Untertitel in Text umwandeln

Das eigentliche Problem sind nicht die Zeiten

Nummern und Timecodes entfernen kann jeder. Das Problem automatischer Untertitel ist ein anderes: Sie rollen, das heißt, jede Einblendung wiederholt das Ende der vorherigen, um sie nach oben zu schieben, und im Text, der dabei herauskommt, steht jeder Satz zwei- oder dreimal. Eine solche Datei ist für jemanden oder etwas, das sie zusammenfassen soll, dreimal so lang wie nötig und voller Echos.

Ich habe nur den Ton, nicht die Untertitel

Das passiert der Hälfte der Leute, die hier landen, und die ehrliche Antwort ist: Die Untertitel gibt es fast immer schon irgendwo. Hat ein Videokonferenzprogramm das Meeting aufgezeichnet, gibt es neben der Aufzeichnung fast immer eine Transkriptdatei zum Herunterladen. Ist das Video deins und liegt auf einer Videoplattform, kannst du die automatischen Untertitel in der Verwaltung deines Kanals herunterladen. Hast du wirklich nur eine Audiodatei, haben die gängigsten Schreibprogramme eine Transkriptionsfunktion, und die Handytastatur hat eine Diktierfunktion. Hier gibt es keine Spracherkennung, und das ist kein Versehen: Sie im Browser laufen zu lassen hieße, bei jedem Besuch Dutzende Megabyte herunterzuladen, und die Modelle, die hineinpassen würden, liegen bei spontaner Sprache bei etwa jedem vierten Wort daneben, mit Fehlern, die echte Wörter sind und deshalb beim Korrekturlesen unsichtbar bleiben. Sobald du die Untertitel hast, erledigt diese Seite den Rest; stimmen die Zeiten nicht, hilft dir Untertitel synchronisieren, und ob sie sich wirklich gut lesen lassen, prüfst du mit Untertitel prüfen.

Wie das Tool entscheidet, ob es kürzt

Zuerst misst es die ganze Datei: Es schaut, wie viele aufeinanderfolgende Einblendungen sich zeitlich überlappen und wirklich dieselben Wörter wiederholen. Sind das die meisten, handelt es sich um rollende Untertitel, und es führt sie zusammen. Sind es zwei oder drei, sind es echte Wiederholungen des Sprechers, und es rührt nichts an: Ein „nein, nein, nein“ bleibt also „nein, nein, nein“. Der Vergleich ist exakt, Wort für Wort, nie nach Ähnlichkeit.

Was das Tool geändert hat, wird angezeigt

Unter dem Ergebnis siehst du, wie viele Einblendungen es gelesen, wie viele wiederholte Enden es zusammengeführt und wie viele Wörter es entfernt hat. Der Button „Rohtext anzeigen“ zeigt die Einblendungen eine pro Zeile, ohne Zusammenführung: So kannst du in zehn Sekunden prüfen, dass nichts verloren gegangen ist.

Sprechernamen

Die Namen gibt es nur, wenn die Plattform sie in die Datei geschrieben hat: Das passiert bei Teams, Zoom und Meet und bei Dateien im Format .vtt mit <v Name>. Die automatischen Untertitel von YouTube haben sie nicht, und in diesem Fall sagt dir das Tool Bescheid: Wer spricht, lässt sich aus dem Ton allein nicht herausfinden, und es zu erfinden wäre schlimmer, als nichts zu sagen. Wenn die Namen da sind, kannst du sie auch durch Sprecher 1, 2, 3 ersetzen: Damit anonymisierst du sie, erkannt werden sie dadurch nicht.

Satzzeichen und Absätze

Absätze enden bei einem Punkt, bei einem Sprecherwechsel oder bei einer Pause (die du einstellst). Haben die Untertitel keine Satzzeichen, was bei automatischen Transkripten oft der Fall ist, bleiben nur die Pausen: Das Tool weist dich darauf hin, denn Satzzeichen lassen sich nicht erfinden. Und Wörter, die das automatische Transkript falsch verstanden hat, bleiben falsch: Hier wird die Form korrigiert, nicht der Inhalt.