Audio- und Videodateien mit Whisper transkribieren

Mit dem KI-Tool whisper_transcribe können Sie Audio- und Videodateien, die in agorum core gespeichert sind, automatisch in Text umwandeln lassen. Die Transkription erfolgt über einen OpenAI-kompatiblen Whisper-Server. Das Tool wird von der KI im Chat automatisch verwendet, wenn Sie die KI bitten, eine Audio- oder Videodatei zu transkribieren.

Voraussetzungen

• Das Plugin ALBERT | AI Agents ist installiert und lizenziert.
• Ihr Administrator hat das KI-Tool whisper_transcribe in einer KI-Voreinstellung aktiviert und konfiguriert.
• Sie verwenden eine KI-Voreinstellung, in der das Whisper-Tool verfügbar ist.

Eine Audio- oder Video-Datei transkribieren

Gehen Sie wie folgt vor, um eine Audio-Datei zu transkribieren:

1. Öffnen Sie ALBERTs Chat (siehe ALBERTs Chat öffnen).
2. Wählen Sie eine KI-Voreinstellung, in der das Whisper-Tool aktiviert ist.
3. Fügen Sie die Audio- oder Videodatei zum Chat hinzu. Sie haben dafür mehrere Möglichkeiten:
   • Klicken Sie auf das Plus-Symbol und wählen Sie die Datei in agorum core aus.
   • Klicken Sie auf das Symbol zum Hochladen und wählen Sie die Datei auf dem von Ihnen verwendeten Gerät aus.
4. Geben Sie im Chat-Eingabefeld eine Anweisung ein, z. B.:

   Transkribiere die angehängte Audio-Datei auf Deutsch.

   oder:

   Bitte erstelle ein Transkript der angehängten Datei.

5. Senden Sie die Nachricht ab (Strg+Enter oder Pfeil-nach-oben-Symbol).
   
   Ergebnis: Die KI erkennt die Audio- oder Video-Datei und verwendet automatisch das Whisper-Tool, um die Datei zu transkribieren. Der transkribierte Text wird in der Chat-Antwort angezeigt.

Hinweise für die Transkription:

• Die Qualität der Transkription hängt maßgeblich von der Qualität des Audiomaterials ab. Klare Aufnahmen ohne starke Hintergrundgeräusche liefern die besten Ergebnisse.
• Geben Sie die Sprache der Audio-Datei in Ihrer Anweisung an (z. B. „Transkribiere auf Deutsch“), wenn diese nicht durch Ihren Administator voreingestellt ist. Dadurch erhält der Whisper-Server einen Hinweis auf die erwartete Sprache und liefert in der Regel genauere Ergebnisse.
• Sie können den transkribierten Text direkt im Chat weiterverarbeiten lassen, z. B.: „Transkribiere die angehängte Audio-Datei und fasse den Inhalt in 5 Stichpunkten zusammen.“

Audio- und Videoformate

Unterstützte Dateiformate

Das Whisper-Tool unterstützt die folgenden Audio- und Videoformate:

Format	Dateiendung	Beschreibung
MP3	.mp3	Weit verbreitetes Audio-Format. Unterstützt automatisches Chunking für große Dateien.
MP4/M4A	.mp4, .m4a	Video- und Audio-Container-Format (AAC-Audio).
WAV	.wav	Unkomprimiertes Audio-Format.
WebM	.webm	Web-optimiertes Audio-/Video-Format.
OGG	.ogg	Offenes Audio-Format (Vorbis/Opus).
FLAC	.flac	Verlustfreies Audio-Format.

Große Dateien

Die Whisper-Bibliothek unterstützt automatisches Chunking für große MP3-Dateien. Ist eine MP3-Datei größer als 8 MB (Standard-Stückgröße), wird sie automatisch an Frame-Grenzen in mehrere Teile zerlegt, einzeln transkribiert und das Ergebnis zu einem zusammenhängenden Text zusammengefügt. Die Teile überlappen sich um 4 Sekunden, damit Wörter an den Grenzen vollständig erfasst werden. Andere Formate werden nicht geteilt, sondern in einem Stück gesendet; bei sehr großen Dateien kann dabei das Upload-Limit des Whisper-Servers (z. B. 10 MB oder 25 MB) erreicht werden.

Dieser Vorgang ist für Sie als Benutzer vollständig transparent: Sie geben eine große Datei an und erhalten den vollständigen Transkriptionstext zurück.

Abgeschnittene Dateien und Lesefehler

• Abgeschnittene MP3-Datei: Endet eine MP3-Datei mitten in einem Frame, etwa nach einer abgebrochenen Aufnahme, wird das unvollständige letzte Frame (wenige Millisekunden Audio) verworfen. Alles davor wird transkribiert. 
• Lesefehler beim Aufteilen: Scheitert beim Aufteilen einer Datei das Lesen aus agorum core pro, bricht die Transkription mit diesem Lesefehler ab.