Untertitel automatisch erstellen

Untertitel automatisch erstellen: im Video oder als Datei

Aus der gesprochenen Tonspur entstehen Untertitel mit Zeitangaben. Du kannst sie ins Video einbrennen oder als SRT beziehungsweise VTT herunterladen. Für deutsche Sprache wählst du de; die voreingestellte Sprache ist en.

Kosten: Im verfügbaren Kontingent kostenlos. Es gelten Nutzungslimits; weitere Angaben stehen in der Anleitung unten.

Automatische Untertitel in fünf Schritten

Ein Video hinzufügen
Klicke auf Laden Sie ein Video hoch, um Untertitel hinzuzufügen oder ziehe die Datei auf die Vorschau. MP4, MOV, MKV, WebM, AVI, M4V, MPEG/MPG und OGV werden unterstützt, bis 200 MB pro Video. Es muss eine Tonspur enthalten. Frühere Videos aus anderen Werkzeugen findest du unter Uploads.
Die gesprochene Sprache auswählen
In Captions steht Sprache zunächst auf Auto. Das Sprachmodell erkennt die Sprache der Aufnahme. Du kannst auch de für Deutsch oder einen anderen Sprachcode wählen. Das Werkzeug schreibt die gesprochenen Worte auf; es übersetzt sie nicht.
Das Ergebnisformat festlegen
Unter Ausgabe erzeugt Einbrennen eine MP4 mit Untertiteln im Bild. SRT und VTT liefern eine separate Textdatei mit Zeitangaben. Dabei bleibt dein ursprüngliches Video unverändert.
Länge und Darstellung einstellen
In Stil begrenzt Wörter/Zeile die Wörter pro Untertitel für alle Ausgabeformate. Für Einbrennen kannst du zusätzlich Schriftgröße, Text, Hintergrund, Hintergrunddeckkraft und die Position Oben, Mitte oder Unten wählen. Die Beispielzeile zeigt die Darstellung in der Vorschau.
Erstellen und kontrollieren
Starte mit Generate captions. Prüfe beim eingebrannten Ergebnis in der Vorschau besonders Namen, Fachbegriffe und den Einsatz der Zeilen. Mit Herunterladen speicherst du die Datei. Die MP4 mit Untertiteln erscheint auch unter Uploads für weitere Videowerkzeuge.

Einbrennen, SRT oder VTT wählen

Alle drei Ausgaben verwenden dieselbe Transkription. Der Unterschied liegt darin, wo die Untertitel gespeichert werden und ob du sie später bearbeiten kannst.

Einbrennen: Text als Teil des Videobildes

Die Untertitel bleiben sichtbar, auch wenn das Video ohne Ton abgespielt wird. Zuschauer können sie nicht abschalten. Der Text lässt sich danach nicht separat ändern oder übersetzen; dafür müsste das Video erneut aus dem Original erstellt werden. Das gesamte Video wird neu kodiert.

SRT: eine separate Untertitelspur

Die Textdatei enthält nummerierte Blöcke mit Zeitbereichen wie 00:00:04,250 --> 00:00:06,900. Viele Schnittprogramme, Desktop-Player und Videoplattformen nehmen SRT als zusätzliche Spur an. Der Text bleibt bearbeitbar, und Zuschauer können die Spur bei entsprechender Player-Unterstützung ein- oder ausschalten.

VTT: Untertitel für Web-Player

WebVTT wird über das track-Element eines HTML5-Videoplayers geladen. Es enthält dieselben Untertitel wie SRT, beginnt mit WEBVTT und verwendet Punkte statt Kommas in den Zeitangaben.

Alle Untertitel-Einstellungen

Sprache und Wörter/Zeile gelten für jede Ausgabe. Die übrigen Stileinstellungen bestimmen nur die Darstellung bei Einbrennen.

Sprache: Standard ist Auto zur Spracherkennung. Alternativ stehen en, de, es, fr, it, pt, ja, zh für Englisch, Deutsch, Spanisch, Französisch, Italienisch, Portugiesisch, Japanisch und Chinesisch zur Wahl. Der Code nennt dem Modell die erwartete Sprache; bei Unsicherheit oder anderen Sprachen ist Auto die passende Wahl.
Ausgabe: Einbrennen ist voreingestellt. SRT und VTT erzeugen Untertiteldateien statt eines neu kodierten Videos. Die Unterschiede stehen im Vergleich darüber.
Schriftgröße: 10–72, Standard 20. Diese Zahl ist kein fester Pixelwert: Die Schrift skaliert mit der Höhe des Videos und behält dadurch ihre Proportionen bei unterschiedlichen Auflösungen. Die Größenbeispiele darunter helfen bei der Auswahl.
Wörter/Zeile: 2–16, Standard 8. Gemeint ist die maximale Wortzahl eines Untertitels. Längere Texte werden auf mehrere Untertitel verteilt, einschließlich ihrer Zeitspanne nach Wortzahl. Eine solche Zeile kann im Bild trotzdem umbrechen. Japanische und chinesische Texte verwenden keine Leerzeichen zwischen Wörtern; dort richtet das Sprachmodell die Länge nach diesem Wert aus, mit größerer Streuung.
Text: Die Schriftfarbe, standardmäßig Weiß (#ffffff). Das eingebrannte Video verwendet die gewählte Farbe.
Hintergrund und Hintergrunddeckkraft: Farbe und Deckkraft des Kastens hinter der Schrift. Standard sind Schwarz (#000000) und 70%. Die Deckkraft reicht von 0 bis 100%; ein niedrigerer Wert lässt mehr vom Videobild durchscheinen. Beide Einstellungen werden in die eingebrannte Ausgabe übernommen.
Oben, Mitte, Unten: Die Untertitel stehen horizontal zentriert am oberen Rand, in der Bildmitte oder am unteren Rand. Unten ist voreingestellt. Oben eignet sich, wenn im unteren Bildbereich bereits Namen, Preise oder andere Texte stehen.

Schriftgröße bei Querformat und Hochformat

Die Schriftgröße bezieht sich auf die Bildhöhe. Mit 20 nimmt eine Textzeile ungefähr 7% davon ein: rund 50 px bei 1280 × 720 px, 75 px bei 1920 × 1080 px und 133 px bei einem hochkant aufgenommenen Clip mit 1080 × 1920 px.

Im Hochformat bleibt weniger Breite für diese große Schrift. Acht Wörter mit Größe 20 können auf mehrere Zeilen umbrechen und viel vom unteren Bildbereich verdecken. Als Ausgangspunkt sind dort 12–14 und vier oder fünf Wörter pro Untertitel sinnvoll; entscheide anhand deiner Aufnahme und der Textlänge.

Die Beispielzeile in der Vorschau skaliert mit dem Video. Prüfe Größe und Zeilenumbrüche vor Generate captions, besonders wenn wichtige Bildinhalte nahe am Rand liegen.

So entstehen die Untertitel

FFmpeg extrahiert zuerst die Tonspur als Mono-WAV mit 16 kHz. Nur diese Audiodatei wird an Googles Gemini-API geschickt. Das Sprachmodell liefert Wörter sowie Anfangs- und Endzeiten. Die Videobilder werden nicht an den Anbieter übertragen.

Die Zeitangaben sind Schätzungen des Modells und keine bildgenaue Ausrichtung. Untertitel bleiben innerhalb der Videolänge, Überschneidungen werden gekürzt und längere Texte nach Wörter/Zeile geteilt. Namen können falsch erkannt werden; laute Musik kann Wörter verdecken, und einzelne Untertitel können etwas zu früh oder zu spät einsetzen.

Bei Einbrennen zeichnet FFmpeg den Text in die Bilder und erstellt eine MP4 mit H.264 bei CRF 22 sowie AAC-Ton mit 192 kbps. Auflösung und Bildrate bleiben gleich. Durch die erneute Kodierung kann feines Detail verloren gehen. Die Ausgabe verwendet 8-Bit-H.264 auch bei 10-Bit-HDR-Aufnahmen. Prüfe Farben und Helligkeit gegen die Quelle; das Ergebnis hängt von deren HDR-Eigenschaften ab.

Formate, Grenzen und Speicherung

Eingabe: MP4, MOV, MKV, WebM, AVI, M4V, MPEG/MPG und OGV mit Tonspur
Ausgabe: Einbrennen: MP4 mit H.264 und AAC. SRT oder VTT: Untertitel als Textdatei
Dateinamen: Aus interview.mov wird interview_captioned.mp4, interview.srt oder interview.vtt
Dateigröße: Bis 200 MB pro Video
Dateien pro Auftrag: 1
Verarbeitung: Auf unseren Servern mit FFmpeg; höchstens 15 Minuten einschließlich Transkription und Einbrennen
Spracherkennung: Die extrahierte Tonspur geht an Googles Gemini-API, die Videobilder nicht
Wasserzeichen: Keines
Speicherdauer: Uploads und Ergebnisse werden für Gäste nach 48 Stunden, mit kostenlosem Konto nach 30 Tagen automatisch gelöscht. Bezahlte Tarife können Dateien länger aufbewahren.

Fragen zu automatischen Untertiteln

Kann ich Untertitel kostenlos automatisch erstellen?

Ja. Die Erstellung kostet keine Credits, funktioniert ohne Konto und fügt kein Wasserzeichen hinzu. Es gelten tägliche und stündliche Nutzungsgrenzen, abhängig von Anmeldung und Tarif.

Kann ich die Untertitel in eine andere Sprache übersetzen?

Hier werden die Untertitel in der gesprochenen Sprache erstellt. Video zu Untertiteln erstellt SRT und VTT, kann sie übersetzen, bietet Text- und Zeitkorrekturen und kann die bearbeiteten Untertitel anschließend ins Video einbrennen.

Warum stimmen einzelne Wörter oder Zeitangaben nicht?

Das Sprachmodell kann bei Musik, gleichzeitig sprechenden Personen, starken Akzenten und seltenen Namen Fehler machen. Eine unpassende Sprache erschwert die Erkennung zusätzlich. Exportiere SRT, um einzelne Blöcke mit Zeitbereich und Text in einem Texteditor zu korrigieren.

Wird mein ganzes Video an einen KI-Dienst geschickt?

Nur die extrahierte Tonspur geht für die Transkription an Googles Gemini-API. Die Bilder bleiben auf unserem Server. Deine hochgeladene Datei und das Ergebnis werden als Gast nach 48 Stunden, mit kostenlosem Konto nach 30 Tagen automatisch gelöscht.

Warum konnte die Erstellung nicht abgeschlossen werden?

Für Untertitel braucht das Video eine Tonspur mit verständlicher Sprache. Musik allein liefert keinen gesprochenen Text. Außerdem endet ein Auftrag spätestens nach 15 Minuten Verarbeitung. Kürze eine lange Aufnahme mit Video schneiden auf den benötigten Teil, bevor du die Untertitel erstellst.

Warum hat das Video mit Untertiteln eine andere Dateigröße?

Beim Einbrennen wird das ganze Video neu kodiert. Die Größe hängt dann vom Bildinhalt ab, statt die ursprüngliche Bitrate zu übernehmen. Aufnahmen mit hoher Bitrate können kleiner werden, bereits stark komprimierte Videos größer. Video komprimieren kann das Ergebnis weiter verkleinern.

Laden Sie ein Video hoch, um Untertitel hinzuzufügen