Untertitel für ein Video oder eine Aufnahme erstellen
Ein Interview, eine Vorlesung, ein Kundengespräch, eine Produktdemo: Gerade die Aufnahmen, die am dringendsten Untertitel brauchen, sollten oft nicht an einen Transkriptionsdienst gehen. Hier läuft das Sprachmodell in diesem Tab, die Datei verlässt deinen Rechner also nie.
- Läuft vollständig in deinem Browser
- Funktioniert offline
- Kein Upload
- Keine Anmeldung
- Kein Wasserzeichen
Werkzeug wird geladen…
So funktioniert es
- Zieh das Video oder die Audiodatei hierher. Lass die Sprache auf automatisch oder wähle sie, wenn die Erkennung danebenliegt.
- Klick auf „Untertitel erstellen“. Beim ersten Mal wird das Sprachmodell einmalig heruntergeladen (240 oder 540 MB, je nach Rechner); danach wird die Aufnahme Abschnitt für Abschnitt transkribiert.
- Korrigiere Text und Zeiten, während das Video sie dir zeigt, und lade dann .srt oder .vtt herunter oder erstelle ein MP4 mit eingebrannten Untertiteln.
Warum nichts hochgeladen wird
Alles, was auf dieser Seite passiert, erledigt Code, der im Tab deines Browsers läuft — mit derselben Engine, die auch Webseiten darstellt. Die Datei wird von der Festplatte in den Speicher des Tabs gelesen, dort umgewandelt und als Download wieder herausgeschrieben. Sie wird nirgendwohin geschickt — weder zu uns noch zu Dritten.
Prüf es selbst nach
- Öffne die Entwicklerwerkzeuge deines Browsers (F12) und wähle den Tab „Netzwerk“.
- Lade deine Datei und starte das Werkzeug.
- Die einzigen Anfragen, die du siehst, holen den Code des Werkzeugs selbst — und bei ein paar schweren Werkzeugen deren Open-Source-Engine (ebenfalls von dieser Website) oder ein KI-Modell von Hugging Face — dazu ein kleines Seitenaufruf-Signal an loreatec.jp (Adresse und Titel der Seite, mehr nicht). Keine davon trägt deine Datei.
Häufige Fragen
Wie genau ist das?
Bei deutlicher Sprache und wenn immer nur eine Person spricht, stimmen die meisten Wörter, aber betrachte das Ergebnis als Entwurf. Die Genauigkeit sinkt bei Hintergrundmusik, wenn Leute durcheinanderreden, bei starken Akzenten, Fachjargon und schlechten Mikrofonen. Prüfe Namen, Zahlen und Fachbegriffe und lies alles einmal zum Video mit. Bei Musik oder Stille schreibt das Modell manchmal einen Satz, den niemand gesagt hat: Lösch ihn. Die Zeiten können um Sekundenbruchteile abweichen.
Welches Modell wird verwendet, und warum ist der Download so groß?
OpenAI Whisper (MIT-Lizenz) in den auf Hugging Face veröffentlichten Fassungen. Bietet der Browser WebGPU, läuft large-v3 turbo (etwa 540 MB) auf dem Grafikchip und versieht jedes Wort mit einer Zeit. Sonst läuft Whisper small (etwa 240 MB) auf dem Prozessor: langsamer, ungenauer und mit Zeiten pro Satzteil statt pro Wort. Beide werden einmal heruntergeladen und im Browser gespeichert; die Seite für lokale KI auf dieser Website nutzt dieselben Dateien, sie werden also nicht doppelt heruntergeladen.
Wird meine Aufnahme hochgeladen?
Nein. Der Ton wird in diesem Browser-Tab dekodiert, transkribiert und in Untertitel umgewandelt. Heruntergeladen werden nur das Modell selbst und bei manchen Formaten die Video-Engine dieser Website. Du kannst es prüfen: Ist das Modell geladen, funktioniert das Tool auch im Flugmodus weiter.
Wie werden die Zeilen umbrochen?
Höchstens zwei Zeilen pro Untertitel, etwa 42 Zeichen pro Zeile (16 im Japanischen und Chinesischen) und zwischen einer und sieben Sekunden auf dem Bildschirm. Umbrochen wird am Satzende, in Pausen und an Kommas, und möglichst nicht nach einem Artikel oder einer Präposition. Jeder Untertitel lässt sich bearbeiten, mit dem nächsten zusammenführen oder löschen, und seine Zeiten lassen sich von Hand ändern.
SRT, VTT oder eingebrannt?
SRT wird fast überall akzeptiert: YouTube, Vimeo, Videoschnittprogramme, VLC. VTT ist das Format für Webseiten (das <track>-Element) und für manche Plattformen. Beim Einbrennen wird der Text ins Bild gezeichnet, für Orte, die keine Untertiteldateien annehmen; dabei wird das ganze Video im Browser als H.264-MP4 neu kodiert, was eine Weile dauert, und die Untertitel lassen sich nicht mehr ausschalten.
Wie lange dauert es?
Das hängt vom Rechner ab. Auf einem gewöhnlichen Laptop mit integrierter Grafik dauerte es das 1- bis 1,5-Fache der Aufnahmelänge, nur mit dem Prozessor etwa das Doppelte. Mit einer eigenen Grafikkarte geht es schneller. Die Aufnahme wird in Abschnitten von 30 Sekunden transkribiert, der Fortschrittsbalken zeigt, welcher gerade dran ist, und du kannst jederzeit abbrechen.