Untertitel- und Transkript-Tools, die deinen Browser nie verlassen

Untertitel- und Caption-Dateien sind einfach strukturierter Text. Eine SRT-Datei (SubRip) listet aufeinanderfolgende Cues auf: eine Nummer, einen Zeitcode-Bereich im Format HH:MM:SS,mmm --> HH:MM:SS,mmm mit einem Komma vor den Millisekunden, und eine oder mehrere Dialogzeilen, getrennt durch eine Leerzeile. Eine WebVTT-Datei (.vtt) beginnt mit einer WEBVTT-Kopfzeile, verwendet einen Punkt statt eines Kommas vor den Millisekunden und unterstützt zusätzliche Metadaten, die SRT nicht kennt: Cue-Einstellungen wie align:start position:10%, Voice-Tags wie <v Speaker Name> für Untertitel pro Sprecher, sowie Formatierungs-Tags wie <i> oder <c.yellow>. Reine .txt-Dateien haben nichts davon, nur Textzeilen – genau das, was die meisten Menschen eigentlich lesen, in ein Dokument kopieren oder einem Zusammenfasser übergeben möchten.

Schritt 1: Lade deine Datei

Ziehe eine .srt-, .vtt- oder .txt-Datei auf das Studio oben, klicke auf „Datei hochladen“ oder füge den Rohtext direkt in das linke Feld ein. SubToolDesk liest die Datei lokal mit der FileReader-API des Browsers. Sie wird im Arbeitsspeicher verarbeitet und niemals irgendwohin übertragen.

Schritt 2: Lass die automatische Erkennung ihre Arbeit machen

Die Badge über dem Editor erkennt das Format, indem sie nach einer WEBVTT-Kopfzeile, Komma-Zeitcodes oder Punkt-Zeitcodes sucht. Trifft keines dieser Muster zu, wird die Datei als reiner Text behandelt und jede nicht leere Zeile wird zu einem eigenen Segment, sodass die Bereinigung von Sprecherkennungen und Tags weiterhin angewendet wird.

Schritt 3: Wähle eine Ausgabe und passe die Optionen an

Wähle Reiner Text für ein sauberes, lesbares Transkript, oder SRT/VTT, um die zeitgesteuerte Cue-Struktur zu erhalten (oder umzuwandeln). Drei unabhängige Schalter verfeinern das Ergebnis:

• In Absätze zusammenführen: fügt kurze, fragmentierte Cues wieder zu natürlichen Sätzen und Absätzen zusammen und nutzt die Zeichensetzung, um zu entscheiden, wo ein Gedanke endet und der nächste beginnt.
• Sprecherkennungen entfernen: entfernt führende Kennungen wie SPEAKER 1:, [John]: oder >> JANE:, die Untertitel-Software automatisch hinzufügt.
• Formatierungs-Tags entfernen: entfernt HTML-ähnliche Tags (<i>, <v Name>) und ASS-Override-Codes ({\an8}), die sonst als visuelles Rauschen in eine Reintext-Ausgabe durchsickern.

Schritt 4: Kopieren oder herunterladen

Das rechte Feld aktualisiert sich bei jedem Tastendruck und jeder Änderung der Optionen. Sobald es passt, drücke Kopieren (oder Strg/Cmd + C an beliebiger Stelle außerhalb der Textfelder), um den Inhalt aus der Zwischenablage zu holen, oder Herunterladen, um eine Datei mit der korrekten Endung zu speichern – alles ohne eine einzige Netzwerkanfrage, die dein Gerät verlässt.

SRT vs. WebVTT: die technischen Unterschiede, die wichtig sind

Die beiden Formate sehen auf den ersten Blick fast identisch aus, und genau deshalb bringen Umwandlungen zwischen ihnen Leute ins Stolpern. SRT-Zeitcodes trennen Millisekunden mit einem Komma (00:00:06,120); WebVTT verwendet einen Punkt (00:00:06.120). WebVTT benötigt am Anfang der Datei eine wörtliche WEBVTT-Kopfzeile. SRT hat überhaupt keine Kopfzeile. WebVTT unterstützt außerdem Funktionen, für die SRT nie konzipiert wurde: Cue-Einstellungen wie align:start position:10%, die die Position auf dem Bildschirm steuern, <v Speaker Name>-Voice-Tags für Untertitel pro Sprecher sowie eigene NOTE-, STYLE- und REGION-Blöcke für Kommentare und Formatierung. Der Cue-Index von SRT muss eine strikte, lückenlose fortlaufende Ganzzahl sein; die optionale Cue-Kennung von WebVTT kann eine beliebige Zeichenfolge sein oder ganz entfallen. Wird eines dieser Details falsch gemacht, ist das meist der Grund, warum eine handbearbeitete Untertiteldatei in einem Player „fast funktioniert“, aber in einem Browser die Untertitel lautlos nicht lädt.

Wer Tools wie dieses tatsächlich nutzt

Videoeditorinnen und -editoren wandeln zeitgesteuerte Untertitel-Exporte in ein Reintext-Skript um, um vor dem endgültigen Schnitt schnell gegenzulesen. Podcaster und Content-Teams verwandeln ein automatisch erzeugtes Transkript in einen Blogbeitrag oder Show-Notes-Entwurf, ohne irgendetwas neu abzutippen. Customer-Success- und Vertriebsteams ziehen aus einer Zoom- oder Teams-Aufnahme eine saubere, sprecherfreie Zusammenfassung für eine CRM-Notiz. Webentwicklerinnen und -entwickler bereiten .vtt-Dateien für das HTML5-<track>-Element vor, um Anforderungen an die Barrierefreiheit zu erfüllen. Forschende und Journalistinnen und Journalisten bereinigen Interviewtranskriptionen zum Zitieren, ohne die Rohaufnahme ein zweites Mal einem externen Transkriptionsdienst offenzulegen. Jeder dieser Anwendungsfälle teilt dieselbe grundlegende Anforderung: Die Quelldatei ist oft vertraulich, noch unveröffentlicht oder schlicht nicht die Sache des Servers eines Fremden.

Ein Hinweis zu Genauigkeit und Grenzen

Der Algorithmus zum Zusammenführen von Absätzen nutzt die Zeichensetzung (Punkte, Fragezeichen, Ausrufezeichen und die Auslassungspunkte-Konvention, mit der Untertitelautorinnen und -autoren kennzeichnen, dass ein Satz im nächsten Cue weitergeht), um zu entscheiden, wo ein Absatz endet und der nächste beginnt. Er ist bewusst konservativ: Im Zweifel bleibt ein Fragment an seinem Nachbarn hängen, statt einen Umbruch zu erraten, der nicht vorhanden ist. Bei Dateien mit ungewöhnlichen Zeichensetzungskonventionen (zum Beispiel ganz ohne abschließende Satzzeichen) ist es am schnellsten, das Zusammenführen in Absätze zunächst zu deaktivieren und die Ausgabe mit einer Zeile pro Cue zu prüfen, bevor man die Quelle weiter umformatiert.