Der beste MP3-zu-Text-Konverter

Google Docs voice typing

Die Spracheingabe in Google Docs kostet nichts außer einem Google-Konto und kommt mit deutlicher Sprache gut zurecht. Sie hört allerdings nur über das Mikrofon zu: Einen Datei-Upload gibt es nicht, also muss eine MP3 laut abgespielt oder in Echtzeit nachgesprochen werden, ohne Zeitstempel, Sprecherkennzeichnung oder Untertitelexport. Für ein Memo von zwei Minuten in Ordnung, für eine Stunde eine Qual.

Ideal für: Ein Memo ohne Konto

Sonix

Sonix ist für hochgeladene Dateien gebaut: Eine MP3 ist etwa 10x schneller als in Echtzeit fertig, mit Sprecherkennzeichnung und Wort-Timing auf 100 ms genau. Sie korrigieren sie im AudioText Editor, während das Audio läuft, und exportieren in eines von 18+ Formaten. Transkribiert wird in 54+ Sprachen, übersetzt in 54+. Die ersten 30 Minuten sind kostenlos, ohne Kreditkarte; danach zahlen Sie $10 pro Stunde nach Verbrauch oder wählen einen Tarif. Für einen kurzen Clip einmal im Jahr brauchen Sie davon vielleicht nichts.

Ideal für: Interviews und alles, was Sie zitieren

Otter.ai

Otter.ai spielt seine Stärken aus, während es ein Meeting aufzeichnet: Live-Transkription, Sprechererkennung und automatische Zusammenfassungen. Für MP3-Dateien ist der kostenlose Tarif knapp bemessen, mit 300 Minuten im Monat, 30 Minuten pro Gespräch und 3 Dateiimporten für die gesamte Lebensdauer des Kontos; Pro ab $8.33 pro Nutzer und Monat bei jährlicher Abrechnung hebt das auf 10 Importe im Monat. Die KI-Transkription deckt 6 Sprachen ab.

Ideal für: Meetings, die Sie live aufzeichnen

Descript

Bei Descript ist das Transkript die Schnittoberfläche: Löschen Sie einen Satz im Text, verschwindet er auch aus dem Audio. Die Transkription in 25 Sprachen mit Sprechererkennung ist Teil einer Kreativ-Suite, mit 60 kostenlosen Medienminuten im Monat und dem Tarif Hobbyist ab $16 im Monat bei jährlicher Abrechnung. Wenn Sie nur den Text aus einer MP3 brauchen, bezahlen Sie für ein Studio, das Sie vielleicht nie nutzen.

Ideal für: Audio und Video, das Sie ohnehin schneiden

Rev

Rev bietet sowohl KI-Transkription als auch menschliche Transkription für $1.99 pro Minute an und ist die Wahl, wenn eine Frist in Recht oder Rundfunk einen nahezu fehlerfreien Text verlangt und Sie lieber zahlen als Korrektur lesen. Der kostenlose Tarif bietet 45 KI-Minuten im Monat auf Englisch; Essentials kostet $25.49 pro Platz und Monat bei jährlicher Abrechnung. Menschliche Transkription dauert Stunden statt Minuten, und Minutenpreise steigen bei langen Aufnahmen schnell.

Ideal für: Ein von Menschen geprüftes Transkript

Happy Scribe

Happy Scribe kombiniert KI-Transkription in 150+ Sprachen und Dialekten mit einem Untertitel-Editor und menschlicher Transkription ab $2.00 pro Minute. Der Tarif Basic umfasst 120 Minuten im Monat für $8.50 bei jährlicher Abrechnung, weitere Minuten kosten $0.20, sodass sich intensive Monate neben einem Stundenpreis summieren. Eine Testphase mit 10 Minuten läuft mit Ihrem eigenen Audio.

Ideal für: Sprachen, die kaum ein Tool abdeckt

OpenAI Whisper

Whisper ist das Open-Source-Spracherkennungsmodell von OpenAI unter MIT-Lizenz: Ein pip install genügt, und Sie transkribieren MP3-Dateien auf Ihrem eigenen Rechner, ohne Upload und ohne Kosten, was sich für vertrauliches Audio anbietet. Den Rechner stellen Sie selbst, lange Dateien können dauern, und Sie erhalten reinen Text ohne Editor, Sprecherkennzeichnung oder formatierte Exporte, sofern Sie diese nicht selbst skripten.

Ideal für: Entwickler und Self-Hosting

Was die Zahlen zeigen

11 Wortfehler bei 707 Wörtern ergeben eine Wortgenauigkeit von 98.4%, und das bei einer Rede, die 114 Jahre vor diesem Test über einen akustischen Trichter in Wachs geschnitten wurde. Das ist weit schwierigeres Audio als ein Smartphone auf dem Besprechungstisch oder ein Podcast-Mikrofon. Deshalb nennt diese Seite für die Engine bis zu 99% bei klarem Audio, und dieser Durchlauf landet knapp darunter.

Die 8 Korrekturen gehen auf drei Arten von Fehlern zurück. Eigennamen (3): Die Engine kannte weder Turgot, den französischen Ökonomen, den Roosevelt zweimal zitiert, noch den Begriff Bourbonism. Wortschatz der Zeit (2): „profit“ und „expedients“, gesprochen im Tonfall von 1912. Fast gleich klingende Wörter, die auch ein Zuhörer überhören könnte (3): „our“ statt „are“, „zones“ statt „souls“, „when“ statt „where“. Kein Satz ging verloren oder wurde erfunden; jeder Fehler ist ein einzelnes falsch verstandenes Wort, und genau das hält den Korrekturdurchgang kurz.

Die Korrektur dauerte 4 Minuten für eine Aufnahme von 4 Minuten: einmal in normaler Geschwindigkeit angehört, wobei das Audio unter dem Wort läuft, das gerade korrigiert wird. Bei einer schwierigen Datei ist das etwa eine Minute Bearbeitung pro Minute Audio, und die meiste Zeit kosten die Namen. Eine saubere moderne Aufnahme braucht weniger Stopps, und ein wiederkehrender Name fällt schon beim ersten Durchgang auf, sobald Sie wissen, worauf Sie achten müssen.