Untertitel automatisch erstellen: Tools, Genauigkeit und der Prüfschritt, den alle überspringen

Untertitel automatisch erstellen heißt: Spracherkennung macht aus dem Ton eines Videos eine getimte Textdatei, meistens SRT. Bei sauberem Ton ist dieser erste Durchgang wirklich gut. Die Arbeit, die bleibt, ist nicht das Transkribieren — es sind die vier Dinge, die jede Engine auf dieselbe Weise falsch macht, jedes Mal.

Das hier ist die praktische Fassung: welches Tool, was du davon erwarten kannst, und was du korrigierst, bevor die Datei irgendwohin geht.

Schritt 1 — Das Tool wählen

Die Wahl ist einfacher, als die Tool-Listen vermuten lassen, denn sie hängt an einer Frage: Muss das Video danach in einer anderen Sprache existieren?

Bleibt es einsprachig, ist ein reines Transkriptions-Tool der günstigste Weg. Editoren wie Descript und Premiere Pro erzeugen Untertitel direkt, Web-Tools ohne Installation. Du bekommst eine SRT und bist fertig.

Muss es übersetzt werden, erstelle die Untertitel dort, wo auch die Übersetzung passiert. Eine SRT aus einem Tool zu exportieren und in ein anderes zu importieren ist die Stelle, an der das Timing verrutscht, weil das zweite Tool den Text ohne den Ton neu umbricht. Vollwertige Videoplattformen — Dubly eingeschlossen — transkribieren, übersetzen und exportieren in einem Durchgang. Der Kategorievergleich steht auf der Alternativen-Seite.

Schaut niemand mit Ton, brauchst du zusätzlich eingebrannte Untertitel, nicht nur eine Datei. Social-Feeds spielen stumm ab und laden keine separate Spur.

Schritt 2 — Den ersten Durchgang erzeugen

Zwei Einstellungen entscheiden das meiste, und beide sind meist einen Klick entfernt.

Setze die Ausgangssprache explizit. Automatische Erkennung ist bei einsprachigem Ton zuverlässig und unzuverlässig, sobald eine zweite Sprache auftaucht — eine deutsche Präsentation mit englischen Produktbegriffen ist der Klassiker, und die Engine springt mitunter mitten im Satz um.

Nimm den besten Ton, den du hast. Wenn das Video aus einer separaten Tonspur geschnitten wurde, gib dem Tool diese Spur statt des exportierten Mixes. Musikbett und Raumklang kosten Genauigkeit, die kein Korrekturdurchgang sauber zurückholt.

Rechne damit, dass der erste Durchgang etwa so lange dauert wie das Video, oft weniger.

Schritt 3 — Die vier vorhersehbaren Fehler korrigieren

Jede Engine scheitert an denselben vier Stellen. Gezielt danach zu suchen ist schneller, als die Datei von oben nach unten zu lesen.

• Produkt- und Markennamen. Spracherkennung bildet unbekannte Wörter auf bekannte ab. Dein Produkt wird zu einem ähnlich klingenden Alltagswort. Das ist der sichtbarste Fehler, weil es genau das Wort ist, das dein Publikum am besten kennt.
• Sprecherwechsel. Die automatische Ausgabe markiert selten, wer spricht. In Interviews und Panels verschmelzen zwei Sprecher zu einem Absatz, und die Zuschauerin kommt nicht mehr mit.
• Zahlen, Einheiten und Daten. „Fünfzehnhundert" kommt als Wort heraus, „1,5" als „eins Komma fünf", Währungszeichen fallen weg. Alles, worauf jemand reagieren soll, muss geprüft werden.
• Zu lange Zeilen. Die Engine trennt an Pausen, nicht an der Lesegeschwindigkeit. Jede Zeile über etwa zwei Textzeilen muss geteilt werden, sonst liest die Zuschauerin noch, wenn sie verschwindet.

Eine nützliche Disziplin: die Datei einmal in Abspielgeschwindigkeit lesen, Video stumm. Fehler, die einen stummen Durchgang überleben, sind die, auf die es ankommt.

Schritt 4 — Das richtige Format exportieren

SRT ist der Standard und funktioniert fast überall — Social-Plattformen, Videoplayer, Schnittprogramme.

VTT ist das Browser-Format. Nimm es, wenn das Video in einem HTML5-Player läuft und du Styling oder Positionierung brauchst.

Eingebrannte Untertitel sind Pixel, kein Text: nicht abschaltbar und später nicht übersetzbar, ohne das Video neu zu erzeugen. Nimm sie dort, wo keine separate Datei geladen wird — praktisch also in stummen Autoplay-Feeds.

Behalte die SRT auch dann, wenn du einbrennst. Sie ist die Quelle jeder späteren Übersetzung, und sie aus einem fertigen Video zurückzugewinnen heißt: von vorn anfangen.

Welche Genauigkeit realistisch ist

Anbieter veröffentlichen Genauigkeitsprozente, und alle sind auf sauberem Ton gemessen — über dein Material sagen sie wenig. Die ehrliche Einordnung ist vergleichend: Bei Studioqualität mit einer Sprecherin liegen aktuelle Engines so nah beieinander, dass die Tool-Wahl kaum ins Gewicht fällt. Bei einer aufgezeichneten Besprechung mit drei Personen und Laptop-Mikrofon brauchen alle schwere Korrektur, und der Unterschied zwischen bestem und schlechtestem Tool ist gradueller Natur.

Was verlässlich hilft, in dieser Reihenfolge: besserer Ausgangston, manuell gesetzte Sprache und ein Glossar der eigenen Begriffe, wo das Tool eines unterstützt. Dublys Glossar ist der Mechanismus für Punkt drei — feste Begriffe bleiben fest, statt pro Zeile neu geraten zu werden.

Wenn automatische Untertitel nicht das eigentliche Ziel sind

„Untertitel erstellen" steht oft stellvertretend für ein anderes Problem: Das Video soll für Menschen funktionieren, die die Aufnahmesprache nicht sprechen. Untertitel lösen das nur halb — die Zuschauerin liest, statt zuzuhören, und die Aufmerksamkeit teilt sich.

Wenn das die eigentliche Aufgabe ist, lautet der lohnende Vergleich Untertitel gegen Synchronisation, nicht ein Untertitel-Tool gegen das nächste. Wir haben ihn aufgeschrieben: KI-Dubbing vs. Untertitel. Die Kostenseite steht in Was Untertitelübersetzung kostet.