WebVTT-Untertitel in eine PDF-Transkription umwandeln

Eine WebVTT-Datei (.vtt) beginnt mit einer wörtlichen WEBVTT-Kopfzeile und listet dann Cues als Zeitcode-Bereich (HH:MM:SS.mmm --> HH:MM:SS.mmm) auf, gefolgt von einer oder zwei Zeilen Untertiteltext. Es ist das Format, das die meisten Meeting-Plattformen – Zoom, Microsoft Teams und die automatischen Untertitel von YouTube eingeschlossen – beim Herunterladen einer Transkription exportieren, und es ist dafür gebaut, Untertitel mit Video zu synchronisieren, nicht dafür, als Dokument gedruckt oder archiviert zu werden.

Der VTT-zu-PDF-Konverter von SubToolDesk analysiert die WEBVTT-Kopfzeile und die Cue-Blöcke lokal in deinem Browser, verwirft Kopfzeile, Zeitcodes sowie alle vom Export hinzugefügten Voice-Tags oder Stilangaben, setzt die Fragmente zu natürlich lesbaren Absätzen zusammen und ordnet das Ergebnis auf korrekt paginierten PDF-Seiten an.

VTT in PDF umwandeln (Schritt für Schritt)

• Ziehe deine .vtt-Datei auf den Konverter oben, oder klicke auf „Datei hochladen“, um sie auszuwählen.
• Prüfe, dass die automatisch erkannte Format-Badge VTT anzeigt.
• Lasse In Absätze zusammenführen aktiviert für fließenden Text, oder deaktiviere es, um einen Untertitel pro Zeile zu behalten.
• Aktiviere Sprecherkennungen entfernen, wenn dein Meeting-Export jede Zeile mit einem Namen versieht (üblich bei Zoom und Teams).
• Klicke auf Herunterladen, um eine paginierte .pdf-Datei zu speichern, bereit zum Drucken, Versenden per E-Mail oder Archivieren.

Warum WebVTT in PDF umwandeln

Eine .vtt-Datei ist dafür gebaut, Untertitel mit einem Videoplayer zu synchronisieren, nicht dafür, als eigenständiges Dokument gelesen zu werden. Sie in PDF umzuwandeln hat fast immer damit zu tun, was passiert, sobald das Meeting oder die Aufnahme selbst nicht mehr im Mittelpunkt steht:

• Ein Meeting-Protokoll archivieren: eine Zoom- oder Teams-Transkription in eine feste, nicht bearbeitbare Datei für einen Projektordner oder eine Compliance-Akte verwandeln.
• Mit jemandem außerhalb deiner Organisation teilen: eine Transkription senden, die sich für einen Kunden oder Lieferanten identisch öffnet, ohne dass dieser einen untertitelfähigen Videoplayer benötigt.
• Ein Handout drucken: eine Transkription einer Schulung oder eines Webinars erstellen, die Teilnehmende drucken und lesen können, ohne dass Zeitcodes jede Zeile unterbrechen.
• Ein stabiles Rechts- oder Personalprotokoll erstellen: eine Dokumentversion eines Interviews oder einer Anhörung erzeugen, die im Nachhinein nicht einfach bearbeitet werden kann, anders als eine Untertiteldatei.
• Langzeitspeicherung und Zitierung: die Untertitel eines Forschungsinterviews in ein paginiertes Dokument umwandeln, das auch Jahre nach dem Verschwinden der Originalaufnahme noch lesbar ist.
• Eine Transkription per E-Mail versenden: etwas anhängen, das eine empfangende Person sofort öffnen und lesen kann, statt eine Untertiteldatei, die die meisten Menschen noch nie gesehen haben.

Eigenheiten von Meeting-Plattformen, die dieser Konverter bereits abdeckt

Zoom- und Teams-Transkriptionen stellen häufig jedem Cue den Namen der sprechenden Person voran, etwa John Schmidt: Fangen wir an., was live nützlich ist, aber eine gedruckte Transkription überladen wirken lässt, wenn jede Zeile das wiederholt. Das Aktivieren von Sprecherkennungen entfernen entfernt diese führenden Kennungen, bevor das Zusammenführen in Absätze läuft, sodass das PDF wie durchgehender Dialog wirkt. Die automatisch erzeugten Untertitel von YouTube enthalten selten Sprechernamen, haben aber oft überhaupt keine Zeichensetzung, was sich auf das Zusammenführen in Absätze auswirkt (siehe den Hinweis zu Randfällen weiter unten).

Wie das PDF aufgebaut ist

Der Konverter rendert die bereinigte Transkription auf Standard-US-Letter-Seiten mit großzügigen Rändern, bricht Absätze passend zur Seitenbreite um und beginnt automatisch eine neue Seite, sobald die aktuelle voll ist. Es wird kein Deckblatt oder Fußzeile hinzugefügt, nur der Transkriptionstext selbst, formatiert, um am Bildschirm und auf Papier lesbar zu sein, ohne weitere Bearbeitung.

Vorher und nachher: ein echtes Beispiel

Ein kurzer VTT-Export im Teams-Stil, mit Voice-Tags, Cue-Einstellungen und allem, umgewandelt mit aktiviertem In Absätze zusammenführen, Sprecherkennungen entfernen und Formatierungs-Tags entfernen (der Standardzustand auf dieser Seite):

WEBVTT

00:00:02.000 --> 00:00:05.250 align:start position:10%
<v Alex>Willkommen zurück, alle zusammen, machen wir da weiter, wo wir aufgehört haben.

00:00:05.250 --> 00:00:08.700
<v Priya>Klingt gut. Ich habe die Zahlen vom letzten Quartal rausgesucht.

00:00:08.700 --> 00:00:12.100
<v Alex>Perfekt, fangen wir mit der Verlängerungsrate an.

Willkommen zurück, alle zusammen, machen wir da weiter, wo wir aufgehört haben. Klingt gut. Ich habe die Zahlen vom letzten Quartal rausgesucht. Perfekt, fangen wir mit der Verlängerungsrate an.

Die WEBVTT-Kopfzeile, jede Zeitstempelzeile und Cue-Einstellung sowie beide Voice-Tags <v Alex>/<v Priya> sind verschwunden, übrig bleibt ein fließender Dialogabsatz. Das ist genau der Text, den der PDF-Generator über paginierte US-Letter-Seiten anordnet, passend zur Seitenbreite umgebrochen und automatisch auf eine neue Seite fortgesetzt, sobald die aktuelle voll ist – ohne manuelle Seitenumbrüche.

Datenschutz durch Architektur, nicht durch Richtlinie

Eine Meeting-Transkription ist oft die sensibelste Datei im Raum. Die meisten Online-Konverter laden diese Datei auf einen Server hoch, um das PDF zu erzeugen. Das VTT-zu-PDF-Werkzeug von SubToolDesk macht das Gegenteil: Analyse, Bereinigung, Paginierung und die Erzeugung des PDFs selbst laufen vollständig in JavaScript in deinem Browser-Tab. Es gibt keinen Upload-Endpunkt, den diese Funktion ansteuern könnte.

Häufige Anwendungsfälle für VTT zu PDF

• Meeting-Protokolle: archiviere eine Zoom- oder Teams-Transkription als festes PDF für eine Projektakte oder Compliance-Dokumentation, unabhängig davon, wer Zugriff auf die Originalaufnahme hat.
• Kundenorientierte Zusammenfassungen: sende eine saubere, sprecherfreie PDF-Transkription eines Anrufs, die sich unabhängig von der Software der empfangenden Person identisch öffnet.
• Gedruckte Handouts: erstelle eine druckbare Transkription einer Schulung oder eines Webinars für Teilnehmende, ohne mit Seitenumbrüchen in einer Textverarbeitung zu kämpfen.
• Forschungs- und Interviewarchive: wandle den Export eines YouTube- oder Zoom-Interviews in ein stabiles, paginiertes PDF für Langzeitspeicherung und Zitierung um.

Randfälle, die der Parser abdeckt

Der Parser verwirft die WEBVTT-Kopfzeile und überspringt NOTE-, STYLE- und REGION-Metadatenblöcke, die manche Exporte enthalten. Sowohl das zweiteilige (MM:SS.mmm) als auch das dreiteilige (HH:MM:SS.mmm) Zeitcode-Format, die WebVTT erlaubt, werden erkannt, und eine optionale Cue-Kennungszeile vor dem Zeitcode wird erkannt und übersprungen, falls vorhanden. Wenn ein Untertitelexport überhaupt keine abschließende Zeichensetzung hat (üblich bei manchen automatisch erzeugten YouTube-Untertiteln), hat das Zusammenführen in Absätze keinen Anhaltspunkt und kann einen großen Abschnitt des Dialogs als einen Block behandeln; bei solchen Dateien ist es zuverlässiger, das Zusammenführen zunächst auszuschalten und die Ausgabe mit einer Zeile pro Cue zu prüfen.

Was dieser Konverter erhält und was er entfernt

Erhalten bleibt:

• Jedes Wort des gesprochenen Dialogs, in seiner ursprünglichen Reihenfolge und Zeichensetzung.
• Die Absatzstruktur, entweder eine Zeile pro Cue oder zusammengeführte, satzbasierte Absätze, wenn In Absätze zusammenführen aktiviert ist.
• Echter, auswählbarer, durchsuchbarer Text auf jeder Seite, kein gescanntes Bild.
• Drucktreue: konsistente US-Letter-Paginierung, Ränder und Seitenumbrüche, sodass das Dokument genauso gedruckt wird, wie es angezeigt wird.

Entfernt wird:

• Die WEBVTT-Kopfzeile.
• NOTE-, STYLE- und REGION-Metadatenblöcke.
• Cue-Kennungszeilen und jeder Zeitstempel-Bereich.
• Cue-Einstellungen in der Zeitstempelzeile, wie align:start position:10%.
• Voice-Tags wie <v Sprechername>, wenn Formatierungs-Tags entfernen aktiviert ist.
• Sprecherpräfixe in reinem Text wie Jordan:, wenn Sprecherkennungen entfernen aktiviert ist.
• Jedes Deckblatt, jede Kopf- oder Fußzeile oder Branding – das PDF enthält ausschließlich den Transkriptionstext.

Häufige Probleme und wie man sie löst

• Das PDF zeigt noch Zeitstempel oder -->-Pfeile: prüfe, ob die Format-Badge über dem Konverter VTT anzeigt und nicht Unknown; ein abgeschnittener Einfügevorgang kann die Cue-Erkennung stören.
• <v Sprechername>-Tags stehen weiterhin in der Ausgabe: aktiviere Formatierungs-Tags entfernen.
• Namen in reinem Text wie Jordan: stehen weiterhin vor den Zeilen: aktiviere zusätzlich Sprecherkennungen entfernen; es erkennt ein anderes Muster als die Voice-Tag-Entfernung oben.
• Das PDF liest sich als eine Zeile pro Cue statt als fließender Text: aktiviere In Absätze zusammenführen.
• Die gesamte Transkription wird zu einem einzigen riesigen Absatz: die Quelluntertitel haben wahrscheinlich keine abschließende Zeichensetzung (üblich bei manchen automatisch erzeugten YouTube-Untertiteln); deaktiviere In Absätze zusammenführen und prüfe stattdessen die Ausgabe mit einer Zeile pro Cue.
• Ein Satz wird ungünstig über zwei PDF-Seiten getrennt: das ist normale Paginierung – das Werkzeug beginnt automatisch eine neue Seite, sobald die aktuelle voll ist, genau wie bei einem gedruckten Dokument; das ist kein Fehler bei der Umwandlung.
• Akzentbuchstaben oder nicht-englischer Text erscheinen als verstümmelte Zeichen wie é: die Quell-.vtt wurde nicht als UTF-8 gespeichert; exportiere oder speichere sie erneut als UTF-8 und lade sie neu hoch.

Was dieses Werkzeug bewusst nicht tut

Es fügt kein Deckblatt, keinen Briefkopf und kein individuelles Branding hinzu – das Ergebnis ist eine einfache, lesbare Transkription, zum Drucken aufbereitet, nicht mehr. Es korrigiert auch keine Transkriptionsfehler oder fehlende Zeichensetzung, die bereits in der Quelluntertiteldatei vorhanden sind; es formatiert und paginiert neu, was vorhanden ist, es schreibt es nicht um.