Audio in Word umwandeln: 3 Wege zum Transkript als DOCX

Kurz gesagt: Um eine Audiodatei in ein Word-Dokument umzuwandeln, hast du drei Möglichkeiten: die eingebaute Funktion „Transkribieren“ in Word für Microsoft 365, das Diktieren in Word (nur für Live-Sprache) oder einen Transkriptionsdienst, der dir direkt eine fertige DOCX-Datei mit Sprechern und Zeitstempeln liefert. Welcher Weg passt, hängt vor allem davon ab, ob du ein Microsoft-365-Abo hast, wie lang deine Aufnahmen sind und welches Dateiformat vorliegt.

Die drei Wege im Überblick

	Word „Transkribieren“	Word „Diktieren“	Transkriptionsdienst + DOCX-Export
Geeignet für	Aufnahmen hochladen, Meetings, Interviews	Live-Sprechen ins Dokument	Aufnahmen hochladen, auch lange und viele
Voraussetzung	Microsoft-365-Abo, Word für Windows oder Web	Microsoft 365	Browser, Konto beim Dienst
Audiodateien hochladen	Ja (WAV, MP4, M4A, MP3)	Nein	Ja, viele Formate
Sprechererkennung	Ja	Nein	Je nach Dienst
Zeitstempel	Ja, im Transkriptionsbereich	Nein	Je nach Dienst, oft zuschaltbar
Kontingent	Monatliches Minutenlimit	–	Je nach Tarif

Im Folgenden gehen wir alle drei Wege Schritt für Schritt durch.

Weg 1: Die Funktion „Transkribieren“ in Word

Microsoft hat in Word für Microsoft 365 eine Funktion eingebaut, mit der du Audiodateien hochladen und transkribieren lassen kannst. Laut Microsoft-Support ist sie in Word für Microsoft 365 unter Windows und in Word für das Web verfügbar, setzt ein aktives Microsoft-365-Abo voraus und läuft in kommerziellen Mandanten. Für Word im Web empfiehlt Microsoft Edge oder Chrome.

So gehst du vor

Öffne ein neues oder bestehendes Dokument in Word für Microsoft 365 und melde dich mit deinem Microsoft-Konto an.
Gehe im Menüband auf Start und klicke auf den kleinen Pfeil unter Diktieren.
Wähle Transkribieren. Rechts öffnet sich der Bereich „Transkribieren“.
Klicke auf Audio hochladen und wähle deine Datei aus. Unterstützt werden laut Microsoft WAV, MP4, M4A und MP3.
Warte, bis die Verarbeitung abgeschlossen ist. Das Transkript erscheint im Seitenbereich, aufgeteilt nach Sprecher 1, Sprecher 2 usw. und mit Zeitstempeln.
Benenne die Sprecher um und korrigiere einzelne Abschnitte über das Stift-Symbol.
Füge das Ergebnis ein: entweder einzelne Abschnitte oder mit Alle zum Dokument hinzufügen das komplette Transkript.

Vorteile

Kein zusätzliches Tool, wenn du Microsoft 365 ohnehin nutzt.
Sprechertrennung und Zeitstempel sind eingebaut.
Du kannst beim Korrigieren direkt in die Aufnahme springen.

Grenzen

Monatliches Kontingent: Microsoft begrenzt die Minuten hochgeladener Audiodateien pro Monat. Im Support-Artikel werden aktuell 300 Minuten für Standard-Abos genannt; mit Copilot-Lizenz deutlich mehr. Prüfe die aktuelle Angabe, bevor du viele Stunden Material planst.
Nicht überall verfügbar: Word für Mac und private Konten ohne passendes Abo bleiben außen vor.
Begrenzte Formate: Andere Formate wie OGG, OPUS, WMA oder MOV musst du erst umwandeln.
Formatierung: Beim Einfügen landet der Text im Dokument. Für eine bestimmte Transkriptionsnorm, etwa in wissenschaftlichen Arbeiten, musst du meist noch nacharbeiten.

Weg 2: Diktieren in Word – nur für Live-Sprache

Die Funktion Diktieren (Start → Diktieren, oder Windows-Taste + H in Windows) schreibt mit, was du gerade ins Mikrofon sprichst. Sie ist gedacht, um Texte per Stimme zu verfassen, nicht um bestehende Aufnahmen zu verschriftlichen.

Theoretisch kannst du eine Aufnahme über Lautsprecher abspielen und Word mithören lassen. In der Praxis leidet die Qualität dabei deutlich: Raumhall, Nebengeräusche und die fehlende Sprechertrennung führen zu vielen Fehlern, und du musst die komplette Aufnahme in Echtzeit abspielen. Für eine Stunde Interview heißt das: eine Stunde danebensitzen.

Wann Diktieren trotzdem sinnvoll ist: wenn du Notizen, Briefe oder Berichte selbst einsprechen willst, statt sie zu tippen. Dann sprichst du direkt ins Mikrofon, und der Text landet sofort im Dokument.

Weg 3: Transkriptionsdienst mit DOCX-Export

Wenn du kein passendes Microsoft-365-Abo hast, auf dem Mac arbeitest, viele oder lange Aufnahmen hast oder andere Dateiformate verwendest, ist ein Transkriptionsdienst mit Word-Export der direkteste Weg. So funktioniert das mit Scriptivo:

Datei hochladen. Ziehe deine Aufnahme in den Browser. Scriptivo verarbeitet gängige Audio- und Videoformate, etwa MP3, M4A, WAV, MP4 oder MOV.
Sprache wählen oder automatisch erkennen lassen. Unterstützt werden über 98 Sprachen.
Transkript prüfen. Du korrigierst den Text direkt im Editor. Mit Pro oder dem 7-Tage-Pass erkennt Scriptivo die Sprecher und du kannst ihnen Namen geben, zum Beispiel „Interviewerin“ und „Befragter“.
Als DOCX exportieren. Im Export wählst du DOCX und entscheidest, ob Zeitstempel vor jedem Abschnitt stehen sollen. Mit Sprechererkennung beginnt jeder Redebeitrag mit dem fett gesetzten Namen samt Zeitstempel, darunter folgt der Text.
In Word öffnen und weiterarbeiten. Die Datei lässt sich in Word, LibreOffice oder Google Docs öffnen.

Was du in welchem Tarif bekommst

Die Angaben stammen aus unserer Preisübersicht:

	Kostenlos	7-Tage-Pass	Pro	Business
Preis	0 €	7,99 € einmalig	14,99 € / Monat	39,99 € / Monat
Transkriptionen	1 pro Tag	unbegrenzt	unbegrenzt	unbegrenzt
Max. Länge pro Datei	30 Min.	4 Std.	4 Std.	10 Std.
DOCX-Export	– (nur TXT)	Ja	Ja	Ja
Sprechererkennung	–	Ja	Ja	Ja
KI-Zusammenfassung	–	Ja	Ja	Ja

Tipp für die kostenlose Variante: Auch mit dem Gratis-Tarif kommst du zu einem Word-Dokument. Exportiere das Transkript als TXT oder kopiere es aus dem Editor und füge es in Word ein. Sprecher-Überschriften und Zeitstempel musst du dann allerdings selbst setzen.

Wenn du nur einmalig ein größeres Projekt hast, etwa mehrere Interviews für eine Abschlussarbeit, ist der 7-Tage-Pass die Option ohne Abo: einmal zahlen, eine Woche alle Pro-Funktionen nutzen.

Welcher Weg passt zu dir?

Du hast Microsoft 365 im Job und eine kurze Aufnahme in MP3 oder M4A? Probier zuerst Word „Transkribieren“.
Du willst selbst Text einsprechen? Nimm „Diktieren“.
Du hast viele oder lange Aufnahmen, arbeitest auf dem Mac, brauchst ein anderes Format oder eine andere Sprache? Nimm einen Transkriptionsdienst mit DOCX-Export.
Du brauchst das Transkript für eine wissenschaftliche Arbeit? Nutze einen Dienst mit Sprechererkennung und Zeitstempeln und bring den Text danach in die geforderte Form. Wie das nach den gängigen Regeln geht, erklärt unser Artikel zu den Transkriptionsregeln nach Dresing & Pehl.

Typische Ausgangsdateien und was du beachten solltest

Sprachmemo vom iPhone

Sprachmemos speichert das iPhone als M4A-Datei. Die kannst du in Word „Transkribieren“ direkt hochladen oder bei Scriptivo verarbeiten lassen. Wie du die Datei vom iPhone auf den Rechner bekommst, zeigt die Anleitung Sprachmemo vom iPhone in Text umwandeln. Details zum Format findest du unter M4A in Text umwandeln.

MP3 vom Diktiergerät oder Podcast

MP3 ist das verbreitetste Audioformat und wird von allen drei Wegen – außer Diktieren – unterstützt. Mehr zum Format unter MP3 in Text umwandeln.

Video-Aufnahme eines Meetings

Teams-, Zoom- oder Bildschirmaufnahmen liegen meist als MP4 vor. Word akzeptiert MP4, bei sehr langen Meetings stößt du aber schnell an das Monatskontingent. Ein Dienst mit höherem Limit pro Datei ist hier oft entspannter.

Interviews mit mehreren Personen

Hier ist die Sprechertrennung entscheidend. Beide Wege – Word „Transkribieren“ und Scriptivo ab Pro bzw. 7-Tage-Pass – trennen die Sprecher automatisch. Wie du Interviews von der Aufnahme bis zum fertigen Transkript sauber aufbereitest, liest du unter Interview transkribieren.

Tipps für ein sauberes Word-Transkript

Gute Aufnahme ist die halbe Miete. Ein Mikrofon nah am Sprecher bringt mehr als jede Nachbearbeitung.
Sprecher vor dem Export benennen. Dann steht im Word-Dokument direkt „Anna“ statt „Sprecher 1“.
Zeitstempel bewusst wählen. Für Analyse und Zitate hilfreich, für Protokolle oder Artikel eher störend.
Formatvorlagen nutzen. Leg in Word Formatvorlagen für Sprechernamen und Text an, dann änderst du das Layout später mit einem Klick.
Suchen & Ersetzen für Fachbegriffe. Wird ein Name oder Fachwort systematisch falsch erkannt, korrigierst du ihn in Word mit Strg + H auf einen Schlag.
Datenschutz beachten. Wenn die Aufnahme personenbezogene Daten anderer enthält, kläre vorab, ob du sie in einen Online-Dienst hochladen darfst. Eine Checkliste dafür findest du in unserem Artikel Transkription & DSGVO.

Häufige Fragen

Kann Word Audiodateien kostenlos in Text umwandeln?

Die Funktion „Transkribieren“ ist Teil von Microsoft 365 und setzt ein entsprechendes Abo voraus. Ohne Abo bleibt dir in Word nur das Diktieren, das keine Dateien verarbeitet. Kostenlos kannst du stattdessen den Gratis-Tarif von Scriptivo nutzen (1 Transkription pro Tag, bis 30 Minuten) und den Text als TXT exportieren oder in Word einfügen.

Warum finde ich „Transkribieren“ in meinem Word nicht?

Laut Microsoft ist die Funktion nur in Word für Microsoft 365 unter Windows und in Word für das Web verfügbar, und zwar in kommerziellen Mandanten. In Word für Mac, in älteren Office-Versionen ohne Abo und in manchen privaten Konten fehlt sie. Prüfe außerdem, ob du angemeldet bist und einen unterstützten Browser nutzt.

Welche Dateiformate kann ich in Word transkribieren?

Microsoft nennt WAV, MP4, M4A und MP3. Andere Formate musst du vorher umwandeln – oder du nutzt einen Dienst, der sie direkt annimmt.

Wie bekomme ich Sprecher und Zeitstempel ins Word-Dokument?

In Word „Transkribieren“ werden Sprecher und Zeitstempel im Seitenbereich angezeigt und beim Einfügen mit übernommen. Bei Scriptivo wählst du im DOCX-Export, ob Zeitstempel vor jedem Abschnitt stehen sollen; mit Sprechererkennung (Pro oder 7-Tage-Pass) steht vor jedem Redebeitrag der Sprechername.

Kann ich ein mehrstündiges Interview in Word umwandeln?

In Word begrenzt das monatliche Minutenkontingent, wie viel Audio du hochladen kannst. Bei Scriptivo sind im Pro-Tarif und mit dem 7-Tage-Pass bis zu 4 Stunden pro Datei möglich, im Business-Tarif bis zu 10 Stunden.

Funktioniert das auch mit Google Docs oder LibreOffice?

Ja. Eine DOCX-Datei lässt sich in beiden Programmen öffnen. Google Docs hat außerdem eine eigene Spracheingabe, die aber wie Word „Diktieren“ nur Live-Sprache verarbeitet, keine Audiodateien.