WebVTT-Untertitel in reinen Text umwandeln

WebVTT (Web Video Text Tracks) ist das W3C-Standardformat für Untertitel in HTML5-Video, und genau das exportieren Zoom, Microsoft Teams, Google Meet und YouTube, wenn du eine Meeting-Transkription oder eine Video-Untertiteldatei herunterlädst. Jede .vtt-Datei beginnt mit einer WEBVTT-Kopfzeile, gefolgt von Cues, deren Millisekunden mit einem Punkt getrennt sind (00:00:03.500, nicht mit dem Komma von SRT). WebVTT unterstützt außerdem reichhaltigere Metadaten als SRT: Cue-Einstellungen wie align:start position:10% in der Zeitzeile, Sprecher-Tags wie <v Speaker Name>, um zu kennzeichnen, wer spricht, und NOTE-/STYLE-/REGION-Blöcke, die Kommentare oder CSS-artiges Styling tragen statt Dialog.

Nichts davon gehört in eine Transkription als reinen Text. Der Parser von SubToolDesk liest deine Datei lokal über die FileReader-API des Browsers, verwirft die Kopfzeile und die Metadatenblöcke, entfernt Sprecher- und Styling-Tags und fügt die verbleibenden Untertitel, wenn du es verlangst, zu echten Absätzen zusammen.

Schritt-für-Schritt-Anleitung

• Exportiere oder finde deine .vtt-Untertiteldatei (Zoom und Teams bieten nach einem Meeting beide eine Option „Transkript herunterladen“ oder „Untertitel herunterladen“).
• Ziehe sie auf den Konverter oben, oder füge den rohen VTT-Text in das linke Feld ein.
• Prüfe, dass die Format-Badge VTT anzeigt.
• Lasse Formatierungs-Tags entfernen aktiviert, um Sprecher-Tags und Cue-Einstellungen zu entfernen.
• Lasse Sprecherkennungen entfernen aktiviert, wenn die Untertitel Zeilen zusätzlich mit einem Namen als Text einleiten (üblich bei automatisch erzeugten Teams-Transkripten).
• Kopiere oder lade die resultierende .txt-Transkription herunter.

Warum WebVTT in reinen Text umwandeln

Eine .vtt-Datei ist für einen Videoplayer gemacht, nicht für Leserinnen und Leser. Sie auf reinen Text zu reduzieren hat fast immer mit dem nächsten Schritt zu tun:

• Einfügen in Meeting-Notizen oder ein Projektdokument, wo Zeitstempel und Sprecher-Tags nur stören.
• Übergeben einer Transkription an einen KI-Zusammenfasser oder Chatbot, der durchgehenden Text weit besser liest als hunderte Zwei-Sekunden-Fragmente.
• Veröffentlichen eines Blog-Rückblicks oder von Show-Notizen aus einem aufgezeichneten Anruf, Webinar oder Podcast.
• Ein Video barrierefrei oder durchsuchbar machen als Seite mit reinem Text, ohne eine Untertiteldatei mitliefern zu müssen.
• Archivieren oder Ablegen einer Transkription als lesbares Dokument, sobald die Originalaufnahme nicht mehr benötigt wird.
• Versenden einer Transkription zur Übersetzung oder zum Lektorat, wo Übersetzerinnen und Lektoren mit Fließtext arbeiten, nicht mit Cue-Blöcken.

Vorher und nachher: ein echtes Beispiel

Ein kurzer Export im Zoom-Stil, mit Sprecher-Tags, Cue-Einstellungen, einem NOTE-Block und allem Übrigen, umgewandelt mit aktiviertem In Absätze zusammenführen, Sprecherkennungen entfernen und Formatierungs-Tags entfernen (der Standardzustand auf dieser Seite):

WEBVTT

NOTE
Transkript erstellt von Zoom

00:00:01.200 --> 00:00:03.900 align:start position:10%
<v Jordan>Hallo alle zusammen, danke, dass ihr heute beim Anruf dabei seid.

00:00:03.900 --> 00:00:06.450
<v Priya>Klar! Fangen wir an.

00:00:06.450 --> 00:00:09.800
<v Jordan>Super, als Erstes auf der Agenda steht die Roadmap für das dritte Quartal.

Hallo alle zusammen, danke, dass ihr heute beim Anruf dabei seid. Klar! Fangen wir an. Super, als Erstes auf der Agenda steht die Roadmap für das dritte Quartal.

Die WEBVTT-Kopfzeile, der NOTE-Block, jede Zeitstempelzeile und Cue-Einstellung sowie beide <v Jordan>-Sprecher-Tags sind verschwunden. Was bleibt, ist genau das Gesagte, neu zu lesbaren Sätzen zusammengefügt.

Das WebVTT-Format im Detail

Ein typischer VTT-Cue mit mehreren Sprechern sieht so aus:

00:00:03.500 --> 00:00:06.120 align:start position:10%
<v Jordan>Danke, dass du heute beim Anruf dabei bist.

Anders als bei SRT ist eine vorangestellte Cue-Kennungszeile in WebVTT optional und kann eine beliebige Zeichenkette sein, nicht nur eine fortlaufende Nummer. Der Parser von SubToolDesk erkennt die Zeitstempelzeile direkt (sie enthält immer -->), statt eine feste Zeilenreihenfolge vorauszusetzen, sodass Dateien mit und ohne Kennung beide korrekt analysiert werden.

Warum das besonders für Meeting-Transkriptionen wichtig ist

Die automatische Untertitelung von Zoom und Teams ist gut im Timing, aber die exportierte Datei ist für Videoplayer optimiert, nicht für Leserinnen und Leser. Ein einstündiges Meeting kann hunderte Zwei-Sekunden-Cues erzeugen, jeder ein Satzfragment mit angehängtem Sprecher-Tag. Lässt du das mit aktiviertem Zusammenführen in Absätze durch diesen Konverter laufen, wird daraus etwas, das du direkt in Meeting-Notizen, einen Blog-Rückblick oder einen Prompt für einen KI-Zusammenfasser einfügen kannst, ohne dass die Originalaufnahme oder -transkription je deinen Rechner verlässt.

Woher WebVTT-Dateien wirklich kommen

Über Videokonferenzen hinaus ist WebVTT das Untertitelformat, das YouTube für jedes Video mit Untertiteln zum Download anbietet, das Format, das die meisten KI-Transkriptionsdienste (einschließlich OpenAI-Whisper-Exporte) standardmäßig verwenden, und das Format, das das HTML5-<track>-Element für jedes direkt auf einer Webseite eingebettete untertitelte Video verlangt. Wenn du in den letzten Jahren irgendwo im Internet eine Untertiteldatei heruntergeladen hast, ist die Wahrscheinlichkeit hoch, dass es sich um WebVTT handelt und nicht um das ältere SRT-Format — das ist auch ein Grund, warum ein dediziertes, VTT-bewusstes Bereinigungswerkzeug statt eines generischen Text-Strip-Skripts wichtig ist: generische Ansätze wissen von vornherein nicht, dass sie nach Sprecher-Tags suchen oder NOTE-Blöcke überspringen müssen.

Transkriptionen mit mehreren Sprechern gut handhaben

Automatische Untertitelungswerkzeuge kennzeichnen Sprecher auf zwei unterschiedliche Arten, manchmal auch innerhalb derselben Datei: über das native WebVTT-Tag <v Speaker Name>, oder als reiner Text am Anfang einer Zeile (Jordan: Danke, dass du dabei bist.). Der Schalter Formatierungs-Tags entfernen dieses Werkzeugs entfernt die erste Art; Sprecherkennungen entfernen entfernt die zweite. Werden beide zusammen aktiviert (der Standardzustand auf dieser Seite), entsteht eine Transkription, in der keines der beiden Tag-Formate zurückbleibt, unabhängig davon, welches deine Quelldatei verwendet.

Was dieser Konverter erhält und was er entfernt

Erhalten bleibt:

• Jedes Wort des gesprochenen Dialogtexts, in seiner ursprünglichen Reihenfolge und Zeichensetzung.
• Absatzumbrüche, entweder die ursprüngliche Struktur mit einer Zeile pro Cue, oder satzbasierte Absätze, wenn In Absätze zusammenführen aktiviert ist.

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%.
• Sprecher-Tags wie <v Sprechername>, wenn Formatierungs-Tags entfernen aktiviert ist.
• Reine-Text-Sprecherpräfixe wie Jordan:, wenn Sprecherkennungen entfernen aktiviert ist.

Häufige Probleme und wie man sie löst

• Die Ausgabe zeigt weiterhin Zeitstempel oder -->-Pfeile: prüfe, ob die Format-Badge über dem Konverter tatsächlich VTT anzeigt und nicht Unknown; ein stark abgeschnittener Einfügevorgang kann die Cue-Erkennung stören.
• <v Sprechername>-Tags stehen weiterhin im Text: aktiviere Formatierungs-Tags entfernen; es ist nur deaktiviert, wenn du es geändert hast.
• Namen in reinem Text wie Jordan: stehen weiterhin vor den Zeilen: das ist ein eigener Schalter, Sprecherkennungen entfernen, aktiviere ihn zusätzlich, da er ein anderes Muster erkennt als das Entfernen der Sprecher-Tags oben.
• Die Transkription liest sich als ein Satz pro Zeile statt als fließender Text: aktiviere In Absätze zusammenführen.
• Absätze werden zu lang, ohne Anzeichen eines Sprecherwechsels: deaktiviere In Absätze zusammenführen stattdessen und behalte eine Zeile pro Cue; sobald Sprecherkennungen entfernt sind, hat reiner Text keine Möglichkeit, einen Sprecherwechsel mitten im Absatz zu kennzeichnen.
• 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 du prüfen solltest, bevor du der Ausgabe vertraust

Automatisch erzeugte Untertitel verschreiben sich gelegentlich bei Namen, Fachbegriffen oder akzentuierter Sprache, eine Einschränkung des Untertitelungssystems, das die Datei erzeugt hat, nicht etwas, das ein Textformatierer beheben kann. SubToolDesk formatiert genau das um, was in der Quelldatei steht; es lohnt sich, das Ausgabefeld kurz mit der Originalaufnahme zu vergleichen, bevor du die Transkription für etwas Offizielles verwendest, etwa ein Sitzungsprotokoll oder ein rechtliches Dokument.