Untertitel für Videos und Video-zu-Text-Transkription

Datei hochladen und „Untertitel erzeugen“ drücken. Nach der Erkennung erscheinen über dem Transkript die Schaltflächen „Kopieren“ und „TXT“ — der Text lässt sich als Fließtext oder mit Zeitmarken mitnehmen. Der Schalter „Fließtext“ zeigt das Ergebnis als normales Dokument, fertig für Notizen oder einen Artikel.

SRT für fast alles: YouTube, Player und Schnittprogramme lesen es, und es trägt schlichte, getimte Zeilen. VTT ist das Webformat — genau das erwartet ein Browser in der Untertitelspur. ASS nimmt man, wenn die Gestaltung mitreisen muss: Schriften, Positionen und Farben stehen in der Datei selbst, ein hier gestalteter Untertitel bleibt also gestaltet, wenn ihn jemand anders öffnet.

Es hört erst zu und entscheidet selbst: Whisper erkennt die Sprache am Klang aus über neunzig, ein Clip, den Sie nicht selbst aufgenommen haben, kommt also trotzdem richtig heraus. Russisch läuft über ein eigens dafür trainiertes Modell statt über das allgemeine. Wechselt die Sprache mitten in der Aufnahme oder bringt ein starker Akzent die Erkennung durcheinander, stellen Sie die Sprache vor dem Lauf von Hand ein — dann wird nicht mehr geraten.

Ja. Silero VAD markiert vor der Erkennung die Abschnitte mit echter Sprache, sodass Stille in Intros, Pausen und Abspann übersprungen wird und die Genauigkeit bei langen Dateien hält. Der Text erscheint während der Verarbeitung im Editor — man muss nicht bis zum Ende warten. Videos über 30 Minuten laufen bequemer auf einem Rechner mit 8 GB RAM.

Ja, „MP4 mit Untertiteln herunterladen“ baut eine Datei, in der die Untertitel ins Bild gezeichnet sind — sichtbar in jedem sozialen Netzwerk und in Playern, die kein SRT lesen. Der Bau läuft im Browser über FFmpeg WASM: Video wird nach H.264 kodiert, die Tonspur ohne Neukodierung kopiert.

Klicken Sie auf den Zeitcode links neben der Zeile im Transkript und tippen Sie die neue Zeit ein oder verschieben Sie sie mit den Pfeiltasten (Shift = Ein-Sekunden-Schritte). Das Video springt beim Bearbeiten mit, das Ergebnis ist sofort hörbar. Die Wortzeiten werden aus der Zeile neu abgeleitet, die Karaoke-Hervorhebung bleibt im Takt.

Whisper leitet Wortgrenzen aus Cross-Attention-Decoding ab, mit etwa ±200 ms Genauigkeit — genug für Karaoke-Hervorhebung und für normale Untertitel. Ist das Decoding langsam, verteilt der Schnellmodus die Wörter gleichmäßig im Segment. Der Startzeitpunkt einer Zeile lässt sich im Transkript auch von Hand korrigieren.

Der VTT-Export ist das Standardformat für Closed Captions in Web-Playern (HTML5 track, YouTube, Vimeo) und wird von WCAG-, ADA- und EAA-Prüfungen akzeptiert. Die Untertitel enthalten Zeitmarken, Sprecherkennzeichnung bei aktivem Detektor und saubere Zeichensetzung. Das eingebrannte MP4 nutzt Kontur und Schatten für Kontrast und bleibt in den Safe Zones.

Öffnen Sie „Glossar“ in den Erkennungseinstellungen und tragen Sie Ihre Begriffe ein, einen pro Zeile. Sie gehen als Anfangshinweis an das Modell, sodass Produktnamen, Nachnamen, Abkürzungen und Fachjargon korrekt geschrieben werden. Das ist der größte Genauigkeitsgewinn bei Fachvorträgen und Markeninhalten.