Kann ChatGPT Audio transkribieren?

Ja, ChatGPT kann Audio transkribieren – im bezahlten Tarif und bei kurzen Aufnahmen. Du hängst eine Datei an einen Chat an, bittest um ein Transkript, und der Text kommt in der Antwort zurück. Stand November 2026 setzt die Hilfeseite von OpenAI die Grenze für eine hochgeladene Aufnahme in dem Chat-Modell, das die Transkription übernimmt, auf sechs Minuten und sagt, dass Audio-Uploads im kostenlosen Tarif nicht verfügbar sind.

Die ehrliche Antwort hängt also an zwei Dingen: wie lang die Aufnahme ist und ob sie dein Telefon verlassen darf. Eine zweiminütige Sprachnotiz von dir selbst, in einem Tarif, den du ohnehin bezahlst, ist genau das, was ChatGPT gut kann – und im selben Atemzug kannst du um eine Zusammenfassung bitten. Eine einstündige Vorlesung, die Aufnahme einer fremden Stimme oder ein Telefon ohne Empfang – da erledigt eine App, die auf dem Gerät transkribiert, die Arbeit.

Was ChatGPT mit einer Aufnahme macht

Im bezahlten Tarif hängst du das Audio an – MP3, M4A, WAV, OGG, FLAC und ein paar weitere Formate – und bittest um ein Transkript. Die Datei wird zu OpenAI hochgeladen und dort transkribiert. Eine Aufnahme über der Grenze wird unter Umständen in kleineren Abschnitten verarbeitet, wenn die Datenanalyse-Werkzeuge von ChatGPT verfügbar sind, aber OpenAI sagt dazu, dass das ohne Gewähr geschieht, und warnt, dass sehr lange Aufnahmen mit einer Zeitüberschreitung abbrechen können.

Auch bei der Qualität ist OpenAI offen: Transkripte können Fehler enthalten, die Unterscheidung von Sprechern kann unzuverlässig sein, und die Ergebnisse schwanken je nach Sprache. Welche ChatGPT-Apps Audio-Anhänge annehmen, hängt von der App-Version ab, und die Hilfeseite listet sie nicht auf.

Auf einem Mac gibt es einen zweiten Weg. Record ist ein Modus der ChatGPT-Desktop-App in bezahlten Tarifen: Er nimmt ein Meeting auf, transkribiert es und schreibt Notizen. Es gibt ihn nur auf dem Mac – nicht auf dem iPhone und nicht im Browser.

Wohin das Audio geht

Alles oben Beschriebene passiert auf den Servern von OpenAI. Eine hochgeladene Datei kann unabhängig vom Chat in deiner ChatGPT-Bibliothek gespeichert werden; wenn du den Chat löschst, ist sie also nicht weg, und ob deine Inhalte zur Verbesserung von Modellen genutzt werden, hängt von deinem Tarif und deinen Dateneinstellungen ab. Nichts davon ist für einen Cloud-Dienst ungewöhnlich, und für eine Notiz an dich selbst spielt es kaum eine Rolle.

Es spielt eine Rolle, wenn die Stimme nicht deine ist. Eine Patientin, eine Quelle, ein Interviewpartner, ein Kollege im Meeting – wohin ihre Aufnahme geht, um Text zu werden, entscheidest du über sie. Kaseta transkribiert auf dem iPhone, in 99 Sprachen, ohne Konto und ohne dass etwas hochgeladen wird; sobald ihre Modelle geladen sind, funktioniert sie im Flugmodus.

Wann ChatGPT das bessere Werkzeug ist

• Du zahlst ohnehin dafür, und die Aufnahme ist kurz. Eine zweiminütige Notiz anzuhängen geht schneller, als irgendetwas zu installieren.
• Du willst mehr als ein Transkript. Eine Zusammenfassung, eine Liste der Entscheidungen, eine E-Mail, entworfen aus dem Gesagten – das macht ChatGPT aus demselben Upload. Kaseta transkribiert; Zusammenfassungen schreibt sie nicht.
• Du willst Fragen zur Aufnahme stellen. „Was wurde zur Frist gesagt?“ ist ein Gespräch, und eine Transkriptions-App führt keins.
• Deine Meetings finden auf einem Mac statt. Record nimmt den Call dort auf, wo er stattfindet – das kann ein Telefon auf dem Tisch nicht.

Wann eine App auf dem Telefon das bessere Werkzeug ist

• Die Aufnahme ist lang. Eine Vorlesung, ein Interview oder ein Meeting geht weit über die Grenze im Chat hinaus. Kaseta transkribiert mit Pro die ganze Aufnahme; im Gratis-Tarif bekommst du den Text der ersten 5 Minuten jeder Aufnahme, und das Audio wird immer vollständig gespeichert.
• Du nutzt den kostenlosen Tarif von ChatGPT. Dort gibt es überhaupt keinen Audio-Upload.
• Das Audio soll das Telefon nicht verlassen. Die Stimme eines anderen Menschen, ein vertrauliches Meeting, ein Arbeitsplatz, der keine Cloud-Werkzeuge erlaubt.
• Es gibt keinen Empfang. Ein Flugzeug, ein Hörsaal im Keller, ein Gebäude mit schlechtem Netz.
• Du brauchst eine Datei, keine Antwort. Kaseta exportiert in jedem Tarif reinen Text, Markdown, SRT, WebVTT und JSON mit Zeitmarken und trennt die Sprecher, wenn du es anforderst.

Beides zusammen nutzen

Die beiden ergänzen sich besser, als sie konkurrieren. Transkribiere die Aufnahme in Kaseta, kopiere den Text und füge ihn mit deiner Bitte in ChatGPT ein – „fass das zusammen“, „liste die Aufgaben auf“, „mach eine E-Mail daraus“. Die Grenze von sechs Minuten gilt für Audio, nicht für Text, und du entscheidest, welche Teile des Transkripts das Telefon verlassen. Die Aufnahme selbst verlässt es nie.

Wie ein Memo in Kaseta kommt, steht in der Anleitung für Sprachmemos, warum Erkennung auf dem Gerät ohne Verbindung auskommt, erklärt die Seite zur Transkription ohne Internet, und um lange Gespräche mit mehreren Stimmen geht es unter Interview transkribieren.