Was macht Untertitel aus Transkript?
Untertitel sind kein optionales Extra – sie sind Barrierefreiheit, sie halten Zuschauer, die stummgeschaltet haben, und bei Tutorials betonen sie exakte UI-Begriffe. Diese Fähigkeit erstellt eine saubere, korrekt getaktete Untertiteldatei. Styling und Einbrennen erfolgen nachgelagert.
Quelltext zuerst so genau wie möglich nehmen
Die Genauigkeit hängt vom Ausgangspunkt ab:
- Falls ein Erzählskript existiert, verwende es als Ground Truth. Es ist bereits korrekt bei technischen Begriffen und UI-Bezeichnungen. Richte es am Audio aus, anstatt es erneut zu transkribieren.
- Andernfalls transkribiere das Audio (Whisper, die Auto-Untertitel einer Plattform oder ein beliebiges ASR), dann korrigiere es anhand des Videos. ASR verhunzt zuverlässig Produktnamen, Code und Akronyme – korrigiere jeden, um exakt dem auf dem Bildschirm zu entsprechen.
Versende niemals rohe ASR-Ausgabe. Die Fehler treten genau bei den wertvollsten Wörtern auf.
Taktung der Cues an die Sprache
- Jeder Cue erscheint, sobald seine Zeile gesprochen wird, und verschwindet, wenn sie endet – richte dich an der Sprache aus, nicht an willkürlichen Intervallen.
- Mindestens ~1 Sekunde auf dem Bildschirm (auch bei einem kurzen Cue), maximal ~7 Sekunden. Teile längere Cues auf.
- 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 der Rahmen überfüllt und der sichere Bereich überschritten.
- Lesegeschwindigkeit ≤ ~17 Zeichen/Sekunde (≈160–180 Wörter pro Minute). Überschreitet ein Cue diesen Wert, fliegen die Wörter vorbei – teile den Cue auf oder verlängere seine Dauer.
- Brich Zeilen an Satzgrenzen, niemals mitten in einer Phrase. Halte „zu den Einstellungen“ zusammen; lasse „die“ nicht allein auf einer Zeile stehen.
Format wählen
- SRT – universell, Index +
HH:MM:SS,mmm --> HH:MM:SS,mmm+ Text. Verwende es für den Upload auf den meisten Plattformen und in Editoren. - WebVTT (.vtt) –
WEBVTT-Kopfzeile,HH:MM:SS.mmm-Zeitstempel, unterstützt positionierende/stylende Cues. Verwende es für HTML5<track>und den Webplayer.
Erzeuge gültige, parsebare Ausgabe – korrekte Zeitstempel-Interpunktion (SRT verwendet ein Komma vor Millisekunden, VTT einen Punkt), leere Zeile zwischen Cues, keine nachgestellten Leerzeichen.
Sauber vs. wörtlich
Für Tutorials: Untertitel sauber – streiche Füllwörter („ähm“, „hm“, Fehlstarts), behalte den Sinn wörtlich bei. Gib technische Begriffe, Code und UI-Bezeichnungen exakt wieder. Nur streng wörtlich, wenn der Nutzer dies explizit benötigt (rechtliche, Forschungs- oder Zitatkontexte).
Synchronisation prüfen
Stichprobenartig gegen das eigentliche Video zu Beginn, in der Mitte und am Ende prüfen – zeitliche Abweichungen sammeln sich an. Bestätigen, dass Cues auf ihren Zeilen landen und verschwinden, bevor der nächste beginnt. Korrigiere jeden Untertitel, der über der falschen Szene verweilt.
Übergabe
Die fertige .srt / .vtt-Datei geht an social-video-formatter zum Einbrennen und plattformspezifischen Styling oder direkt an das <track>-Element des Webplayers. Farbe, Schriftart, Position und Animation bleiben diesen Schritten überlassen – diese Fähigkeit liefert genaue, gut getaktete Texte und nichts weiter.
Nicht
- Kein Stylen, Färben, Positionieren oder Einbrennen von Untertiteln in das Bild – das ist Aufgabe von social-video-formatter.
- Keine Wort-für-Wort-Animation – das ist Aufgabe von kinetic-typography.
- Keine unkorrigierte ASR-Ausgabe versenden; die Fehler konzentrieren sich genau auf die wichtigen Begriffe.
- Keine 3 Zeilen packen oder das Lesegeschwindigkeitsbudget überschreiten, um das Aufteilen eines Cues zu vermeiden – teile ihn auf.