Jedes Video in Text umwandeln - und wann man erst die Tonspur extrahiert
Eines verschweigt jedes „Video zu Text”-Tutorial: die Videospur ist Ballast. Ein Transkriptionsmodell sieht sich kein einziges Bild an - es hört den Ton und sonst nichts. Eine 500-MB-Bildschirmaufnahme trägt vielleicht 30 MB tatsächlichen Klang, und die übrigen 470 MB existieren nur, um deinen Upload zu bremsen.
Sobald man es so sieht, gibt es genau zwei sinnvolle Wege - und die Wahl dauert zehn Sekunden.
Weg eins: das Video einfach hochladen
Speecho nimmt MP4, MOV und WebM direkt an, bis zu vier Stunden Material. Was viele überrascht: die Tonspur wird im Browser extrahiert, bevor irgendetwas hochgeladen wird. Du ziehst eine 2-GB-Aufnahme hinein, dein Rechner löst lokal den Ton heraus, und nur diese kleine Audiodatei geht zum Server. Der Upload dauert Minuten, nicht die Stunde, die die Dateigröße vermuten lässt.
Das deckt fast jeden echten Fall ab, denn fast jedes „Video”, das jemand transkribiert haben will, liegt schon als Datei auf der Festplatte:
- eine Zoom- oder Teams-Aufnahme - eine MP4 im Downloads-Ordner;
- ein Loom - erst bei Loom herunterladen, dann dasselbe;
- eine Google-Meet-Aufnahme - landet als MP4 im Drive;
- eine Vorlesung, ein Interview oder eine Podcast-Folge, die dir jemand als Video geschickt hat.
Wenn du nur das Transkript willst, kannst du hier aufhören zu lesen. Video hochladen, fertig.
Weg zwei: erst die MP3 extrahieren
Manchmal willst du den Ton als Datei, nicht nur den Text dahinter. Dafür ist unser kostenloser Extraktor da - er läuft vollständig im Browser, nichts wird hochgeladen, und am Ende hast du eine MP3. Greif dazu, wenn:
- du den Ton behalten willst - für einen Podcast-Feed, ein Archiv oder unterwegs;
- das Video riesig ist und deine Leitung nicht - eine 64-kbps-Sprach-MP3 eines einstündigen Meetings hat rund 30 MB und lädt überall hoch;
- die Aufnahme länger als vier Stunden ist - Ton extrahieren, dann diesen senden;
- du das Audio mehrfach brauchst - hier transkribieren, dort schneiden.
Der Extraktor hat aus gutem Grund ein „Sprache”-Preset: 64 kbps mono ist genau das, was ein Sprachmodell braucht. Stimmen bleiben klar; nur die Musik leidet - und der hat das Modell ohnehin nicht zugehört.
Was nach beiden Wegen passiert
Dasselbe: OpenAI-Whisper-Transkription in 99 Sprachen mit automatischer Erkennung, optionale Sprecher-Labels für Interviews und Meetings, eine KI-Zusammenfassung, Übersetzung in 18 Sprachen und Export als Word oder Untertitel. Abgerechnet wird pro Audiostunde - ab 0,83 $ - ohne Abo, und zur Anmeldung gibt es 15 Freiminuten, um mit der eigenen Aufnahme zu testen statt mit einer fremden Demo.
Der eine Fall, den keiner der Wege abdeckt
Ein Link ist keine Datei. Wenn du nur eine Streaming-URL hast statt einer eigenen Aufnahme, nehmen weder Speecho noch der Extraktor sie an - wir akzeptieren bewusst Dateien, keine Links. Lade deine eigene Aufnahme von der Plattform herunter, die sie hält (Zoom, Loom und Meet bieten das alle an), und dann ist es wieder Weg eins.
Das ist die ganze Entscheidung: nur den Text wollen - Video hochladen; auch den Ton wollen oder eine riesige Datei haben - erst extrahieren. Beides lässt sich kostenlos ausprobieren.
