MP3 in Text umwandeln: Datei hochladen, Deutsch wird automatisch erkannt, und nach etwa 2 Minuten pro Audiostunde ist das Transkript da, jedes Wort mit Zeitstempel. Du liest zuerst eine kostenlose Vorschau der ersten Minuten. Ein Paket ab 4 US$ für 500 Minuten transkribiert den Rest und öffnet den Download als Word (DOCX), TXT, SRT, VTT oder JSON.
Das Upload-Feld spricht Deutsch; die Konto- und Zahlungsseiten sind vorerst auf Englisch. Das Transkript kommt in der Sprache der Aufnahme.
Auf Deutsch: Audio · Video · MP3 · YouTube · Untertitel · Kosten
So geht's
Woher die MP3 kommt
Zur Bitrate: Ob 64 oder 320 kbit/s macht für das Transkript wenig Unterschied. Was zählt, ist klare Sprache: Mikrofon nah am Mund, wenig Hall, nicht zwei Leute gleichzeitig. Eine leise Aufnahme aus der letzten Reihe des Hörsaals wird schlechter als ein Telefoninterview mit Headset.
Gemessen
In den 30 Tagen bis 27.10.2026 kamen 482 MP3-Dateien zu uns, in allen Sprachen. Die mittlere Datei war 13,6 Minuten lang, die mittlere Verarbeitungszeit lag bei 37 Sekunden.
Die Word-Datei enthält den Text mit Absätzen; die Zeitstempel bleiben im Player auf der Seite, wo ein Klick auf eine Zeile genau diese Stelle abspielt. So korrigierst du Namen und Zahlen schnell gegen das Audio und bearbeitest den Rest in Word. Für die Auswertung eines Interviews lässt sich die DOCX-Datei auch in MAXQDA importieren.
Ehrlich zur Sprache
Gut: Standarddeutsch in Deutschland, Österreich und der Schweiz, auch mit deutlicher regionaler Färbung. Ein Wiener Interview oder ein Vortrag in Schweizer Hochdeutsch wird so verschriftet, wie es gesprochen wird.
Kein Abo
Die meisten Transkriptionsdienste verkaufen ein Monatsabo mit Minutenkontingent, das am Monatsende verfällt. Bei WhipScribe kaufst du ein Paket einmalig: 4 US$ für 500 Minuten (das sind 8 Std. 20 Min. Audio), 12 US$ für 2.000 oder 24 US$ für 5.000 Minuten. Pro Audiostunde sind das 0,48 US$, 0,36 US$ oder 0,29 US$.
Alle Preise und was die Pakete enthalten: Preise und Transkription Kosten.
Gemessen, nicht versprochen
Auf dem öffentlichen Testset FLEURS (vorgelesene deutsche Sprache) lag die mittlere Wortfehlerrate unserer Produktions-Engine bei 8,8 %, gemessen an 5 Dateien mit 25,8 Minuten Audio, 28,7-mal schneller als Echtzeit (Stand 25.09.2026). Vorgelesene Sprache ist der günstige Fall: Echte Aufnahmen mit Hall, Durcheinanderreden, Namen und Fachbegriffen schneiden schlechter ab. Methode und alle Sprachen.
Was es kostet
Jede Aufnahme beginnt mit einer kostenlosen Vorschau. Danach kaufst du einmalig ein Minutenpaket; eine einstündige Aufnahme verbraucht 60 Minuten davon.
| Option | Preis | Audio | Passt für |
|---|---|---|---|
| Paket 4 US$ | 500 min | 8 Std. 20 Min. | Einzelne Aufnahmen; Guthaben verfällt nie |
| Paket 12 US$ | 2.000 min | 33 Std. 20 Min. | Einzelne Aufnahmen; Guthaben verfällt nie |
| Paket 24 US$ | 5.000 min | 83 Std. 20 Min. | Einzelne Aufnahmen; Guthaben verfällt nie |
| Workspace | 19 US$ pro Monat | Unbegrenzt, Fair-Use-Grenze 150 Std. pro Abrechnungszeitraum | Tägliche Aufnahmen oder ein ganzes Team |
Preise in US-Dollar, abgerechnet in US-Dollar; deine Bank rechnet in Euro oder Franken um. Pakete sind Einmalzahlungen, kein Abo, keine Gebühr pro Nutzer. Den Gesamtbetrag siehst du im Checkout, bevor du zahlst. Alle Preise.
Häufige Fragen
Jede Aufnahme startet mit einer kostenlosen Vorschau ihrer ersten Minuten, damit du die Qualität vor dem Kauf siehst. Ein komplettes Transkript gibt es nicht gratis: Ein Paket ab 4 US$ für 500 Minuten transkribiert den Rest und öffnet alle Exporte. Das Guthaben verfällt nie.
Lade die MP3 hoch, warte etwa 2 Minuten pro Audiostunde und schalte das Transkript frei. Dann lädst du es als DOCX herunter und öffnest es in Word, Pages oder LibreOffice.
Die Bitrate kaum, die Aufnahme sehr. Klare Sprache nah am Mikrofon wird gut, Hall, Hintergrundmusik und Durcheinanderreden machen Fehler wahrscheinlicher. Die kostenlose Vorschau zeigt dir vorher, wie deine Datei ankommt.
Ja, bis 10 Stunden oder 5 GB in einer Datei. Eine dreistündige Vorlesung musst du nicht zerschneiden; sie wird in einem Stück transkribiert und bekommt Kapitel mit Zeitmarken, damit du dich darin zurechtfindest.
Nein. M4A, WAV, FLAC, OGG, WhatsApp-Sprachnachrichten und viele andere Formate gehen direkt, Videos wie MP4 und MOV ebenfalls. Vorher umwandeln kostet nur Zeit und manchmal Qualität.
Sie wird auf unseren eigenen Servern transkribiert und nicht an einen fremden KI-Dienst geschickt. Deine Audios werden nie zum Training eines Modells verwendet. Aufnahme und Transkript kannst du jederzeit löschen, mit dem Konto auch alles, was an deiner E-Mail-Adresse hängt.
Weiter auf Deutsch
Datei hochladen, kostenlose Vorschau lesen, dann als Word laden.