Wie es funktioniert

Untertitel mit KI — und wo der Mensch bleibt.

Was das Modell sicher erledigt, wo es zuverlässig danebenliegt und woran man das vorher erkennt.

Kostenlos Untertitel erstellenKostenloser Tarif · keine Kreditkarte

Dein Video wird nie hochgeladen

Bei automatischen Untertiteln übernimmt das Modell zwei Aufgaben zuverlässig — es wandelt Sprache in Text und setzt pro Wort einen Zeitstempel — während Eigennamen, Fachbegriffe und die Frage, was auf eine Zeile gehört, weiterhin eine kurze menschliche Kontrolle brauchen.

„KI-Untertitel“ ist als Begriff unscharf, weil er vier verschiedene Arbeitsschritte in ein Wort packt: Erkennen, Zeitstempeln, Segmentieren und Darstellen. Nur die ersten beiden macht ein Modell wirklich gut, und die Unterschiede zwischen Werkzeugen liegen fast immer in den letzten beiden.

Diese Seite trennt die vier Schritte, damit erkennbar wird, welcher davon Ihr eigentliches Problem ist — und woran man vorher abschätzt, wie gut das Ergebnis in der eigenen Sprache wird.

Veröffentlichte Genauigkeit pro Sprache

Jede der 93 Sprachen trägt eine Einstufung, die in der Auswahl steht — bevor Minuten ausgegeben werden. Deutsch liegt in der obersten Stufe.

Zwei Engines statt einer

Candy Lite für klare, nah aufgenommene Sprache; Candy Ultra für Störgeräusche, Dialekt, Akzent und mehrere Sprecher.

Jedes Wort bleibt korrigierbar

Ein Fehler ist eine Zwei-Sekunden-Korrektur, kein neuer Durchlauf.

Die vier Schritte hinter „automatischen Untertiteln“

Wenn ein Ergebnis nicht überzeugt, liegt es fast immer an genau einem dieser Schritte — und die Gegenmaßnahmen sind jeweils andere.

Erkennen: Sprache wird zu Text. Hier ist die Qualität der Aufnahme wichtiger als das Modell: ein nah besprochenes Mikrofon schlägt jede Engine-Wahl.
Zeitstempeln: Jedes Wort bekommt Anfang und Ende. Das ist die Voraussetzung dafür, dass Untertitel im Takt der Sprache erscheinen können.
Segmentieren: Die Entscheidung, wie viele Wörter gleichzeitig im Bild stehen. Zu viele erzeugen eine Textwand, zu wenige ein Flackern.
Darstellen: Schrift, Farbe, Kontrast, Position und Bewegung. Hier entsteht der sichtbare Unterschied zwischen zwei Werkzeugen mit derselben Erkennungsrate.

So funktioniert’s

Engine passend zur Aufnahme wählen

Bei sauberem Ton reicht Lite. Bei schwierigem Ton lohnt Ultra deutlich.

Eigennamen einmal durchsehen

Marken, Orte und Fachbegriffe sind die vorhersehbaren Fehlerquellen. Ein Durchgang genügt.

Segmentierung und Stil festlegen

Wie viele Wörter gleichzeitig stehen und wie sie erscheinen, entscheidet über die Lesbarkeit mehr als die Erkennungsrate.

Häufige Fragen

Sind automatische Untertitel gut genug zum Veröffentlichen?

Bei klarer Sprache und nach einem kurzen Durchgang über die Eigennamen ja — so wird der größte Teil der Kurzvideos heute untertitelt. Wo Barrierefreiheit verbindlich zugesichert wird, ist automatische Ausgabe ein erster Entwurf und braucht eine menschliche Prüfung.

Sind alle 93 Sprachen gleich gut?

Nein, und das steht offen dabei. Jede Sprache trägt eine veröffentlichte Genauigkeitsstufe. Deutsch, Englisch, Französisch und die meisten europäischen Sprachen liegen in der obersten Stufe; andere liegen darunter, und die Auswahl sagt es vorher.

Erkennt die KI die Sprache automatisch?

Die Sprache wird bewusst vorher gewählt statt geraten. Bei kurzen oder musiklastigen Clips ist automatische Erkennung die häufigste Fehlerquelle überhaupt.