Untertitel und Transkript automatisch aus dem Video erstellen – ohne Upload

Ziehen Sie ein Video oder eine Audiodatei hinein – Toolula hört sie mit Whisper, dem offenen Spracherkennungsmodell von OpenAI, direkt auf Ihrem Gerät ab. Die Untertitel erscheinen Zeile für Zeile; korrigieren Sie, was falsch verstanden wurde, und laden Sie SRT, WebVTT oder ein Transkript als Text herunter oder brennen Sie die Untertitel ins Bild. Das Sprachmodell (rund 50 MB) wird einmalig von toolula.com geladen und läuft dann im Browser.

Über dieses Tool

Spracherkennung, die auf Ihrem Computer bleibt

Die meisten Untertitel-Generatoren laden Ihr Video auf einen Server. Hier wird der Ton im Browser-Tab dekodiert und erkannt – wichtig bei Interviews, Kundengesprächen und allem Unveröffentlichten.

Whisper base, 99 Sprachen

Whisper base ist eine kompakte mehrsprachige Version des OpenAI-Modells, die in einen Browser-Tab passt. Es erkennt die Sprache am ersten Stück Sprache, oder Sie wählen sie unter „Gesprochene Sprache“ – bei kurzen oder gemischten Clips ist das zuverlässiger.

Zeilen, fertig für Untertitel

Die erkannten Abschnitte werden zu Untertiteln von höchstens etwa 84 Zeichen und 7 Sekunden geformt, einer Länge, die man lesen kann. Stille Stellen werden übersprungen, und wo das Modell anfängt, sich zu wiederholen, wird abgebrochen, statt die Datei mit Schleifen zu füllen.

Bearbeiten, dann exportieren oder einbrennen

Auf eine Zeit klicken, um hinzuspringen, Text korrigieren, Zeilen entfernen oder „Zeile hinzufügen“. Laden Sie SRT für YouTube und Schnittprogramme, WebVTT für Web-Player oder ein TXT-Transkript für Notizen herunter, oder brennen Sie die Untertitel mit denselben Stiloptionen wie in „Untertitel in Video einbrennen“ ins Video.

Tempo auf Ihrem Gerät

Auf einem aktuellen Desktop-Rechner dauert eine Minute Sprache mit mehreren Prozessorkernen etwa 15 Sekunden; Browser, die nur einen Kern erlauben, etwa Safari, brauchen rund ein Drittel länger. Handys und Geräte mit 4 GB Arbeitsspeicher oder weniger sind langsamer und erkennen höchstens 15 Minuten.

So geht's

  1. Ziehen Sie ein Video oder eine Audiodatei hinein (MP4, MOV, MP3, M4A, WAV und mehr).
  2. Wählen Sie die gesprochene Sprache oder lassen Sie „Automatisch erkennen“ stehen, dann auf „Untertitel erstellen“ klicken.
  3. Lesen Sie die Zeilen, während sie erscheinen, und korrigieren Sie Verhörer.
  4. Laden Sie SRT, VTT oder TXT herunter oder brennen Sie die Untertitel ins Video.

Häufig gestellte Fragen

Wie genau sind die Untertitel?

Deutliche Sprache in verbreiteten Sprachen wird gut erkannt. Musik, Durcheinanderreden, starke Akzente und seltene Namen führen zu Fehlern – darum lässt sich jede Zeile vor dem Herunterladen korrigieren.

Wie lange dauert es?

Etwa 15 Sekunden pro Minute Sprache auf einem aktuellen Desktop-Computer, ein 10-Minuten-Video ist also in zwei bis drei Minuten fertig. Die Seite zeigt vor dem Start eine Schätzung für Ihr Gerät.

Kann es die Untertitel übersetzen?

Nein, die Untertitel sind in der gesprochenen Sprache. Brauchen Sie eine andere Sprache, übersetzen Sie den Text der heruntergeladenen SRT mit einem Übersetzungsdienst.

Wird mein Video zum Transkribieren hochgeladen?

Nein. Der Ton wird im Browser-Tab dekodiert und erkannt. Nur das Sprachmodell wird einmalig von toolula.com geladen; von Ihrer Datei wird nichts verschickt.

Kann ich die Untertitel bei YouTube verwenden?

Ja. Laden Sie die SRT herunter und in YouTube Studio unter „Untertitel“ hoch; anders als eingebrannter Text lassen sie sich dann ein- und ausschalten.