So funktioniert es
- Zieh das Video hinein. Der Ton wird auf deinem Computer extrahiert.
- Untertitel erstellen. Beim ersten Mal wird das Sprachmodell geladen (etwa 80 MB für „Schnell“, 250 MB für „Genau“) und von deinem Browser zwischengespeichert — beim nächsten Mal startet es sofort. Die Erkennung läuft dann auf deinem Prozessor; dein Ton verlässt das Gerät nie.
- Bearbeiten. Klicke auf eine Zeit, um dorthin zu springen, korrigiere den Text in der Liste, lösche Zeilen oder verschiebe alle Untertitel, wenn sie zu früh oder zu spät kommen.
- Speichern. Lade eine .srt- oder .vtt-Datei herunter oder speichere das Video mit ins Bild eingebrannten Untertiteln.
Eingebrannt oder als eigene Datei?
- Eingebrannt (Open Captions) — Teil des Bildes, überall sichtbar: Instagram, TikTok, LinkedIn, WhatsApp, jeder Fernseher. Die meisten Social-Media-Videos werden ohne Ton angesehen, deshalb ist das dort die übliche Wahl. Das Video wird neu kodiert.
- .srt neben dem Video (Closed Captions) — Zuschauer können sie ein- oder ausschalten. Benenne sie wie das Video (
urlaub.mp4+urlaub.srt), dann übernehmen VLC, Plex, Kodi und die meisten Smart-TVs sie automatisch. YouTube und Vimeo akzeptieren ebenfalls SRT- und VTT-Uploads.
Wie genau ist es?
Bei klarer Sprache in einem ruhigen Raum erkennt Whisper die meisten Wörter richtig; bei Namen, Marken und Fachbegriffen musst du korrigieren. Hintergrundmusik, mehrere gleichzeitig sprechende Personen und starke Akzente senken die Genauigkeit. „Genau“ nutzt ein größeres Modell und macht merklich weniger Fehler, bei etwa einem Drittel der Geschwindigkeit.
Wie lange dauert es?
Auf einem typischen Laptop der letzten Jahre verarbeitet das Modell „Schnell“ Sprache etwa 3–4-mal schneller als in Echtzeit — ein 10-Minuten-Video in rund 3 Minuten. „Genau“ läuft etwa in Echtzeit. Ältere oder schwache Computer sind langsamer; du kannst währenddessen andere Tabs weiter nutzen.
Sprachen und Übersetzung
Whisper erkennt etwa 100 Sprachen und erkennt die Sprache selbst. Es kann Sprache auch in englische Untertitel übersetzen: Wähle „Englisch (Übersetzung)“ — nützlich, um ein in einer anderen Sprache aufgenommenes Video einem englischsprachigen Publikum zu zeigen.
Privat von Grund auf
Die meisten Untertitel-Generatoren laden dein Video auf ihre Server hoch und berechnen pro Minute. Hier läuft das Modell lokal in deinem Browser, es gibt also keinen Upload, kein Zeitlimit und kein Abo — nützlich für Interviews, interne Besprechungen und alles Vertrauliche.
Fragen
Ist es kostenlos?
Ja, ohne Minutenlimit, ohne Wasserzeichen und ohne Anmeldung.
Wird mein Video hochgeladen?
Nein. Nur das Sprachmodell wird einmalig von Hugging Face geladen; dein Video und dein Ton bleiben auf deinem Computer.
Was ist der Unterschied zwischen SRT und VTT?
Beides sind Untertiteldateien aus reinem Text. SRT wird von fast jedem Player und Fernseher unterstützt; VTT ist der Webstandard für HTML5-Player. Lade herunter, was deine Plattform verlangt.
Kann ich meine eigene SRT-Datei hinzufügen und einbrennen?
Ja — nutze „SRT/VTT importieren“, prüfe das Timing und speichere das Video mit eingebrannten Untertiteln.
Warum ist der erste Durchlauf langsam?
Das Sprachmodell muss einmalig geladen werden (80–250 MB). Danach wird es von deinem Browser zwischengespeichert.
Zuletzt aktualisiert: 30/10/2026