KI-Untertitel erstellen: Formate, Sprachen, Korrektur
Untertitel aus einem Video zu gewinnen dauert Minuten, das Ergebnis brauchbar zu machen etwas länger. Entscheidend sind drei Dinge: das Ausgabeformat, also SRT, WebVTT oder fest ins Bild gebrannt, die Behandlung von Eigennamen und Fachbegriffen, an denen fast alle Werkzeuge scheitern, und die Frage, ob du Zeiten und Zeilenumbrüche danach noch selbst bearbeiten kannst.
Vom Team von Beste KI Tools
Automatische Untertitel sind seit Jahren gut genug, um Zeit zu sparen, und nie gut genug, um ungeprüft zu bleiben. Die Auswahl eines Werkzeugs entscheidet vor allem darüber, wie viel Nacharbeit übrig bleibt.
SRT, VTT oder eingebrannt?
Drei Ausgabearten sind verbreitet. SRT stammt aus dem SubRip-Format und ist der kleinste gemeinsame Nenner: eine Textdatei mit Zeitmarken, die fast jedes Programm liest. WebVTT ist die vom W3C standardisierte Web-Fassung, die für das Textspur-Element in HTML gedacht ist und zusätzlich Formatierung und Positionierung erlaubt. Eingebrannte Untertitel sind fest im Bild und lassen sich nicht mehr abschalten oder korrigieren.
Für Videoplattformen und die eigene Website willst du eine Datei, weil Untertitel dann suchbar, abschaltbar und übersetzbar bleiben. Eingebrannt ist nur dort sinnvoll, wo die Plattform keine Dateien annimmt.
Nicht die Wortfehler sind das Problem, sondern die Namen
Die allgemeine Erkennungsgenauigkeit ist bei den gängigen Werkzeugen für sauber aufgenommenes Deutsch hoch. Was zuverlässig danebengeht, sind Eigennamen, Firmennamen, Produktbezeichnungen, Fachbegriffe und Abkürzungen, also genau die Wörter, auf die es in einem Fachvideo ankommt.
Deshalb ist die wichtigste Funktion nicht die Erkennung, sondern das Wörterbuch: eine Liste eigener Begriffe, die das Werkzeug bevorzugt. Werkzeuge mit dieser Funktion sparen bei wiederkehrenden Themen mehr Zeit als jeder Genauigkeitsvorsprung.
Dialekt, Nebengeräusche und mehrere Sprecher
- Starker Dialekt und Schweizerdeutsch sind für die meisten Werkzeuge deutlich schwerer als Standarddeutsch; prüfe das mit einer echten Aufnahme, nicht mit einer Studioaufnahme.
- Überlappendes Sprechen in Gesprächsrunden erzeugt die meisten Fehler. Eine Sprechertrennung hilft nur, wenn sie sauber arbeitet.
- Englische Fachwörter in deutschen Sätzen werden oft eingedeutscht geschrieben. Das ist eine typische Korrekturschleife.
- Zahlen, Datumsangaben und Beträge landen häufig in der falschen Schreibweise und gehören in die Endkontrolle.
Übersetzte Untertitel haben zwei Fehlerquellen
Wenn ein Werkzeug direkt von gesprochenem Deutsch zu englischen Untertiteln kommt, laufen zwei Schritte hintereinander: Erkennung und Übersetzung. Ein Fehler im ersten Schritt wird im zweiten glattgebügelt und dadurch unsichtbar.
Der saubere Weg ist deshalb zweistufig: erst die deutsche Untertiteldatei erzeugen und korrigieren, dann übersetzen lassen. Das ist etwas mehr Arbeit und erspart die Sorte Fehler, die niemand mehr findet.
Lesbarkeit schlägt Vollständigkeit
Automatisch erzeugte Untertitel bilden das Gesprochene wörtlich ab, mit allen Füllwörtern und Ansätzen. Lesbar wird es erst durch Kürzen: zwei Zeilen, ganze Sinneinheiten, Umbruch an einer natürlichen Stelle und eine Standzeit, die zum Lesen reicht.
Ein Werkzeug, das diese Regeln beim Erzeugen anwendet und dir danach einen Editor für Zeiten und Zeilenumbrüche gibt, spart mehr Zeit als eines, das nur genauer erkennt.
Vor der Entscheidung: eine echte Datei durchlaufen lassen
Nimm ein Video mit Fachbegriffen, zwei Sprechern und Hintergrundgeräuschen, lass es durchlaufen, exportiere die Datei und lade sie dort hoch, wo sie hin soll. Zähle danach die Korrekturen. Diese Zahl ist die einzige Kennzahl, die für dich zählt.
Im Katalog steht bei jedem Werkzeug, welche Ausgabeformate es liefert, ob es ein eigenes Wörterbuch erlaubt und ob es Sprechertrennung bietet. Diese drei Felder entscheiden in der Praxis über die Nacharbeit.