Weg 1: direkt auf der Plattform
YouTube erzeugt automatische Untertitel per Spracherkennung, Deutsch steht in der Sprachliste der offiziellen Hilfe. Korrigieren kannst du sie im YouTube Studio unter „Untertitel": Video auswählen, neben der Spur auf „Mehr" klicken. Dieselbe Hilfe nennt die Schwachstellen: undeutliche Aussprache, Akzente, Dialekte, Hintergrundgeräusche, lange Stille am Anfang, mehrere Sprecher durcheinander. Wichtig für „automatisch erstellen und übersetzen": Automatische Untertitel entstehen laut Google nur in der Standardsprache des Videos. Eine zweite Sprache ist kein zweiter Automatiklauf, sondern eine Übersetzung.
TikTok transkribiert die Tonspur ebenfalls automatisch, Deutsch nennt TikTok in der Ankündigung vom 21.07.2022. Jede Zeile lässt sich vor dem Veröffentlichen ändern. Wichtig für die Entscheidung eingebrannt oder zuschaltbar: Zuschauer können die Untertitel selbst abschalten, über das Teilen-Menü und den Untertitel-Knopf (Ankündigung vom 06.04.2021). Beides sind Produktankündigungen, wie die Schalter heute heißen, siehst du beim Hochladen.
Instagram erzeugt für Reels automatische Untertitel per Spracherkennung. Im Editor liegen sie unter „Weitere Optionen" hinter den Schaltern „Untertitel aktivieren" und „Untertitel übersetzen", auch nach dem Veröffentlichen noch änderbar. Wer stattdessen den Untertitel-Sticker in die Aufnahme setzt, korrigiert ein falsch erkanntes Wort durch Antippen. Metas Barrierefreiheits-Anleitung rät außerdem zur Farbanpassung: Weißer Text auf hellem Grund wird im Feed unlesbar.
Weg 2: im Schnittprogramm
Wenn du ohnehin selbst schneidest, entsteht der Untertitel dort, wo auch der Rest entsteht. Adobe Premiere Pro hat „Sprache zu Text" eingebaut, Deutsch wird unterstützt, das Sprachpaket lädt das Programm bei Bedarf nach; die Untertitel-Übersetzung deckt laut Adobe 27 Sprachen ab. DaVinci Resolve transkribiert nur in der Studio-Version, einmalig 295 Dollar. CapCut erzeugt Untertitel automatisch und übersetzt sie in über 27 Sprachen, Deutsch ausdrücklich dabei. Kdenlive holt die Spracherkennung über VOSK oder Whisper, die Modelle liegen lokal; das ist der einzige Weg hier, der nichts kostet und nichts hochlädt.
Preise und Grenzen jedes Programms stehen im Vergleich der KI-Videoschnitt-Software.
Weg 3: ein eigenständiges Werkzeug
Hier trennst du Transkription vom Schnitt: Du bekommst eine Datei und kannst sie korrigieren, archivieren, übersetzen und wiederverwenden.
Im Browser. Dienste wie Happy Scribe nehmen die Datei entgegen und geben Untertitel zurück, in über 150 Sprachen. Beim Export lohnt der Blick in die Vergleichstabelle: TXT und SRT gibt es schon kostenlos, PDF und DOCX ab Basic, VTT erst ab Pro. Und die groß ausgezeichneten Preise (8,50 Euro für Basic, 19 für Pro, 59 für Business je Monat) gelten bei Jahreszahlung; monatlich kündbar sind es 17, 29 und 89 Euro. Menschliche Korrektur ab 1,75 Euro pro Minute. Der Preis ist, dass dein Rohmaterial hochgeladen wird. Kommen darin Kunden oder Gespräche vor, ist das eine bewusste Entscheidung; wie ich das handhabe, steht in KI und Datenschutz: was die KI sehen darf.
Lokal. Whisper von OpenAI steht unter MIT-Lizenz und läuft auf deinem Rechner, in sechs Modellgrößen von tiny bis turbo. Die Kommandozeile schreibt direkt SRT oder VTT (--output_format srt), --language German gibt die Sprache vor, und mit --initial_prompt fütterst du die Schreibweisen, die das Modell sonst verhört: Firmennamen, Produktnamen, Fachbegriffe. Eine Einschränkung: Die eingebaute Übersetzung (--task translate) geht ausschließlich ins Englische. Deutsch nach Spanisch braucht einen zweiten Schritt.
Korrigieren. Zum Aufräumen der Datei gibt es Subtitle Edit, ebenfalls MIT-lizenziert, für Windows 10, macOS ab Version 12 und Linux, offline arbeitend. Eine Untertiteldatei ist am Ende eine Textdatei; angenehmer ist ein Werkzeug, das das Video daneben abspielt.
SRT oder VTT
YouTube akzeptiert beide und sieben weitere Formate, empfiehlt Einsteigern aber ausdrücklich SRT oder SBV. Bei SRT unterstützt es nur die einfache Variante, Formatierungsangaben werden ignoriert; bei VTT ist das Styling auf fett, kursiv und unterstrichen begrenzt. Kein Nachteil, sondern Arbeitsteilung: Die Datei trägt Text und Timing, das Aussehen bestimmt die Plattform oder dein Video.
Eingebrannt oder zuschaltbar
Eingebrannte Untertitel sind Teil des Bildes, zuschaltbare eine getrennte Spur, die der Zuschauer an- und ausschalten kann. Was passt, hängt am Kanal und daran, was der Text außer Lesbarkeit leisten soll.
Eingebrannt, wenn: das Video im lautlosen Feed läuft (Reels, TikTok, LinkedIn), du das Aussehen kontrollieren willst (Markenschrift, Farbe, Position über dem Bedienfeld) oder sicher sein musst, dass der Text erscheint. Zuschaltbare Untertitel kann der Zuschauer bei TikTok laut dessen eigener Ankündigung abschalten; funktioniert dein Video ohne Text nicht, ist eingebrannt die sichere Variante.
Zusätzlich zuschaltbar, wenn: das Video auf YouTube oder deiner Website liegt, du mehrere Sprachen anbieten willst oder jemand den Text abschalten, vergrößern oder vorlesen lassen soll. Genau das kann eingebrannter Text nicht: nicht ausschalten, nicht skalieren, nicht übersetzen und nicht als eigene, korrigierte Textspur bereitstellen. Unsichtbar ist er für Maschinen trotzdem nicht, Plattformen transkribieren die Tonspur oft erneut oder lesen Bildtext per Texterkennung. Nur hast du darauf keinen Einfluss, während eine eigene Spur den Text trägt, den du korrigiert hast. Umgekehrt garantiert auch eine VTT-Spur nicht, dass jede Suchmaschine und jedes Vorleseprogramm sie gleich verarbeitet: Auf der eigenen Seite ist ein sichtbares Transkript die robustere Ergänzung.
Beides zusammen ist bei mehrsprachigem Publikum üblich: eingebrannt in der Originalsprache, zuschaltbar als Übersetzung. Am einfachsten brennt ffmpeg ein, dessen subtitles-Filter eine SRT-Datei über libass ins Bild rendert; force_style legt Schriftart und Farbe fest. Aus der Markenvorgabe wird ein Kommandozeilen-Parameter statt einer Klickfolge.
Wo es bei Deutsch wirklich hakt
Fünf Stellen, und alle fünf fallen erst im Korrekturdurchlauf auf. Als Prüfwerte nehme ich das Stilhandbuch, das Netflix für seine deutschen Timed-Text-Lieferungen veröffentlicht: öffentlich, präzise, von Profis benutzt. Es gilt laut Dokument für Lieferungen an Netflix und ist keine Grenze für Instagram oder YouTube. Ich übernehme die Werte bewusst als Richtwerte und sehe die Vorgaben der Zielplattform zusätzlich nach.
Eigennamen. Der Automat schreibt Namen so, wie sie klingen. Bei Firmen, Orten und Personen entstehen dabei regelmäßig Fehler. Gegenmittel: eine Liste deiner wiederkehrenden Namen anlegen und dem Modell mitgeben, bei Whisper über --initial_prompt. Netflix hält es ähnlich: Eigennamen werden nicht übersetzt, diakritische Zeichen bleiben erhalten.
Fachbegriffe. Jede Branche hat zwanzig Wörter, die eine allgemeine Spracherkennung nicht kennt. Dieselbe Liste, derselbe Weg, danach eine Suchen-und-Ersetzen-Runde über die fertige Datei. Eine Minute, Rest erledigt.
Zahlen. Hier weicht Untertitel-Praxis von der Transkript-Praxis ab. Netflix schreibt eins bis zwölf aus und setzt ab dreizehn Ziffern, Tausendertrennung per Punkt ab fünfstelligen Zahlen (50.300), Uhrzeiten mit Doppelpunkt (8:30 Uhr). Automatische Untertitel halten sich an keine dieser Regeln, sie schreiben, was sie hören.
Zeilenumbruch. Der Punkt, an dem automatische Untertitel am sichtbarsten schlecht aussehen. Die Regel: maximal zwei Zeilen, und der Umbruch darf keine Sinneinheit zerreißen. Netflix formuliert es so: nach Satzzeichen umbrechen, vor Konjunktionen, vor Präpositionen; nie zwischen Artikel und Substantiv, Adjektiv und Substantiv, Vor- und Nachname oder Verb und Subjektpronomen. Angestrebt wird eine unten breite Pyramide, die obere Zeile also nicht nur zwei kurze Wörter. Whisper macht mit: --max_line_width und --max_line_count setzen die Grenzen, beide brauchen --word_timestamps True.
Lesegeschwindigkeit. Die harte Zahl, die fast niemand prüft. Netflix setzt für seine deutschen Untertitel maximal 42 Zeichen pro Zeile an, maximal zwei Zeilen, maximal 17 Zeichen pro Sekunde für Erwachsene, 13 für Kinderinhalte, dazu eine Standzeit von fünf Sechsteln einer Sekunde bis sieben Sekunden. Automatische Untertitel schneiden nach Sprechpausen, nicht nach Lesbarkeit. Wenn du schnell sprichst, stehen 60 Zeichen zwei Sekunden im Bild, und niemand hat sie gelesen.
Auf Deutsch wird das häufiger eng als auf Englisch, weil deutsche Wörter im Schnitt länger sind. Nicht in jedem Satz, aber oft genug: Die Zeichen pro Sekunde steigen, ohne dass du schneller sprichst.
Wenn das jede Woche anfällt
Alles oben ist Handarbeit mit Werkzeugunterstützung: für ein Video in Ordnung, ab dem dritten pro Woche Wiederholung. Ich habe dafür keine weitere App eingeführt, sondern die Aufgabe an eine Rolle gegeben. Eddi ist mein KI-Mitarbeiter für Videoschnitt: Er bekommt Rohmaterial und Skript und liefert ein fertiges Video, Pausen raus, Untertitel drauf, Overlays gesetzt, Format 9:16.
Für die Untertitel läuft bei ihm genau der dritte Weg, lokal. Ein Spracherkennungsmodell auf dem eigenen Rechner erzeugt den Text, dann folgt der Schritt, der den Unterschied macht: Ein zweiter Abgleich prüft das Transkript gegen das Skript, bevor etwas ins Bild kommt. Erst dann brennt er die Untertitel im Markenstil ein, über die Kommandozeile mit ffmpeg und Remotion, kein CapCut, keine Maus. Nach jedem Encode läuft eine Schwarzbild-Prüfung, entstanden aus einer Reklamation von mir.
Die Technik ist dieselbe wie oben. Der Unterschied: Die Prüfroutine ist fest eingebaut und hängt nicht daran, ob jemand am Freitagabend noch Lust hat, 40 Untertitelzeilen gegenzulesen. Wie so eine Rolle entsteht, steht in KI-Mitarbeiter einstellen: der Ablauf, die Aufteilung insgesamt in Meine KI-Belegschaft.
Häufige Fragen
Wie erstelle ich Untertitel für Instagram Reels?
Direkt in der App: Instagram erzeugt die Untertitel per Spracherkennung, die Schalter „Untertitel aktivieren" und „Untertitel übersetzen" liegen im Editor unter „Weitere Optionen", auch später noch änderbar. Läuft dasselbe Video auch auf YouTube oder deiner Website, erzeuge zusätzlich eine SRT-Datei und brenne sie für das Reel ein.
Kann ich Untertitel automatisch erstellen und übersetzen lassen?
Teilweise. YouTube erzeugt automatische Untertitel nur in der Standardsprache, eine zweite Sprache ist immer eine Übersetzung. CapCut übersetzt in über 27 Sprachen, Premiere Pro in 27, Whisper lokal nur ins Englische. Jede andere Sprachrichtung braucht einen zweiten Schritt, und übersetzte Untertitel liest jemand gegen, der die Zielsprache kann.
Gibt es automatische Untertitel kostenlos?
Ja. Die automatischen Untertitel von YouTube, TikTok und Instagram kosten nichts. Kdenlive ist freie Software und holt die Spracherkennung über VOSK oder Whisper, das selbst unter MIT-Lizenz steht und lokal läuft. Der Aufwand verschiebt sich von der Rechnung zur Einrichtung.
Soll ich Untertitel einbrennen oder als Datei anhängen?
Eingebrannt für den lautlosen Feed, also Reels, TikTok und LinkedIn, und immer dann, wenn du Schrift und Position kontrollieren willst. Zusätzlich als Spur oder Datei, wo jemand den Text abschalten, vergrößern, übersetzen oder vorlesen lassen soll. Wo die Plattform beides kann, nimm beides.
Wie lang darf eine Untertitelzeile sein?
Als Richtwert taugen die Vorgaben, die Netflix für seine deutschen Untertitel-Lieferungen setzt: maximal 42 Zeichen pro Zeile, maximal zwei Zeilen, maximal 17 Zeichen pro Sekunde für Erwachseneninhalte, Standzeit zwischen fünf Sechsteln einer Sekunde und sieben Sekunden. Für Instagram, YouTube oder deine Seite sind das keine Grenzen, sondern Prüfwerte; die Vorgaben der Zielplattform kommen dazu. Automatische Werkzeuge halten sich von allein an keine davon.
Wie gut sind automatische Untertitel auf Deutsch?
Für flüssig gesprochene Standardsprache ohne Störgeräusche brauchbar, mit festem Fehlerprofil: Eigennamen, Fachbegriffe, Zahlenschreibweise, Zeilenumbrüche. Google nennt Akzente, Dialekte, Hintergrundgeräusche und mehrere gleichzeitig Sprechende als Grenzen und rät, automatische Untertitel immer durchzusehen.
Wie du weitermachst
Nimm dein nächstes Video und mach den Durchlauf einmal vollständig: Untertitel erzeugen, als SRT exportieren, dann drei Dinge prüfen. Jeden Eigennamen und Fachbegriff. Jede Zeile über etwa 42 Zeichen. Jeden Umbruch, der einen Satz an der falschen Stelle teilt. Danach kennst du dein Fehlerprofil und gibst diese Wörter beim nächsten Mal vor.
Kommt dabei heraus, dass nicht die Untertitel das Problem sind, sondern die Wiederholung, ist der nächste Schritt eine feste Rolle statt eines weiteren Abos. Die Vorlagen dafür und die Leute, die denselben Durchlauf schon gefahren sind, findest du in meiner Community.
