Untertitel erzeugen und lokal übersetzen.

Ein kostenloses Untertitel-Studio, das Ihre Audio- und Videodateien mit Whisper anhört, zeitgesteuerte Cues erstellt, sie für jede Plattform gestaltet, in neue Videodateien einbrennt und sie optional in eine zweite Sprache übersetzt – komplett im Browser.

Es richtet sich an Kreative, Lehrende, Journalistinnen und Journalisten sowie an alle, die Interviews, Vorlesungen, Bildschirmaufnahmen oder Vlogs untertiteln, ohne Rohmaterial an einen Cloud-Dienst zu übergeben und ohne Wasserzeichen oder monatliches Minutenlimit zu akzeptieren.

So funktioniert es

Die Tonspur wird mit der Web Audio API dekodiert und auf 16 kHz Mono resampled. Anschließend transkribiert sie ein Whisper-Zeitstempelmodell, das über Transformers.js in überlappenden 30-Sekunden-Fenstern läuft, sodass lange Aufnahmen fortschreitend verarbeitet werden und jeder Cue Zeitangaben pro Wort trägt. Sie können die Whisper-Stufe tiny, base oder small wählen und die Sprache automatisch erkennen lassen oder eine von rund 99 Sprachen festlegen. Für eine zweisprachige Fassung übersetzen kompakte Marian-Modelle (OPUS-MT) die Cues und nutzen Englisch als Zwischensprache, wenn kein direktes Modell existiert. Sowohl die Transkriptions- als auch die Übersetzungsmodelle werden einmal heruntergeladen und dann für die Offline-Nutzung zwischengespeichert.

Visuelle Gestaltung und Vorlagen zur Worthervorhebung

Ein eigenes Stil-Panel steuert den gesamten visuellen Bereich: Schriftart, Größe (skaliert auf die Exporthöhe), Fett- und Kursivdruck, Großbuchstaben, Primär- und Konturfarben, Konturbreite, Schatten, optional abgerundeter Hintergrundkasten, Buchstabenabstand und Zeilenhöhe sowie ein neun Positionen umfassendes Platzierungsraster und vertikale Ränder. Fünf kuratierte Presets decken Broadcast-, Social-Media- und Kino-Looks ab; jede Änderung wird live über dem echten Video vorgesehen und in die Undo/Redo-Historie aufgenommen.

Für Social-Media-Videos färben drei Wort-für-Wort-Hervorhebungsvorlagen – Minimal, Bold Pop und Karaoke – die Wörter passend zur Aussprache ein, mit einstellbaren Farben für das aktive und das bereits gesprochene Wort. Dieselben Zeitdaten erzeugen VTT-Cue-Einstellungen, vollständige ASS-V4+-Stile und echte ASS-Karaoke-Ereignisse, sodass die Datei exakt das kodiert, was Sie in der Vorschau sehen.

Export mit eingebrannten Untertiteln

Wenn Sie Untertitel benötigen, die fest im Bild verankert sind, zeichnet der Burn-in-Exporter jeden dekodierten Videorahmen zusammen mit dem gestalteten Untertitel – inklusive Worthervorhebung und optionalen Sprechermarkierungen – auf ein Canvas und erfasst das Ergebnis mitsamt dem Originalton über MediaRecorder. Das Ausgabeformat ist MP4 mit H.264, wo der Browser es unterstützt, sonst WebM (VP9/VP8); ffmpeg kommt nicht zum Einsatz, und es gibt kein Wasserzeichen. Höhen ab 720p werden je nach Ziel gewählt und sind durch den Tarif begrenzt, mit zur Auflösung passenden Bitraten. Da die Aufnahme in Echtzeit läuft, braucht ein zweiminütiger Clip etwa zwei Minuten zum Rendern – die Oberfläche sagt das ganz offen.

Bearbeitung, Zeitwerkzeuge und Qualitätsprüfungen

Das Studio verbindet die Vorschau und eine verschiebbare Wellenform mit einem Cue-Editor für Inline-Textänderungen, das Teilen an der Abspielposition, Zusammenführen, Duplizieren, Suchen-und-Ersetzen über beide Spuren, Sprechermarkierungen pro Cue, globales Verschieben der Zeiten, proportionales Zeitstrecken und vollständiges Undo/Redo. Ein Qualitäts-Panel markiert Cues, deren Dauer, Lesegeschwindigkeit, Zeilenlänge oder Überlappung gegen übliche Untertitelkonventionen verstößt, und ein Klick normalisiert das gesamte Dokument neu. Fertige Untertitel werden als SRT, WebVTT, ASS, reiner Text oder strukturiertes JSON exportiert – in der Originalsprache, der Übersetzung oder beiden übereinandergelegt in beliebiger Lesereihenfolge.

Kostenlose und Pro-Limits

Der kostenlose Tarif verarbeitet Medien bis 30 Minuten Länge und brennt Untertitel in bis zu 1080p ein; Pro erweitert die Medienlänge auf 180 Minuten und den Einbrand auf bis zu 2160p. Wie überall in der Suite gibt es in beiden Tarifen keine Ausführungszahl, kein monatliches Kontingent und kein Wasserzeichen, und die kommerzielle Nutzung ist enthalten. Sehr lange Aufnahmen können auf Geräten mit wenig Arbeitsspeicher an die Speichergrenzen stoßen – das Aufteilen der Datei ist der praktische Ausweg.

Häufige Fragen

Ist der Export mit Einbrand so gut wie ein Desktop-Encoder? Das Rendern ist eine Echtzeit-Aufnahme im Browser ohne Wasserzeichen; die MP4-Unterstützung hängt vom Browser ab, und WebM ist der ehrliche Ausweichweg – während SRT/ASS als Begleitdateien stets in perfekter Qualität verfügbar bleiben.

Funktionieren die Worthervorhebungsvorlagen in den exportierten Dateien? Ja, in ASS-Karaoke-Ereignissen und im eingebrannten Video; SRT selbst kennt kein Gestaltungskonzept, daher laufen gestaltete Begleitdateien über VTT oder ASS.

Kann ich der Übersetzung bei heiklen Formulierungen vertrauen? OPUS-MT ist für alltägliche Gespräche und Erzähltexte stark, doch juristische oder medizinische Texte sollten von einem Menschen geprüft werden.

Wird irgendetwas hochgeladen? Nein – Dekodierung, Transkription, Übersetzung und Rendern geschehen alle auf Ihrem Gerät; nur die Untertitel oder Videos, die Sie herunterladen möchten, verlassen den Tab.