Audio zu Text umwandeln
Datei hochladen, Text bekommen — mit Sprechern und Zeitstempeln. Die ersten fünf Minuten sind kostenlos, ohne Konto und ohne Kreditkarte.
Audiodatei hier ablegen
oder klicken zum Auswählen
Audio: MP3 · WAV · M4A · FLAC · OGG · AAC · AIFF · WMA · AMR · OPUS
Video: MP4 · MOV · AVI · MKV · WebM · FLV · WMV
Bis 200 MB · die ersten 5 Minuten kostenlos, ohne Konto
Kostenlose 5-Minuten-Vorschau · ohne Konto · Dateien bis 200 MB · kostenlos registrieren für 30 Minuten und Dateien bis 5 GB
Aktualisiert am 16. September 2026
VexaScribe wandelt Audio- und Videodateien in Text um — mit Sprecherkennzeichnung, wortgenauen Zeitstempeln und Export als TXT, DOCX, SRT, VTT und JSON. 99 Sprachen mit automatischer Spracherkennung. Die ersten 5 Minuten jeder Datei bis 200 MB sind kostenlos und ohne Konto nutzbar; mit kostenlosem Konto stehen 30 Minuten Guthaben und Dateien bis 5 GB zur Verfügung. Eine Stunde Audio ist in etwa 3 bis 5 Minuten transkribiert.
So funktioniert es
Drei Schritte vom Upload bis zum fertigen Transkript. Keine Einrichtung, keine Software-Installation.
- 1
Datei hochladen
Per Drag-and-Drop oder Auswahl eine Audio- oder Videodatei hochladen. Wir akzeptieren MP3, WAV, M4A, MP4, MOV, FLAC, OGG, AAC, AIFF, WMA, AVI, MKV, WebM und 7 weitere Formate. Ohne Konto bis 200 MB pro Datei, mit kostenlosem Konto bis 5 GB.
- 2
KI transkribiert in Minuten
Die KI verarbeitet die Aufnahme und erkennt dabei Sprache, Sprecherwechsel und Zeitpunkte automatisch. Eine 5-Minuten-Vorschau ist meist in unter einer Minute fertig, eine volle Stunde in etwa 3 bis 5 Minuten. Schließe den Tab und komm später zurück — der Vorgang läuft im Hintergrund weiter.
- 3
Bearbeiten, exportieren, teilen
Überprüfe das Transkript im integrierten Editor. Benenne Sprecher um, korrigiere Fehler und exportiere in TXT, DOCX, SRT, VTT oder JSON. Per Link teilen oder herunterladen.
Unterstützte Audio- und Videoformate
17 Formate, die praktisch jedes Aufnahmegerät und Tool abdecken. Ohne Konto bis 200 MB pro Datei, mit kostenlosem Konto bis 5 GB.
Audioformate
- MP3Am häufigsten
- WAVVerlustfrei
- M4AiPhone-Standard
- FLACVerlustfrei
- OGGOffenes Format
- AACApple/Streaming
- AIFFProfi-Audio
- WMAWindows
- AMRMobil
- OPUSModernes Web
Videoformate
- MP4Am häufigsten
- MOVApple/QuickTime
- AVIWindows (Legacy)
- MKVHohe Qualität
- WebMWeb-Video
- FLVFlash (Legacy)
- WMVWindows
Audio wird automatisch aus Videodateien extrahiert. Das Video selbst wird nach der Transkription nicht aufbewahrt.
Was kannst du transkribieren?
Wenn es Audio enthält, kann VexaScribe es transkribieren. Häufige Anwendungsfälle:
Podcast-Folgen
Shownotes, Blogposts, SEO-Inhalte, durchsuchbare Archive. Solo- und Multi-Host-Shows mit Sprecherkennzeichnungen unterstützt.
Interviews
Journalismus, qualitative Forschung, Personalwesen. Multi-Sprecher-Diarisierung trennt Interviewer und Befragten automatisch.
Vorlesungen und Kurse
Studierende erfassen Vorlesungen zur Wiederholung. Lehrkräfte erstellen schriftliche Kursnotizen aus aufgezeichneten Sitzungen.
Meetings
Zoom-, Google-Meet-, Microsoft-Teams-Anrufe. Lade die Aufnahme hoch oder lass den VexaScribe-Meeting-Bot teilnehmen.
Telefonate
Vertriebsanrufe, Kundeninterviews, Support-Aufzeichnungen. Auf jedem Gerät aufnehmen, hochladen und ein Transkript mit Sprechern erhalten.
Video-Inhalte
YouTube-Videos, Schulungsvideos, Kursinhalte. SRT/VTT-Untertitel mit wortgenauen Zeitstempeln generieren.
Sprache in Text umwandeln — oder Text in Sprache?
Kurze Klärung, weil beide Richtungen mit demselben Wort gesucht werden. „Sprache in Text umwandeln“ heißt: aus einer Audioaufnahme (Sprache) wird geschriebener Text. Das ist Speech-to-Text (STT), auch automatische Transkription oder KI-Transkription genannt. Genau das macht VexaScribe.
Das Gegenteil — Text zu Sprache, also aus geschriebenem Text eine Audiodatei generieren — ist Text-to-Speech (TTS). Dafür sind Dienste wie ElevenLabs oder Amazon Polly gedacht. Wenn du eine Audiodatei hast und Text willst: hier bist du richtig. Wenn du einen Text hast und Audio erzeugen willst: falscher Ort.
Audiodatei transkribieren — für jede Aufnahmequelle
Egal, womit die Audioaufnahme entstanden ist. VexaScribe akzeptiert die üblichen Quellen ohne Umwandlung.
WhatsApp-Sprachnachricht
WhatsApp speichert Sprachnachrichten im .opus-Format. VexaScribe akzeptiert .opus direkt — keine Umwandlung nötig. Weiterleiten an die eigene Chat oder in Google Drive exportieren, dann hochladen.
iPhone-Sprachmemo
Sprachmemos vom iPhone kommen als .m4a-Datei. Über die Teilen-Funktion auf iCloud, in E-Mail oder direkt im Browser (Safari iOS) hochladen. Kein Konvertieren in MP3 nötig.
Zoom / Teams / Meet-Aufnahme
Cloud- oder lokale Aufnahmen kommen als .mp4 oder .m4a. Direkt hochladen — die Tonspur wird automatisch extrahiert und mit Sprecher-Diarisierung transkribiert.
Diktiergerät
Olympus, Sony, Philips: WAV-, MP3- oder DSS-Aufnahmen (letztere vorher in WAV umwandeln). Journalismus- und Kanzlei-Workflow, ~1-6 Stunden pro Datei — passt problemlos.
Podcast / YouTube-URL
Audio- oder Video-Download als MP3, M4A oder MP4. VexaScribe akzeptiert Podcast-Feeds oder heruntergeladene YouTube-Dateien. Ideal für Show Notes, Blog-Repurposing.
MP3 / M4A / WAV allgemein
Alle gängigen Audio-Container: MP3, M4A, WAV, FLAC, OGG, AAC, AIFF, WMA, AMR, OPUS. Bitrate ≥ 64 kbps genügt für volle Genauigkeit.
Transkription in 99 Sprachen — mit automatischer Erkennung
Du musst die Sprache nicht manuell auswählen — sie wird automatisch aus dem Audio erkannt. Wie gut das Ergebnis ausfällt, hängt auch davon ab, wie viel Trainingsmaterial es für die jeweilige Sprache gibt:
Am besten abgedeckt
Gut abgedeckt
+ 73 weitere Sprachen
Darunter Walisisch, Swahili, Filipino, Bengali, Punjabi, Tamil, Telugu, Marathi, Urdu, Persisch, Rumänisch, Ungarisch, Bulgarisch, Kroatisch und viele weitere. Je seltener eine Sprache in den Trainingsdaten vertreten ist, desto mehr Nacharbeit solltest du einplanen — probiere solche Aufnahmen am besten mit der kostenlosen Vorschau aus, bevor du dich festlegst.
Was du mit jedem Transkript bekommst
Jede Transkription enthält diese Funktionen ohne Aufpreis in jedem bezahlten Tarif.
Sprecher-Diarisierung
Automatische Sprechererkennung und -kennzeichnung. Mehrere Sprecher erscheinen als Sprecher 1, Sprecher 2, Sprecher 3 usw. Benenne sie im Editor um (z. B. „Moderator“, „Gast“, echte Namen).
Wortgenaue Zeitstempel
Jedes Wort wird auf die Millisekunde mit einem Zeitstempel versehen. Klicke auf ein beliebiges Wort im Editor, um zu dieser Stelle im Audio zu springen. Unverzichtbar für Videountertitel und die Überprüfung von Zitaten.
Mehrere Exportformate
TXT (Klartext), DOCX (Word-Dokument), SRT (Videountertitel), VTT (Web-Untertitel) und JSON (für Entwickler). Alle Formate sind in jedem bezahlten Tarif ohne Upgrade verfügbar.
KI-Zusammenfassungen
Optionale KI-generierte Zusammenfassung mit den wichtigsten Punkten, Entscheidungen, Aufgaben und Kapitelmarken. In allen bezahlten Tarifen verfügbar. Nützlich für Meeting-Notizen, Podcast-Shownotes und die Nachbereitung von Vorlesungen.
Über das „95 % Genauigkeit“ auf jeder Anbieterseite
Fast jedes Werkzeug in diesem Markt nennt eine Genauigkeitszahl. Fast keines sagt dazu, auf welchem Audiomaterial sie gemessen wurde, mit welchem Modell und gegen welches Referenztranskript. Eine Prozentzahl ohne Korpus und ohne Methode sagt wenig: dasselbe System liefert auf einem sauber aufgenommenen Vortrag ein ganz anderes Ergebnis als auf einer Besprechung mit vier Personen und einem Handy in der Tischmitte.
Der Selbsttest
Wir haben die Anbieter durchgesehen, die für diese Suche auf der ersten Seite stehen. Einer wirbt damit, in Benchmarks „jedes andere große Spracherkennungsmodell“ zu schlagen — welche Benchmarks das sind, steht nirgends. Ein anderer nennt „96 % Genauigkeit“ und stellt in Aussicht, bei guter Aufnahme seien 100 % erreichbar, ebenfalls ohne Quelle. Das ist keine Ausnahme, das ist der Normalfall in dieser Branche.
Der Test, den du bei jedem Anbieter machen kannst: such nach der Quelle hinter der Zahl. Gibt es keine, ist die Zahl eine Behauptung. Gibt es eine, sieh nach, ob sie überhaupt von deiner Sprache handelt.
Aus demselben Grund veröffentlichen wir hier keine eigene Prozentzahl für Deutsch. Wir haben die Wortfehlerrate unseres Systems nicht auf einem deutschen Korpus mit Referenztranskripten gemessen, und eine Zahl zu nennen, ohne das getan zu haben, wäre genau das Marketing, das wir gerade kritisieren. Was wir sagen können: das hier entscheidet über dein Ergebnis, und zwar deutlich stärker als die Wahl des Anbieters.
- 1
Der Mikrofonabstand
Der mit Abstand wichtigste Faktor — wichtiger als das Modell. Ein Handy auf einem Meter Entfernung und ein Ansteckmikrofon liefern mit derselben Software sehr unterschiedliche Ergebnisse. Wenn du nur eine Sache ändern kannst, ändere diese.
- 2
Überlappende Stimmen
Der schwierigste Fall für jede Sprechertrennung, auch für unsere. Wenn du eine Gruppe aufnimmst, verbessert ein Mikrofon pro Person die Sprecherkennzeichnung mehr als jeder Werkzeugwechsel.
- 3
Dialekt und regionale Färbung
Spracherkennungsmodelle sind überwiegend auf Standarddeutsch trainiert. Bei ausgeprägtem Bairisch, Schwäbisch, Sächsisch oder Schweizerdeutsch wird das Ergebnis merklich schlechter — um wie viel, können wir nicht sagen, weil wir es nicht gemessen haben. Rechne mit spürbar mehr Nacharbeit.
- 4
Fachvokabular und Eigennamen
Personen- und Firmennamen, Abkürzungen, medizinische oder juristische Terminologie: dort sammeln sich die Fehler, die du von Hand korrigieren musst.
- 5
Störgeräusche und Bitrate
Musik, Straßenlärm und Aufnahmen unter 64 kbps verschlechtern das Audio, bevor das Modell es überhaupt sieht. Wenn du beim Export die Wahl hast, nimm die höhere Qualität.
Der ehrliche Weg zur Entscheidung: transkribiere die ersten fünf Minuten deiner eigenen Datei oben auf dieser Seite, ohne Konto, und sieh dir das Ergebnis an. Das ist aussagekräftiger als jede Prozentzahl — auch als unsere. Für Inhalte, die veröffentlicht werden oder rechtliche Folgen haben, plane grundsätzlich eine menschliche Durchsicht ein: keine KI ersetzt dort heute eine professionelle Transkription.
Was mit deinen Aufnahmen passiert
Für deutsche Nutzerinnen und Nutzer ist Datenschutz eine echte Frage, kein Compliance-Häkchen. Vier Zusagen, die sich überprüfen lassen:
- ●Verschlüsselung: Übertragung per TLS 1.2+, Speicherung mit AES-256 im Ruhezustand.
- ●Kein Training auf deinen Daten: Wir verwenden deine Aufnahmen und Transkripte nicht, um KI-Modelle zu trainieren. Das ist vertraglich zugesichert, nicht nur eine Aussage auf einer Marketingseite. Für journalistische Quellen, medizinische Diktate, Personal- und Mandantengespräche ist das die eigentlich relevante Zusicherung — und sie ist in diesem Markt nicht selbstverständlich: manche Anbieter trainieren standardmäßig mit, mit einem Opt-out tief in den Kontoeinstellungen.
- ●Kein Weiterverkauf: Nutzerdaten werden nicht an Dritte verkauft.
- ●Löschung in deiner Hand: Einzelne Dateien löschst du jederzeit im Dashboard, das gesamte Konto selbstständig in den Einstellungen. Kein Support-Ticket nötig.
Wenn der Verarbeitungsort vertraglich festgelegt ist: Manche Auftragsverarbeitungsverträge, Vergabeunterlagen und interne Richtlinien verlangen ausdrücklich eine Verarbeitung innerhalb der EU-27. Wenn das auf dich zutrifft, frag die konkrete Verarbeitungsregion bei jedem Anbieter ab, den du in die engere Wahl nimmst — bei uns genauso. Verlass dich dabei nicht auf ein „EU“ im Marketingtext: Rechenzentren in London oder Zürich liegen nicht in der EU, und der Unterschied kann in einer Ausschreibung entscheidend sein.
Wo diese Anforderung hart ist, bleibt lokal betriebenes Whisper die sicherste Variante, weil die Aufnahme das eigene Gerät nie verlässt. Es ist kostenlos (MIT-Lizenz) und braucht etwas Einrichtung — wie das geht, steht in unserer Whisper-Anleitung. Für klinische Inhalte, die in den USA unter HIPAA fallen, sind wir nicht zertifiziert; dafür bitte einen HIPAA-Anbieter wählen.
Einfache, transparente Preise
Zahle nur, was du nutzt. Keine Gebühren pro Platz, keine versteckten Kosten. Jederzeit kündbar.
Starter
200 Min./Monat
Solo-Creator
Basic
1.000 Min./Monat
Regelmäßige Podcaster
Pro
2.500 Min./Monat
Intensive Nutzung
Wenn dein Fall spezieller ist
Für vier Ausgangslagen gibt es eigene Seiten, die über diese allgemeine Übersicht hinausgehen:
MP3 zu Text
Wenn du bereits eine MP3-Datei hast — inklusive Stapelverarbeitung mehrerer Dateien.
Sprachmemo transkribieren
Aufnahmen aus der iPhone- oder Android-Sprachmemo-App, samt Übertragung auf den Rechner.
Untertitel-Generator
Wenn du am Ende SRT- oder VTT-Untertitel für ein Video brauchst, nicht nur Fließtext.
Whisper selbst betreiben
Wenn die Aufnahme das eigene Gerät nicht verlassen darf — Einrichtung, Hardware, Grenzen.
Audio kostenlos in Text umwandeln — was die Gratis-Angebote wirklich hergeben
„Kostenlos“ bedeutet bei Transkriptionswerkzeugen sehr Unterschiedliches: mal ein paar Minuten zum Probieren, mal eine Handvoll Dateien pro Tag, mal ein Kontingent, das großzügig klingt, aber an einer Längenbegrenzung pro Datei scheitert. Die folgenden Angaben haben wir am 16. September 2026 auf den Preisseiten der Anbieter nachgesehen.
| Werkzeug | Kostenlos | Konto nötig? | Danach (monatlich gezahlt) |
|---|---|---|---|
| VexaScribe | 5 Min pro Datei (bis 200 MB); mit Konto einmalig 30 Min | Nein für die Vorschau | ab 2 $ für 200 Min |
| Maestra | 1 Minute zum Probieren | Nein | siehe Anbieter-Preisseite |
| Transcri | Dateien bis 8 Minuten | Nein | siehe Anbieter-Preisseite |
| TurboScribe | 3 Dateien pro Tag, je max. 30 Min | Ja | 20 $ (10 $ bei Jahreszahlung) |
| Notta | 120 Min/Monat, aber max. 3 Min pro Aufnahme | Ja | 13,99 $ Pro (8,17 $ bei Jahreszahlung) |
| Whisper (lokal) | Dauerhaft kostenlos (MIT-Lizenz), nur eigene Hardware | Nein | — |
Achte auf den Abrechnungszeitraum. Mehrere Anbieter zeigen auf ihrer Preisseite standardmäßig den auf den Monat umgerechneten Jahrestarif. Der Betrag, den du bei monatlicher Zahlung tatsächlich zahlst, liegt oft 60 bis 100 % darüber und erscheint teils erst nach dem Umschalten: bei TurboScribe 20 $ statt 10 $, bei Notta 13,99 $ statt 8,17 $. Die letzte Spalte oben nennt bewusst den monatlich gezahlten Preis.
Wann ein kostenloses Kontingent wirklich reicht
Vier Fälle, in denen du nichts bezahlen musst — auch nicht bei uns:
- Eine einzelne kurze Sprachnotiz: Liegt die Aufnahme unter fünf Minuten, reicht die Vorschau oben auf dieser Seite, ohne Konto. Bei Dateien bis acht Minuten geht auch Transcri ohne Registrierung.
- Regelmäßig mehrere kurze Dateien: TurboScribe erlaubt drei Dateien pro Tag zu je 30 Minuten. Wer wöchentlich ein paar Aufnahmen hat und mit der Tagesgrenze zurechtkommt, fährt damit dauerhaft kostenlos — das ist mehr, als unser einmaliges 30-Minuten-Guthaben hergibt.
- Viele sehr kurze Wortmeldungen: Nottas 120 Freiminuten im Monat sind nur nutzbar, solange keine einzelne Aufnahme länger als drei Minuten ist. Für einstündige Besprechungen ist das Gratis-Kontingent damit unbrauchbar, für viele kurze Notizen dagegen sinnvoll.
- Datenschutzkritische Einzelprojekte: Lokales Whisper ist dauerhaft kostenlos und lädt nichts hoch. Rechne mit Einrichtungsaufwand und, ohne passende Grafikkarte, mit deutlich längerer Verarbeitungszeit als in der Cloud.
Wann sich ein Bezahltarif rechnet
- Aufnahmen, die länger sind als das Gratis-Limit. Das ist die häufigste Grenze — nicht das Minutenkontingent, sondern die zulässige Länge pro Datei.
- Regelmäßige Nutzung ab etwa 200 Minuten im Monat. Unser Starter-Tarif kostet 2 $ monatlich; der Aufwand, zwischen mehreren Gratis-Kontingenten hin- und herzuwechseln, ist meist teurer als das.
- Export als DOCX, SRT oder VTT. Manche Gratis-Stufen geben nur Fließtext aus, was für einen Untertitel-Arbeitsablauf nicht genügt.
Was du in einem deutschen Transkript zuerst prüfen solltest
Jedes automatische Transkript braucht eine Durchsicht. Bei deutschen Aufnahmen lohnt es sich, gezielt an fünf Stellen zu schauen, statt alles von vorne bis hinten zu lesen — dort sitzen die Fehler erfahrungsgemäß.
- 1
Eigennamen und Firmenbezeichnungen
Namen sind der häufigste Korrekturfall, weil sie sich aus dem Kontext nicht erschließen lassen. Nutze die Suchfunktion im Editor: einmal den richtig geschriebenen Namen suchen, einmal die naheliegende falsche Variante. Bei einem Interview mit wiederkehrenden Namen spart das die meiste Zeit.
- 2
Zusammengesetzte Substantive
Deutsch bildet lange Komposita, gesprochen werden sie aber oft mit kurzer Pause. Dadurch entstehen Trennungen, wo keine hingehören („Datenschutz Grundverordnung“) oder Zusammenschreibungen, wo zwei Wörter gemeint waren. Beides liest sich beim Überfliegen unauffällig und fällt erst im fertigen Dokument auf.
- 3
Zahlen, Daten und Beträge
„Dreiundzwanzig“ kann als Ziffer oder ausgeschrieben erscheinen, Jahreszahlen und Geldbeträge unterschiedlich formatiert. Wenn das Transkript in ein Protokoll oder einen Bericht wandert, vereinheitliche das in einem Durchgang, bevor du weiterarbeitest.
- 4
Die Sprecherzuordnung an den Wechselstellen
Die Sprechertrennung ist dort am unsichersten, wo zwei Personen kurz gleichzeitig reden — also genau an den Übergängen. Springe im Editor die Wechsel zwischen Sprecher 1 und Sprecher 2 an und prüfe die erste Zeile danach. Benenne die Sprecher gleich um, das macht den Rest der Durchsicht schneller.
- 5
Anglizismen und Fachbegriffe in gemischter Rede
In vielen beruflichen Aufnahmen stehen englische Fachbegriffe mitten im deutschen Satz. Dort entscheidet das System zwischen zwei Sprachen, und genau da entstehen die Verwechslungen — besonders bei Abkürzungen, die im Deutschen anders gesprochen werden als im Englischen.
Praktischer Hinweis: Wenn du ein Zitat wörtlich übernimmst, klick im Editor darauf und hör die Stelle nach. Jedes Wort hat einen Zeitstempel, das dauert ein paar Sekunden — und es ist der einzige Weg, bei einem veröffentlichten Zitat sicher zu sein.
Wann ein anderes Werkzeug besser passt
Wir sind auf einen Fall ausgelegt: du hast eine fertige Aufnahme und brauchst daraus Text. In vier Situationen ist etwas anderes die bessere Wahl.
Du willst live im Meeting mitschreiben lassen
Wir transkribieren fertige Dateien, nicht laufende Gespräche in Echtzeit. Wenn ein Assistent automatisch jedem Termin beitreten und während des Gesprächs mitschreiben soll, sind darauf spezialisierte Meeting-Werkzeuge wie Otter oder Fireflies die passendere Gattung.
Die Aufnahme darf dein Gerät nicht verlassen
Bei anwaltlicher Schweigepflicht, ärztlichem Diktat oder Quellenschutz im Journalismus kann jede Cloud-Verarbeitung ausgeschlossen sein — unabhängig vom Anbieter. Dann ist lokal betriebenes Whisper die richtige Wahl: kostenlos, ohne Upload, mit etwas Einrichtungsaufwand. Anleitung dazu hier.
Du brauchst eine beglaubigte oder gerichtsfeste Transkription
Für Gerichtsverfahren, notarielle Vorgänge oder amtliche Verwendung wird in der Regel eine Transkription mit Richtigkeitsbestätigung verlangt. Das leistet keine automatische Lösung — dafür brauchst du eine professionelle Transkriptionskraft oder ein Schreibbüro.
Du brauchst regelmäßig viele kurze Dateien gratis
Unser kostenloses Guthaben ist einmalig, nicht monatlich. Wer dauerhaft und ohne Bezahlung mehrere kurze Aufnahmen pro Tag transkribieren will, fährt mit TurboScribes Tageskontingent (drei Dateien à 30 Minuten) besser — das sagen wir ungern, aber es stimmt.
Häufig gestellte Fragen
Wie wandelt VexaScribe Audio in Text um?
Lade eine Audio- oder Videodatei hoch — die KI verarbeitet die gesamte Aufnahme und liefert Text mit Sprecherkennzeichnungen, wortgenauen Zeitstempeln und optionaler KI-Zusammenfassung. Die ersten fünf Minuten kannst du ohne Konto direkt auf dieser Seite testen. Für das Standardmodell nutzen wir Whisper Large-v3 von OpenAI; zahlende Tarife können zusätzlich auf eine schnellere kommerzielle Engine zugreifen.
Kann ich ohne Anmeldung transkribieren?
Ja. Das Feld oben auf dieser Seite transkribiert die ersten 5 Minuten jeder Datei bis 200 MB ohne Konto und ohne Kreditkarte. Du siehst das echte Ergebnis mit Sprechern und Zeitstempeln, bevor du dich entscheidest. Mit einem kostenlosen Konto bekommst du 30 Minuten Guthaben und Dateien bis 5 GB.
Welche Audio- und Videoformate kann ich transkribieren?
VexaScribe akzeptiert MP3, WAV, M4A, FLAC, OGG, AAC, AIFF, WMA, AMR und OPUS für Audio sowie MP4, MOV, AVI, MKV, WebM, FLV und WMV für Video. Ohne Konto liegt die Grenze bei 200 MB pro Datei, mit Konto bei 5 GB. Bei Videodateien extrahieren wir die Tonspur automatisch.
Wie lange dauert die Transkription einer einstündigen Audiodatei?
Mit dem Standardmodell rund 3 bis 5 Minuten pro Stunde Audio, mit dem Premium-Modell etwa 2 Minuten pro Stunde. Eine 5-Minuten-Vorschau ist meist in unter einer Minute fertig. Die Dauer hängt von Audioqualität und aktueller Auslastung ab. Du kannst den Browser-Tab schließen und später zurückkehren — das Transkript wartet im Dashboard.
Ist VexaScribe kostenlos?
Die 5-Minuten-Vorschau auf dieser Seite ist kostenlos und ohne Konto nutzbar. Mit einem kostenlosen Konto bekommst du einmalig 30 Minuten Transkriptionsguthaben, ohne Kreditkarte. Danach starten bezahlte Tarife bei 2 $/Monat für 200 Minuten (Starter), 5 $ für 1.000 Minuten (Basic), 10 $ für 2.500 Minuten (Pro) und 20 $ für 6.000 Minuten (Studio). Jederzeit kündbar.
Wie genau ist die Transkription auf Deutsch?
Wir veröffentlichen bewusst keine Prozentzahl. Wir haben die Wortfehlerrate unseres Systems nicht auf einem deutschen Korpus mit Referenztranskripten gemessen, und eine Zahl ohne Korpus und Methode sagt ohnehin wenig: dasselbe System liefert auf einem sauber aufgenommenen Vortrag ein deutlich anderes Ergebnis als auf einer Besprechung mit vier Personen und einem Handy in der Tischmitte. Entscheidend sind Mikrofonabstand, überlappende Stimmen, Dialekt, Fachvokabular und Bitrate. Der ehrlichste Test ist die kostenlose 5-Minuten-Vorschau mit deiner eigenen Datei.
Welche Sprachen werden unterstützt?
99 Sprachen einschließlich Deutsch, Englisch, Spanisch, Französisch, Italienisch, Portugiesisch, Niederländisch, Russisch, Polnisch, Japanisch, Chinesisch, Koreanisch, Arabisch, Türkisch, Hindi, Vietnamesisch und Thailändisch. Die Sprache wird automatisch erkannt — du musst sie vor dem Hochladen nicht auswählen.
Kann ich Videodateien transkribieren?
Ja. Lade MP4-, MOV-, AVI-, MKV-, WebM-, FLV- oder WMV-Dateien hoch, und wir extrahieren die Tonspur automatisch. Das Transkript enthält Zeitstempel, sodass du es mit deinem Videoeditor synchronisieren, Untertitel generieren (SRT/VTT-Export) oder Videoinhalte in Blogposts umwandeln kannst.
Was ist der Unterschied zwischen Sprache-in-Text und Text-in-Sprache?
Beide Richtungen werden mit ähnlichen Wörtern gesucht. Sprache in Text umwandeln (Speech-to-Text, STT) heißt: aus einer Audioaufnahme wird geschriebener Text. Das ist automatische Transkription — genau das macht VexaScribe. Der umgekehrte Fall, aus Text eine Audiodatei erzeugen (Text-to-Speech, TTS), ist Sache von Diensten wie ElevenLabs oder Amazon Polly. Wenn du eine Audiodatei hast und Text willst: hier bist du richtig.
Erkennt VexaScribe mehrere Sprecher?
Ja, automatische Sprecher-Diarisierung ist in jedem Transkript enthalten, auch in der kostenlosen Vorschau. Mehrere Sprecher werden als Sprecher 1, Sprecher 2, Sprecher 3 usw. gekennzeichnet und lassen sich im Editor umbenennen. Bei stark überlappenden Stimmen ist die Zuordnung für jedes System schwierig — ein Mikrofon pro Person hilft dort mehr als ein Werkzeugwechsel.
Was passiert mit meinen Audiodaten?
Übertragung per TLS 1.2+, Speicherung mit AES-256 verschlüsselt. Wir nutzen deine Audiodaten nicht für das Training von KI-Modellen — das ist vertraglich zugesichert, nicht nur eine Marketingaussage — und verkaufen keine Nutzerdaten. Dateien und Konto kannst du jederzeit selbst im Dashboard löschen. Wenn dein Vertrag oder deine interne Richtlinie eine Verarbeitung ausschließlich innerhalb der EU-27 verlangt, frage die konkrete Verarbeitungsregion bei jedem Anbieter ab, auch bei uns; wo diese Anforderung hart ist, bleibt lokal betriebenes Whisper die sicherste Variante, weil die Datei das eigene Gerät nie verlässt.
Wie exportiere ich das Transkript?
VexaScribe exportiert in TXT (Klartext), DOCX (Word-Dokument), SRT (Videountertitel), VTT (Web-Untertitel) und JSON (strukturierte Daten für Entwickler). Alle Formate sind in jedem bezahlten Tarif verfügbar. SRT und VTT enthalten Zeitstempel für Videoeditoren.