KI Auto-Untertitel für jedes Video online

OpenAI Whisper, kompiliert zu WebAssembly über Transformers.js. Vier Größen verfügbar: Tiny (~40 MB, schnellster), Base (~75 MB, ausgewogen), Small (~240 MB, genau) und Large v3 Turbo (~600 MB, Sendequalität, hinter dem Schalter Erweiterte Modelle versteckt). Modelle werden einmal von Hugging Face heruntergeladen und im Browser-Cache gespeichert. WebGPU-Beschleunigung wird automatisch genutzt, falls verfügbar.

Ja. Silero VAD vor-segmentiert das Audio in tatsächliche Sprachbereiche, bevor Whisper läuft. Das verbessert sowohl die Genauigkeit bei langen Dateien als auch das Überspringen stiller Intros, Outros und Pausen. Untertitel erscheinen im Editor live während Whisper dekodiert — Sie müssen nicht warten, bis die volle Transkription fertig ist, bevor Sie den Anfang prüfen können. Lange Videos (über 30 Minuten) funktionieren am besten auf einem Desktop mit mindestens 8 GB RAM.

Sie können nach SRT, VTT oder ASS exportieren — VTT ist das Standardformat für WCAG / ADA / EAA Closed Captions auf Web-Playern (HTML5 , YouTube, Vimeo). Untertitel enthalten Timing, Sprecher-Labels (wenn Sprecher-Erkennung an ist) und saubere Interpunktion. Das gebrannte MP4 platziert Untertitel in Sicherheitszonen und unterstützt Kontur + Schatten für hohen Kontrast.

Whisper akzeptiert einen Initial Prompt — Text, auf den es vor der Generierung konditioniert wird. Wir übergeben Ihre Glossar-Begriffe als diesen Prompt, sodass Markennamen ("Anthropic"), Produktnamen ("Claude", "GPT-4"), Eigennamen und Fachjargon korrekt geschrieben werden. Das ist der größte Genauigkeitsgewinn für Tech-Podcasts, Konferenzvorträge und markenstarken Inhalt. Ein Begriff pro Zeile, keine Sonderformatierung.

Whisper leitet Wortgrenzen über Cross-Attention-Decodierung ab. Genauigkeit ca. ±200 ms — geeignet für Karaoke-Highlighting und die meisten Untertitel-Anwendungen. Wenn Decodierung auf Ihrem Gerät zu langsam ist, schalten Sie den Schnellmodus an, und Wörter werden linear innerhalb jedes Segments verteilt. Vertrauens-Markierung kennzeichnet Wörter, bei denen Whisper unsicher war, damit Sie sie schnell prüfen können.

Ja. Opus-MT-Modelle decken die zehn wichtigsten Sprachpaare ab (en, ru, es, fr, de, pt, it, ja, ko, zh). Fehlt ein direktes Paar, fällt das Tool auf NLLB-200 distilled zurück. Behalten Sie das Original als zweite Untertitelzeile für zweisprachige Ausgabe — nützlich für Sprachenlernen und globales Publikum.

Ja. Das Tool lädt Twemoji-PNGs für jedes passende Schlüsselwort und komponiert sie über FFmpeg-Overlay-Filter aufs Video, oberhalb der Untertitelzeile positioniert und auf das gesprochene Wort getimed. SRT- und VTT-Exporte behalten ebenfalls Emoji-Zeichen.

SRT (universal), VTT (Web-/HTML5-Closed-Captions) und ASS (volle Animation mit allen Vorlagenstilen erhalten — öffnet in Aegisub, DaVinci Resolve, mpv oder jedem libass-kompatiblen Player). Das gebrannte MP4 nutzt H.264, AAC und der Original-Audiostream wird ohne Re-Encoding kopiert.

Sobald ein Whisper-Modell nach dem ersten Lauf gecacht ist, läuft das Tool komplett im Browser über WebAssembly — Transkription, Styling, Brennen und Export laufen lokal. Übersetzungsmodelle werden ebenfalls beim ersten Gebrauch gecacht. Die Seite selbst lädt von unseren Servern, aber die eigentliche Verarbeitung Ihres Videos braucht keine Internetverbindung.

Ja, in modernen Chrome und Safari. Auf Geräten mit weniger als 4 GB RAM werden die Modelle Small und Large v3 Turbo ausgeblendet und wir nutzen standardmäßig Tiny, um Abstürze zu vermeiden. Für lange Videos wird ein Laptop empfohlen.