Audio kostenlos in Text umwandeln (schnell und genau)

Auf Ihrem Telefon liegt eine 40-minütige Aufnahme. Ein Interview, eine Vorlesung, eine Sprachnotiz, in die Sie beim Spazierengehen hineingeplaudert haben. Und jetzt brauchen Sie die Worte auf dem Papier, am besten, ohne jemanden zu bezahlen oder Ihren ganzen Nachmittag darauf zu verwenden.

Gute Nachricht: Sie können Audio kostenlos in Text umwandeln, und die Werkzeuge sind wirklich gut geworden. Der Haken, den niemand vorab erwähnt, ist, dass dieses „gut" weit mehr von Ihrer Aufnahme abhängt als von Ihrer Software. Dieser Leitfaden geht die echten kostenlosen Methoden durch, wann sich jede von ihnen am besten eignet, und den Teil, den die meisten Artikel völlig auslassen: was tatsächlich darüber entscheidet, ob Ihre Transkription sauber herauskommt oder als Kauderwelsch, das Sie Zeile für Zeile korrigieren müssen.

Die kostenlosen Werkzeuge, die schon auf Ihren Geräten sind

Bevor Sie sich irgendwo anmelden, prüfen Sie, was Sie bereits besitzen. Die meisten Telefone und Office-Pakete bringen eine Transkription von Haus aus mit, und für viele Aufgaben ist das alles, was Sie brauchen.

Auf einem iPhone transkribiert die App Voice Memos Aufnahmen direkt auf dem Gerät. Wenn Sie ein iPhone 12 oder neuer mit iOS 18 oder höher haben, öffnen Sie eine Aufnahme, tippen Sie auf das Sprechblasensymbol über den Wiedergabesteuerungen, und der Text erscheint mit einer wortweisen Hervorhebung in Echtzeit, während er abgespielt wird. Alles läuft vollständig offline in etwa zehn Sprachen, sodass nichts irgendwohin hochgeladen wird. Für alles Vertrauliche ist das ein echter Gewinn an Privatsphäre.

Auf einem Google Pixel kann die App Recorder etwas, das Apple noch immer nicht kann: Sie transkribiert in Echtzeit, während Sie aufnehmen, vollständig auf dem Gerät und offline. Kein Internet, kein Konto, keine Kosten. Der Haken ist, dass sie nur auf dem Pixel läuft, wenn Sie also ein anderes Android-Telefon haben, brauchen Sie einen anderen Weg.

Google Docs Voice Typing (Spracheingabe) ist für viele das kostenlose Arbeitspferd. Öffnen Sie ein Dokument, gehen Sie zu Tools > Spracheingabe (oder drücken Sie Strg+Umschalt+S unter Windows, Cmd+Umschalt+S auf dem Mac) und sprechen Sie. Es ist kostenlos, ohne Minutenobergrenze, und funktioniert bei sauberem, gleichmäßigem Diktat erstaunlich gut. Die ehrlichen Einschränkungen: Es setzt kaum Satzzeichen und ist für Live-Sprache gebaut, nicht für Dateien. Um eine bereits vorhandene Aufnahme zu transkribieren, spielen Leute das Audio auf einem Gerät laut ab, während Docs auf einem anderen zuhört, was zwar funktioniert, aber die Qualität mindert.

Das Werkzeug Transcribe von Microsoft Word kann mehr, ist aber nicht kostenlos. Es benötigt ein kostenpflichtiges Microsoft-365-Abonnement und eine Internetverbindung. Dafür bekommen Sie: Sie laden eine Datei hoch (.mp3, .wav, .m4a oder .mp4), und Word trennt die Sprecher, fügt Zeitstempel hinzu und deckt mehr als 80 Sprachen ab, bis zu 300 Minuten hochgeladenes Audio pro Monat. Wenn Sie ohnehin für Microsoft 365 zahlen, ist es eine der besseren Optionen, die im Verborgenen liegen. Wenn nicht, lassen Sie es aus. Die in Word integrierte Funktion Dictate hingegen ist kostenlos und bewältigt die Live-Sprache-zu-Text-Umwandlung.

Tipp: Passen Sie das Werkzeug an die Quelle an. Aufnahme-Apps auf dem Gerät (iPhone Voice Memos, Pixel Recorder) eignen sich am besten für Audio, das Sie gerade jetzt aufnehmen. Auf Hochladen basierende Werkzeuge eignen sich am besten für Dateien, die Sie bereits haben. Ein Live-Diktierwerkzeug dazu zwingen zu wollen, eine gespeicherte Datei zu transkribieren, ist die Stelle, an der die meisten eine Stunde vergeuden.

Kostenlose Web-Transkribierer und KI-Werkzeuge

Wenn die integrierten Optionen nicht passen, tut es in der Regel ein browserbasierter Transkribierer. Sie laden eine Datei hoch, warten ein paar Minuten und laden den Text herunter. Es sind diese Werkzeuge, die die kostenlose Transkription in den letzten Jahren tatsächlich brauchbar gemacht haben, denn die meisten laufen inzwischen mit modernen Spracherkennungsmodellen statt mit den schwerfälligen Engines von vor einem Jahrzehnt.

Die kostenlosen Stufen sind unterschiedlich, daher lohnt es sich, ihre Umrisse zu kennen, bevor Sie eine auswählen:

• Notta — 120 Minuten kostenlos pro Monat, gut für gelegentliche längere Aufnahmen.
• Otter.ai — 300 kostenlose Minuten pro Monat, stark bei Meetings und Echtzeiterfassung.
• TurboScribe — drei Dateien pro Tag, jeweils bis zu 30 Minuten, ohne monatliche Obergrenze.
• OpenAI's Whisper — kostenlos und quelloffen, ohne Minutenbegrenzung, wenn es Ihnen nichts ausmacht, es selbst zu betreiben, was für nicht-technische Nutzer der Haken ist.

Die meisten akzeptieren die zu erwartenden Formate (MP3, WAV, M4A, FLAC), wobei die Obergrenzen für die Dateigröße häufig bei etwa 500 MB liegen. Einige nehmen Uploads bis zu 1 GB entgegen. Die eine Zahl, über die Leute stolpern, ist die Längenbegrenzung pro Datei, die vom monatlichen Gesamtwert getrennt ist. Ein Werkzeug gibt Ihnen vielleicht 120 Minuten im Monat, verschluckt sich aber an einer einzelnen 90-minütigen Datei. Prüfen Sie die Obergrenze pro Datei, bevor Sie eine lange Aufnahme hochladen, nicht erst, nachdem sie fehlgeschlagen ist.

Der einfachste kostenlose Weg, Schritt für Schritt

Wenn Sie einfach nur eine saubere Transkription einer Aufnahme mit möglichst wenig Reibung wollen, ist dies die Route, zu der ich fast jeden lotsen würde. Hier verdient sich ein KI-Meeting-Assistent wie Laxis für einen bestimmten Fall seinen Platz, und darauf komme ich noch, aber für eine einmalige Audiodatei ist ein kostenloser Web-Transkribierer der richtige Zug.

1. Machen Sie Ihre Datei bereit. Stellen Sie sicher, dass sie in einem gängigen Format vorliegt (MP3, WAV oder M4A). Wenn Ihr Aufnahmegerät etwas Exotisches gespeichert hat, konvertieren die meisten Werkzeuge beim Hochladen, aber MP3 ist die sichere Wahl.
2. Wählen Sie einen kostenlosen Transkribierer, der zur Länge Ihrer Datei passt. Für alles unter 30 Minuten ist der kostenlose Plan von TurboScribe schnell. Für eine längere Einzeldatei geben Ihnen die 120 kostenlosen Monatsminuten von Notta mehr Spielraum.
3. Laden Sie hoch und stellen Sie die Sprache ein. Dieser eine Schritt zählt mehr, als man denkt. Dem Werkzeug von vornherein die richtige gesprochene Sprache mitzuteilen, verbessert die Genauigkeit messbar, besonders bei nicht-englischem Audio.
4. Warten Sie, dann prüfen Sie. Die Transkription dauert meist nur einen Bruchteil der Audiolänge. Wenn sie fertig ist, lesen Sie die erste Minute im Abgleich mit dem Audio, um systematische Fehler zu finden: falsch verstandene Namen, Fachjargon, ein wiederkehrendes falsches Wort.
5. Bereinigen und exportieren. Beheben Sie die Handvoll Fehler, fügen Sie Sprecherkennzeichnungen von Hand hinzu, falls das kostenlose Werkzeug es nicht getan hat, und exportieren Sie nach Text, Word oder SRT.

Das ist alles. Bei sauberem Audio mit einem einzigen Sprecher verbringen Sie mehr Zeit damit, diese Liste zu lesen, als sie tatsächlich abzuarbeiten.

Was die Genauigkeit tatsächlich bestimmt

Hier kommt der Teil, der eine brauchbare Transkription von einem Durcheinander trennt, und er hat fast nichts damit zu tun, welches Werkzeug Sie gewählt haben. Jeder moderne Transkribierer nutzt unter der Haube eine in etwa ähnliche Spracherkennungstechnik. Was enorm variiert, ist das Audio, das Sie ihm zuführen.

Bei sauberem Audio mit einem einzigen Sprecher, aufgenommen mit einem anständigen Mikrofon, rechnen Sie mit etwa 85 bis 95 Prozent Genauigkeit. Spitzen-Engines erreichen bei Aufnahmen in Studioqualität 95 bis 98 Prozent. Aber bei Audio aus der realen Welt fallen die Zahlen ins Bodenlose und sinken oft unter 80 Prozent. Diese Fehlerquote von 20 Prozent mag für eine persönliche Sprachnotiz in Ordnung sein und für alles, was Sie zitieren oder veröffentlichen, eine Katastrophe.

Vier Dinge richten den größten Schaden an:

Hintergrundgeräusche

Der mit Abstand größte Genauigkeitskiller. Das Brummen der Klimaanlage, Verkehr, ein Café, Wind am Telefonmikrofon. Sobald das Geräusch im Verhältnis zur Sprache laut wird, fängt die Engine an zu raten.

Mikrofonabstand und -qualität

Ein Mikrofon, das sechs bis zwölf Zoll vom Sprecher entfernt ist, erfasst die volle Stimme. Ein Laptop-Mikrofon am anderen Ende des Raums erfasst eine dünne, hallende Version, mit der die Engine zu kämpfen hat.

Übersprechen und sich überlagernde Sprecher

Wenn zwei Menschen gleichzeitig sprechen, kann das Modell im Grunde nur einem folgen. Audio mit mehreren Sprechern ist dramatisch schwieriger als eine einzelne Stimme.

Akzente und Fachjargon

Starke Akzente, Fachbegriffe und Eigennamen sind die Stellen, an denen selbst gute Werkzeuge ins Straucheln geraten. Die richtige Sprache und den richtigen Dialekt einzustellen hilft, aber rechnen Sie damit, Namen von Hand zu korrigieren.

Beachten Sie, dass drei dieser vier Dinge etwas sind, das Sie steuern, noch bevor Sie überhaupt auf Aufnehmen drücken. Das bringt uns zur kosteneffizientesten Verbesserung, die Sie vornehmen können.

Der Tipp, der jede Software schlägt: Ein USB-Mikrofon für 30 Dollar verbessert die Genauigkeit Ihrer Transkription mehr als der Wechsel zu irgendeinem Premium-Transkriptionswerkzeug. Die Engine kann nur mit dem Audio arbeiten, das ihr gegeben wird, und ein sauberes Signal von einem nahen, anständigen Mikrofon bewirkt mehr als noch so viel KI-Raffinesse, die auf eine matschige Laptop-Aufnahme angewendet wird.

Zweiter Platz, kostenlos: Bringen Sie das Mikrofon nah heran und beseitigen Sie das Geräusch. Rücken Sie auf weniger als einen Fuß an den Sprecher heran, schließen Sie das Fenster, schalten Sie den Ventilator aus. Zehn Sekunden Vorbereitung ersparen Ihnen zwanzig Minuten Korrekturen.

Sprecherkennzeichnungen, lange Dateien und die Grenze kostenloser Werkzeuge

Zwei Einschränkungen tauchen bei der kostenlosen Transkription ständig auf, und beide sollte man kennen, bevor man sich auf einen Arbeitsablauf festlegt.

Die erste sind Sprecherkennzeichnungen, fachlich Diarisierung genannt, also herauszufinden, wer was gesagt hat. Es ist die erste Funktion, die kostenlose Stufen gern streichen. Viele kostenlose Transkribierer reichen Ihnen eine einzige ununterbrochene Textwand ohne jeden Hinweis auf die Sprecher. Selbst wenn die Diarisierung enthalten ist, liegt sie bei etwa 80 bis 95 Prozent Genauigkeit und stolpert über sich überlagernde Sprache und ähnlich klingende Stimmen. Wenn Sie ein Interview mit zwei Personen transkribieren und „Interviewer" und „Gast" klar getrennt brauchen, vergewissern Sie sich, dass das Werkzeug das im kostenlosen Plan auch wirklich tut, bevor Sie sich darauf verlassen.

Die zweite ist die Länge. Kostenlose Stufen begrenzen liebend gern die Dauer pro Datei. Eine dreistündige Aufnahme muss vielleicht in Stücke zerlegt werden, oder sie übersteigt schlicht das, was ein kostenloser Plan pro Monat erlaubt. Es ist keine Schande, eine lange Datei aufzuteilen, aber planen Sie es ein.

Genau diese Grenzen sind der Grund, warum Meetings und Verkaufsgespräche eine ganz andere Sache sind als eine einmalige Audiodatei. Wenn Sie Gespräche transkribieren, die Sie regelmäßig führen, wird ein nachträglicher Upload-Arbeitsablauf schnell mühsam. Hier verändert ein eigens dafür gebauter KI-Meeting-Assistent wie Laxis die Gestalt des Problems: Er tritt Ihrem Zoom-, Google-Meet- oder Teams-Anruf bei, transkribiert in Echtzeit, kennzeichnet jeden Sprecher, während er spricht, und übergibt Ihnen am Ende des Anrufs eine Zusammenfassung mit Aufgaben und Entscheidungen. Sie bleiben nicht mit einer Textwand zurück, die Sie bereinigen müssen. Sie bleiben mit Notizen zurück, die Sie tatsächlich verwenden können, und die sich direkt mit HubSpot oder Salesforce synchronisieren. Für eine beliebige Audiodatei ist ein kostenloser Transkribierer richtig. Für die Anrufe, die Sie jede Woche führen, ist eine Echtzeiterfassung mit eingebauten Sprecherkennzeichnungen eine ganz andere Stufe der Nützlichkeit.

Das Fazit

Die interessante Verschiebung ist, dass die Transkription aufgehört hat, der schwierige Teil zu sein. Die Engines sind gut genug, dass sich der Engpass nach oben verlagert hat, hin zu den zehn Sekunden Nachdenken, bevor Sie aufnehmen. Bringen Sie das Mikrofon nah heran, machen Sie den Raum leise, benennen Sie die Sprache, und jedes kostenlose Werkzeug reicht Ihnen etwas Sauberes. Lassen Sie all das aus, und keine noch so teure Software rettet die Aufnahme. Behandeln Sie die Aufnahme mit ein wenig Sorgfalt, und Sie müssen kaum je über die Transkription nachdenken.

Häufig gestellte Fragen

Was ist der beste kostenlose Weg, Audio in Text umzuwandeln?

Für eine Aufnahme, die Sie bereits haben, ist das Hochladen zu einem kostenlosen KI-Transkribierer wie Notta (120 Minuten kostenlos pro Monat) oder TurboScribe (drei Dateien pro Tag, jeweils bis zu 30 Minuten) meist der schnellste Weg und bewältigt die meisten Audioformate. Wenn Sie ohnehin im Google-Ökosystem sind, ist Google Docs Voice Typing tatsächlich kostenlos, ohne Minutenobergrenze. Auf einem iPhone 12 oder neuer mit iOS 18 oder höher transkribiert die App Voice Memos kostenlos direkt auf dem Gerät, ganz ohne Upload.

Ist die Transcribe-Funktion von Microsoft Word kostenlos?

Nein. Das Transcribe-Werkzeug von Word erfordert ein kostenpflichtiges Microsoft-365-Abonnement und eine Internetverbindung. Es begrenzt das hochgeladene Audio auf 300 Minuten pro Monat, unterstützt .mp3-, .wav-, .m4a- und .mp4-Dateien und deckt mehr als 80 Sprachen ab. Es ist eine starke Option, wenn Sie ohnehin für Microsoft 365 zahlen, aber in den kostenlosen Web- oder reinen Desktop-Versionen von Word ist es nicht verfügbar.

Wie genau ist kostenlose Audiotranskription?

Bei sauberem Audio mit einem einzigen Sprecher, aufgenommen mit einem anständigen Mikrofon, rechnen Sie mit etwa 85 bis 95 Prozent Genauigkeit, und Spitzen-Engines können bei Aufnahmen in Studioqualität 95 bis 98 Prozent erreichen. Bei unaufgeräumtem Audio aus der realen Welt mit Hintergrundgeräuschen, Übersprechen oder starken Akzenten sinkt die Genauigkeit oft unter 80 Prozent. Die Audioqualität zählt mehr als das Werkzeug, das Sie wählen.

Können kostenlose Transkriptionswerkzeuge kennzeichnen, wer was gesagt hat?

Manchmal, aber es ist die erste Funktion hinter einer Bezahlschranke. Die Sprecherkennzeichnung, Diarisierung genannt, liegt bei etwa 80 bis 95 Prozent Genauigkeit und hat mit sich überlagernder Sprache und ähnlich klingenden Stimmen zu kämpfen. Viele kostenlose Stufen liefern einen einzigen ununterbrochenen Textblock ganz ohne Sprecherkennzeichnungen zurück; wenn es also wichtig ist zu wissen, wer was gesagt hat, prüfen Sie, ob das Werkzeug Diarisierung unterstützt, bevor Sie sich darauf verlassen.

Welche Audioformate und Dateilängen akzeptieren kostenlose Transkribierer?

Die meisten kostenlosen Transkribierer akzeptieren MP3, WAV, M4A und FLAC, wobei die Obergrenzen für die Dateigröße häufig bei etwa 500 MB liegen. Die Längenbegrenzungen variieren stark: Einige kostenlose Stufen stoppen bei 15 Minuten pro Datei, TurboScribe erlaubt 30 Minuten pro Datei dreimal am Tag, und einige Werkzeuge lassen Sie Dateien bis zu 1 GB hochladen. Prüfen Sie bei einer langen Aufnahme die Obergrenze pro Datei vor dem Start und nicht danach.