Audio in Text — Transkription in Absätzen mit Sprechermarken

Nach der Dateiauswahl im Block „Sprecher“ das Häkchen „Sprecher markieren“ setzen — das Feld „Wie viele Personen sprechen“ erscheint. Leer gelassen wird die Zahl nach Gehör geschätzt; kennen Sie sie, tragen Sie sie ein: bei ähnlichen Stimmen (zwei Kolleginnen, Geschwister, Gleichaltrige) ist das deutlich genauer als Raten. Im fertigen Text auf „Sprecher 1“ klicken und einen Namen eintippen — er gilt für alle Beiträge dieser Person und für die Downloads.

Das passiert bei sehr langen Aufnahmen und dort, wo Stimmen kaum zu unterscheiden sind: dann steht über dem Text ein Hinweis, dass keine Marken gesetzt werden konnten, der Text selbst bleibt vollständig erhalten. Tragen Sie die Teilnehmerzahl unter „Wie viele Personen sprechen“ ein und starten Sie die Transkription erneut — mit bekannter Zahl trennen sich die Stimmen zuverlässiger. Wurde auf getrennten Spuren aufgenommen (jede Person auf ihrem Kanal), bietet das Werkzeug an, jede Spur einzeln zu erkennen — die genaueste Variante.

Über dem fertigen Text stehen zwei Schalter — „Zeitmarken“ und „Sprecher“. Den nicht benötigten abwählen, und er verschwindet nicht nur vom Bildschirm, sondern auch aus Kopie, DOCX, PDF und TXT: Sie laden genau das, was Sie sehen. SRT- und VTT-Untertitel tragen immer die Zeit — sie setzt jede Zeile an ihre Sekunde im Video.

Wählen Sie die Verarbeitung auf dem Server: Die Datei geht an unseren Server, der Tab kann geschlossen werden, und sobald der Text fertig ist, kommt eine E-Mail mit Link. Eine Kopie des Ergebnisses wartet unter „Meine Generierungen“, damit die Transkription nicht mit dem geschlossenen Browser verschwindet. Im Browser lassen sich solche Dateien auch verarbeiten, aber das dauert Stunden und der Tab muss offen bleiben.

Vor dem Start „Namen und Begriffe“ öffnen und sie durch Kommas getrennt auflisten: Nachnamen der Teilnehmer, Firmen- und Produktnamen, Fachvokabular. Die Erkennung nutzt die Liste als Hinweis und schreibt sie so, wie Sie es vorgegeben haben, statt nach Klang. Die Liste bleibt im Browser gespeichert und wird beim nächsten Mal eingesetzt.

Zuerst von der Aufnahme selbst: ein Telefon, das mitten in der Besprechung auf dem Tisch liegt, Hintergrundmusik und gleichzeitig sprechende Personen erzeugen mehr Fehler als jede Modellwahl. Für russische Sprache macht das Servermodell auf Telefon- und „Raum“-Aufnahmen deutlich weniger Fehler als das Browsermodell. Ist die Aufnahme dumpf oder verrauscht, zuerst durch die Sprachwiederherstellung schicken — der Link steht neben den Einstellungen.