← Video-Tools

Video zu Untertiteln

Untertitel aus gesprochener Sprache erstellen und bearbeiten

Hier erstellst du Untertitel für ein Video aus seiner gesprochenen Audiospur. Du wählst das Erkennungsmodell, bei Bedarf eine Übersetzung und SRT oder VTT als Dateiformat. Anschließend prüfst und bearbeitest du Text und Timing. Die Untertitel lassen sich separat herunterladen oder dauerhaft in ein neues MP4 einbrennen.

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

So erstellst du Untertitel für dein Video

  1. Video mit Sprache auswählen

    Klicke auf Video hochladen, um Untertitel zu generieren oder zieh ein Video bis 200 MB in die Vorschau. Unterstützt werden MP4, M4V, MOV, MKV, WebM, AVI, MPEG/MPG und OGV mit Audiospur. Unter Uploads stehen vorhandene Videos bereit. Lange Aufnahmen kannst du zunächst mit Video schneiden auf den benötigten Teil kürzen.

  2. Modell und Videosprache wählen

    Whisper 1 · word timing ist voreingestellt. Videosprache beginnt mit Auto-detect. Bei kurzen Clips oder starkem Akzent kannst du die Sprache ausdrücklich auswählen, etwa German für Deutsch.

  3. Übersetzung und Dateien festlegen

    Wähle unter Untertitel übersetzen nach eine Zielsprache oder lass No translation stehen. Unter Untertiteldateien wählst du SRT + VTT, SRT oder VTT.

  4. Untertitel erzeugen

    Klicke auf Untertitel generieren. Das gewählte Modell erkennt die Sprache aus dem Ton. Nach Abschluss erscheint unter der Vorschau die Liste der Untertitelabschnitte, auch Cues genannt.

  5. Text und Timing prüfen

    Unter Generierte Untertitel siehst du jeden Abschnitt mit Start, Ende und Text. Klicke auf seine Nummer, um im Video dorthin zu springen. Mit Abspielen liest du die eingeblendeten Worte mit und prüfst sie gegen Bild und Ton.

  6. Bearbeitung herunterladen oder einbrennen

    SRT herunterladen und VTT herunterladen speichern die bearbeitete Fassung als subtitles.srt beziehungsweise subtitles.vtt. Text kopieren kopiert nur die Worte. Ins Video einbrennen erzeugt mit dem gewählten Einbrenn-Stil und der Schriftgröße ein neues MP4.

Modell, Sprachen und Ausgabe einstellen

KI-Modell
Whisper 1 · word timing liefert Wortzeitmarken. Gemini 3.5 Flash Lite · cue timing und Gemini 3.6 Flash · cue timing liefern Zeiträume für ganze Abschnitte. Werden solche Abschnitte geteilt, wird die Zeit nach Wortanzahl verteilt. Prüfe besonders Namen, Zahlen und Fachbegriffe; das Modell garantiert keinen fehlerfreien Text.
Videosprache
Auto-detect oder English, Spanish, French, German, Italian, Portuguese, Russian, Japanese, Chinese, Arabic. Die Auswahl sagt dem Modell, welche Sprache zu erwarten ist; sie übersetzt nicht. Für andere gesprochene Sprachen bleibt Auto-detect.
Untertitel übersetzen nach
Standard No translation. Die 15 Ziele sind die zehn genannten Sprachen sowie Hindi, Korean, Dutch, Polish und Turkish. Übersetzt wird der Cue-Text, das Timing bleibt erhalten. Abschnitte über 10 Wörter oder 84 Zeichen werden erneut geteilt und ihre Zeiten nach Wortanzahl verteilt. Entspricht das Ziel der erkannten Sprache, wird nicht übersetzt. Prüfe längere übersetzte Texte auf Lesegeschwindigkeit.
Untertiteldateien
Standard SRT + VTT, alternativ nur SRT oder VTT. Die Auswahl bestimmt die im gemeinsamen Dateimanager gespeicherten Originaldateien und die verfügbaren Downloadbuttons. Der Ergebnistitel zeigt bei beiden Formaten SRT & VTT.
Einbrenn-Stil
Gilt beim Einbrennen: Standard ist weiß, Fetter Text fett und weiß, Großer Text etwa 10 % größer, Gelber Text fett und gelb. Separate SRT-/VTT-Dateien erhalten diese Gestaltung nicht.
Schriftgröße
Klein, Standard als Voreinstellung, Groß oder XL. Die Größe folgt der Videoauflösung, statt eine feste Pixelzahl für jedes Video zu verwenden. Beispiele findest du im Abschnitt zum Einbrennen.

Untertitelabschnitte vor der Ausgabe prüfen

Der Timeline editor zeigt Zeiten und Texte. Timing QA passed bedeutet bestandene Timingprüfung, Timing valid gültige Zeiten mit Warnungen und Timing needs attention ein Exporthindernis. Daneben stehen Abschnitts- und Überlappungszahl, längste Dauer, maximale Lesegeschwindigkeit und Bildrate.

Start und End
Die Editorfelder heißen Start und End. Sekunden werden mit drei Nachkommastellen gezeigt, etwa 12.500; auch 12,500 wird als Eingabe verstanden. Enter oder Verlassen des Feldes übernimmt, Escape verwirft die Änderung. Zeiten rasten auf Videoframes ein und bleiben innerhalb der Laufzeit. Bei 30 fps entspricht ein Frame ungefähr 0,033 s.
Subtitle text
Unter Subtitle text korrigierst du die Worte. Enter fügt eine weitere Zeile ein. Dauer und Lesegeschwindigkeit stehen darunter; über 25 Zeichen pro Sekunde erscheint eine Warnung. Zu schnelles Lesen allein verhindert den Export nicht.
Add cue und Löschen
Add cue fügt an der aktuellen Vorschauposition einen leeren Abschnitt bis 2 Sekunden ein. Setze die Position mit Abspielen/Pause oder über eine Abschnittsnummer. Ergänze Text und prüfe, ob sich benachbarte Abschnitte überschneiden. Der Papierkorb entfernt einen Abschnitt.
Was den Export sperrt
Downloads und Ins Video einbrennen bleiben gesperrt, wenn Abschnitte überlappen, leer sind, nicht nach ihrem Start enden oder länger als 7 Sekunden dauern. Die Warnungsliste nennt das Problem. Korrigiere Zeiten oder teile einen langen Text auf mehrere Abschnitte auf.
Änderungen sichern
Bearbeitungen bestehen nur in diesem Browsertab. Die Dateien im gemeinsamen Dateimanager sind die ursprüngliche Generation. Lade deine Fassung herunter, bevor du die Seite verlässt, das Video wechselst, Zurücksetzen klickst oder erneut generierst; diese Aktionen ersetzen die aktuelle Liste.

Wie Text und Zeiten entstehen

Die erste Audiospur wird als Mono-FLAC mit 16 kHz vorbereitet; Metadaten werden entfernt. Eine echte Video- und eine Audiospur sind nötig. Das Tool erkennt gesprochene Worte, statt vorhandene Untertiteltracks zu lesen.

Erzeugte Abschnitte umfassen höchstens 10 Wörter, 84 Zeichen und 7 Sekunden. Bei Whisper beginnt nach einer Pause über 0,65 s ein neuer Abschnitt; ein Satzende schließt ihn ab, sobald mindestens 3 Wörter enthalten sind. Soweit der Abstand zum nächsten Abschnitt reicht, wird die Dauer auf mindestens 0,7 s und höchstens 25 Zeichen pro Sekunde verlängert.

Start und Ende werden auf Videoframes abgestimmt. Wenn keine Bildrate gelesen werden kann, werden 30 fps angenommen. Die erzeugten Zeitmarken solltest du anschließend gegen die Aufnahme prüfen.

Was beim Einbrennen ins Video passiert

Deine bearbeiteten Abschnitte werden dauerhaft ins Bild gezeichnet: serifenlose Schrift mit dünnem Rand auf schwarzer Box mit 65 % Deckkraft, unten mittig mit 8 % der Bildhöhe als Abstand. Lange Zeilen umbrechen innerhalb der mittleren 84 % der Breite.

Bei 1920 × 1080 oder 1080 × 1920 px ergeben Klein, Standard, Groß und XL ungefähr 34, 43, 54 und 64 px. Bei 1280 × 720 px sind es etwa 23, 29, 36 und 43 px. Die Vorschau zeigt Stil und Größe entsprechend den Videoproportionen.

Die Ausgabe ist MP4 mit H.264 bei CRF 20 und AAC bei 192 kbps. Die erste Videospur und alle Audiospuren werden übernommen, bestehende Untertiteltracks entfernt. Das Bild wird neu codiert; die Datei kann größer als die Quelle werden. Ein Auftrag zum Einbrennen darf höchstens 15 Minuten laufen.

Formate, Anbieter und Grenzen

Eingabeformate
MP4, M4V, MOV, MKV, WebM, AVI, MPEG/MPG, OGV mit Audiospur
Ausgabe
SRT und/oder VTT in UTF-8; optional MP4 mit eingebrannten Untertiteln
Maximale Dateigröße
200 MB pro Video
Dateien pro Auftrag
1 Video
Verarbeitung
Auf unseren Servern. Transkriptionsaufträge höchstens 60 Minuten, Einbrennen höchstens 15 Minuten.
Externe KI-Dienste
Whisper 1 erhält Audio über OpenRouter beim OpenAI-Modell. Gemini-Modelle erhalten Audio direkt über Googles Gemini API. Übersetzungen senden den Cue-Text an Googles Gemini API.
Bearbeitete Untertitel
Beim Einbrennen höchstens 1 MB Text
Wasserzeichen
Keines
Aufbewahrung
Uploads und Ergebnisse auf unseren Servern werden bei Gästen nach 48 Stunden und bei kostenlosen Konten nach 30 Tagen automatisch gelöscht. Bezahlte Tarife können Dateien länger aufbewahren.

Häufige Fragen

Kann ich vorhandene Untertitel aus einem Video extrahieren?

Dieses Tool transkribiert die Sprache aus dem Ton. Es liest weder Untertiteltracks in MKV/MP4 noch bereits eingebrannten Text aus dem Bild. Beim Einbrennen werden bestehende Untertiteltracks nicht in das neue MP4 übernommen.

Wird das Video einem KI-Anbieter übermittelt?

Übermittelt wird nur die erste Audiospur als Mono-FLAC mit 16 kHz: an Whisper über OpenRouter oder direkt an Googles Gemini API. Bei Übersetzung geht auch der Cue-Text an Google. Die Videobilder werden nicht geschickt. Die temporäre Audiodatei auf unserem Server wird nach dem Anbieteraufruf gelöscht.

Warum konnten keine Untertitel erstellt werden?

Prüfe, ob das Video eine Audiospur mit verständlicher Sprache enthält und dein Nutzungslimit noch nicht erreicht ist. Musik oder Rauschen allein liefert keine verlässliche Transkription. Bei ungenauem Text wähle Videosprache ausdrücklich oder ein anderes Modell. Meldet die Übersetzung fehlende Zeilen, kannst du denselben Auftrag erneut versuchen.

Soll ich SRT oder VTT herunterladen?

Wähle das Format, das dein Player, Schnittprogramm oder Uploadformular importieren kann, und prüfe dort die Darstellung. WebVTT wird mit dem HTML-track-Element verwendet. Unterstützt dein Player das automatische Laden passender Dateien, lege Video und Untertitel zusammen mit demselben Basisnamen ab, etwa urlaub.mp4 und urlaub.srt.

Wann ist ein Video mit eingebrannten Untertiteln sinnvoll?

Wenn der Zielplayer keine separate Untertiteldatei lädt oder der Text immer sichtbar sein soll. Eine separate Datei lässt sich später korrigieren und kann abgeschaltet werden. Für eigene Farben, Position und Wörter pro Zeile bietet Automatische Captions weitere Einstellungen.