MP3 in Text umwandeln Kostenlos und präzise

Die meisten „kostenlosen“ Transkriptionsprogramme beschränken die Nutzung auf wenige Minuten pro Tag oder versehen die Ausgabe mit einem Wasserzeichen, bis Sie bezahlen. ScribeGrab läuft auf unserer eigenen GPU, daher fallen keine Cloud-Gebühren pro Minute an und es gibt keine tägliche Begrenzung: einzelne Dateien bis zu 60 Minuten und 1,5 GB, etwa 100 Sprachen werden automatisch erkannt, und Ihre hochgeladene Datei wird sofort nach Abschluss gelöscht.

MP3 ist das Format, in dem die meisten Aufnahmen vorliegen, daher liest ScribeGrab es direkt, ohne vorherige Konvertierung. Haben Sie eine andere Datei? WAV, M4A, FLAC, OGG, AAC und gängige Videodateien funktionieren auf die gleiche Weise. Sehen Sie sich das allgemeine Sprache in Text Programm an, das auch Sprachnotizen von Telefonen verarbeitet. Audio in Text Arbeitsablauf für die vollständige Liste.

1. Öffnen Sie ScribeGrab und klicken Sie auf „Tool öffnen“.
2. Ziehen Sie Ihre MP3-Datei hinein (bis zu 60 Minuten / 1,5 GB).
3. Lassen Sie unser Sprachmodell die Datei auf unserer GPU transkribieren.
4. Laden Sie die Transkription als TXT herunter, und optional SRT/VTT, wenn Sie Untertitel wünschen.

Das Erste, was die Leute über eine MP3-Datei fragen, ist, ob die Qualität hoch genug ist, um sie zu transkribieren. Fast immer ist das der Fall. Die Spracherkennung hört nicht so zu wie Sie: Das Audiosignal wird auf 16 kHz Mono heruntergerechnet, bevor das Modell es überhaupt sieht, da sich die Informationen der menschlichen Sprache in diesem Bereich befinden. Eine 320 kbps Stereo-Datei und eine 128 kbps Mono-Datei enden fast an der gleichen Stelle, und selbst 64 kbps Sprachaufnahmen lassen sich in der Regel problemlos transkribieren. Die Bitrate ist nicht der richtige Punkt, um sich Sorgen zu machen.

Was tatsächlich die Genauigkeit beeinflusst, ist die Aufnahme selbst, und in etwa folgender Reihenfolge der Qualitätseinbußen: Entfernung vom Mikrofon (Ein Telefon, das zwei Meter entfernt auf dem Tisch liegt, führt zu größeren Verlusten als jeder Codec), überlappende Sprache, starker Nachhall in einem kahlen Raum mit parallelen Wänden und gleichmäßiges Hintergrundgeräusch wie Klimaanlage, Verkehr oder ein Lüfter eines Laptops. Eine Nahaufnahme mit 96 kbps ist immer besser als eine Aufnahme in einem Raum mit verlustfreier Qualität.

Das bedeutet, dass die nützlichen Verbesserungen Dinge sind, die Sie vor der Aufnahme tun, nicht danach. Bewegen Sie das Aufnahmegerät näher an die Person, die spricht. Wenn zwei Personen sprechen, platzieren Sie es zwischen ihnen und nicht vor einer von ihnen. Schalten Sie den Lüfter aus. Und wenn Sie die Datei bereits haben und sie von schlechter Qualität ist, transkribieren Sie sie trotzdem: Es ist kostenlos und dauert nur wenige Minuten, und Sie lernen mehr, indem Sie das Ergebnis lesen, als indem Sie darüber nachdenken, ob es sich lohnt, es zu versuchen.

MP3 ist das Format, das die Leute meinen, wenn sie „Audiodatei“ sagen, aber es ist selten die einzige Kopie, die Sie haben, und manchmal ist eine andere besser. Wenn Sie beide haben, verwenden Sie die folgende Liste.

• WAV oder FLAC – unkomprimiert oder verlustfrei komprimiert. Verwenden Sie diese Formate, wenn Sie sie haben; sie sind größer, aber es wurden noch keine Informationen verworfen. FLAC ist etwa halb so groß wie WAV bei identischem Audio.
• M4A / AAC – das Format, das iPhone-Sprachmemos und die meisten modernen Aufnahmegeräte verwenden. Bei gleicher Bitrate etwas effizienter als MP3. Direkt hochladen, keine Konvertierung erforderlich.
• MP3 – ein universelles Format, das bei jeder Bitrate ab 64 kbps für Sprache geeignet ist.
• OGG / Opus – das Format, das für WhatsApp-Sprachnachrichten und Discord-Aufnahmen verwendet wird. Sehr gut bei niedrigen Bitraten. So hochladen, wie es ist.
• MP4, MOV, MKV, WebM – Videodateien. Es ist nicht notwendig, den Ton vorher zu extrahieren; der Audiotrack wird serverseitig extrahiert.

Das Konvertieren einer MP3-Datei in WAV vor dem Hochladen bringt nichts, außer dass die Datei größer wird, da die Informationen, die die MP3 verworfen hat, nicht wiederhergestellt werden. Überspringen Sie diesen Schritt. Dateien bis zu 60 Minuten werden jeweils in einem Durchgang verarbeitet, und Sie erhalten eine einfache Texttranskription sowie SRT- und VTT- Untertiteldateien aus demselben Durchgang, unabhängig davon, ob die Quelle Audio oder Video war.

Eine MP3-Datei als Eingabe, drei Dateien als Ausgabe, alles aus demselben Durchgang – wählen Sie die Datei, die am besten zu dem passt, was Sie tun:

• transcript.txt — einfacher, fortlaufender Text, eine Zeile pro Satz. Dies ist die Datei, die sich am besten zum Lesen, Suchen, Zitieren oder Einfügen in ein Dokument eignet.
• subtitles.srt — die gleichen Wörter mit Start- und Endzeitcodes in einem Format, das von fast allen Video-Plattformen und -Editoren akzeptiert wird. Auch für reine Audiodateien nützlich: So finden Sie heraus, wo in einer zweistündigen Aufnahme etwas gesagt wurde.
• subtitles.vtt — die weboptimierte Version desselben Formats, für einen HTML5-Player oder einen browserbasierten Editor.

Wenn mehr als eine Person spricht, erhält die Transkription auch SprecherkennzeichnungenDiese werden anhand der Stimmen selbst ermittelt – das Tool misst den Charakter jedes gesprochenen Segments und gruppiert ähnliche Segmente zusammen – daher handelt es sich eher um eine fundierte Schätzung als um eine Gewissheit. Zwei Personen mit ähnlichen Stimmen können am Ende zusammengefasst werden, und eine Person, die sich dem Mikrofon nähert und sich davon entfernt, kann in zwei Personen aufgeteilt werden. Betrachten Sie die Kennzeichnungen als einen ersten Entwurf, den Sie in wenigen Minuten korrigieren, und nicht als eine exakte Transkription, wer was gesagt hat.

Eine Transkription ist in der Regel nicht ohne weiteres zur Veröffentlichung geeignet, unabhängig davon, mit welchem Tool sie erstellt wurde. Wenn Sie die Bereinigung in dieser Reihenfolge durchführen, dauert es nur einen Bruchteil der Zeit:

1. Korrigieren Sie zuerst die Eigennamen mit der Suchen-und-Ersetzen-Funktion. Namen, Unternehmen, Orte und Fachbegriffe sind das, was Sprachmodelle am häufigsten falsch interpretieren durchgängig – der gleiche Name wird jedes Mal auf die gleiche Weise falsch verstanden. Eine einzige globale Ersetzung pro Name behebt zwanzig Instanzen.
2. Lesen Sie dann, um Satzgrenzen zu erkennen. Die Interpunktion wird aus Pausen und Betonung abgeleitet, daher erhält ein Sprecher, der abdriftet, an einer ungewöhnlichen Stelle einen Punkt. Dies ist ein schneller Durchlauf, keine Überarbeitung.
3. Korrigieren Sie als Nächstes die Sprecherbezeichnungen, sobald Sie die Namen kennen – bevor Sie anfangen, Text zu kürzen, während die Struktur noch mit dem Audio übereinstimmt.
4. Erst dann bearbeiten Sie den Text, um ihn lesbarer zu machen: Entfernen Sie Füllwörter, kürzen Sie Wiederholungen, schneiden Sie falsche Anfänge heraus. Führen Sie dies als Letztes aus, da jeder vorherige Schritt bei einem wörtlichen Text einfacher ist.

Zwei Dinge sparen mehr Zeit als alles oben Genannte. Halten Sie die SRT-Datei neben dem Text geöffnet – wenn ein Abschnitt wirr aussieht, führt Sie der Zeitcode direkt zu dieser Sekunde im Audio, sodass Sie zuhören können, anstatt zu raten. Und wenn Sie das Audio selbst aufnehmen, halten Sie das Mikrofon nahe am Sprecher: ein Telefon, das einen Armlänge entfernt auf dem Tisch liegt, kostet Sie mehr Genauigkeit, als jede Einstellung wiederherstellen kann, und es ist die einzige Variable, die vollständig unter Ihrer Kontrolle steht.