Warum fehlen automatische Untertitel, wenn ein Video Musik enthält?

Kurze Antwort

Die meisten Tools für automatische Untertitel nutzen eine Spracherkennung, die in Abschnitten von etwa 30 Sekunden zuhört. Wenn Musik, Gesang oder sehr schnelles Sprechen einen Abschnitt schwer verständlich machen, kann das Modell einen Teil davon ohne Fehlermeldung überspringen. Dann bleibt eine Lücke oder ein Wort hängt im Bild. Prüf längere Lücken, transkribiere nur diesen Abschnitt neu oder ergänze die fehlenden Zeilen selbst.

Aktualisiert am 28. Oktober 20264 Min. Lesezeit

Warum lässt Musik Untertitel verschwinden?

Spracherkennung wird vor allem mit gesprochener Sprache trainiert. Gesang dehnt die Wörter, und Beats und Instrumente überdecken die Laute, an denen sich Wörter unterscheiden. Forschung zur Transkription gesungener Texte zeigt, dass die Genauigkeit von Song zu Song stark schwankt, während dieselben Texte gesprochen viel zuverlässiger erkannt werden (NLP4MusA 2024).
Sie hört in Abschnitten zu. Verbreitete Modelle wie Whisper verarbeiten Audio in Fenstern von etwa 30 Sekunden. Kommt das Modell zu dem Schluss, dass ein Fenster wenig Sprache enthält, kann es früher aufhören. Ein fehlender Abschnitt kann deshalb bis zu einer halben Minute lang sein.
Nichts warnt dich. Das Transkript wirkt vollständig. Es erscheint kein Fehler.
Ein neuer Versuch hilft selten. Wenn du dieselbe Datei noch einmal verarbeitest, entsteht meist dieselbe Lücke.

Am häufigsten passiert das bei Songs und Hintergrundmusik, es kann aber auch bei schnellem Sprechen und in manchen Sprachen vorkommen.

Woran erkenne ich, dass meine Untertitel etwas ausgelassen haben?

Jemand spricht oder singt, aber mehrere Sekunden lang erscheinen keine Untertitel.
Ein Wort bleibt viel länger im Bild, als es gesprochen wurde.
Nach einer Musikpause passen die Untertitel nicht mehr zu dem, was gesagt wird.

Spiel vor dem Veröffentlichen jeden Abschnitt mit Musik oder überlagertem Ton ab.

Wie behebe ich fehlende Untertitel?

Transkribiere nur den fehlenden Abschnitt neu. Schneide diesen Abschnitt als eigenen kurzen Clip aus und untertitle ihn separat. Ein kurzer Clip gibt dem Modell einen neuen Anfang.
Untertitle die Stimme, bevor die Musik dazukommt. Wenn du das Projekt noch hast, transkribiere die reine Sprachspur oder senke zuerst die Musik ab.
Tipp kurze Lücken von Hand. Für eine oder zwei Zeilen ist das oft am schnellsten.
Nutze ein Tool, das Lücken erneut prüft, damit du sie nicht selbst suchen musst.

Die ganze Spur lauter zu machen ist keine verlässliche Lösung. In unseren Tests wurden die Lücken dadurch nicht weniger.

Was wir in unseren Tests herausgefunden haben

Wir haben Dutzende echte Videos mit Songs, Hintergrundmusik und schnellem Sprechen untersucht und fünf Konfigurationen von drei Spracherkennungsdiensten direkt verglichen. Alle haben Abschnitte ausgelassen; keine hat das Problem ganz vermieden.

Jede Lücke einzeln erneut zu prüfen, brachte die meisten fehlenden Wörter zurück. Ein kleiner Teil der wiederhergestellten Wörter, in unseren Tests etwa 3 von 100, passte nicht zu einer unabhängigen Transkription. Wiederhergestellter Text sollte deshalb vor dem Einfügen geprüft werden.

So löst CaptionBolt das Problem

Der Tiefenscan von CaptionBolt findet die Lücken und lange stehenbleibenden Wörter in deinen Untertiteln und prüft jede Stelle erneut, sodass du unter der Musik versteckte Songtexte und Dialoge zurückholst, ohne sie neu zu tippen.

Öffne dein Projekt und geh zum Texteditor.
Klick auf Tiefenscan.
Spiel jeden wiederhergestellten Abschnitt mit dem Originalton ab und behalte die, die du willst.
Füge sie in einem Schritt ein. Du kannst das rückgängig machen.

Der Tiefenscan ist in jedem Plan verfügbar und verbraucht keine Verarbeitungsminuten. Er funktioniert bei Projekten, die in den letzten 14 Tagen hochgeladen wurden. Bei einem abgeschlossenen Projekt wählst du zuerst Erneut bearbeiten, um eine bearbeitbare Kopie anzulegen. Wiederhergestellte Zeilen sind oft kleingeschrieben und ohne Satzzeichen, also bring sie wie jeden anderen Untertitel im Texteditor in Form.

Wann lassen sich die Wörter nicht zurückholen?

Reine Musik, Summen oder eine Stimme, die unter Lärm oder anderen Sprechern verschwindet, erkennt womöglich kein Tool. Diese Zeilen tippst du selbst. CaptionBolt erstellt Untertitel aus seinem eigenen Transkript und importiert keine Liedtext- oder Untertiteldateien. Um einen fertigen Liedtext einzufügen, brauchst du also ein anderes Tool.

Um die Untertitel zu gestalten, sobald sie vollständig sind, siehe wie du Untertitel Wort für Wort aufploppen lässt.

Verwandte Fragen

Automatische Untertitel schreiben Namen und Produktbegriffe immer falsch. Wie korrigiere ich sie vor dem Posten?

Lies das Transkript vor dem Export und korrigiere jeden Namen, jede Marke und jeden Fachbegriff; Spracherkennung errät unbekannte Wörter nach ihrem Klang. Korrigiere sie in einem Untertitel-Editor, der das Timing jedes Wortes behält, damit die Untertitel durch Korrekturen nicht verrutschen, und prüf auch Zahlen und Abkürzungen. Deutliches Sprechen hilft, aber den Text zu lesen ist die zuverlässige Lösung.

Wie entferne oder korrigiere ich Untertitel, die schon ins Video eingebrannt sind?

Eingebrannte Untertitel lassen sich nicht wirklich entfernen, weil sie Teil des Bildes sind. Du kannst den Untertitelstreifen abschneiden, ihn abdecken oder unscharf machen oder ein KI-Tool ausprobieren, das über den Text malt, und jede Lösung hat Nachteile. Die saubere Lösung ist, zum Originalvideo oder zum Projekt zurückzugehen, in dem du es erstellt hast, und es ohne oder mit korrigierten Untertiteln neu zu exportieren.

Wie zensiere ich Schimpfwörter in meinen Untertiteln?

Bearbeite den Untertiteltext, um das Wort zu verdecken, zum Beispiel S******* oder [Piep], und entscheide getrennt, was mit dem Ton passiert: lassen, in einem Schnittprogramm stummschalten oder überpiepen, oder die Stelle herausschneiden. Untertitel und Ton sind getrennt, das Zensieren des Textes ändert also nichts an dem, was man hört. Prüfe auch die Regeln der Plattform, denn manche erkennen derbe Sprache in Stimme und Text.

Meine Untertitel sind ein paar Sekunden zu früh oder zu spät – wie korrigiere ich das Timing?

Finde heraus, welche Art von Versatz du hast. Ist jede Zeile um denselben Betrag zu früh oder zu spät, verschiebe die ganze Datei um diesen Wert; liegen nur einige Zeilen daneben, korrigiere diese Zeilen; wächst der Abstand mit der Zeit, wurde die Datei für eine andere Bildrate oder einen anderen Schnitt erstellt, also skaliere das Timing neu oder erstelle neue Untertitel aus dem fertigen Video. Prüfe danach Anfang, Mitte und Ende.