Whisper Transcriber

Verwandeln Sie Aufnahmen in bearbeitbaren Text, ohne sie irgendwohin zu senden. Das Audio wird dekodiert, umgerechnet und von einem Whisper-Modell in einem Web Worker in Ihrem eigenen Browser transkribiert — hinter diesem Werkzeug steht kein Transkriptionsserver.

Utility öffnen

Was das Werkzeug leistet

Whisper Transcriber wandelt Sprache auf Ihrem eigenen Rechner in Text um. Sie übergeben eine Audio- oder Videodatei — oder nehmen direkt über das Mikrofon auf — und erhalten ein vollständiges Transkript samt Segmenten mit Zeitstempeln, die Sie bearbeiten und als TXT, SRT oder WebVTT exportieren können.

Alles läuft im Browser-Tab: Die Medien werden dekodiert und auf Mono 16 kHz gemischt, das OpenAI-Whisper-Modell läuft über Transformers.js auf ONNX Runtime Web, und das Ergebnis verlässt die Seite nicht. Nichts wird hochgeladen, in eine Warteschlange gestellt oder auf einem Server gespeichert.

Die Anwendung ist als eigenständige Mikroanwendung unter static/utility-apps/whisper-transcriber aufgebaut. Die CAD-AutoScript-Shell bettet sie in einem Same-Origin-iframe ein, sodass der Transcriber sich in seinem eigenen Repository weiterentwickeln kann und zugleich Katalog, Artikel, Reaktionen, Kommentare und Zugriffsschicht dieser Website nutzt.

Erster Start: der Modell-Download

Beim ersten Klick auf Start Transcription lädt der Browser die Gewichte des mehrsprachigen Whisper-Tiny-Modells vom Hugging Face Hub und legt sie im Cache ab. Das ist der einzige Netzwerkverkehr dieses Werkzeugs, und er enthält kein Audio — nur die Modelldateien.

Wie viel, hängt davon ab, welche Engine läuft; das Abzeichen oben im Werkzeug nennt den Wert für Ihr Gerät im Voraus:

Engine	Gewichte	Typisches Gerät
WASM	~41 MB	Smartphones und Tablets sowie Browser ohne WebGPU
WebGPU	~77 MB	Desktop-Browser mit GPU-Unterstützung

• Spätere Läufe greifen auf den Cache zu und benötigen überhaupt kein Netz.
• Das Löschen der Websitedaten, ein privates Fenster oder Speicherdruck im Browser können den Cache verdrängen und einen erneuten Download auslösen.
• Die Modellrevision ist auf einen festen Commit gepinnt, sodass jedes Mal dieselbe Version geladen wird.

Wann Sie es einsetzen

• Protokolle von Besprechungen, Lieferantengesprächen oder Design-Reviews aus einer Aufnahme erstellen.
• Videobegehungen und Inspektionen in durchsuchbaren Text überführen.
• Mängellisten und QA-Beobachtungen vor Ort diktieren statt tippen.
• SRT- oder WebVTT-Untertitel für interne Schulungs- und Übergabevideos erzeugen.
• Material transkribieren, das nicht zu einem Drittanbieterdienst hochgeladen werden darf.

Arbeitsablauf

1. Ziehen Sie eine Audio- oder Videodatei in die Ablagefläche oder drücken Sie Record Audio und stoppen Sie, wenn Sie fertig sind.
2. Warten Sie, bis die Statuszeile die Medien als bereit meldet — sie zeigt die Dauer und ob die Fensterpipeline verwendet wird.
3. Passen Sie Sprache, Zeitstempel und Engine an, falls die Voreinstellungen zur Aufnahme nicht passen.
4. Drücken Sie Start Transcription. Beim ersten Lauf zeigt der Fortschrittsbalken den Modell-Download, danach geht es direkt zur Inferenz.
5. Korrigieren Sie das Transkript direkt — das Textfeld ist editierbar, und alle Exporte lesen daraus.
6. Kopieren Sie den Text oder exportieren Sie TXT, SRT oder WebVTT.
7. Mit Clear File werden Medien, Transkript und geladenes Modell aus dem Speicher entfernt.

Einstellungen

Einstellung	Optionen	Wirkung
Model	Whisper Tiny (mehrsprachig)	Die Gewichte für die Erkennung. Die angezeigte Größe ist die, die Ihr Gerät tatsächlich lädt.
Language	Automatic Detection, English Only, Russian Only	Automatic lässt Whisper die Sprache erkennen; eine explizite Wahl ist bei kurzen oder verrauschten Clips zuverlässiger.
Timestamps	Show Timestamps, Text Only	Zeitstempel erzeugen die Segmentliste, die der SRT- und WebVTT-Export benötigt.
Engine Runtime	Auto (GPU/WASM), WASM Only, WebGPU Preferred	Auto nutzt die GPU auf dem Desktop und WASM auf Smartphones. WASM ist langsamer, läuft aber überall, und das Werkzeug wechselt von selbst dorthin, sobald der GPU-Pfad nicht verfügbar ist.

Lange Aufnahmen

Kurze Clips werden in einem Durchgang dekodiert. Längere Medien werden zunächst geprüft und dann durch ein Fließband aus Mono-Fenstern geführt: Es liegt immer nur ein Fenster im Speicher, während das Modell zwischen den Fenstern geladen bleibt. Auf dem Desktop sind das 30-Sekunden-Fenster mit 5 Sekunden Überlappung, auf Smartphones 15 und 3 — das halbiert den Speicherbedarf in der Spitze. Das Transkript füllt sich Fenster für Fenster, und Cancel stoppt den Lauf, ohne das bereits Erzeugte zu verlieren.

Auf dem Smartphone

Das Werkzeug läuft in mobilen Browsern, und einiges wird dabei für Sie eingestellt: WASM ist die Standard-Engine, geladen wird das kleinere 41-MB-Modell, und das Audio wird enger gefenstert. Zwei Dinge sollten Sie wissen.

• Lassen Sie den Tab im Vordergrund. Das Werkzeug bittet das System, den Bildschirm nicht abzuschalten, aber das hindert es nicht daran, die Seite auszulagern, wenn Sie in eine andere App wechseln. Eine lange Transkription braucht den sichtbaren Tab.
• Es ist langsamer als ein Laptop. Hier läuft echte Inferenz auf Ihrem Gerät, und ein Telefon hat schlicht weniger zu bieten.

Datenschutz

• Audio, Video, Dateinamen, Transkripttext und Ihre Änderungen bleiben auf der Seite. Sie werden weder an CAD AutoScript noch an Analytics oder eine Transkriptions-API gesendet.
• Die einzigen ausgehenden Anfragen sind die gepinnten Modelldateien vom Hugging Face Hub. Es werden keine Schriften, Skripte oder Tracker von anderswo geladen, und der Build wird vor der Veröffentlichung automatisch darauf geprüft.
• Auf das Mikrofon wird erst nach dem Klick auf Record Audio zugegriffen, und dies ist die einzige Utility der Website, der überhaupt eine Mikrofonberechtigung erteilt wird.
• Clear File gibt den Mikrofon-Stream, die Audiopuffer und das geladene Modell frei. Das Schließen des Tabs bewirkt dasselbe.
• Es wird nichts in Ihrem Konto gespeichert und keine Transkript-Historie geführt — sichern oder exportieren Sie alles Wichtige, bevor Sie die Seite verlassen.

Voraussetzungen und Grenzen

• Eine aktuelle Chromium-, Firefox- oder Safari-Version mit WebAssembly-Unterstützung, auf dem Desktop oder mobil. WebGPU ist optional und bringt nur Geschwindigkeit.
• 41 MB freier Browser-Cache für das Modell (77 MB auf dem WebGPU-Pfad) sowie Arbeitsspeicher proportional zur Aufnahmelänge.
• Whisper Tiny bevorzugt Geschwindigkeit vor Genauigkeit: Fachbegriffe, Teilenummern und Eigennamen sollten Sie nachlesen.
• Starke Akzente, Durcheinanderreden und Baustellenlärm verschlechtern das Ergebnis — ein näheres Mikrofon hilft weit mehr als jede Einstellung hier.
• Sprechertrennung, laufende Live-Transkription und größere Whisper-Modelle sind nicht Teil dieser Version.
• ⚠️ Transkripte sind eine Entwurfshilfe. Prüfen Sie sie gegen die Aufnahme, bevor Sie daraus in einem Bericht, Protokoll oder vertraglichen Dokument zitieren.

Verwandte Werkzeuge

• WIKA CPG1500 Log Analyzer
• PDF Number Extractor
• Focus Planner

Feedback / Fehlermeldung

• Issue auf GitHub eröffnen
• Schreiben Sie uns mit dem Slug whisper-transcriber, damit wir das Problem nachstellen können.