ChatGPT Audio transkribieren: Geht das? Und was ist mit Gemini?

Ja, ChatGPT kann Audio transkribieren, aber nur in bezahlten Tarifen und nur aus Audiodateien: Laut OpenAIs Hilfe-Center sind Audio-Uploads im kostenlosen Tarif nicht verfügbar, und Videodateien sowie YouTube-Links werden nicht als Audioquelle unterstützt. Auch Googles Gemini transkribiert hochgeladenes Audio, mit einer Gesamtgrenze von 10 Minuten in kostenlosen Konten und bis zu 3 Stunden in bezahlten Google-AI-Tarifen. Für lange Aufnahmen, Interviews oder alles, was Sie mit Zeitmarken und Sprecherkennzeichnung brauchen, ist ein spezialisiertes Transkriptionstool weiterhin der verlässlichere erste Schritt; den Chat-Assistenten nutzen Sie besser danach, für Zusammenfassungen.

Dieser Ratgeber zeigt, was die beiden Assistenten mit Audio, Video und YouTube-Links Stand Oktober 2026 tatsächlich können, wo die Grenzen liegen und welcher Ablauf die Stärken beider verbindet. KI-Produkte ändern sich schnell; die unten verlinkten Seiten der Hilfe-Center sind der Ort, an dem Sie aktuelle Details prüfen.

Kann ChatGPT Audio in Text umwandeln?

ChatGPT geht auf drei verschiedene Arten mit Sprache um, und die werden oft verwechselt.

1. Eine Audiodatei hochladen

OpenAIs Artikel zum Hochladen von Dateien und Audio in ChatGPT beschreibt, dass Sie eine Audioaufnahme an eine Unterhaltung anhängen und ChatGPT bitten können, sie zu transkribieren, zusammenzufassen oder Fragen dazu zu beantworten. Die wichtigsten Fakten dieser Seite, geprüft im Oktober 2026:

• Tarife: Audio-Uploads gibt es in bezahlten ChatGPT-Abos und Workspaces, einschließlich Enterprise. Im kostenlosen Tarif sind sie nicht verfügbar.
• Formate: WAV, MP3, OGG, FLAC, AAC, M4A, PCM sowie WebM oder MP4 nur mit Audio. Die Datei muss eine gültige Audiospur enthalten.
• Größe: Audiodateien dürfen bis zu 512 MB groß sein.
• Länge: Eine feste Höchstdauer gibt es nicht, aber laut OpenAI werden längere Aufnahmen eventuell in Abschnitten verarbeitet, die Verarbeitung erfolgt nach bestem Bemühen, und sehr lange Aufnahmen können in eine Zeitüberschreitung laufen.
• Qualität: OpenAI weist darauf hin, dass Transkripte Fehler enthalten können, die Sprechererkennung unzuverlässig sein kann und die Leistung je nach Sprache schwankt.

2. ChatGPT Record

ChatGPT Record nimmt ein Meeting, ein Brainstorming oder eine Sprachnotiz live auf, transkribiert sie und erstellt daraus Notizen als Canvas. Laut OpenAIs Hilfeseite ist Record in Plus, Pro, Business, Enterprise und Edu verfügbar, und zwar nur in der Desktop-App für macOS. Sitzungen sind auf 4 Stunden begrenzt, das Audio wird nach der Transkription gelöscht, und Record funktioniert auf Englisch am besten. Es kann mehrere Sprecher kennzeichnen („Speaker 1") und lässt Sie diese umbenennen. Record ist dafür gedacht, etwas festzuhalten, das gerade passiert; eine vorhandene Datei transkribiert es nicht.

3. Diktieren

Das Mikrofonsymbol im Eingabefeld ist die Sprachdiktierfunktion: Ihre Sprache wird in eine Nachricht umgewandelt, die Sie vor dem Senden bearbeiten können. Das ist praktisch, wenn Sie lieber sprechen als tippen, aber kein Weg, eine vorhandene Aufnahme zu transkribieren, und eine Datei lässt sich dort nicht zuverlässig hineinspielen.

Kann ChatGPT Video in Text umwandeln?

Nicht direkt. OpenAIs Upload-Anleitung nennt keine Videoformate und gibt an, dass WebM- und MP4-Dateien, die als Video erkannt werden, nicht als Audio-Upload angenommen werden. Wenn Sie Text aus einer MP4- oder MOV-Datei möchten, haben Sie zwei Möglichkeiten:

1. Zuerst das Audio extrahieren, mit einem Konverter oder Videoschnittprogramm, als MP3 oder M4A speichern und diese Datei in ChatGPT hochladen (in einem bezahlten Tarif).
2. Ein Transkriptionstool nutzen, das Video annimmt, etwa das Audiotexta-Tool für Video in Text, das die Videodatei so nimmt, wie sie ist, und ein Transkript mit Zeitmarken liefert.

Der zweite Weg liefert außerdem Untertiteldateien (SRT, VTT), die ChatGPT nicht als Standardausgabe erzeugt.

Kann ChatGPT ein YouTube-Video transkribieren?

In der Regel nein, und das ist die Frage, die am häufigsten gestellt wird. Wenn Sie einen YouTube-Link einfügen, kann ChatGPT das Video weder abspielen noch dessen Audio herunterladen. Mit eingeschalteter Websuche liest es eventuell Text auf der Seite, etwa Titel oder Beschreibung, und fasst dann zusammen, worum es im Video seiner Meinung nach geht. Eine solche Zusammenfassung kann überzeugt klingen, obwohl sie auf sehr wenig beruht; behandeln Sie sie also mit Vorsicht. Zum Zeitpunkt der Recherche gibt es im Hilfe-Center von OpenAI keinen Artikel, der eine Unterstützung von YouTube-Links beschreibt.

Zuverlässig funktioniert, zuerst das Transkript zu holen und ChatGPT den Text zu geben:

• Kopieren Sie es aus dem Transkript-Fenster von YouTube, wenn das Video Untertitel hat (siehe YouTube-Transkript anzeigen).
• Oder fügen Sie den Link in ein Tool ein, das das Audio transkribiert; das klappt auch bei Videos ohne Untertitel. Unser Ratgeber zu YouTube-Video in Text umwandeln vergleicht die Möglichkeiten.

Kann Google (Gemini) Audio in Text umwandeln?

Ja. Googles Hilfeseite zum Hochladen und Analysieren von Dateien in Gemini-Apps behandelt Audio, Video und Dokumente. Stand Oktober 2026 heißt es dort:

• Sie müssen angemeldet sein. Bis zu 10 Dateien lassen sich einem Prompt hinzufügen.
• Audio: Gesamtlänge bis 10 Minuten, mit Google AI Pro oder Google AI Ultra bis 3 Stunden.
• Video: jedes Video bis 2 GB, mit einer Gesamtlänge bis 5 Minuten, in den bezahlten Tarifen bis 1 Stunde.
• Andere Dateien dürfen jeweils bis zu 100 MB groß sein.

Gemini nimmt also anders als ChatGPT Videodateien an und akzeptiert Audio auch in einem kostenlosen Konto, im Rahmen dieser 10 Minuten. Googles Dokumentation verspricht kein wörtliches Transkriptformat, keine Zeitmarken und keine Sprecherkennzeichnung; fordern Sie diese im Prompt ausdrücklich an und prüfen Sie das Ergebnis.

Bei YouTube hat Gemini einen Vorteil: Googles Artikel zu YouTube-Inhalten in Gemini-Apps beschreibt, wie Sie Gemini bitten, ein Video zu finden und zusammenzufassen, auf Basis öffentlicher Informationen von YouTube. Für eine Zusammenfassung ist das nützlich, es ersetzt aber kein vollständiges, überprüfbares Transkript.

Für Google-Workspace-Nutzer kann Gemini in Google Drive laut Googles Workspace-Ankündigungen in berechtigten Workspace- und Google-AI-Tarifen Videos zusammenfassen, die in Drive gespeichert sind, und Fragen dazu beantworten. Google Docs selbst bietet die Spracheingabe für Live-Diktat, nicht die Transkription hochgeladener Dateien. Tarife und Verfügbarkeit hängen von Edition und Sprache ab; fragen Sie Ihren Administrator.

ChatGPT, Gemini oder ein spezialisiertes Transkriptionstool

Limits geprüft auf den Hilfeseiten der Anbieter, Oktober 2026.

Die Assistenten sind klar besser im Gespräch: Rückfragen stellen, eine Zusammenfassung als E-Mail umformulieren, eine Passage erklären. Die spezialisierten Tools sind besser beim Transkript selbst.

Praktische Grenzen, die Sie vor dem Upload kennen sollten

Länge und Größe

Bei langen Aufnahmen tun sich allgemeine Chat-Assistenten am schwersten. ChatGPT teilt lange Audiodateien eventuell in Abschnitte und kann in eine Zeitüberschreitung laufen; Gemini begrenzt die Gesamtlänge pro Prompt. Eine einstündige Vorlesung passt in die bezahlten Tarife beider, ein ganztägiger Workshop nicht.

Fehlende Zeitmarken und Sprecher

Ein Transkript, das Sie zitieren, untertiteln oder analysieren wollen, braucht anklickbare Zeitmarken und eine verlässliche Sprecherkennzeichnung. Chat-Assistenten sind nicht darauf ausgelegt. Wenn Sie trotzdem Zeitmarken anfordern, prüfen Sie einige davon anhand der Aufnahme, bevor Sie sich darauf verlassen.

Lücken und erfundener Text

Jedes Spracherkennungssystem kann sich verhören. Ein besonderes Risiko bei KI-Modellen ist Text, der plausibel klingt, aber nie gesagt wurde, vor allem in stillen Passagen, bei Musik oder Durcheinanderreden; und wenn ein Chatmodell ein langes Transkript „aufräumt", kürzt oder paraphrasiert es womöglich, statt es Wort für Wort auszuschreiben. Bitten Sie um ein wörtliches Transkript und prüfen Sie wichtige Passagen stichprobenartig. Sauberes Audio hilft jedem System: ein Sprecher pro Mikrofon, wenig Hintergrundgeräusche und keine Musik unter der Sprache.

Datenschutz und Trainingseinstellungen

Was mit Ihrer Aufnahme passiert, hängt vom Produkt und Ihren Einstellungen ab:

• ChatGPT: In Verbraucher-Tarifen kann OpenAI Inhalte zur Verbesserung seiner Modelle nutzen, wenn die Option „Das Modell für alle verbessern" („Improve the model for everyone") aktiv ist; Sie können sie in den Datenkontrollen ausschalten, und für Audioaufnahmen gibt es einen eigenen Schalter. OpenAI gibt an, Geschäftsangebote wie ChatGPT Enterprise standardmäßig nicht zum Training zu nutzen.
• Gemini: Ist die Einstellung „Keep Activity" (Aktivitäten speichern) aktiv, können laut Googles Datenschutz-Hub manche Unterhaltungen von Menschen geprüft werden, um die Dienste zu verbessern; Sie können sie ausschalten, mehrere Gemini-Funktionen, darunter die YouTube-Integration und Drive-Uploads, setzen sie aber voraus.

Prüfen Sie bei Interviews, Patientengesprächen oder Kundenanrufen zuerst diese Einstellungen, holen Sie die Einwilligung aller Aufgenommenen ein und lesen Sie unseren Ratgeber zu DSGVO und Transkription, wenn Sie in der EU arbeiten.

Der Ablauf, der funktioniert: erst transkribieren, dann den Assistenten fragen

Chat-Assistenten sind hervorragend im Umgang mit Text und weniger verlässlich als Transkriptionsmaschinen. Wer die Arbeit aufteilt, nutzt die Stärken beider:

1. Mit einem Sprache-zu-Text-Tool transkribieren. Nutzen Sie Audiotexta in der Web-App (Datei hochladen, Link einfügen oder über das Mikrofon aufnehmen), oder führen Sie Whisper lokal aus, wenn alles auf Ihrem Rechner bleiben soll. Unser Vergleich von Whisper und Cloud-Spracherkennung erklärt die Abwägungen.
2. Das Transkript prüfen. Korrigieren Sie Namen und Fachbegriffe, benennen Sie Sprecher um und gleichen Sie jede Passage, die Sie zitieren werden, mit dem Audio ab.
3. Als Text exportieren. TXT (auch im kostenlosen Tarif ohne Konto) oder Markdown (mit Pro) lässt sich am einfachsten in einen Chat einfügen.
4. In ChatGPT oder Gemini einfügen und um das bitten, was Sie brauchen: „Fasse dieses Interview in fünf Stichpunkten zusammen", „Liste alle Entscheidungen und wer dafür verantwortlich ist", „Entwirf eine Follow-up-E-Mail". Weil der Assistent jetzt mit vollständigem Text arbeitet, können Sie jede Aussage in seiner Antwort anhand einer Zeitmarke prüfen.

Audiotexta kann den Schritt der Zusammenfassung im Pro-Tarif auch selbst übernehmen (Zusammenfassung, Kapitel, Kernpunkte, Entscheidungen und Aufgaben), ohne Nutzung Ihrer Inhalte zum Training von Modellen. Nutzen Sie die Kombination, die zu Ihnen passt; wichtig ist, mit einem vollständigen, überprüfbaren Transkript zu beginnen.