Blog

Cloudflare Workers can't run a multi-minute GPU job or Modal's gRPC SDK — so ScribeToAny treats Modal as a plain HTTP endpoint, fires a fire-and-forget spawn, and lets the GPU box call back over a signed webhook. A walk through the async design, the reconciliation backstop, and the sharp edges.

Captions richten sich an Zuschauer, die den Ton nicht hören können, und enthalten nichtsprachliche Geräusche; Untertitel richten sich an Zuschauer, die die Sprache nicht verstehen, und übersetzen nur den Dialog. Ein klarer Vergleich, mit den Barrierefreiheitsregeln, die entscheiden, was du brauchst.

Eine einfache Erklärung der Wortfehlerrate (WER) — wie Transkriptionsgenauigkeit tatsächlich gemessen wird, was die Zahlen bedeuten, warum selbst Menschen keine 100 % erreichen, und welche Faktoren die Genauigkeit nach oben oder unten bewegen.

Ein Nachschlagewerk zu den Dateiformaten, die eine Transkription erzeugt — SRT, VTT, TXT, TSV, CSV, JSON, dazu ASS, SSA, SMI und TTML — mit echten Beispielen für jedes und einer Tabelle, wann welches sinnvoll ist.

Sprecherdiarisierung ist der Schritt, der eine Aufnahme nach Sprecher aufteilt — und aus einer Textwand einen beschrifteten Dialog macht. Was sie ist, wie sie sich von der Sprechererkennung unterscheidet, wie sie funktioniert und wo sie schwächelt.

Mach aus einer Podcast-Folge saubere, mit Zeitstempeln versehene Shownotes und Untertitel — transkribiere das Audio und exportiere dann SRT, VTT oder reinen Text. Kostenloser Tarif, keine Kreditkarte.