Video-Links — Speakly

Füge den Link eines Videos ein, und Speakly lädt dessen Audio herunter und transkribiert es. Es ist nicht nur YouTube: derselbe Downloader liest mehr als 1500 Seiten, darunter Instagram-Reels und TikTok.

So geht's

Klicke Links in der linken Seitenleiste — ein eigener Eintrag, unter Transcribe Media, nicht Teil davon
Klicke New Transcription, um Transcribe a video from a link zu öffnen
Füge den Link in das Feld ein ("Paste a video link here...")
Wähle Transcription engine und Model für dieses Video — dieselbe Auswahl wie bei Meetings, mit dem Logo jedes Anbieters. Die Wahl wird für das nächste Video behalten und ändert nichts an der Engine fürs Diktieren
Setze Speech language auf die im Video gesprochene Sprache
Klicke Transcribe Video

Welche Links funktionieren

Die Seite eines einzelnen Videos. YouTube (auch Shorts), Instagram-Beiträge und -Reels — sowohl /reel/ als auch /reels/ — TikTok, X, Facebook, Vimeo, Twitch, LinkedIn und der Rest der über 1500 Seiten, die der Downloader unterstützt.
Ein Link auf einen Kanal, ein Profil oder eine Playlist wird abgelehnt, mit This link is a channel, profile or playlist, not a single video. Öffne das Video selbst und füge dessen eigenen Link ein.
Öffentliche Videos brauchen kein Konto. Alles, was eine Seite nur angemeldeten Nutzern zeigt — ein privates Konto, ein altersbeschränktes Video — erfordert, dass du dort in Chrome, Firefox, Brave oder Edge angemeldet bist; Speakly versucht den Download dann noch einmal mit den Cookies dieses Browsers, bevor es aufgibt.
Wenn eine Seite den Download blockiert, aktualisiert Speakly seinen Downloader auf die neueste Version und versucht es erneut, dann mit den Cookies deines Browsers. Die Meldung nennt dann die Seite und was zu tun ist.

Grenzen

Videos bis 2 Stunden; längere scheitern mit Video is too long (… min). Maximum duration is 120 minutes for transcription.
Über 8 Minuten wird das Audio in 9-Minuten-Teile zerlegt und wieder zu einem Transkript zusammengefügt
Zerlegte Videos behalten ihre Zeitmarken: die Segmente jedes Teils werden auf die vollständige Zeitachse verschoben und die zehn Sekunden Überlappung werden abgeschnitten, sodass ein zweistündiges Video durchgehend echte Zeiten hat
Manche Seiten veröffentlichen überhaupt keine Dauer — Instagram ist eine davon — also zeigt die Vorschau vor der Transkription keine. Die echte Länge steht an der gespeicherten Transkription, aus dem Audio selbst gemessen.

Fortschritt während des Laufs

Der Dialog nennt die Phase, in der er ist, und zeichnet, sobald die Transkription beginnt, einen echten Balken mit Prozentangabe: Downloading audio..., dann Converting format..., dann Transcribing (may take a while for long videos)....

Preparing the audio… — eine zweite Zeile unter der Phase, während das Audio gelesen und, bei einem Video, das lang genug zum Zerlegen ist, in Teile neu kodiert wird. Bei einem zweistündigen Video passiert das, bevor ein einziges Wort erscheint.
Part x of y — erscheint, während jeder Teil transkribiert wird, mit der Prozentzahl, die neben der Phase steigt.
Complete! — die Teile wurden zum endgültigen Transkript zusammengeführt.

Mit der Engine Local Model (On-Device) bewegt sich die Prozentzahl auch innerhalb jedes Teils, weil die lokale Engine ihren eigenen Dekodier-Fortschritt meldet. Cloud-Engines beantworten einen Teil in einer einzigen Anfrage und können dazwischen nichts melden, dort rückt der Balken also Teil für Teil vor.

Das Ergebnis

Eine fertige Transkription eines Video-Links — Der File-Transcription-Dialog: Transkript, Wortzahl und KI-Aktionen

Titel und Dauer des Videos in der Kopfzeile des Dialogs, dazu die Wortzahl
Das Transkript als Zeilen mit Zeitmarken, so gruppiert, dass eine Zeile endet, wo der Satz endet
KI-Aktionen: Flashcards, FAQ, Ask, Translate
Copy All kopiert das ganze Transkript; Close schließt den Dialog

Zeitmarken und der Player

Bei einem YouTube-Link ist das Video über dem Transkript eingebettet, und jede Zeitmarke ist eine Schaltfläche — ihr Tooltip lautet "Jump to this moment" — die den Player an diese Sekunde setzt und von dort abspielt. Der Player erscheint nur in der Transkript-Ansicht; bei Flashcards, FAQ, Ask und Translate ist er verborgen, wo er hinter dem Text weiterlaufen würde. Links von anderen Seiten haben keinen eingebetteten Player: Transkript und Zeitmarken sind vollständig da, aber es gibt kein Video, zu dem gesprungen werden könnte.

Zeilen werden an Satzenden gruppiert, nicht eine Zeile pro Engine-Segment. Sprache ohne Satzzeichen bricht trotzdem: eine Gruppe wird nach 320 Zeichen oder 30 Sekunden geschnitten.
Eine Gruppe behält den Anfang ihres ersten Segments, ein Klick landet also dort, wo der Satz beginnt.
Wenn der eingebettete Player noch nicht antwortet, lädt der Klick das Embed stattdessen an dieser Sekunde neu — langsamer, aber es landet immer.

Ältere Transkriptionen können keine Zeitmarken bekommen

Alles, was vor dieser Funktion transkribiert wurde, hat ein einziges Segment bei 00:00, weil die Zeitmarken je Teil beim Zerlegen des Audios verworfen wurden. Die Segmentdaten wurden nie gespeichert, der einzige Weg zu echten Zeitmarken ist also, das Video erneut zu transkribieren.

Wohin das Audio geht

Das Audio wird in eine temporäre Datei geladen und nach der Transkription gelöscht. Das Transkript selbst erzeugt die Engine, die du im Dialog wählst (eingerichtet unter Settings → Transcription): beim lokalen Modell verlässt nichts deinen Rechner, bei einem BYOK-Anbieter wird das Audio zu diesem Anbieter hochgeladen.