Untertitel automatisch erstellen mit Spracherkennung

Untertitel sind längst nicht mehr nur für Menschen mit Hörbeeinträchtigungen wichtig. Videos ohne Ton werden auf Smartphones in der Bahn, in Büros und in sozialen Netzwerken millionenfach abgespielt. Wer Untertitel anbietet, erhöht die Reichweite seiner Inhalte erheblich.

Das manuelle Eintippen von Untertiteln ist zeitaufwendig. Für eine Stunde Videomaterial rechnen erfahrene Untertitler mit vier bis sechs Stunden Arbeit. Automatische Spracherkennung verkürzt diesen Prozess auf Minuten, erfordert aber eine durchdachte Nachbearbeitung.

Wie automatische Untertitelung funktioniert

Spracherkennungssysteme analysieren das Audiosignal eines Videos und wandeln es in Text um. Moderne Systeme nutzen neuronale Netze, die auf großen Mengen gesprochener Sprache trainiert wurden. Das Ergebnis ist eine Transkription mit Zeitstempeln, die direkt in ein Untertitelformat wie SRT oder VTT exportiert werden kann.

Das Tool auf dieser Seite nimmt das Audio entgegen und liefert innerhalb weniger Sekunden einen vollständigen Text inklusive Zeitmarkierungen. Dieser Text kann direkt als Untertiteldatei heruntergeladen werden.

Vorbereitung des Videomaterials

Die Qualität der automatischen Transkription hängt stark von der Aufnahme ab. Diese Faktoren verbessern das Ergebnis deutlich:

Klare Sprecherführung: Monotones Sprechen hilft dem Modell weniger als natürliche Betonung. Deutliche Artikulation ist wichtiger als ein besonderes Sprechtempo.

Rauscharme Aufnahme: Hintergrundgeräusche wie Ventilatoren, Straßenlärm oder Hall reduzieren die Erkennungsgenauigkeit. Eine Nachbearbeitung mit einem Noise-Gate oder einer Rauschunterdrückung vor der Transkription lohnt sich.

Einzelner Sprecher: Überlappende Stimmen sind die größte Schwäche heutiger Systeme. Wenn mehrere Personen gleichzeitig sprechen, bricht die Erkennungsqualität ein.

Die Transkription erzeugen

Der einfachste Weg: Videodatei hochladen, Sprache auswählen und das Tool die Arbeit erledigen lassen. Die meisten modernen Systeme benötigen keine manuelle Segmentierung mehr, sondern erkennen automatisch, wo Sätze beginnen und enden.

Nach der Verarbeitung erscheint der Text mit Zeitstempeln. Prüfe an dieser Stelle folgende Punkte:

• Wurden Eigennamen korrekt erkannt?
• Stimmen die Zeitstempel mit dem Videobild überein?
• Sind Fachbegriffe richtig geschrieben?

Nachbearbeitung der automatischen Untertitel

Selbst sehr gute Transkriptionen brauchen eine Durchsicht. Typische Fehlerquellen sind:

Homophone: Wörter, die gleich klingen, aber unterschiedlich geschrieben werden. “Seite” und “Saite” oder “Lehre” und “Leere” verwechseln Spracherkennungssysteme gelegentlich.

Fremdwörter und Markennamen: Spezifische Begriffe, die selten in Trainingsdaten vorkommen, werden häufig falsch umschrieben. Ein kurzes Glossar mit den wichtigsten Fachbegriffen hilft manche Systeme beim Kalibrieren.

Interpunktion: Automatisch gesetzte Satzzeichen sind nicht immer korrekt. Besonders Kommas und Punkte benötigen Aufmerksamkeit, da sie die Lesbarkeit direkt beeinflussen.

Zeilenlänge: Untertitel sollten nicht mehr als 42 Zeichen pro Zeile und nicht mehr als zwei Zeilen gleichzeitig anzeigen. Zu lange Blöcke überfordern Zuschauer visuell.

Export und Integration

Nach der Korrektur steht die Untertiteldatei in unterschiedlichen Formaten zur Verfügung. SRT ist das universellste Format und wird von YouTube, Vimeo und den meisten Schnittprogrammen direkt importiert. VTT eignet sich für Webprojekte mit HTML5-Video. Eingebrannte Untertitel (“Hardsubs”) sind für soziale Netzwerke sinnvoll, lassen sich aber nachträglich nicht mehr korrigieren.

Bei YouTube kannst du die SRT-Datei direkt hochladen. Das Plattformformat übernimmt Zeitstempel und Text ohne weitere Anpassung. Für professionelle Produktionen empfiehlt sich eine zusätzliche Prüfung im Schnittprogramm, um Untertitel exakt auf Schnitte abzustimmen.

Qualitätssicherung vor der Veröffentlichung

Sieh dir das Video ein letztes Mal mit eingeschalteten Untertiteln an. Achte dabei darauf:

• Erscheint der Untertitel rechtzeitig vor dem gesprochenen Wort?
• Verschwindet er nicht zu früh?
• Ist der Text auch bei schnellen Schnitten lesbar?
• Sind Zahlen, Daten und Abkürzungen korrekt ausgeschrieben?

Diese abschließende Kontrolle nimmt bei einem zehnminütigen Video selten mehr als eine Viertelstunde in Anspruch. Der Aufwand lohnt sich, da fehlerhafte Untertitel das professionelle Erscheinungsbild eines Videos stark beeinträchtigen.

Tipps für regelmäßige Videoproduzenten

Wer häufig Videos untertitelt, profitiert von festen Abläufen. Ein vorbereitetes Glossar mit Eigennamen und Fachbegriffen spart bei jedem Video Zeit. Außerdem empfiehlt sich, bereits beim Dreh auf klare Artikulation zu achten und Hintergrundgeräusche zu minimieren. Das spart mehr Zeit als jede Nachbearbeitung.

Automatische Untertitelung ist heute ausgereift genug, um den Großteil der manuellen Arbeit zu übernehmen. Menschliches Urteil bei der abschließenden Kontrolle bleibt jedoch unverzichtbar, besonders wenn es um Präzision bei Fachthemen geht.