Was macht Untertitel aus Transkript erstellen?
Untertitel sind kein optionales Extra – sie sind Barrierefreiheit, sie halten Zuschauer, die stumm schalten, und in Tutorials heben sie präzise UI-Begriffe hervor. Dieser Skill erzeugt eine saubere, akkurat getimte Untertiteldatei. Styling und Einbrennen erfolgen nachgelagert.
Die genaueste Textquelle zuerst
Die Genauigkeit hängt vom Ausgangspunkt ab:
- Wenn ein Sprecherskript existiert, verwende es als Ground Truth. Es ist bereits korrekt hinsichtlich Fachbegriffen und UI-Bezeichnungen. Gleiche es an das Audio an, anstatt es neu zu transkribieren.
- Andernfalls transkribiere das Audio (Whisper, eine automatische Untertitelung der Plattform oder ein beliebiges ASR), und korrigiere es anschließend anhand des Videos. ASR verunstaltet zuverlässig Produktnamen, Code und Akronyme – korrigiere jedes einzelne, bis es exakt dem entspricht, was auf dem Bildschirm zu sehen ist.
Versende niemals unkorrigierte ASR-Ausgabe. Die Fehler treten immer bei den wichtigsten Wörtern auf.
Zeitsteuerung der Cues an der Sprache
- Jeder Cue erscheint, sobald seine Zeile gesprochen wird, und verschwindet, wenn sie endet – an der Sprache ausrichten, nicht an willkürlichen Intervallen.
- Mindestens ~1 Sekunde auf dem Bildschirm (auch bei einem kurzen Cue), maximal ~7 Sekunden. Längere Cues aufteilen.
- Keine Lücken mitten im Satz; kleine Lücken zwischen Sätzen sind in Ordnung und verbessern die Lesbarkeit.
Zeilen- und Leseregeln
- 1–2 Zeilen pro Cue, niemals 3.
- ~32–42 Zeichen pro Zeile. Darüber hinaus wird das Bild überladen und die Sicherheitsbereiche werden überschritten.
- Lesegeschwindigkeit ≤ ~17 Zeichen/Sekunde (≈160–180 Wörter pro Minute). Überschreitet ein Cue diesen Wert, flackern die Wörter vorbei – teile den Cue auf oder verlängere seine Dauer.
- Zeilenumbrüche an Satzgrenzen, niemals mitten in einer Phrase. Lasse „zu den Einstellungen“ zusammen; lasse nicht „die“ allein in einer Zeile.
Wähle das Format
- SRT – universell, Index +
HH:MM:SS,mmm --> HH:MM:SS,mmm+ Text. Verwende es für den Upload auf die meisten Plattformen und in Editoren. - WebVTT (.vtt) –
WEBVTT-Kopfzeile,HH:MM:SS.mmm-Zeitstempel, unterstützt Positionierung/Styling von Cues. Verwende es für HTML5<track>und den Web-Player.
Erzeuge gültige, parsbare Ausgabe – korrekte Zeitstempel-Interpunktion (SRT verwendet ein Komma vor Millisekunden, VTT einen Punkt), Leerzeile zwischen Cues, keine nachgestellten Leerzeichen.
Bereinigt vs. wörtlich
Bei Tutorials: Untertitel bereinigt: entferne Füllwörter („äh“, „hm“, Fehlstarts), behalte die Bedeutung wörtlich bei. Bewahre Fachbegriffe, Code und UI-Bezeichnungen exakt. Gehe nur dann streng wörtlich vor, wenn der Benutzer es explizit benötigt (rechtliche Kontexte, Forschung, wörtliche Zitate).
Qualitätssicherung des Timings
Überprüfe stichprobenartig das tatsächliche Video am Anfang, in der Mitte und am Ende – Abweichungen summieren sich. Bestätige, dass Cues auf ihren Zeilen landen und enden, bevor der nächste beginnt. Korrigiere jeden Untertitel, der über dem falschen Bild stehen bleibt.
Übergabe
Die fertige .srt-/.vtt-Datei wird an social-video-formatter zum Einbrennen und Plattform-Styling übergeben oder direkt an das <track>-Element des Web-Players. Farbe, Schriftart, Position und Animation überlasse diesen Schritten – dieser Skill liefert akkurate, gut getimte Textdateien und nichts weiter.
Nicht
- Kein Styling, keine Farbe, keine Positionierung, kein Einbrennen von Untertiteln in das Bild – das ist social-video-formatter.
- Keine wortweise Animation – das ist kinetic-typography.
- Keine unkorrigierte ASR ausliefern; die Fehler konzentrieren sich genau auf die Begriffe, die zählen.
- Keine 3 Zeilen oder Überschreitung des Lesegeschwindigkeits-Budgets, um einen Cue nicht aufteilen zu müssen – teile ihn auf.