Automatische KI-Untertitel sind computer-generierte Untertitelspuren, die mittels Spracherkennungsmodellen (etwa OpenAI Whisper oder plattformeigene Modelle) gesprochene Sprache in synchronisierten Text umwandeln und in Videoformate eingebettet oder als separate Untertiteldateien exportiert werden.
Rubrik: GenAI & Content Creation · Unterrubrik: KI-Workflows · Niveau: Einsteiger Synonyme / Auch bekannt als: Auto-Captions, KI-Captions, Closed Captions (CC), Subtitles, Untertitelung, Speech-to-Text-Untertitel, automatische Untertitel
Was sind automatische KI-Untertitel?
Untertitel sind längst kein optionales Extra mehr: Viele Social-Media-Videos werden unterwegs oder im Büro ohne Ton angesehen und funktionieren nur mit Text im Bild. Gleichzeitig sind Untertitel für Barrierefreiheit (gehörlose und schwerhörige Menschen) gesetzlich relevant.
KI-gestützte Untertitel ersetzen das Abtippen von Hand durch eine automatische Rohfassung, die nur noch korrigiert wird. Speech-to-Text-Modelle (STT) wandeln dabei gesprochene Sprache in Text um und erfassen Zeitstempel für Beginn und Ende jedes Wortes oder Segments. Moderne Spracherkennung erreicht bei sauberem Ton eine Qualität, die für Social Media und Online-Content mit überschaubarer Nachbearbeitung nutzbar ist. Bei Dialekten, Akzenten, Fachvokabular, Eigennamen oder schlechter Audioqualität steigt die Fehlerquote deutlich.
Erklärung
Untertitel-Typen
Closed Captions (CC): Ein-/ausschaltbare Untertitel als separate Datei (SRT, VTT, ASS). Standard für YouTube, Vimeo, Streaming-Plattformen.
Open Captions / Burned-in Captions: Direkt ins Video eingebrannte Untertitel, nicht ausschaltbar. Standard für Instagram Reels, TikTok, Facebook-Feed-Videos.
SDH (Subtitles for the Deaf and Hard of Hearing): Erweiterte Untertitel mit Geräuschbeschreibungen ([Musik], [Lachen]) für vollständige Barrierefreiheit.
OpenAI Whisper
Whisper ist ein Open-Source-Spracherkennungsmodell von OpenAI, 2022 veröffentlicht (Code und Gewichte unter MIT-Lizenz). Laut Paper wurde es auf 680.000 Stunden mehrsprachiger Audiodaten trainiert und beherrscht viele Sprachen, darunter Deutsch. Viele der folgenden Tools und Workflows bauen auf Whisper oder ähnlichen Modellen auf.
Modellgrößen: tiny (39 Mio. Parameter), base (74 Mio.), small (244 Mio.), medium (769 Mio.), large (1,55 Mrd., aktuell large-v3) und turbo (809 Mio., optimierte Variante von large-v3). Größere Modelle sind genauer, aber langsamer; turbo ist deutlich schneller.
Nutzung: Whisper läuft lokal (Python-Bibliothek oder optimierte Varianten wie faster-whisper) oder über Cloud-APIs, etwa bei OpenAI oder Replicate. Für die Batch-Untertitelung von Videoarchiven ist lokale GPU-Ausführung kosteneffizienter. Auf der CPU ist Whisper langsam, Echtzeit braucht spezielle Konfiguration; optimierte Varianten und Streaming-APIs (etwa von AssemblyAI oder OpenAI) liefern Live-Transkripte mit kurzer Verzögerung. Für Live-TV-Qualität sind spezialisierte Broadcast-Lösungen und oft menschliche Live-Untertitelung nötig.
Tools für automatische Untertitel (Stand: November 2026)
Descript:
- Transkription + Untertitel in einem Workflow
- Stilisierung: Schriftart, Größe, Position, Farbe, Animationsstil
- Export: SRT, VTT, MP4 (burned-in)
- Speaker-Labels in Untertiteln möglich
- Besonderheit: Untertitel werden bearbeitet wie Text im Editor; wer einen Satz im Transkript löscht, schneidet den passenden Videoabschnitt heraus
- Dynamische Captions mit Wort-Hervorhebung und übersetzte Captions in 61 Sprachen
Submagic:
- Spezialisiert auf Social-Media-Kurzvideos (Reels, TikTok, Shorts)
- Automatisch stylisierte "Viral Captions" mit Wort-Highlighting
- Emojis und Zoom-Animationen
- Beste Wahl für: Kurzformat-Content
CapCut (App + Desktop):
- App mit kostenlosem Einstieg und automatischen Untertiteln
- "Auto Captions": Transkription und Styling in wenigen Schritten
- Vorlagen für TikTok-Captions (farbige, animierte Untertitel), beliebt ist der „Karaoke“-Stil
- Einschränkung: Datenschutz (ByteDance/TikTok-eigentümerschaft)
Adobe Premiere Pro Captions:
- Integrierte Spracherkennung (Speech to Text)
- Direkte SRT-Generierung in der Timeline
- Stylisierbare Caption-Styles
- Für bestehende Premiere-Nutzer ohne Extra-Kosten
VEED.io:
- Browser-basiert, kein Download nötig
- Auto-Captions mit Styling
- Multi-Sprachen-Untertitel
HappyScribe Subtitles:
- Professionelle Qualität, Fokus auf Medienproduktion
- Manueller Korrektur-Workflow integriert
- SRT, VTT, EBU-STL Export
- Abrechnung pro Minute oder im Abo
Riverside.fm:
- Cloud-basierte Aufnahme mit automatischer Untertitelung, gut für Podcast-Video
- Mehrspuraufnahmen, SRT-Export
AssemblyAI:
- Professionelle STT-API mit Sprechertrennung (Speaker Diarization)
- Für skalierte, automatisierte Workflows
YouTube / Instagram automatische Untertitel:
- Kostenlos, direkt in Plattform
- Qualität: schwankt je nach Sprache, Dialekt und Tonqualität
- Manuelle Korrekturoption vorhanden
Untertitel-Formate
| Format | Verwendung | Besonderheit |
|---|---|---|
| SRT (SubRip) | Universal | Einfachstes Format, weite Kompatibilität |
| VTT (WebVTT) | Web-Video | Unterstützt Styling via CSS |
| ASS/SSA | Anime, komplexes Styling | Sehr flexibles Styling |
| EBU-STL | Broadcast | Europäischer TV-Standard |
| TTML | Broadcast + Streaming | W3C-Standard, Netflix-kompatibel |
| CEA-608/708 | TV-Broadcast | Nordamerikanischer Standard |
Gestaltung effektiver Untertitel
Position: Standardmäßig unten zentriert. Für Social Media: unteres Drittel (nicht ganz unten, Platz für Like-Button)
Schriftgröße: So groß, dass eine volle Zeile auch auf dem Smartphone lesbar bleibt; Social-Media-Untertitel sind meist deutlich größer als klassische TV-Untertitel.
Zeichen pro Zeile: Höchstens 42 Zeichen pro Zeile und 2 Zeilen pro Untertitel, so legt es etwa der Timed Text Style Guide von Netflix für Deutsch fest.
Lesegeschwindigkeit: Laut Netflix-Styleguide für Deutsch höchstens 17 Zeichen pro Sekunde bei Erwachsenenprogrammen, 13 bei Kinderprogrammen.
Anzeigedauer: Laut Netflix-Richtlinie mindestens 5/6 Sekunde und höchstens 7 Sekunden pro Untertitel.
Wort-Highlighting (Viral Captions): Trend auf TikTok und Instagram: Das aktuell gesprochene Wort wird farblich hervorgehoben. Tools: Submagic, CapCut, Opus Clip.
Beispiele
Beispiel 1: YouTube-Tutorial (15 Minuten)
- Videodatei in Descript hochladen
- Automatische Transkription abwarten
- Transkript korrigieren, vor allem Namen und Fachbegriffe
- Untertitel-Stil konfigurieren
- SRT-Export für YouTube-Upload
Beispiel 2: Instagram-Reel (60 Sekunden)
- Rohvideo in CapCut oder Submagic laden
- Auto-Captions aktivieren → sofortige Generierung
- Fehlerhafte Wörter anpassen
- Caption-Style wählen (farbig, animiert)
- MP4 mit eingebrannten Untertiteln exportieren
Beispiel 3: Mehrsprachige Untertitel (Internationalisierung)
- Englisches Video mit Whisper transkribieren
- Transkript via Claude oder DeepL in Deutsch, Spanisch, Französisch übersetzen
- Übersetzungen als SRT-Dateien formatieren
- Alle Sprachversionen auf YouTube hochladen
Beispiel 4: Podcast-Episode mit lokalem Whisper Nach dem Schnitt einer 60-minütigen Episode geht die Audiodatei an Whisper. Mit GPU liegt nach wenigen Minuten eine SRT-Datei vor, eine Redakteurin korrigiert vor allem Eigennamen und Fachbegriffe, dann wird das SRT zu YouTube hochgeladen.
Beispiel 5: Archivdigitalisierung 500 alte VHS-Schulungsvideos werden digitalisiert und mit Whisper per Python-Skript automatisch untertitelt; die SRT-Dateien landen im Archiv.
In der Praxis
Untertitel und Barrierefreiheit
In Deutschland gelten für öffentliche Stellen das Behindertengleichstellungsgesetz (BGG) und die BITV 2.0. Für viele Produkte und Dienstleistungen von Unternehmen gilt seit dem 28.06.2025 das Barrierefreiheitsstärkungsgesetz (BFSG), das den European Accessibility Act umsetzt. Ob und welche Pflichten im Einzelfall bestehen, hängt vom Angebot ab.
Anforderungen für barrierefreie Untertitel:
- Vollständige Transkription (keine Kürzungen)
- Korrekte Sprecherzuordnung bei mehreren Personen
- Geräuschbeschreibungen bei relevanten Non-Speech-Elementen
- Ausreichende Kontrastrate (WCAG AA: mind. 4,5:1)
Lokales Whisper und Qualitätsprüfung
`` pip install openai-whisper whisper meinvideo.mp4 --language German --model turbo --output_format srt ``
- Untertitel generieren (Whisper oder Tool)
- SRT-Datei in einem Editor öffnen (z. B. Subtitle Edit, kostenlos)
- Stichprobenkontrolle: Eigennamen, Fachbegriffe, Satzgrenzen prüfen
- Zeilenlänge und Lesegeschwindigkeit nach Styleguide prüfen
- Exportieren und ins Video einbetten oder auf die Plattform hochladen
Workflow-Automatisierung
Mit n8n oder Make.com lässt sich ein vollautomatischer Untertitel-Workflow erstellen:
- Neues Video in Google Drive hochgeladen → Trigger
- OpenAI Whisper API transkribiert Audio
- SRT-Datei wird generiert und gespeichert
- YouTube Data API lädt SRT automatisch hoch
- Slack-Benachrichtigung an Team
Vergleich & Abgrenzung
| Tool | Qualität (DE) | Styling | Plattform | Preis |
|---|---|---|---|---|
| Descript | Sehr gut | Mittel | Desktop/Web | Kostenloser Einstieg |
| Submagic | Gut | Sehr gut | Web | Abo |
| CapCut | Gut | Sehr gut | App/Desktop | Kostenloser Einstieg |
| VEED.io | Gut | Gut | Web | Abo |
| Adobe Premiere | Sehr gut | Sehr gut | Desktop | In CC-Abo |
| YouTube auto | Akzeptabel | Nein | YouTube | Kostenlos |
| Whisper (lokal) | Sehr gut | Nein | Lokal | Kostenlos |
| AssemblyAI | Sehr gut | Nein | API | Nach Verbrauch |
Häufige Fragen (FAQ)
Warum sind die automatischen Untertitel auf YouTube oft ungenau? Automatische Spracherkennung macht vor allem bei Dialekten, Fremdwörtern, Namen und schlechter Audioqualität Fehler. Automatische YouTube-Untertitel lassen sich in YouTube Studio korrigieren oder durch eine eigene SRT-Datei ersetzen.
Kann ich Untertitel rückwirkend zu alten Videos hinzufügen? Ja. Videodatei in Descript, VEED.io oder Submagic hochladen → Untertitel generieren → als SRT exportieren → auf YouTube/Vimeo nachträglich hochladen.
Erfüllen automatische Untertitel die Barrierefreiheitsanforderungen? WCAG verlangt für aufgezeichnete Videos mit Ton Untertitel (Erfolgskriterium 1.2.2, Stufe A), die den gesprochenen Inhalt wiedergeben. Ungeprüfte automatische Untertitel erfüllen das oft nicht, weil Fehler den Sinn verändern können. Deshalb gehört eine menschliche Kontrolle dazu, bei SDH-Untertiteln zusätzlich Geräusch- und Sprecherangaben.
Was kostet eine Stunde automatische Untertitelung? Mit lokalem Whisper nur Strom und Rechenzeit. Über APIs laut Anbieterangaben (Stand: November 2026) zum Beispiel 0,006 USD pro Minute bei OpenAI (Whisper, gpt-4o-transcribe), also rund 0,36 USD pro Stunde, oder ab 0,15 USD pro Stunde bei AssemblyAI. Professionelle Dienste mit menschlicher Korrektur kosten deutlich mehr.
Wie viel Zeit spart automatische Untertitelung wirklich? Das hängt stark von Tonqualität, Sprache und Anspruch ab. Die Zeit für das Abtippen entfällt weitgehend, Korrektur, Zeilenumbrüche und Timing bleiben aber Handarbeit, bei barrierefreien Untertiteln mit Geräuschbeschreibungen deutlich mehr.
Verwandte Einträge
- KI-Transkription: Whisper, Descript, Grain
- KI in der Videobearbeitung: CapCut, Descript, Runway
- KI-Workflow für Videoproduktion
- KI-Workflow für Podcast-Produktion
Weiterführend
- W3C: Understanding Success Criterion 1.2.2: Captions (Prerecorded), WCAG 2.2.
- Bundesfachstelle Barrierefreiheit: Barrierefreiheitsstärkungsgesetz.
- Netflix Partner Help Center: Timed Text Style Guide: General Requirements und German Timed Text Style Guide.
- Submagic: Auto Captions.
- Radford, Alec et al. (2022): Robust Speech Recognition via Large-Scale Weak Supervision. arXiv:2212.04356 (Whisper-Paper)
- OpenAI: Whisper (Code, Modellgrößen, MIT-Lizenz). github.com/openai/whisper
- Díaz Cintas, Jorge / Remael, Aline (2020): Subtitling: Concepts and Practices. Routledge, DOI 10.4324/9781315674278
