChatGPT. Der Chat hält das Gespräch zwar schriftlich fest, doch das Hilfecenter von OpenAI beschreibt diese Sprachtranskripte als nicht wortgetreu: Sie stimmen also womöglich nicht genau mit dem überein, was gesagt wurde. Keine der beiden Funktionen nimmt ein 20-minütiges Interview von Ihrem Handy und tippt es ab; dafür brauchen Sie einen Upload oder ein Tool, das für Dateien gebaut ist.

Für Entwickler: die Transkriptions-API von OpenAI

Wenn Sie programmieren, gelten die Chat-Limits für Sie nicht. Der Leitfaden von OpenAI zur Dateitranskription verweist inzwischen alle auf gpt-transcribe am Endpunkt /v1/audio/transcriptions:

  • Dateien bis 25 MB in FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV oder WebM. Für alles Größere rät OpenAI, ein komprimiertes Format zu verwenden oder die Datei in Stücke von höchstens 25 MB zu teilen und dabei nicht mitten im Satz zu schneiden, weil das Kontext kostet und die Genauigkeit senkt.
  • 0,0045 $ pro Minute Audio laut Modellseite, also rund 27 Cent für eine Stunde Aufnahme.
  • Hinweise für Namen und Fachbegriffe. Ein prompt beschreibt die Aufnahme, keywords listet Begriffe auf, die Sie erwarten, und languages legt die erwarteten Sprachen fest. OpenAI nennt keywords Hinweise, keine Pflichtausgabe, und rät zu prüfen, dass sie keine Begriffe ins Transkript bringen, die nie gesagt wurden.
  • Sprecherlabels und Zeitstempel laufen über abgekündigte Modelle. Die Sprechertrennung (Diarisierung) kommt von gpt-4o-transcribe-diarize, strukturierte Zeitstempel auf Wort- und Segmentebene nur von whisper-1. Beide stehen auf der Abkündigungsliste von OpenAI, zusammen mit gpt-4o-transcribe, gpt-4o-mini-transcribe und dem Translations-Endpunkt, mit Abschaltung am 26. Februar 2027.
  • Live-Audio gehört in die Realtime-Transkription, für die OpenAI gpt-live-transcribe empfiehlt.

Dieser vierte Punkt ist wichtig, wenn Sie etwas bauen, das wissen muss, wer wann gesprochen hat: Heute würden Sie auf Modellen aufbauen, deren Enddatum bereits feststeht.

Wo die Transkription in ChatGPT an Grenzen stößt

Alles, was länger als ein paar Minuten ist

Die Zahl, mit der Sie planen sollten, sind die 6 Minuten. Darüber hinaus kann ChatGPT die Datei in Abschnitten abarbeiten, wenn Data Analysis verfügbar ist, doch OpenAI gibt dafür keine Garantie und sagt, dass sehr lange Aufnahmen in einen Timeout laufen können. Die Datei selbst zu teilen funktioniert, mit dem Hinweis, den OpenAI Entwicklern gibt: Schneiden Sie in den Pausen zwischen Sätzen, nie mitten durch einen, sonst leiden die Wörter an jeder Nahtstelle.

Wer was gesagt hat

Bei einer Sprachnotiz spielen Sprecherlabels keine Rolle. Bei einem Interview oder einem Call geht es genau darum, und der Hilfeartikel von OpenAI sagt, dass die Sprecherzuordnung unzuverlässig sein kann. Wenn ein Zitat in einen Artikel, einen Bericht oder einen Vertrag soll, prüfen Sie zuerst anhand der Aufnahme, wer es gesagt hat.

Zeitstempel

Fordern Sie sie an, wenn Sie sie brauchen, und gleichen Sie dann einige mit dem Audio ab, bevor Sie darauf aufbauen. Ein falscher Zeitstempel schickt Sie an die falsche Stelle, und das ist schlimmer als gar keiner.

Namen, Zahlen und Fachjargon

Nachnamen, Produktnamen und Abkürzungen sind die Stellen, an denen jedes Sprachmodell zuerst stolpert, weil es diese Wörter am seltensten gehört hat. Die erwarteten Namen in Ihrer Anfrage aufzulisten kostet nichts, aber lesen Sie trotzdem jeden einzelnen gegen. Zahlen verdienen dieselbe Sorgfalt: Bei einer schwachen Aufnahme sind fünfzehn und fünfzig leicht zu verwechseln.

Andere Sprachen

OpenAI weist darauf hin, dass die Qualität je nach Sprache schwanken kann. Wenn Teilnehmende mitten im Gespräch die Sprache wechseln, prüfen Sie diese Passagen besonders sorgfältig.

Länger als sechs Minuten oder mehr als eine Stimme?

Laxis nimmt ein ganzes Meeting, Interview oder eine ganze Vorlesung als Upload in seiner Web-App an (m4a, mp3, wav oder flac, bis 200 MB) und liefert ein Transkript mit Sprecherkennzeichnung und Zeitstempeln, dazu eine KI-Zusammenfassung. Ein kostenloses Laxis-Konto enthält 300 Minuten Transkription pro Monat.

14-tägige Premium-Testphase, ohne Kreditkarte. Laxis kostenlos testen

Eine Datei reparieren, die ChatGPT nicht annimmt

Ein fehlgeschlagener Upload ist meist ein Dateiproblem und kein Transkriptionsproblem. Drei Lösungen, alle mit einem beliebigen Audiokonverter oder mit ffmpeg machbar:

  • Eine Videodatei. Extrahieren Sie die Tonspur als MP3 und laden Sie dann die MP3 hoch.
  • Eine M4A, die sich hochladen, aber nicht transkribieren lässt. OpenAIs eigener Tipp: in WAV umwandeln und erneut versuchen. Sie als MP3 neu zu codieren ist ein weiterer Weg zu einer sauberen Standarddatei.
  • Eine riesige WAV. Die Umwandlung in MP3 schrumpft sie auf einen Bruchteil der Größe, was vor allem beim 25-MB-Limit der API zählt.

Wenn die Aufnahme in der App Sprachmemos liegt, zeigt unser Leitfaden zum Transkribieren von Sprachmemos auf dem iPhone die Möglichkeiten dort, und wenn Sie von einem Video ausgehen, hilft unsere Anleitung, ein Video in Text umzuwandeln.

Vor dem Upload: diese Datenschutzeinstellungen prüfen

Was mit einer Aufnahme nach dem Upload passiert, hängt von Ihrem Tarif und Ihren Einstellungen ab. So beschreibt es OpenAI auf seiner Richtlinienseite zur Nutzung von Daten für die Verbesserung der Modelle, zuletzt aktualisiert am 13. März 2026:

  • Private Konten. Bei Diensten für Einzelpersonen wie ChatGPT darf OpenAI nach eigenen Angaben Ihre Inhalte zum Training seiner Modelle verwenden. Sie können in den Datenkontrollen oder über das Datenschutzportal von OpenAI widersprechen; danach werden neue Unterhaltungen laut OpenAI nicht mehr für das Training genutzt.
  • Temporary Chat (temporärer Chat). Laut OpenAI erscheinen diese Chats nicht in Ihrem Verlauf, nutzen oder erstellen keine Erinnerungen und werden nicht zum Training der Modelle verwendet.
  • Business-Produkte. OpenAI sagt, dass es standardmäßig nicht mit Ein- oder Ausgaben seiner Business-Produkte trainiert, darunter ChatGPT Enterprise und die API.

Zwei Details aus dem Hilfecenter von OpenAI sind eine Ergänzung wert. In privaten Free-, Plus- und Pro-Konten ist die Einstellung „Improve the model for everyone“ (Das Modell für alle verbessern) von Anfang an eingeschaltet. Und für gesprochene Eingaben gibt es einen eigenen Schalter, „Include your audio recordings“ (Ihre Audioaufnahmen einbeziehen), der Diktierfunktion und Sprachchats abdeckt. Das ist OpenAIs Darstellung der eigenen Praxis, nicht unsere. Lesen Sie die Seiten also selbst, bevor Sie etwas Vertrauliches hochladen. Zum Vergleich: Die Zusage von Laxis steht schwarz auf weiß in unserem Laxis-Versprechen zum KI-Training: „Laxis wird Ihre Daten niemals ohne Ihre Einwilligung zum Training von KI-Modellen verwenden.“

Eine Prüfung nimmt Ihnen keine Einstellung ab: Wenn andere Personen auf der Aufnahme zu hören sind, hätten sie wissen müssen, dass aufgezeichnet wird. Manche Orte verlangen nur die Einwilligung einer beteiligten Person, andere die aller Beteiligten; unser Leitfaden zur Einwilligung behandelt beides, Bundesstaat für Bundesstaat in den USA und im Ausland. Er bietet allgemeine Informationen, keine Rechtsberatung.

Wann ChatGPT das falsche Werkzeug ist

ChatGPT ist sinnvoll für einen kurzen Clip, den Sie transkribieren und dann im selben Fenster befragen wollen. Für alles Lange, alles mit mehreren Sprechern oder alles, was Sie nächsten Monat durchsuchen möchten, erledigt ein Tool, das für Dateien gebaut ist, die Arbeit mit weniger Umwegen.

  • Laxis Audio zu Text. Laden Sie ein Meeting, ein Interview, eine Vorlesung oder eine Sprachnotiz hoch und erhalten Sie das Transkript mit Sprechern und Zeitstempeln zurück, dazu eine Zusammenfassung. Das funktioniert mit einem kostenlosen Laxis-Konto mit 300 Minuten pro Monat.
  • Was schon auf Ihren Geräten ist. Unser Überblick über kostenlose Wege, Audio in Text umzuwandeln vergleicht integrierte Optionen mit kostenlosen Web-Transkriptionsdiensten und erklärt, was die Genauigkeit wirklich bestimmt.
  • Meetings, die noch bevorstehen. Ein Meeting aufzuzeichnen und von ChatGPT protokollieren zu lassen ist eine andere Aufgabe, als eine Datei zu transkribieren. Unser Leitfaden zu ChatGPT-Meeting-Notizen behandelt die Meeting-Funktionen von OpenAI und die Prompts, die sich bewähren.

Wo Laxis ins Bild passt

Laxis ist ein KI-Meeting-Assistent, der auch Dateien annimmt: Laden Sie eine Aufnahme in der Web-App hoch, und das Transkript kommt mit Sprechern und Zeitstempeln zurück, zusammen mit einer Zusammenfassung und Aufgaben. Dasselbe Konto deckt auch Live-Gespräche ab. Die Desktop-App zeichnet Zoom-, Google-Meet-, Teams- und Webex-Calls über den Ton Ihres eigenen Computers auf, standardmäßig ohne Bot, und die Handy-App übernimmt Meetings vor Ort und Telefonate. Die Seite zum Laxis-Meeting-Assistenten zeigt das Gesamtbild.

Die Grenzen, ganz offen. In den Standard-Apps wird Ihr Audio auf den Cloud-Servern von Laxis verarbeitet. Basic, der kostenlose Tarif, erlaubt 300 Minuten im Monat, auf die Meetings und Diktat gleichermaßen angerechnet werden; eine einzelne Aufnahme darf 45 Minuten lang sein, und alles, was älter als 30 Tage ist, wandert bis zu einem Upgrade in ein Archiv (aufbewahrt, nicht gelöscht). Die Transkription unterstützt über 60 Sprachen. Laxis ist nicht HIPAA-konform und schließt keine BAAs ab. Und wenn Sie einen Call ohne Bot aufzeichnen, informieren Sie die anderen: Die App erinnert Sie vor der Aufnahme daran, und ein Satz genügt.

Und wenn Sie nur eine zweiminütige Sprachnotiz und ein ChatGPT-Abo haben, nehmen Sie ChatGPT. Wählen Sie das Tool, das zur Datei passt.

Das Fazit

ChatGPT nimmt endlich Audiodateien an, und für kurze Clips in einem Bezahltarif ist das wirklich praktisch: transkribieren und dann zum Gesagten Fragen stellen, ohne den Chat zu verlassen. Die Haken sind die 6-Minuten-Grenze im Modus Instant, Sprecherlabels, auf die kein Verlass ist, und ein Free-Tarif, der es gar nicht kann. Für lange Aufnahmen mit mehreren Stimmen starten Sie mit einem Tool, das für Transkription gebaut ist, und bringen den Text dann zu ChatGPT, wenn Sie ihn noch durchsprechen möchten.

Die ganze Aufnahme transkribieren, nicht nur die ersten sechs Minuten. Laxis macht aus Meetings, Interviews und Sprachnotizen Zusammenfassungen, Aufgaben und Transkripte mit Sprecherzuordnung. 14-tägige Premium-Testphase, ohne Kreditkarte. Laxis herunterladen

Häufig gestellte Fragen

Kann ChatGPT Audio kostenlos transkribieren?

Nein, im Free-Tarif kann ChatGPT keine hochgeladene Audiodatei transkribieren. Laut OpenAI sind Audio-Uploads in bezahlten ChatGPT-Tarifen und -Workspaces verfügbar, einschließlich Enterprise, aber nicht in Free. Diktierfunktion und Sprachmodus transkribieren Sprache, während Sie sprechen, nicht eine Aufnahme, die Sie bereits haben; als Umweg taugen sie also nicht. Für kostenlose Dateitranskription nutzen Sie ein spezielles Transkriptionstool.

Welche Audioformate kann ChatGPT transkribieren?

ChatGPT kann laut Hilfecenter von OpenAI gängige Audioformate transkribieren, darunter WAV, MP3, M4A, FLAC, AAC und OGG. MP4- und WebM-Dateien, die als Video erkannt werden, weist der Audio-Upload ab; extrahieren Sie also zuerst die Tonspur. Wenn sich eine Datei hochladen, aber nicht transkribieren lässt, empfiehlt OpenAI, sie in WAV umzuwandeln und erneut hochzuladen.

Wie lang darf eine Audiodatei sein, damit ChatGPT sie transkribiert?

Laut OpenAI darf eine in einen normalen Chat hochgeladene Aufnahme bis zu 6 Minuten lang sein, wenn Sie GPT-6 im Modus Instant nutzen, und Audiodateien dürfen bis zu 512 MB groß sein. Längere Aufnahmen können in Abschnitten verarbeitet werden, wenn Data Analysis verfügbar ist, doch OpenAI gibt dafür keine Garantie und warnt, dass sehr lange Aufnahmen in einen Timeout laufen können.

Kann ChatGPT verschiedene Sprecher in einer Aufnahme unterscheiden?

ChatGPT kann verschiedene Sprecher in einer Aufnahme nicht zuverlässig unterscheiden. Das Hilfecenter von OpenAI warnt, dass Transkripte aus Audio-Uploads Fehler enthalten können und die Sprecherzuordnung unzuverlässig sein kann; prüfen Sie also anhand der Aufnahme, wer was gesagt hat. Entwickler erhalten Sprecherlabels über das API-Modell gpt-4o-transcribe-diarize, doch OpenAI hat es abgekündigt und will es am 26. Februar 2027 abschalten.

Nutzt OpenAI hochgeladenes Audio zum Training seiner Modelle?

Laut OpenAI hängt das von Ihrem Tarif und Ihren Einstellungen ab. Bei Diensten für Einzelpersonen wie ChatGPT darf OpenAI nach eigenen Angaben Ihre Inhalte zum Training seiner Modelle verwenden, sofern Sie nicht in den Datenkontrollen oder im Datenschutzportal widersprechen; Temporary Chats werden nicht für das Training genutzt. Außerdem trainiert OpenAI nach eigenen Angaben standardmäßig nicht mit Ein- oder Ausgaben von Business-Produkten wie ChatGPT Enterprise und der API.

Was kostet die Transkriptions-API von OpenAI?

Das von OpenAI empfohlene Transkriptionsmodell gpt-transcribe kostet laut Modellseite 0,0045 $ pro Minute Audio, also rund 27 Cent pro Stunde. Dateien, die an den Transcriptions-Endpunkt gehen, dürfen bis zu 25 MB groß sein, in Formaten wie MP3, MP4, M4A, WAV, WebM, FLAC und OGG. Größere Aufnahmen müssen komprimiert oder geteilt werden, am besten zwischen zwei Sätzen statt mitten in einem.

Passendes Produkt

Laxis-Meeting-Assistent

Automatisieren Sie Ihre Notizen noch heute.

  • Notizen ohne Bot für Zoom, Google Meet, Teams und Vor-Ort-Meetings
  • KI-Zusammenfassungen, Aufgaben und Follow-ups in über 60 Sprachen
  • Mac, Windows, iPhone und Android, mit kostenlosem Tarif

Kostenlos starten, keine Kreditkarte erforderlich.

Mehr erfahren ▷