WhisperX · online · kostenlos · privat

WhisperX Online: Audio transkribieren mit Wort-Zeitstempeln

Audio- oder Videodatei ablegen und ein Transkript mit Zeitstempel für jedes Wort, Sprecher-Kennzeichnung und SRT/VTT-Untertiteln erhalten – ohne Python, ohne GPU-Einrichtung, ohne Hugging-Face-Token. Alles läuft in deinem Browser, deine Datei wird nie hochgeladen.

Audio- oder Videodatei hier ablegen MP3, WAV, M4A, MP4, MOV, WEBM … · oder klicken zum Auswählen · bleibt auf deinem Gerät

Modell Sprache Aufgabe Sprecher-Erkennung Pro

Läuft zu 100 % in deinem Browser mit WebGPU oder WebAssembly. Das Modell wird einmal geladen (40 MB bis 800 MB) und danach zwischengespeichert. Kostenlos: bis 15 Minuten, Wort-Zeitstempel, alle Exportformate.

Kein Upload
Wort-Zeitstempel
Sprecher-Erkennung
SRT · VTT · JSON
99 Sprachen

Was ist WhisperX?

WhisperX ist eine Open-Source-Pipeline für Spracherkennung auf Basis von OpenAIs Whisper, die genaue Wort-Zeitstempel und Sprecher-Erkennung ergänzt. Entwickelt haben sie Max Bain und Kollegen an der Universität Oxford, veröffentlicht mit dem Paper „WhisperX: Time-Accurate Speech Transcription of Long-Form Audio“ (Interspeech 2023). Laut README verbindet WhisperX drei Bausteine: Transkription im Stapel mit dem Backend faster-whisper, Wort-Ausrichtung mit einem wav2vec2-Phonemmodell und Sprecher-Kennzeichnung mit pyannote-audio. Vorab schneidet eine Sprachaktivitätserkennung Stille heraus, das verringert Whispers „Halluzinationen“.

Der Haken: WhisperX ist ein Python-Paket. Du brauchst Python 3.10 bis 3.13, ffmpeg, am besten eine NVIDIA-GPU mit CUDA und für die Sprecher-Erkennung einen Hugging-Face-Token samt akzeptierten Modellbedingungen. Für Leute ohne GPU verweist das README nur auf kostenpflichtige Replicate-Demos. Diese Seite liefert dir das Ergebnis ohne all das.

So funktioniert WhisperX Online

Datei ablegen. Audio (MP3, WAV, M4A, FLAC, OGG) oder Video (MP4, MOV, WEBM). Dein Browser liest die Tonspur aus – nichts wird hochgeladen.
Modell und Sprache wählen. Whisper tiny, base und small sind kostenlos, large-v3-turbo ist am genauesten. Die Sprache wird automatisch erkannt; wer sie vorgibt, bekommt bessere Ergebnisse.
Transkribieren. Das Modell wird einmal geladen und zwischengespeichert. Mit WebGPU (aktuelles Chrome, Edge, Safari) ist die Transkription oft schneller als Echtzeit; ohne läuft der CPU-Modus, nur langsamer.
Prüfen und exportieren. Ein Klick auf ein Wort springt im Player an genau diese Stelle. Download als TXT, SRT- oder VTT-Untertitel oder als JSON im Ausgabeformat von WhisperX mit segments, words, start, end und speaker.

Unterschied zum Original. WhisperX Online nutzt Whisper-Modelle, die für den Browser übersetzt sind (transformers.js). Die Wort-Zeitstempel entstehen aus Whispers Cross-Attention statt aus einem eigenen wav2vec2-Modell, die Sprecher-Erkennung folgt dem Prinzip von pyannote 3: Das pyannote-Segmentierungsmodell findet die Sprache, WeSpeaker-Stimmprofile erkennen jede Stimme wieder, ähnliche Stimmen werden zu Sprechern gruppiert. Für lange Aufnahmen mit vielen Sprechern ist das originale WhisperX auf einer GPU genauer – im Tab „WhisperX-Befehl“ steht der passende Befehl für deine Einstellungen.

Kostenlos und Pro

	Kostenlos	Pro (Webtools Pro)
Modelle	Whisper tiny, base, small	+ Whisper large-v3-turbo
Dateilänge	bis 15 Minuten	lange Aufnahmen (begrenzt durch den Speicher deines Geräts)
Wort-Zeitstempel	ja	ja
Sprecher-Erkennung	–	ja
Export TXT, SRT, VTT, JSON	ja	ja
Datenschutz	Verarbeitung immer in deinem Browser – Dateien werden nie hochgeladen

Pro gehört zu Webtools Pro von Answer the Web: ein Abo für alle Webtools, auch markitdown.de und crawl4ai.de.

WhisperX vs Whisper vs faster-whisper

	Whisper (OpenAI)	faster-whisper	WhisperX
Was es ist	Das ursprüngliche Spracherkennungsmodell samt Python-Paket	Neu-Implementierung von Whisper auf CTranslate2	Pipeline auf Basis von faster-whisper
Tempo	Ausgangswert	Mehrfach schneller, weniger Speicher (laut README)	Stapelverarbeitung, sehr schnell auf GPU
Zeitstempel	Pro Abschnitt, Wort-Ebene nur grob	Wort-Zeitstempel verfügbar	Wort-Zeitstempel per wav2vec2-Ausrichtung
Sprecher	Nein	Nein	Ja, mit pyannote-audio
Lizenz	MIT	MIT	BSD-2-Clause

Faustregel: Whisper für einfache Transkripte, faster-whisper wenn Tempo auf eigener Hardware zählt, WhisperX wenn du exaktes Wort-Timing (Untertitel, Karaoke, Audioschnitt) oder „wer hat was gesagt“ brauchst.

WhisperX selbst installieren

pip install whisperx
whisperx audio.mp3 --model large-v3 --language de --output_format srt

Mit Sprecher-Erkennung (braucht einen Hugging-Face-Lesetoken und die akzeptierten Bedingungen des pyannote-Diarisierungsmodells):

whisperx audio.mp3 --model large-v3 --diarize --hf_token DEIN_HF_TOKEN

Ohne NVIDIA-GPU --compute_type int8 ergänzen. Aktuelle Version auf PyPI ist 3.8.6 (Mai 2026). Quellcode, Issues und Doku: github.com/m-bain/whisperX.

WhisperX: häufige Fragen

Was macht WhisperX?

WhisperX transkribiert Sprache mit OpenAIs Whisper und richtet danach jedes Wort am Audio aus, sodass jedes Wort einen genauen Start- und Endzeitpunkt bekommt. Optional kennzeichnet es die Sprecher (Diarisierung). Ideal für Untertitel, durchsuchbare Transkripte, Interviews und Podcasts.

Was ist der Unterschied zwischen Whisper und WhisperX?

Whisper erzeugt den Text mit groben Zeitstempeln. WhisperX ergänzt Sprachaktivitätserkennung, schnellere Stapelverarbeitung, genaue Wort-Ausrichtung mit einem wav2vec2-Modell und Sprecher-Kennzeichnung mit pyannote. Die Wörter selbst kommen in beiden Fällen von Whisper.

Wie genau ist WhisperX?

Die Textgenauigkeit hängt vom Whisper-Modell ab: Große Modelle sind deutlich besser als tiny oder base, vor allem bei Akzenten und Störgeräuschen. Die Stärke von WhisperX ist das Timing – das Paper berichtet genauere Wort-Zeitstempel bei langen Aufnahmen als reines Whisper. Namen und Zahlen immer gegenlesen.

Ist WhisperX kostenlos?

Ja. WhisperX ist Open Source unter der BSD-2-Clause-Lizenz und kostenlos nutzbar, auch kommerziell. Du brauchst nur eigene Hardware. WhisperX Online ist kostenlos für Dateien bis 15 Minuten mit den Modellen tiny, base und small.

Wird mein Audio hochgeladen?

Nein. Die Datei wird in deinem Browser gelesen und transkribiert. Nur die Modelldateien werden von Hugging Face geladen; dein Audio verlässt nie dein Gerät.

Ist WhisperX besser als faster-whisper?

WhisperX nutzt intern faster-whisper und ergänzt Wort-Ausrichtung und Sprecher-Erkennung. Brauchst du nur Text, reicht faster-whisper; brauchst du exaktes Wort-Timing oder Sprecher, ist WhisperX die bessere Wahl.

Ist das die offizielle WhisperX-Website?

Nein. WhisperX Online ist eine unabhängige Oberfläche von Answer the Web. Das offizielle Projekt ist github.com/m-bain/whisperX.

Welche Browser funktionieren?

Aktuelles Chrome, Edge und Safari nutzen WebGPU für schnelle Transkription. Firefox und ältere Browser laufen im CPU-Modus, das klappt, ist aber langsamer. Auf dem Handy am besten tiny oder base nehmen.