Untertitel für ein Video erstellen, ohne es hochzuladen
Die meisten schauen Videos in sozialen Netzwerken ohne Ton, und aufgezeichnete Besprechungen lassen sich mit Transkript schneller überfliegen. Automatische Untertitel hießen früher, die Aufnahme bei einem Onlinedienst hochzuladen. Heute kann ein Spracherkennungsmodell direkt im Browser laufen.
Aktualisiert:
Wie es funktioniert
Der Untertitel-Generator führt das Whisper-tiny-Modell von OpenAI auf deinem Gerät aus. Er erkennt die gesprochene Sprache automatisch, unterstützt 99 Sprachen und kann das Gesprochene auf Wunsch in englische Untertitel übersetzen.
Das Modell wird einmal geladen, rund 41 MB, und danach von deinem Browser gespeichert. Anschließend lassen sich Untertitel auch offline erstellen, und weder Video noch Ton verlassen dein Gerät.
Schritt für Schritt
Video- und Audiodateien funktionieren gleichermaßen, etwa eine Handyaufnahme, eine Podcastfolge oder eine exportierte Besprechung.
- Öffne den Untertitel-Generator und wähle die Video- oder Audiodatei aus.
- Behalte die automatische Spracherkennung oder wähle die Sprache, wenn die Aufnahme mit Musik oder Stille beginnt.
- Starte die Erkennung. Auf einem aktuellen Laptop dauert sie meist kürzer als die Aufnahme selbst; Handys sind langsamer.
- Lies die Zeilen durch und korrigiere Namen, Fachbegriffe und Zeiten im Editor.
- Lade SRT, VTT oder reinen Text herunter oder erstelle ein neues Video mit eingebrannten Untertiteln.
SRT, VTT oder eingebrannt?
SRT ist die am breitesten unterstützte Untertiteldatei. Videoplayer, Schnittprogramme und die meisten Uploadformulare von Videoplattformen nehmen sie an. VTT ist das Format für Videoplayer im Web. Reiner Text eignet sich für Protokolle, Notizen oder die Suche nach dem Gesagten.
Separate Untertiteldateien lassen sich ein- und ausschalten und später bearbeiten. Eingebrannte Untertitel sind Teil des Bildes. Das brauchst du für Plattformen, die keine Untertiteldateien annehmen. UseTool schreibt ein solches Video als neue WebM-Datei und lässt das Original unberührt.
Bessere Ergebnisse erzielen
Das tiny-Modell ist klein genug für den Browser, und das hat Grenzen. Klare Sprache nah am Mikrofon funktioniert gut. Hintergrundmusik, mehrere Personen gleichzeitig, starke Akzente und viel Hall führen zu mehr Fehlern.
Namen und Fachbegriffe sind die häufigsten Fehler, daher lohnt es sich, den Text vor dem Veröffentlichen einmal zu lesen. Die Sprache von Hand festzulegen hilft, wenn eine Aufnahme Sprachen mischt oder mit einem langen Intro beginnt.
Aufnahmen bis zu einer Stunde werden unterstützt. Auf Handys kann bei sehr langen Aufnahmen der Speicher knapp werden, dort sind kürzere Teile zuverlässiger.
Warum lokale Verarbeitung hier zählt
Aufnahmen von Besprechungen, Interviews, Unterricht oder Therapiesitzungen enthalten oft persönliche Angaben über Menschen, die nie zugestimmt haben, sie mit einem Transkriptionsdienst zu teilen. Die Verarbeitung auf dem eigenen Gerät erspart diese Frage vollständig, und es werden keine Minuten von einem Kontingent abgezogen.