Automatischer Untertitel-Generator
Zieh ein Video hierher und erhalte automatisch Untertitel. Die Whisper-Spracherkennung läuft in deinem Browser, teilt die Sprache in gut lesbare Untertitel mit wortgenauem Timing auf und lässt dich jede Zeile am Video prüfen, bevor du SRT oder VTT herunterlädst. Nichts wird hochgeladen.
Zuletzt aktualisiert:
Untertitel
Anleitung: Automatischer Untertitel-Generator
- Füge dein Video hinzu (oder eine Audiodatei), indem du es auf das Feld ziehst.
- Wähle Modell, Sprache und Zeileneinstellungen: 42 Zeichen und 2 Zeilen sind Standard; 1 Zeile passt für Reels, Shorts und TikTok.
- Klicke auf „Untertitel erstellen“. Beim ersten Durchlauf wird das Whisper-Modell einmalig heruntergeladen, dann erscheinen die Untertitel, sobald jeder Teil erkannt ist.
- Spiele das Video ab und korrigiere Fehler: Bearbeite Text und Zeiten, teile oder verbinde Untertitel oder verschiebe sie alle.
- Lade SRT oder VTT herunter und lade sie mit deinem Video hoch oder brenne sie mit „Untertitel zu Video hinzufügen“ ein.
So entstehen die Untertitel
- Spracherkennung. Die Tonspur wird in deinem Browser dekodiert, auf 16 kHz mono umgerechnet und in Teilen von bis zu 30 Sekunden an Whisper übergeben, die an leisen Stellen geschnitten werden, damit keine Wörter getrennt werden.
- Wort-Timing. Bei aktiviertem wortgenauem Timing richtet Whisper jedes Wort über seine Cross-Attention am Audio aus, sodass jedes Wort eine eigene Start- und Endzeit erhält.
- Aufteilen in Untertitel. Wörter werden einem Untertitel hinzugefügt, bis das nächste Wort das Zeilenlimit überschreiten würde, der Untertitel länger als die maximale Dauer wäre, die sprechende Person länger als eine Sekunde pausiert oder ein Satz endet. Kommas trennen lange Untertitel an natürlichen Stellen.
- Zeilenlayout und Lesezeit. Zweizeilige Untertitel werden nahe der Mitte geteilt, damit die Zeilen ausgewogen sind, und jeder Untertitel bleibt mindestens etwa eine Sekunde sichtbar (ohne den nächsten zu überlappen), damit er gelesen werden kann.
Untertitel-Einstellungen für jede Plattform
| Wo | Zeichen pro Zeile | Zeilen | Max. Dauer | Datei |
|---|---|---|---|---|
| YouTube, Vimeo, Filme und Kurse | 42 | 2 | 7 s | SRT oder VTT |
| TikTok, Reels, Shorts (hochkant) | 20-30 | 1 | 3 s | Eingebrannt |
| Feed-Videos auf LinkedIn, X, Facebook | 32-42 | 1-2 | 5 s | SRT (oder eingebrannt) |
| HTML5-Video auf deiner eigenen Website | 42 | 2 | 7 s | VTT |
Die meisten Leute schauen Social-Media-Videos ohne Ton, deshalb sind dort kurze, einzeilige, fette Captions beliebt. Bei längeren Videos sind normale zweizeilige Untertitel leichter zu verfolgen.
Tipps zum Bearbeiten
- Zeiten akzeptieren
00:01:23,450,01:23.45oder einfache Sekunden wie83.45. - Teilen (✂) schneidet an der Textcursor-Position und teilt die Zeit im Verhältnis zum Text auf. Zusammenführen (⤓) verbindet einen Untertitel mit dem nächsten.
- Ein gelber Rand markiert einen Untertitel mit einer langen Zeile, einer Überlappung oder einer Lesegeschwindigkeit über 20 Zeichen pro Sekunde. Kürze den Text oder gib ihm mehr Zeit.
- Nicht synchron? Wenn alle Untertitel um denselben Betrag zu früh oder zu spät sind, nutze Alle verschieben um. Bei auseinanderdriftenden Untertiteln berechne die Zeiten mit dem SRT-Zeitrechner neu.
- Brauchst du nur den Text? Das Tool Audio in Text liefert dir ein Transkript mit Absätzen und DOCX-Download.
Häufige Fragen
Wie erstelle ich automatisch Untertitel für ein Video?
Füge das Video auf dieser Seite hinzu und klicke auf „Untertitel erstellen“. Das Spracherkennungsmodell Whisper hört sich die Tonspur in deinem Browser an und schreibt zeitgesteuerte Untertitel, die du am Video prüfen und als SRT- oder VTT-Datei herunterladen kannst.
Ist es wirklich kostenlos und privat?
Ja. Es gibt kein Konto, kein Wasserzeichen und kein Zeitlimit, und das Video wird nie hochgeladen: Dekodierung, Spracherkennung und Bearbeitung laufen komplett auf deinem Gerät. Nur das Whisper-Modell (etwa 40 oder 80 MB) wird einmalig heruntergeladen und von deinem Browser zwischengespeichert.
Was ist der Unterschied zwischen SRT und VTT?
Beides sind reine Textdateien für Untertitel mit nummerierten Einträgen sowie Start- und Endzeiten. SRT verwendet Kommas in Zeiten (00:00:01,500) und wird von fast jedem Player und Editor unterstützt. WebVTT verwendet Punkte (00:00:01.500), beginnt mit einem WEBVTT-Header und ist das Format für HTML5-Videos im Web.
Wie viele Zeichen sollte eine Untertitelzeile haben?
Ein verbreiteter Standard, etwa in Netflix' englischem Style Guide, sind höchstens 42 Zeichen pro Zeile, höchstens zwei Zeilen, eine Lesegeschwindigkeit bis etwa 20 Zeichen pro Sekunde und eine Standzeit jedes Untertitels zwischen 5/6 Sekunde und 7 Sekunden. Das sind hier die Standardwerte.
Was bewirkt das wortgenaue Timing?
Mit wortgenauem Timing meldet Whisper, wann jedes Wort gesprochen wird, sodass Untertitel genau an Pausen und Satzenden geschnitten werden und verschwinden, wenn die sprechende Person aufhört. Ohne diese Option kennt das Tool nur Anfang und Ende jedes Satzes und schätzt die Wörter dazwischen.
Kann es die Untertitel ins Video einfügen?
Diese Seite zeigt in einer Vorschau, wie eingebrannte Untertitel auf deinem Video aussehen, und exportiert SRT- oder VTT-Dateien. Um sie dauerhaft ins Bild einzubrennen, lade das Video und deine SRT in das Tool „Untertitel zu Video hinzufügen“ oder lade die SRT als Untertitel bei YouTube, Vimeo oder in deinem Editor hoch.
Wie genau sind automatische Untertitel?
Deutliche Sprache in gängigen Sprachen wird gut transkribiert, aber Namen, Fachbegriffe, Musik, Geräusche und überlappende Stimmen führen zu Fehlern, vor allem mit dem Tiny-Modell. Sieh dir das Video vor dem Veröffentlichen immer einmal komplett an und korrigiere den Text.
Werden alle Tools auf FreeToolCabin auf Qualität und Genauigkeit getestet?
Ja. Jedes Tool auf der Website durchläuft automatische Tests in echten Browsern, die prüfen, ob das Ergebnis stimmt und keine Fehler auftreten. Wenn du einen Fehler findest oder einen Vorschlag hast, schreib uns an [email protected] – wir sehen es uns an.