KI-News. Unternehmerisch, bayerisch, ohne Hype.
← Alle Episoden

Untertitel fürs Handy: So sparst du dir den zweiten Schnitt

3. November 2026 · 11 Min. · 1127 Wörter

OvertoneUntertitelZeilenaufteilung

Transcript

Ein Untertitel kann jedes Wort richtig wiedergeben und auf dem Handy trotzdem kaum lesbar sein. Servus, ich bin Lissy. Heute nehmen wir ein Werkzeug auseinander, das aus derselben Textspur verschiedene Untertitel für Querformat und Hochformat baut: Overtone. Der Einstieg braucht keine bezahlte Sprach-KI. Wir gehen von einer vorhandenen Untertiteldatei bis zu zwei getrennten Ausgaben. Und wir trennen dabei sauber, was das Programm neu anordnet und was es überhaupt nicht nachgehört hat.

Der erste Schritt beginnt nach der Spracherkennung

Nehmen wir eine selbstständige Trainerin, die aus einer kurzen Kursvorstellung ein Video für ihre Website und einen Ausschnitt fürs Handy macht. Das ist unser Übungsfall, kein dokumentierter Kundenbericht. Den gesprochenen Inhalt hat sie schon als Untertiteldatei. Im breiten Bild passt ein Satz in eine Zeile. Im schmalen Bild zerfällt er in ungünstige Stücke. Ein Firmenname hängt auseinander, eine Zeile endet mitten in einer Wendung.

Overtone setzt an dieser zweiten Arbeit an. Es speichert Wörter mit Zeitangaben und Sprecherzuordnung in einer gemeinsamen Datei. Darauf verweisen unterschiedliche Fassungen für die Bildformate. Die Wörter müssen also nicht für jede Ausgabe neu transkribiert werden. Aus dem Projekt lassen sich wieder normale SRT- oder WebVTT-Dateien exportieren. SRT kennt ihr vielleicht als Textdatei neben einem Video, mit Startzeit, Endzeit und Untertiteltext.

Hinter dem Projekt steht Lont. Mitgründer Ruud beschreibt auf Hacker News, dass sein Betrieb zweimal nacharbeiten musste: zuerst falsch verstandene Wörter, dann die Zeilenaufteilung. Das ist eine nachvollziehbare Gründerbeschreibung, keine unabhängig gemessene Zeitersparnis.

Für den ersten Versuch braucht ihr weder diesen Betrieb noch seine gesamte Technik. Ihr gebt die vorhandenen Untertitel an Overtone weiter. Das Projekt nennt ausdrücklich auch WhisperX und stable-ts als mögliche Quellen. Wer nur eine bessere Zeilenaufteilung sucht, muss deshalb nicht gleichzeitig seinen Aufnahme- und Schnittprozess austauschen.

Aus einer SRT-Datei werden zwei Ausgaben

Das Programm steht unter der MIT-Lizenz. Für die reine Neuaufteilung fallen keine Modell-API-Gebühren an. Ihr braucht aber Node.js ab Version 22.12. Das ist die Laufzeit, die das Kommandozeilenprogramm ausführt. Wer sie noch nicht hat, lässt sich die passende aktuelle Version einrichten. Die Versionsnummer und alle Befehle stehen zum Kopieren in den Shownotes.

Legt eine Kopie eurer Untertitel in einen leeren Arbeitsordner. Nehmt für den Anfang einen unkritischen Clip, an dem ihr die Rechte habt. Der Einstieg lautet: npx overtone-captions recut, gefolgt vom Namen eurer SRT-Datei. Beim ersten Aufruf kann npx das Paket aus dem Netz laden. Offline heißt hier: Die Neuaufteilung selbst benötigt keine Sprachdienste, nicht dass die Erstinstallation ohne Internet auskommt.

Laut Dokumentation erzeugt das Programm standardmäßig eine horizontale und eine vertikale Fassung. Dazu kommen eine gemeinsame Overtone-Datei und ein Transkript. Für diesen Schritt sind kein API-Schlüssel und kein ffmpeg nötig. ffmpeg ist ein Medienwerkzeug, das erst bei anderen Arbeitsschritten ins Spiel kommt. Eure Eingabedatei soll unverändert bleiben.

Jetzt der Haken, den man leicht übersieht: Eine normale SRT-Datei kennt meist die Zeit eines ganzen Untertitelblocks, nicht jedes einzelnen Wortes. Overtone schätzt die Wortzeiten daraus. Es hört beim recut-Aufruf kein Audio ab. Wenn euer Ausgangstext einen Namen falsch schreibt, kann derselbe Fehler sauber auf zwei Bildformate verteilt werden. Ihr habt dann ein Layout bearbeitet, keine neue Transkription bekommen.

Die Stunde, in der ihr einen brauchbaren Untertitel baut

Plant für diesen vorgeschlagenen Versuch eine Stunde ein, sobald Node.js und eine kurze Untertiteldatei bereitliegen. Das ist kein von mir ausgeführter Produkttest. Verantwortlich bleibt die Person, die heute eure Videos fertigstellt, etwa die Trainerin selbst oder der zuständige Cutter.

In den ersten zehn Minuten sucht ihr einen Ausschnitt von ungefähr einer Minute. Darin sollten ein Eigenname und eine Zahl vorkommen, dazu ein längerer Satz. Schreibt den Namen und die Zahl richtig auf. Sie sind eure festen Vergleichsstellen. Dann kopiert ihr die SRT-Datei in den Arbeitsordner und führt recut aus. Reserviert dafür weitere zehn Minuten, einschließlich eines Blicks auf Warnungen und die erzeugten Dateinamen.

Danach nehmt ihr euch zwanzig Minuten für die Ansicht. Importiert die horizontale Untertiteldatei in eure Querformat-Sequenz und die vertikale in die Hochformat-Sequenz eures vorhandenen Schnittprogramms. Das Bild müsst ihr selbst passend zuschneiden, recut macht aus eurem Querformatvideo keinen fertigen Hochformatfilm. Spielt den Ausschnitt mit Ton ab. Schaut besonders auf abgeschnittene Zeilen, zu kurze Einblendungen und Wörter, die beim Lesen zusammengehören.

Die letzten zwanzig Minuten sind für Korrektur und Export. Mein vorgeschlagenes Stundenziel ist: beide Ausgaben lassen sich importieren, Name und Zahl bleiben richtig, keine Untertitelzeile verschwindet außerhalb des Bildes. Notiert außerdem, wie viele Stellen ihr pro Fassung manuell ändern musstet. Das ist keine versprochene Produktleistung, es ist eure Entscheidungshilfe. Wenn ihr nach der Stunde weiterhin jedes Textstück neu setzen müsst, bleibt vorerst bei eurem bisherigen Editor. Mei, eine neue Dateiendung allein schneidet noch kein gutes Video.

Für deutsche Clips gibt es eine zusätzliche Einschränkung. Vollständige sprachspezifische Regeln für Zeilenumbrüche nennt das Projekt derzeit nur für Englisch und Niederländisch. Deutsch wird erkannt, hat aber nicht dieselbe Regeltiefe. Erwartet deshalb keinen fertigen deutschen Untertitelstil aus einem englischen Demoergebnis.

Wann ihr die aufwendige KI-Stufe überhaupt braucht

Erst wenn euch vor allem falsch verstandene Wörter Arbeit machen, schaut ihr auf den zweiten Weg: die Transkription aus Audio. Overtone kann dafür mehrere Spracherkennungen zusammenführen. Nach aktueller Dokumentation liefert standardmäßig gpt-transcribe den Text, Azure AI Speech Zeitangaben und Sprecher. Ist ein passender ElevenLabs-Schlüssel gesetzt, kann Scribe als weitere Einschätzung dazukommen.

Bei widersprüchlichen Ergebnissen hört die Pipeline kurze Ausschnitte erneut ab und lässt ein Sprachmodell zwischen Textvarianten wählen. Anschließend bearbeitet ein Modell unter anderem Namen und Fachbegriffe mit Hilfe von Kontext oder Glossar. Die Zeitstempel setzt dabei nicht das Sprachmodell. Das erklärt die Arbeitsteilung: unsichere Wörter werden mit KI bearbeitet, die Zeilenaufteilung folgt standardmäßig festen Regeln.

Diese Stufe braucht ffmpeg und die Zugangsdaten der ausgewählten Anbieter. Vor einem echten Aufruf nutzt ihr den dokumentierten dry-run. Er zeigt unter anderem, wohin Audio und Transkript gehen sollen, und für unterstützte Konfigurationen eine Kostenschätzung. Er sendet laut Dokumentation noch keine Inhalte an die Modelle. Verwechselt das nicht mit einem abgeschlossenen Datenschutzcheck. Bei Kundenaufnahmen müsst ihr die Verarbeitung durch die jeweiligen Dienste erst klären.

Die Hersteller-Benchmarks lasse ich heute bewusst aus der Kaufentscheidung heraus. Ein kleiner Testbestand mit überwiegend anderen Sprachbedingungen beantwortet nicht, wie gut euer deutscher Produktname erkannt wird. Auch die Entwickler nennen Grenzen: keine Übersetzung und keinen grafischen Untertiteleditor. Die lokale Alternative mit whisper.cpp und Ollama existiert in der Dokumentation, ist aber ein eigener Installationsweg. Für die erste Stunde braucht ihr weder Modell-Downloads noch neue Cloudkonten.

Meine Entscheidung wäre deshalb konkret: Bei schon korrektem Text und lästiger Formatierung den recut-Weg selbst ausprobieren. Bei einem einzelnen Clip, der im vorhandenen Editor schnell fertig wird, den zusätzlichen Werkzeugwechsel ignorieren. Die mehrstufige KI-Transkription erst dann hinzunehmen, wenn ihr regelmäßig Wörter nachhören müsst und den zusätzlichen Einrichtungsaufwand tragen wollt.

Für den nächsten Videotermin reicht eine Datei als Anfang: vorhandene Untertitel kopieren, zwei Fassungen erzeugen und beide im tatsächlichen Bild ansehen. Danach könnt ihr sagen, ob euch die Neuaufteilung Arbeit abnimmt, ohne gleich die ganze Videoproduktion umzubauen. Schreibt mir eine Mail, wenn bei euch eher die Wörter oder die Zeilenumbrüche Zeit kosten. Die Adresse findet ihr in den Shownotes, ebenso den Einstieg zum Kopieren. Pfiat euch und bis morgen, eure Lissy.