Video in Text umwandeln auf dem Mac (MP4, MOV) offline

Direkte Antwort — Wie wandeln Sie auf dem Mac ein Video in Text um, ohne es hochzuladen? Transkribieren Sie die Tonspur des Videos auf dem Mac selbst. Extrahieren Sie entweder mit ffmpeg das Audio aus dem MP4 oder MOV als WAV-Datei mit 16 kHz und lassen Sie es durch whisper.cpp laufen, eine kostenlose Kommandozeilen-Umsetzung von Whisper, oder ziehen Sie das Video in Weesper Transcribe, eine Mac-App, die MP4 und MOV direkt liest und auf dem Gerät transkribiert. Die Datei verlässt Ihren Mac nie.

Ein iPhone-Clip von einer Baustellenbegehung, eine Bildschirmaufnahme einer Produktdemo, ein gespeichertes Webinar, ein heruntergeladenes MP4 eines Vortrags: Viel von dem, was auf dem Mac gesprochen wird, steckt in Videodateien statt in Audiodateien.

Dieser Leitfaden zeigt, wie Sie auf dem Mac offline Video in Text umwandeln, von MP4 in Text bis MOV in Text. Er behandelt, was in einem MP4 oder MOV steckt, was macOS von Haus aus kann und was nicht, den kostenlosen Weg über ffmpeg und whisper.cpp und den Drag-and-drop-Weg. Ist Ihre Datei reines Audio, ist unser Leitfaden zum Offline-Transkribieren von Audio in Text auf dem Mac der bessere Einstieg.

Was steckt in einer Videodatei, die Sie transkribieren möchten?

Eine Videodatei ist ein Container mit getrennten Streams: meist ein Videostream und eine oder mehrere Audiospuren. Wenn Sie auf dem Mac ein Video transkribieren, zählt nur das Audio; die erste Aufgabe jedes Werkzeugs ist daher, die richtige Audiospur zu finden und zu dekodieren.

Deshalb sagt die Dateiendung wenig aus. Ein .mp4, .mov oder .m4v benennt den Container, nicht das Audio darin, und zwei MOV-Dateien können sehr unterschiedliche Streams enthalten.

Die Dokumentation von ffmpeg zeigt, wie Sie diese Streams gezielt ansprechen: In einem Stream-Spezifizierer steht a für Audio, und a:1 „matches the second audio stream“, also die zweite Audiospur. Das Begleitwerkzeug ffprobe „gathers information from multimedia streams“, und -show_streams listet jeden Stream einer Datei auf.

Um zu sehen, was Ihr Video tatsächlich enthält, führen Sie aus:

ffprobe -v error -show_streams -select_streams a input.mov

Jede Audiospur erscheint mit Index, Codec und Kanalzahl. Ein Block bedeutet eine Audiospur; bei zwei oder mehr müssen Sie eine Wahl treffen (siehe unten).

Gängige Videodateien auf dem Mac und worauf Sie achten sollten

Quelle	Container	Was für die Transkription zählt
iPhone-Video	.mov	HEVC (H.265) beschreibt den Videostream, wenn die Kamera „Hohe Effizienz“ nutzt; das Transkript hängt nur vom Audio ab
macOS-Bildschirmaufnahme	.mov	Das Mikrofon ist optional; bei „Kein“ gibt es keine Stimme zu transkribieren
Zoom- oder Teams-Aufzeichnung	.mp4	Der Speicherort hängt von der Plattform ab; siehe unseren Leitfaden zu Zoom- und Teams-Aufzeichnungen
Heruntergeladener Vortrag oder Webinar	.mp4	Kann mehr als eine Audiospur enthalten, zum Beispiel zwei Sprachen
Exportierter Schnitt aus einem Videoeditor	.mov oder .mp4	Prüfen Sie, dass keine Musik oder Effekte über die Sprache gemischt wurden

Apples HEVC-Seite bestätigt die Kameraeinstellung: Unter Einstellungen > Kamera > Formate sorgt „Maximale Kompatibilität“ dafür, dass neue Videos stattdessen H.264 verwenden. Für ein Transkript müssen Sie das nicht ändern, denn der Video-Codec erreicht das Sprachmodell nie.

Kann ein Mac Video allein in Text umwandeln?

Nicht als dokumentierte Funktion. Keine der Apple-Anleitungen für die integrierten Apps beschreibt, wie sich eine vorhandene Videodatei in ein Transkript verwandeln lässt.

• QuickTime Player. Apples Anleitung beschreibt Bearbeitungen „wie Kürzen, Neuanordnen und Drehen“, keine Transkription. Bei der Extraktion kann er aber helfen: Ablage > Exportieren als > Nur Audio erzeugt „an Apple MPEG 4 audio file with an AAC audio track“, also eine MPEG-4-Audiodatei mit AAC-Spur.
• Sprachmemos. Mit macOS Sequoia auf Apple Silicon kann die App ein Transkript von Aufnahmen anzeigen, die in Sprachmemos entstanden sind, in Ländern und Regionen, in denen die Funktion verfügbar ist. Apples Anleitung behandelt den Import eines Videos nicht.
• Notizen. Auf Macs mit M1 oder neuer transkribiert Notizen Audio, das Sie innerhalb einer Notiz aufnehmen, in unterstützten Sprachen. Die Anleitung behandelt vorhandene Audio- oder Videodateien nicht.

Für ein MP4 oder MOV, das Sie bereits haben, brauchen Sie also ein Transkriptionswerkzeug. Der Audio-Export des QuickTime Players ist ein praktischer erster Schritt, wenn Sie ffmpeg nicht installieren möchten – vorausgesetzt, das gewählte Werkzeug liest diese Audiodatei.

Wie wandeln Sie Video mit ffmpeg und whisper.cpp in Text um?

Extrahieren Sie das Audio mit ffmpeg als 16-Bit-WAV und transkribieren Sie es dann mit whisper.cpp. Beide Werkzeuge sind kostenlos und laufen vollständig auf Ihrem Mac.

whisper.cpp ist eine quelloffene C/C++-Umsetzung von OpenAIs Whisper unter MIT-Lizenz; die README nennt Apple Silicon einen „first-class citizen“. Es benötigt Git, CMake und ffmpeg. Unsere Einrichtungsanleitung für whisper.cpp behandelt Installation und Modellwahl, daher konzentrieren sich die folgenden Schritte auf das, was sich bei Video ändert.

Schritt 1: Die Tonspur aus dem Video extrahieren

Die whisper.cpp-README sagt, whisper-cli laufe derzeit nur mit 16-Bit-WAV-Dateien („currently runs only with 16-bit WAV files“), und nennt einen ffmpeg-Konvertierungsbefehl. Bei einem Video fügen Sie -vn hinzu, damit kein Videostream in der Ausgabe landet:

ffmpeg -i input.mov -vn -ar 16000 -ac 1 -c:a pcm_s16le output.wav

-ar 16000 setzt eine Abtastrate von 16 kHz, -ac 1 mischt auf Mono herunter, und -c:a pcm_s16le schreibt unkomprimiertes 16-Bit-Audio. Derselbe Befehl funktioniert für .mp4- und .m4v-Dateien.

Das Ergebnis ist weit kleiner als die meisten Videos. Unkomprimiertes 16-Bit-Mono mit 16.000 Abtastwerten pro Sekunde sind 16.000 × 2 Byte = 32.000 Byte pro Sekunde, etwa 1,9 MB pro Minute oder rund 115 MB pro Stunde.

Schritt 2: Die richtige Audiospur wählen, wenn es mehrere gibt

ffmpeg wählt automatisch eine Audiospur: laut Dokumentation „the stream with the most channels“, also die mit den meisten Kanälen, bei Gleichstand die mit dem niedrigsten Index. Das muss nicht die Spur mit der gewünschten Sprache sein.

Zeigte ffprobe zwei Audiospuren und brauchen Sie die zweite, wählen Sie sie ausdrücklich:

ffmpeg -i input.mp4 -map 0:a:1 -ar 16000 -ac 1 -c:a pcm_s16le output.wav

0:a:1 bedeutet „erste Eingabedatei, zweite Audiospur“. Hören Sie vor dem Transkribieren einer langen Datei einige Sekunden der WAV-Datei an, damit Sie sicher sind, die richtige Spur erwischt zu haben.

Schritt 3: Transkribieren und eine Ausgabe wählen

Führen Sie whisper-cli auf der WAV-Datei mit einem Modell und einer oder mehreren Ausgaben aus: reiner Text (-otxt), SRT (-osrt), VTT (-ovtt), CSV (-ocsv) oder JSON (-oj).

./build/bin/whisper-cli -m models/ggml-base.en.bin -f output.wav -otxt

Die gesprochene Sprache ist standardmäßig Englisch (-l en). Bei einem Video in einer anderen Sprache nutzen Sie ein mehrsprachiges Modell und geben mit -l den Sprachcode an, oder -l auto zur automatischen Erkennung.

Wie wandeln Sie Video mit Weesper Transcribe in Text um?

Ziehen Sie das MP4 oder MOV in Weesper Transcribe, lassen Sie es auf Ihrem Mac transkribieren und exportieren Sie dann. Es gibt keinen Extraktionsschritt, und nichts wird hochgeladen.

Weesper Transcribe ist eine Mac-App zum Transkribieren von Dateien, die Sie bereits haben. Ihr App-Store-Eintrag beschreibt „drag-and-drop audio AND video, in one window“ und nennt unter den unterstützten Formaten MP3, M4A, WAV, MP4 und MOV.

Schritt 1: Das Video in die App ziehen

Ziehen Sie die Datei auf das Fenster. Die App braucht weder Mikrofon- noch Bedienungshilfen-Berechtigung, und ein mitgeliefertes Modell sorgt dafür, dass sie ab dem ersten Start offline transkribiert.

Schritt 2: Auf dem Gerät transkribieren lassen

Die Transkription läuft lokal, auf Apple Silicon mit Metal-Beschleunigung. Sie benötigt macOS 13 oder neuer und läuft auch auf Intel-Macs mit AVX2 (Haswell, 2013 oder neuer). Dank automatischer Spracherkennung brauchen ein französisches Webinar oder ein deutsches Interview vorab keine manuelle Einstellung.

Schritt 3: Text oder Untertitel exportieren

Die kostenlose Version exportiert reinen Text. Pro ergänzt SRT- und VTT-Untertitel, Word (DOCX), PDF, Markdown, HTML, CSV und JSON sowie anklickbare Zeitstempel, Bearbeitung und Suche.

Die kostenlose Version verarbeitet Dateien bis zu 15 Minuten, jeweils eine, was die meisten Bildschirmaufnahmen und Handy-Clips abdeckt. Pro ist ein einmaliger Kauf ohne Abonnement, der die Begrenzung aufhebt und Stapelverarbeitung ergänzt; den Preis in Ihrer Region zeigt der App Store vor dem Kauf.

Laut Datenschutzangabe im App Store erhebt der Entwickler keinerlei Daten über die App. Wie Sie einen ganzen Ordner voller Videos verarbeiten, lesen Sie im Leitfaden zum Stapel-Transkribieren von Audio- und Videodateien auf dem Mac.

Brauchen Sie ein Transkript oder Untertitel?

Wählen Sie ein Transkript, wenn Sie das Gesagte lesen, zitieren oder durchsuchen möchten; wählen Sie Untertitel, wenn die Worte synchron zum Bild auf dem Bildschirm erscheinen sollen.

• Transkript (TXT, DOCX, Markdown, PDF). Fließtext für Besprechungsnotizen, Interviewzitate, einen Artikelentwurf oder Recherche. Aufgezeichnete Interviews landen meist hier, mehr dazu auf unserer Transcribe-Seite.
• Untertitel (SRT, VTT). Kurze, getaktete Blöcke zur Veröffentlichung oder Barrierefreiheit, die dem Video beigefügt werden. Unser Leitfaden zum Erstellen von SRT- und VTT-Untertiteln offline auf dem Mac behandelt Formate, Plattformen und Prüfungen der Zeilenlänge.
• Strukturierte Daten (CSV, JSON). Zeitstempel und Text für ein Skript, eine Tabelle oder einen Suchindex.

Aus demselben Durchlauf können Sie mehrere Ausgaben erzeugen: whisper-cli akzeptiert mehrere Ausgabe-Flags gleichzeitig, und die App exportiert dasselbe Transkript in jedes Format.

Welcher Weg von Video zu Text passt zu Ihnen?

Wählen Sie danach, wie viel Sie im Terminal erledigen möchten. Beide Wege lassen das Video auf Ihrem Mac.

	ffmpeg + whisper.cpp	Weesper Transcribe
Videoeingabe	Audio zuerst in 16-Bit-WAV extrahieren	MP4 oder MOV direkt hineinziehen
Mehrere Audiospuren	Wahl mit -map 0:a:N	Im Eintrag nicht dokumentiert; extrahieren Sie die Spur zuerst, wenn es darauf ankommt
Oberfläche	Terminal	Mac-App
Sprache	Flag -l, standardmäßig Englisch	Automatische Erkennung
Exporte	TXT, SRT, VTT, CSV, JSON	TXT kostenlos; SRT, VTT, DOCX, PDF, Markdown, HTML, CSV, JSON mit Pro
Mac-Voraussetzung	Wird aus dem Quellcode gebaut	macOS 13+, Apple Silicon oder Intel mit AVX2
Kosten	Kostenlos, MIT-Lizenz	Kostenlos bis 15 Min. pro Datei; einmaliges Pro

Wie erhalten Sie aus einem Video ein besseres Transkript?

Die meisten Probleme bei der Videotranskription stammen von der Tonspur, nicht vom Sprachmodell. Prüfen Sie die Spur, bevor Sie dem Transkript die Schuld geben.

• Vergewissern Sie sich, dass gesprochen wird. Eine Bildschirmaufnahme mit Mikrofon auf „Kein“ enthält keine Stimme zum Transkribieren. Spielen Sie die Datei zuerst mit Ton ab.
• Prüfen Sie die Zahl der Spuren. Führen Sie ffprobe auf einem heruntergeladenen MP4 oder einer Datei aus einem Editor aus; ein Kommentar oder eine Spur in einer zweiten Sprache kann sich hinter der Standardspur verbergen.
• Nutzen Sie die Originaldatei. Ein über einen Messenger weitergeleitetes Video wurde womöglich mit schlechterem Audio neu kodiert. Bitten Sie um den Original-Export.
• Ignorieren Sie den Video-Codec. HEVC oder H.264 ändert nichts am Transkript, es betrifft nur das Bild.
• Stellen Sie die Sprache für whisper.cpp ein. Es geht von Englisch aus, solange Sie nicht -l angeben; ein spanisches Video mit einem rein englischen Modell liefert schlechten Text.
• Prüfen Sie Namen und Fachjargon. Eigennamen und Fachbegriffe sind die Stellen, an denen jedes Sprachmodell am häufigsten danebenliegt. Lesen Sie diese Passagen gegen das Video, bevor Sie das Transkript weitergeben.

Für MP3-Dateien und anderes komprimiertes Audio erklärt unser Leitfaden zum Umwandeln von MP3 in Text auf dem Mac, warum die Bitrate zählt.

Wandeln Sie Ihr erstes Video in Text um

Auf dem Mac offline Video in Text umzuwandeln heißt, an die Tonspur zu kommen und sie lokal zu transkribieren. ffmpeg und whisper.cpp geben Ihnen volle Kontrolle über Spur und Ausgabe; eine spezialisierte App nimmt Ihnen den Extraktionsschritt ab.

Wartet ein MP4 oder MOV auf Sie? Sehen Sie, wie Weesper Transcribe Video- und Audiodateien in bearbeitbaren Text verwandelt, und laden Sie die App dann aus dem Mac App Store herunter: kostenlos für Dateien bis zu 15 Minuten, mit einem einmaligen Pro-Upgrade und ohne Abonnement. Fragen zur Einrichtung werden im Hilfe-Center beantwortet.