KI-Tools für Untertitel und Transkription: was wirklich taugt

Ein einstündiges Interview von Hand abzutippen, kostet selbst geübte Leute vier bis fünf Stunden. KI-Transkription schafft einen Entwurf in wenigen Minuten. Das Wort „Minuten“ führt aber etwas in die Irre: Auch der maschinelle Text will korrigiert werden, und je nach Sprache, Akzent und Aufnahme fällt diese Nacharbeit unterschiedlich groß aus.

Hier geht es um die Tools, die für Transkripte und Untertitel am häufigsten genannt werden, welches wofür passt und was man realistisch erwarten kann.

Zwei verschiedene Aufgaben

Transkript und Untertitel nutzen dieselbe Technik, wollen aber etwas anderes. Beim Transkript zählt vollständiger, korrekter Text: wer was gesagt hat und wann. Interviews, Vorlesungen, Meetings, Podcast-Notizen. Bei Untertiteln zählt Lesbarkeit: Zeilenlänge, Standzeit, Synchronität mit dem Gesprochenen. Ein Transkript einfach als Untertitel einzublenden, sieht fast immer schlecht aus, weil lange Sätze das halbe Bild zudecken.

Überleg dir deshalb zuerst, was du häufiger brauchst.

Descript: Schnitt und Transkript in einem

Laut Preisseite bietet Descript automatische Transkription in 25 Sprachen, darunter Deutsch und Türkisch, in allen Plänen. Mehr als acht Sprecher werden automatisch erkannt und beschriftet. Untertitel lassen sich in 61 Sprachen übersetzen.

Der eigentliche Unterschied: Descript nutzt das Transkript als Schnittwerkzeug. Löschst du einen Satz im Text, verschwindet er auch aus dem Video. Wer Interviews schneidet oder Podcasts produziert, spart damit enorm Zeit. Mit dem Transcription Glossary kannst du häufige Namen und Fachbegriffe hinterlegen und die Trefferquote verbessern; in der Preistabelle ist diese Funktion allerdings den höheren Plänen zugeordnet.

Die Pläne: Free mit 60 Minuten Medien im Monat und Export in 720p. Hobbyist für 24 Dollar monatlich oder 16 Dollar bei Jahreszahlung, mit 10 Stunden Medien und 1080p ohne Wasserzeichen. Creator für 35 bzw. 24 Dollar, 30 Stunden und 4K. Business für 65 bzw. 50 Dollar, 40 Stunden und Synchronisation in mehr als 30 Sprachen.

Achtung: Als „Medienstunden“ zählt Descript jede Datei, die du importierst oder aufnimmst, egal ob du ein Transkript erstellst oder nicht. Wer sein komplettes Rohmaterial hochlädt, ist schnell am Limit.

ElevenLabs Speech to Text

Die meisten kennen ElevenLabs als Vertonungs-Tool. Aus demselben Credit-Topf gibt es aber auch Spracherkennung. Laut FAQ auf der Preisseite kostet das rund 330 Credits pro Minute. Mit den 10.000 Credits im Free-Plan sind das etwa 30 Minuten im Monat, mit den 30.000 von Starter etwa 90 Minuten, mit den 121.000 von Creator etwa 6 Stunden. Wer die Credits parallel für Sprachausgabe nutzt, kommt natürlich auf weniger.

Hast du ElevenLabs ohnehin für Voiceovers, ist das ein bequemer Weg, ab und zu ein Transkript zu bekommen, ohne ein zweites Abo. Eine Schnittoberfläche gibt es nicht: Du bekommst den Text, den Rest machst du selbst.

Pictory und die Auto-Untertitel von Video-Tools

Bei Video-Generatoren wie Pictory sind automatische Untertitel in allen Plänen enthalten. Laut Preisseite lassen sie sich als .srt, .vtt oder txt exportieren. Die Testphase dauert 14 Tage, bezahlte Pläne beginnen bei 25 Dollar im Monat bei jährlicher Abrechnung. Die FAQ nennt allerdings 7 Sprachen im Starter-Plan und 29 in Professional und Teams, ohne dass die Liste auf der Seite sichtbar ist. Wenn du Untertitel in einer bestimmten Sprache brauchst, prüf das während der Testphase.

Auch Avatar-Plattformen wie HeyGen und Synthesia erzeugen automatisch Untertitel. Das lohnt sich, wenn du dort ohnehin Videos produzierst; nur für Untertitel braucht es kein eigenes Abo.

Kostenlose Optionen

YouTube Studio erstellt für hochgeladene Videos automatisch Untertitel, auch auf Deutsch. Die Qualität schwankt, aber du kannst sie bearbeiten und dann veröffentlichen. Geht es nur um YouTube, brauchst du womöglich gar kein weiteres Tool.

CapCut ist für Kurzvideos das verbreitetste Gratis-Tool mit automatischen Untertiteln. Viele, die Shorts und Reels machen, nutzen genau das.

Wer technisch etwas versierter ist, kann Open-Source-Spracherkennung lokal auf dem eigenen Rechner laufen lassen: kostenlos und ohne dass die Aufnahme das Haus verlässt. Das braucht Einrichtung und etwas Hardware, ist aber bei sensiblen Aufnahmen ein echter Vorteil gegenüber Cloud-Diensten.

Wo automatische Transkripte typischerweise patzen

In Nutzerbewertungen konzentrieren sich die Beschwerden auf ein paar wiederkehrende Punkte. Wer sie kennt, kann die Korrekturzeit besser einplanen.

Eigennamen und Fremdwörter. Personennamen, Marken und englische Fachbegriffe werden oft falsch geschrieben. Aus „Kubernetes“ wird etwas ganz anderes.

Lange zusammengesetzte Wörter. Komposita im Deutschen oder die angehängten Endungen im Türkischen bringen die Wortgrenzen durcheinander; Wörter werden auseinandergerissen oder falsch zusammengezogen.

Dialekt und schnelles Sprechen. Bei starkem Dialekt oder hohem Tempo sinkt die Genauigkeit deutlich.

Durcheinanderreden. Sprechen zwei Leute gleichzeitig, kommt bei jedem Tool Wortsalat heraus.

Zeichensetzung. Die Tools raten die Satzzeichen. Bei langen, verschachtelten Sätzen landen Punkte und Kommas an seltsamen Stellen.

Realistisch heißt das: Bei sauberer Aufnahme bekommst du einen gut lesbaren Entwurf. Für einen veröffentlichten Text solltest du ihn aber einmal komplett gegenhören. Für eine Stunde Aufnahme sind das eine halbe bis eine ganze Stunde Korrektur. Immer noch viel schneller als Abtippen.

Die Aufnahme entscheidet mehr als das Tool

Der billigste Weg zu besseren Transkripten ist nicht ein anderes Tool, sondern eine bessere Aufnahme. Ein Ansteckmikrofon oder ein Mikrofon etwa eine Handbreit vom Mund entfernt, ein Raum mit Teppich und Vorhängen, keine Musik oder Klimaanlage im Hintergrund. Bei Interviews jede Person mit eigenem Mikro und eigener Spur. Die Mehrspur-Transkription von Descript (Multitrack transcription) ordnet die Sprecher dann deutlich zuverlässiger zu.

Ist die Aufnahme schon schlecht, hilft vor der Transkription eine Rauschentfernung: Studio Sound in Descript oder der Voice Isolator von ElevenLabs (rund 1.000 Credits pro Minute).

Untertitelformate

Egal welches Tool: Wichtig ist, die Untertitel als Datei exportieren zu können. Am verbreitetsten ist .srt, das YouTube, die meisten Player und Schnittprogramme lesen. Für Web-Player gibt es .vtt. Eingebrannte Untertitel (burned-in) lassen sich nicht ausblenden, sind dafür in sozialen Netzwerken auf jedem Gerät sichtbar.

Eine separate .srt-Datei auf YouTube hat einen Vorteil gegenüber eingebrannten Untertiteln: YouTube kann den Text lesen und zum Verständnis des Videos nutzen. Bei Shorts und Reels sind eingebrannte Untertitel dagegen Standard, weil die meisten ohne Ton schauen.

Datenschutz

Was du in ein Cloud-Tool hochlädst, wird auf den Servern des Anbieters verarbeitet. Bei Patientengesprächen, Mandantengesprächen oder vertraulichen Meetings ist das ein ernstes Thema, und die DSGVO stellt Anforderungen an die Übermittlung personenbezogener Daten in Drittländer. Descript gibt an, SOC 2 Type II-konform zu sein und Projektdaten vertraulich zu behandeln; im Enterprise-Plan sind ein Opt-out aus Trainingsdaten und eigene Aufbewahrungsfristen gelistet. Für wirklich sensible Aufnahmen ist eine lokale Lösung trotzdem sicherer.

Welches Tool für wen

Podcast- und Interviewschnitt, Arbeit direkt im Transkript: Descript. Für einen wöchentlichen Podcast reicht meist Hobbyist.

Schon ElevenLabs-Abo und nur ab und zu ein Transkript nötig: ElevenLabs Speech to Text, kein zusätzliches Abo.

Nur Untertitel für YouTube-Videos: die automatischen Untertitel von YouTube Studio, nachbearbeitet.

Eingebrannte Untertitel für Shorts und Reels: CapCut oder Descript.

Sensible, vertrauliche Aufnahmen: ein lokal laufendes Open-Source-Modell.

Häufige Fragen

Wie mache ich kostenlos aus einer Aufnahme Text?

Der Free-Plan von Descript bietet 60 Minuten Medien im Monat. Der Free-Plan von ElevenLabs reicht für etwa 30 Minuten Transkription im Monat.

Wie genau sind automatische Untertitel?

Bei sauberer Aufnahme bekommst du einen lesbaren Entwurf; bei Eigennamen, Fachbegriffen und schnellem Sprechen gibt es Fehler. Vor der Veröffentlichung einmal gegenhören.

Kann ich Untertitel in eine andere Sprache übersetzen?

Descript übersetzt Untertitel in 61 Sprachen. Wenn du den Ton selbst in eine andere Sprache bringen willst, hilft unsere Anleitung zur KI-Synchronisation.

Wie komme ich an eine SRT-Datei?

Descript, Pictory und die meisten Untertitel-Tools exportieren .srt. Auch in YouTube Studio kannst du Untertitel herunterladen.

Tool-Seiten: Descript, ElevenLabs, Pictory.

Seiten, auf die sich dieser Ratgeber bezieht