Automatische Untertitel: Was die Spracherkennung schafft und was Ihr Team prüfen muss

Sie haben Produktvideos, Anleitungen oder Schulungen auf Ihrer Website. Untertitel helfen dabei mehrfach: Zuschauer verstehen das Video auch ohne Ton, etwa im Büro oder unterwegs. Menschen mit Hörbeeinträchtigung können folgen, ebenso Zuschauer, die Deutsch nicht als Erstsprache sprechen. Und aus dem gesprochenen Text entsteht ein Transkript, das sich durchsuchen lässt.

Von Hand sind Untertitel für einen ganzen Videobestand meist zu aufwendig. Automatische Spracherkennung liefert die erste Fassung in Sekunden bis wenigen Minuten. An zwei Erklärfilmen zeigen wir, was dabei herauskommt, was Ihr Team danach noch prüft und wie die fertigen Untertitel in den Player Ihrer Website kommen.

Das Wichtigste in Kürze

Automatische Spracherkennung macht Untertitel für einen ganzen Videobestand praktikabel, wenn der Ablauf danach stimmt.

• Die Erkennung ist schnell. Einen knapp dreiminütigen Erklärfilm erkannte die Spracherkennung Whisper (Modell Turbo) auf einem Desktop mit Grafikkarte in 2,4 Sekunden. Ein gemieteter Server ohne Grafikkarte brauchte 84 Sekunden, etwa halb so lange, wie der Film dauert.
• Der Text ist ein guter Entwurf, aber nicht fehlerfrei. In beiden Filmen standen einzelne falsche oder doppelte Wörter und falsche Großschreibung. Beim vollständigen Anschauen ist uns zunächst nichts aufgefallen; gefunden haben wir die Fehler beim Nachlesen des Textes und im Vergleich der beiden Modelle.
• Erkannt heißt noch nicht lesbar. Die Erkennung liefert Einblendungen mit bis zu 138 Zeichen; die Untertitel-Standards der Fernsehsender sehen höchstens zwei Zeilen mit je 37 Zeichen vor. Nach einer automatischen Aufteilung stehen dagegen einzelne Wörter nur Sekundenbruchteile im Bild.
• Eine Wortliste lenkt die Erkennung, ersetzt aber keine Prüfung. Im Pendel-Film schrieb Turbo auch mit „Aufhängepunkt“ in der Liste „Aufhängenpunkt“.
• Entscheidend ist der Ablauf. Ihr Team prüft am Video und gibt frei, und eine spätere neue Erkennung darf Korrekturen nicht überschreiben. Diesen Teil bauen wir in Ihren Shop oder Ihre Plattform ein. Für einen Fach-Versandhändler hat die Spracherkennung bereits 534 Videos ausgewertet; seine Redaktionsoberfläche ist im Betrieb.
• Der Ton muss an keinen fremden Erkennungsdienst. Whisper ist frei nutzbar und läuft auf eigenen oder gemieteten Rechnern.

Direkt zum Fazit

Wann brauchen Shop-Videos Untertitel?

Für viele Onlineshops, die an Verbraucher verkaufen, gilt seit dem 28. Juni 2025 das Barrierefreiheitsstärkungsgesetz (BFSG). Als technischen Maßstab nennt die Bundesfachstelle Barrierefreiheit die Norm EN 301 549, die auf die WCAG 2.1 verweist. Danach brauchen aufgezeichnete Videos mit Ton Untertitel. Das Gesetz nimmt unter anderem Videos aus, die vor dem 28. Juni 2025 veröffentlicht wurden, außerdem Kleinstunternehmen, die Dienstleistungen anbieten. Ob und wie Ihr Angebot erfasst ist, klären Sie bitte im Einzelfall; dies ist keine Rechtsberatung.

Ist Ihr Shop erfasst, brauchen vor allem neue Produkt- und Anleitungsvideos eine geprüfte Untertitelspur, die Ihr Player anzeigt. Barrierefreie Untertitel nennen nach den WCAG außerdem, wer spricht, und bedeutungstragende Geräusche. Beides liefert die Spracherkennung nicht, das ergänzt Ihr Team bei der Prüfung. Je nach Video können eine Audiodeskription und ein barrierefrei bedienbarer Player hinzukommen. Wie Barrierefreiheit, Datenschutz und Kosten beim Selbsthosten zusammenhängen, beschreiben wir im Artikel Videos selbst hosten oder Vimeo, YouTube & Co.?

Zwei Erklärfilme zum Ausprobieren

Für den Versuch haben wir zwei frei lizenzierte Erklärfilme gewählt, wie sie ähnlich in Schulungen oder auf Unternehmenswebsites laufen: einen zweiminütigen Film zum Pendel mit Fachbegriffen wie Rückstellkraft und Aufhängepunkt und einen knapp dreiminütigen Film zu Big Data, der auch Kaufempfehlungen in Onlineshops erklärt. Beide sind klar gesprochen und enthalten keine Marken- oder Produktnamen; für die Erkennung ist das ein günstiger Fall. Bei Produktvideos mit Markennamen, Dialekt oder Hintergrundmusik rechnen Sie eher mit mehr Korrekturen.

Verglichen haben wir zwei Modelle der frei verfügbaren Spracherkennung Whisper von OpenAI: das große Modell large-v3 und die schnellere Variante Turbo. Die Erkennung liefert Text mit Zeitmarken, also wann jedes Wort beginnt und endet. Daraus entsteht die Untertiteldatei, die der Player einblendet.

Die Demo zeigt drei Stellen, die jemand prüfen sollte: zwei zusätzliche Wörter und ein Wort, das zu kurz im Bild steht. Die Schaltflächen springen jeweils zur Stelle und zeigen dieselbe Szene mit zwei Fassungen der Untertitel.

Was beim Anschauen durchrutscht

Beide Modelle machen Fehler, zum Teil verschiedene. large-v3 schreibt zweimal ein Wort doppelt: Aus „Innerhalb von zehn Minuten“ wird um 00:52 „Innerhalb von 10 Minuten. Minuten.“, aus „basieren auf der Echtzeitauswertung“ wird um 01:18 „basieren auf auf der Echtzeitauswertung“. Durch Anhören haben wir geprüft, dass beide Wörter nur einmal gesprochen werden. Turbo hat diese Stellen richtig, schreibt dafür um 00:24 „Jeder Finanztransaktion“ groß mitten in einer Aufzählung. Beide Modelle schreiben um 00:49 „in der sie einen Kaffee trinken“, wo die Anrede „Sie“ gemeint ist.

Solche Fehler übersieht man beim Anschauen leicht. Uns ging es genauso: Beim vollständigen Ansehen beider Turbo-Fassungen fiel zunächst nichts auf. Die doppelten Wörter von large-v3 haben wir im Vergleich mit Turbo gefunden, die übrigen Fehler beim Nachlesen. In der aufgeteilten large-v3-Fassung blitzt das doppelte „Minuten.“ nur 0,14 Sekunden auf, und Groß- und Kleinschreibung hört man nicht. Zur Prüfung gehört deshalb, den Text zu lesen, nicht nur das Video anzusehen.

Woher die doppelten Wörter kommen: Whisper verarbeitet längere Aufnahmen in Abschnitten von etwa 30 Sekunden, und das zusätzliche Wort ist jeweils das erste Wort eines neuen Abschnitts. Bei Turbo lagen die Nahtstellen woanders. Wo sie liegen, hängt aber nicht nur vom Modell ab, sondern auch von Einstellungen und Rechner, wie der Versuch mit der Wortliste weiter unten zeigt. Für eine Rangliste reichen zwei Filme nicht; welches Modell zu Ihren Videos passt, zeigt ein Test mit Ihrem eigenen Material.

Beim doppelten „Minuten“ war sich das Modell selbst sehr unsicher. Solche Stellen lassen sich automatisch zur Prüfung markieren. Das falsche „Aufhängenpunkt“ im Pendel-Film bewertete Turbo dagegen als sicher. Eine Markierung hilft also beim Prüfen, ersetzt es aber nicht.

Ein weiterer bekannter Fehlertyp zeigt sich in unseren Beispielen nicht, weil dort fast durchgehend gesprochen wird: Bei Musik, längeren Pausen oder Geräuschen kann Whisper Text ausgeben, der nie gesagt wurde. In unserem Aufbau filtert eine Sprachaktivitätserkennung längere Stille vorab heraus. Intro, Abspann und Musikstellen verdienen bei der Prüfung trotzdem besondere Aufmerksamkeit.

Ein erkannter Satz ist noch kein lesbarer Untertitel

Die Erkennung liefert den Text in Abschnitten, die sich nach der Sprache richten, nicht nach der Lesbarkeit. Im Big-Data-Film enthalten diese ursprünglichen Einblendungen bei beiden Modellen bis zu 138 Zeichen. Der Player zeigt das an, lesen kann es neben dem Bild aber kaum jemand.

Zum Vergleich: Die gemeinsamen Untertitel-Standards von ARD, ORF, SRF und ZDF sehen höchstens zwei Zeilen mit je 37 Zeichen vor, mindestens eine Sekunde Standzeit und als Basiswert für die Lesegeschwindigkeit 13 bis 15 Zeichen pro Sekunde. Für unsere Demo gelten einfachere Arbeitsregeln: höchstens zwei Zeilen mit je 42 Zeichen und höchstens sechs Sekunden je Einblendung. Kürzer als eine Sekunde oder schneller als 20 Zeichen pro Sekunde markieren wir zur Prüfung.

Wortgetreu lassen sich die Werte der Sender oft nicht einhalten: Die Sprecher in unseren Filmen sprechen im Schnitt rund 16 Zeichen pro Sekunde, gerechnet über die Sprechzeit ohne Pausen, und in der aufgeteilten Turbo-Fassung des Big-Data-Films liegen 33 von 45 Einblendungen über 15 Zeichen pro Sekunde. Wer die Standards einhalten will, muss kürzen oder Einblendungen in Sprechpausen hinein verlängern. Ob Ihre Untertitel wortgetreu oder gekürzt erscheinen, ist eine redaktionelle Entscheidung.

Eine automatische Aufteilung hilft, schafft aber neue Stellen zum Prüfen. Bei beiden Modellen steht um 02:38 das einzelne Wort „wird?“ nur etwa 0,28 Sekunden im Bild. Unsere Aufteilung bricht Zeilen außerdem nach Zeichenzahl um, nicht nach Sinneinheiten. In ihrer ersten Fassung hatte sie sogar „Fitnessstudio-Besuch“ auf zwei Einblendungen verteilt, weil die Erkennung „-Besuch“ als eigenes Wortstück liefert. Das haben wir korrigiert.

In der Fassung „Turbo · Stelle 02:38 neu aufgeteilt“ endet die erste Einblendung nach „Und kommt irgendwann der Zeitpunkt,“. Die zweite zeigt „an dem auch menschliches Verhalten voraussagbar wird?“ zusammen und bleibt eine Sekunde über das letzte Wort hinaus stehen: knapp vier Sekunden lang, mit rund 14 Zeichen pro Sekunde. Die Wörter bleiben dabei unverändert.

Bei der Prüfung lohnt es sich deshalb, Inhalt und Darstellung getrennt anzusehen: Stimmt ein Produktname? Ist eine Zahl richtig? Beginnt die Einblendung passend zum Gesprochenen? Bleibt genug Zeit zum Lesen?

Eine Wortliste lenkt die Erkennung, ersetzt aber keine Prüfung

Bei einem Shop stehen viele schwierige Wörter vorab fest: Marken, Produktreihen, Bauteile und Abkürzungen. Diese Begriffe lassen sich der Erkennung als Liste mitgeben. Wir haben das an beiden Filmen ausprobiert, beim Pendel unter anderem mit „Rückstellkraft“ und „Aufhängepunkt“. Das Ergebnis:

• „Aufhängenpunkt“ blieb. Turbo schrieb das Wort auch mit Liste falsch; gesprochen wird „Aufhängepunkt“, das haben wir durch Anhören geprüft. large-v3 schrieb es mit und ohne Liste richtig.
• Die Schreibweise folgte der Liste nur teilweise. Bei Turbo wurde aus „Online-Shop“ „Onlineshop“, wie in der Liste. „potentielle Energie“ übernahmen die Modelle dagegen nicht, sie blieben bei „potenzielle“. Eine Liste lenkt die Erkennung, eine feste Schreibweise erzwingt sie nicht.
• Auch andere Stellen änderten sich, in beide Richtungen. Bei Turbo wurde das „Jeder“ mitten im Satz richtig klein, an zwei anderen Stellen kam falsche Großschreibung hinzu. Bei large-v3 verschwanden die beiden doppelten Wörter, dafür stand nun ein großes „Jeder“ im Text. Die Liste verändert, wie das Modell die Abschnitte und ihre Nahtstellen verarbeitet, und damit auch Stellen, die mit ihren Begriffen nichts zu tun haben. Die Liste ist dabei nur ein Auslöser unter mehreren: Turbo auf dem Server ohne Grafikkarte schrieb zwei dieser Stellen auch ohne Liste genauso.

Nicht gesprochene Begriffe aus der Liste tauchten in unserem Versuch nicht im Text auf; auch darauf muss die Prüfung achten. Eine Wortliste ist also ein Hilfsmittel für Ihre Fachbegriffe. Einheitliche Schreibweisen sichert am Ende die Prüfung, nicht die Liste.

Wie lange dauert die automatische Erkennung?

Den Big-Data-Film (2:55 Minuten) haben wir mit beiden Modellen auf einem Desktop mit und ohne Grafikkarte und auf einem gemieteten Server ohne Grafikkarte erkannt. Die Tabelle zeigt jeweils den Median, also den mittleren von drei Messwerten. Gemessen haben wir, nachdem das Modell geladen war, so wie bei einem Dienst, der dauerhaft läuft. Ohne Grafikkarte stand jeweils die Rechenleistung von vier CPU-Kernen zur Verfügung.

Mit Grafikkarte dauert die Erkennung Sekunden. Für einzelne neue Videos genügt auch ein Server ohne Grafikkarte: Turbo brauchte dort etwa halb so lange, wie der Film dauert, large-v3 etwa so lange wie der Film. Kommen viele Videos gleichzeitig, zählt zusätzlich, wie lange sie in der Warteschlange warten.

Rechenzeit ist nicht Arbeitszeit. Die Zahlen enthalten weder Uploads noch die Zeit, in der jemand die Untertitel liest, korrigiert und freigibt. Eine Aussage wie „Untertitel in drei Sekunden fertig“ wäre daraus nicht abzuleiten.

Die Rechenzeit ist deshalb selten der Kostentreiber. Ins Gewicht fallen die Einrichtung, die Einbindung in Shop und Player und vor allem die Prüfung durch Ihr Team. Wer jede Fassung vollständig ansieht und liest, braucht dafür mindestens die Laufzeit des Videos, bei 100 Videos mit je drei Minuten also mindestens fünf Stunden. Eine gemessene Prüfzeit haben wir nicht; sie hängt stark vom Material ab. Was Speicher und Auslieferung der Videos selbst kosten, haben wir im Artikel Videos selbst hosten oder Vimeo, YouTube & Co.? durchgerechnet.

Eigener Rechner, Server oder Dienst: Was passt zu Ihnen?

Auf einem vorhandenen Rechner startet ein Mitarbeiter die Erkennung, etwa einmalig für den bestehenden Videobestand. Der Rechner muss währenddessen verfügbar sein, und die Ergebnisse müssen anschließend in den Veröffentlichungsablauf gelangen.

Auf einem eigenen oder gemieteten Server lösen neue Uploads automatisch einen Auftrag aus. Dafür braucht es Einrichtung und Wartung, eine Warteschlange, die neue Videos der Reihe nach abarbeitet, und sichtbare Fehlermeldungen, wenn ein Auftrag scheitert. Diese Form passt besonders, wenn regelmäßig neue Produktvideos hinzukommen.

Bei einem externen Erkennungsdienst überträgt Ihre Anwendung die Tonspur und übernimmt das Ergebnis. Zu klären sind Nutzungsgebühren, die Verarbeitung Ihrer Daten und ob der Dienst Zeitmarken für Untertitel liefert; eine reine Abschrift reicht für die Einblendung nicht. Bei OpenAI etwa sind Zeitmarken derzeit nur für Modelle beschrieben, die am 26. Februar 2027 abgeschaltet werden (Einzelheiten für technische Leser).

Bei den ersten beiden Wegen bleibt der Ton auf Rechnern, die Sie selbst betreiben oder mieten. Whisper ist unter offenen Lizenzen veröffentlicht, die auch die kommerzielle Nutzung erlauben. Ein einmal gespeichertes Modell läuft weiter, auch wenn ein Anbieter seinen Dienst einstellt. In unseren Messungen lief die Erkennung ganz ohne Netzwerkverbindung.

Und die automatischen Untertitel von YouTube oder Vimeo?

Liegen Ihre Videos dort, ist das ein naheliegender Anfang. YouTube erzeugt automatische Untertitel auch auf Deutsch und rät selbst, sie immer zu prüfen. Vimeo bietet sie in allen Tarifen an. Prüfen muss Ihr Team also auch dort. Für einzelne Videos genügt oft ein Online-Werkzeug mit Editor: Datei hochladen, Text korrigieren, Untertiteldatei herunterladen.

Aufwendig wird es, wenn die Videos auf Ihrer eigenen Website laufen und regelmäßig neue dazukommen oder ein ganzer Bestand Untertitel bekommen soll. Dann wandern Dateien zwischen Videoablage, Werkzeug und Website, Produktnamen werden in jedem Video neu korrigiert, und eine spätere neue Erkennung kann Korrekturen überschreiben. Diesen Teil bauen wir in Ihren Shop oder Ihre Plattform ein.

Vom Upload bis zur Freigabe: der Ablauf für Ihr Team

Diesen Ablauf haben wir für einen Fach-Versandhändler mit großem Sortiment gebaut (Case Study). Dort hat die Spracherkennung auf einer Grafikkarte den gesamten Bestand ausgewertet: 534 Videos mit Ton, zusammen 36,5 Stunden, in 58 Minuten; für die 421 Videos mit Sprache entstand ein Transkript. Die selbst gehostete Videoauslieferung läuft seit Anfang Oktober 2026 produktiv. Auch die Redaktionsoberfläche ist im Produktivbetrieb. Um diese Oberfläche geht es im Folgenden.

So richten wir den Ablauf bei Ihnen ein: Ein neues Video wird hochgeladen, und die Erkennung erstellt automatisch eine erste Fassung mit Zeitmarken. In der Redaktionsoberfläche sieht Ihr Team das Video neben dem Text, springt zu einer Stelle und korrigiert sie. Wörter, bei denen die Erkennung unsicher war, sind markiert. Anschließend prüft das Team die Einblendungen und gibt die Fassung frei. Erst dann erscheint sie als Untertitelspur im Player Ihrer Website.

Korrekturen dürfen bei einer neuen Erkennung nicht verloren gehen. Läuft die Erkennung später erneut, etwa mit einem besseren Modell, steht das Ergebnis als Vorschlag neben der bearbeiteten Fassung. Ihr Team übernimmt es ganz, in Teilen oder gar nicht. Fehlgeschlagene Aufträge erscheinen in einer Übersicht und lassen sich neu starten. All das ist in der Redaktionsoberfläche des Projekts bereits umgesetzt.

Wir planen diesen Ablauf mit Ihnen und bauen ihn in Ihren Shop oder Ihre Plattform ein: von der Verarbeitung neuer Uploads und des vorhandenen Bestands über die Redaktionsoberfläche bis zur Auslieferung im Player, auf Wunsch einschließlich Betrieb.

Fazit: Welcher Weg zu Ihnen passt

Automatische Spracherkennung macht Untertitel für einen ganzen Videobestand praktikabel. Den Unterschied machen die Prüfung durch Ihr Team und ein Ablauf, in dem eine neue Erkennung geprüfte Fassungen nicht überschreibt.

Sie haben einen Bestand ohne Untertitel. Die Erkennung lässt sich einmalig auf einem vorhandenen Rechner oder Server ausführen; die Rechenzeit ist dabei selten der Engpass. Planen Sie vor allem die Zeit ein, in der Ihr Team die Fassungen prüft: Wer jede Fassung vollständig ansieht und liest, braucht mindestens die Laufzeit der Videos.

Neue Videos kommen regelmäßig hinzu. Dann lohnt sich eine automatische Verarbeitung beim Upload, mit Warteschlange, sichtbaren Fehlern und einer Redaktionsoberfläche, in der Ihr Team korrigiert und freigibt.

Ihre Videos liegen bei YouTube oder Vimeo. Nutzen und prüfen Sie dort die automatischen Untertitel. Eine eigene Erkennung lohnt sich, wenn Sie Videos selbst ausliefern oder Ton und Fassungen in eigener Hand behalten wollen.

Der Ton soll an keinen fremden Erkennungsdienst gehen. Dann läuft die Erkennung auf eigener Hardware oder einem gemieteten Server.

Sie planen Untertitel für Ihre Videos? Schreiben Sie uns kurz, wie viele Videos Sie haben, wie viele im Monat dazukommen und wo sie heute liegen. Dann klären wir im Gespräch, welcher Weg zu Ihnen passt.

Untertitel für Ihre Videos besprechen · Mehr zu unseren Videolösungen

Für technische Leser: Modelle, Einstellungen und Messaufbau

Quellen und Unterlagen

• „Wie funktioniert ein Pendel?“, ZDF/Terra X plus/Bilderfest/ Tillman Graach/ Benjamin Herzberger/Moritz Krause/Phillip Becker, Maximilian Heß, 2023. Originalquelle, CC BY 4.0.
• „Big Data einfach erklärt“, Erklaerexperten, 2014. Originalquelle, CC BY-SA 3.0. Der Film dient hier als Untertitelbeispiel; die damaligen Zahlen sind keine aktuellen Marktdaten.

Die Videodateien bleiben unverändert; die Vorschaubilder wurden daraus entnommen. Für die Demo ergänzen wir automatisch erzeugte und aufgeteilte Untertitel, eine Fassung mit zwei bestätigten Wortkorrekturen und eine neu aufgeteilte Stelle. Die ergänzten Untertitel zum Big-Data-Film stehen unter CC BY-SA 3.0, die zum Pendel-Film unter CC BY 4.0.

Messwerte, erkannte Texte und Untertiteldateien als ZIP herunterladen. Die Messwerte stehen auch als JSON-Datei bereit.