WebVTT-Untertitel in ein Word-Dokument 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, Punkt vor den Millisekunden) 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. Es ist dafür gebaut, Untertitel mit Video zu synchronisieren, nicht dafür, als Dokument gelesen zu werden: alle zwei bis drei Sekunden unterbricht ein neuer Zeitcode den Fluss dessen, was tatsächlich gesagt wurde.

Der VTT-zu-Word-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 natürlichen Absätzen zusammen und verpackt das Ergebnis als echte .docx-Datei, die du direkt in Word öffnen kannst.

VTT in Word 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 .docx-Datei zu speichern, bereit zum direkten Öffnen in Word, Google Docs oder Pages.

Warum WebVTT in Word umwandeln

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

• Besprechungsprotokolle: ein automatisches Zoom- oder Teams-Transkript in ein sauberes, bearbeitbares Word-Dokument verwandeln, das an eine Kalendereinladung oder ein Projekt-Tracking-Tool angehängt wird.
• Zusammenfassungen von Kundengesprächen: den Untertitelexport eines Support- oder Verkaufsgesprächs in ein Dokument umwandeln, auf das eine CRM-Notiz oder eine Follow-up-E-Mail direkt verweisen kann.
• Schulungs- und Einarbeitungsmaterial: die Untertitel einer aufgezeichneten Sitzung in ein lesbares Word-Handout verpacken, statt neue Mitarbeitende eine zeitgesteuerte Transkription selbst entschlüsseln zu lassen.
• Forschung und Interviewtranskription: den Export eines YouTube- oder Zoom-Interviews bereinigen zu einem Dokument, das bereit ist zum Zitieren, Codieren oder für eine qualitative Analyse.
• Bearbeitung und Korrekturlesen: die Funktionen Änderungen nachverfolgen und Kommentare von Word nutzen, um eine Transkription zu markieren, was eine Untertiteldatei überhaupt nicht unterstützt.
• Gemeinsame Prüfung: eine Transkription mit Kolleginnen und Kollegen teilen, die eine bearbeitbare Word-Datei erwarten, statt eines zeitcodierten Untertitelformats, für das sie spezielle Software bräuchten, um es saubar zu öffnen.

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 während des Meetings nützlich ist, aber eine Dokument-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 die Word-Datei wie durchgehender Dialog wirkt statt wie ein Chat-Protokoll. Die automatisch erzeugten Untertitel von YouTube hingegen enthalten selten Sprechernamen, haben aber oft überhaupt keine Zeichensetzung, was sich auf das Zusammenführen in Absätze auswirkt (siehe den Hinweis zu Randfällen weiter unten).

Was tatsächlich in der .docx-Datei landet

Die Ausgabe ist einfacher, sauberer Absatztext – keine WEBVTT-Kopfzeile, keine Voice-Tags wie <v Sprechername>, keine Cue-Einstellungen, keine übrig gebliebene Formatierung. Jeder Absatzumbruch im Vorschaubereich wird zu einem echten Absatz im Word-Dokument. Von dort aus kannst du Überschriften hinzufügen, die Formatvorlage deines Teams anwenden oder es direkt in ein Besprechungsprotokoll einfügen, genau wie bei jedem Dokument, das von Grund auf selbst geschrieben wurde.

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

00:00:01.500 --> 00:00:04.200
<v Morgan>Okay, steigen wir in die Budgetübersicht ein.

00:00:04.200 --> 00:00:07.800 align:start position:10%
<v Sam>Klar, ich teile jetzt meinen Bildschirm.

00:00:07.800 --> 00:00:11.000
<v Morgan>Super, danke, leg los, wann immer du bereit bist.

Okay, steigen wir in die Budgetübersicht ein. Klar, ich teile jetzt meinen Bildschirm. Super, danke, leg los, wann immer du bereit bist.

Die WEBVTT-Kopfzeile, jede Zeitstempelzeile und Cue-Einstellung sowie beide Voice-Tags <v Morgan>/<v Sam> sind verschwunden, übrig bleibt ein fließender Absatz. Dieser Absatz wird als echter Word-Absatz in die .docx-Datei eingefügt, nicht als reine Textdatei, sodass er in dem Moment, in dem das Dokument sich öffnet, markiert, bearbeitet oder neu formatiert werden kann, nicht nur gelesen.

Datenschutz durch Architektur, nicht durch Richtlinie

Eine Meeting-Transkription ist oft die sensibelste Datei im Raum – Strategiegespräche, Leistungsbeurteilungen, Kundentelefonate. Die meisten Online-Konverter laden diese Datei auf einen Server hoch, um die Umwandlung durchzuführen. Das VTT-zu-Word-Werkzeug von SubToolDesk macht das Gegenteil: Analyse, Bereinigung und die Erzeugung der .docx-Datei selbst laufen vollständig in JavaScript in deinem Browser-Tab. Es gibt keinen Upload-Endpunkt, den diese Funktion ansteuern könnte.

Häufige Anwendungsfälle für VTT zu Word

• Besprechungsprotokolle: verwandle ein automatisches Zoom- oder Teams-Transkript in ein sauberes, sprecherfreies Word-Dokument, das an die Kalendereinladung oder ein Projekt-Tracking-Tool angehängt wird.
• Zusammenfassungen von Kundengesprächen: wandle den Untertitelexport eines Support- oder Verkaufsgesprächs in ein Dokument um, auf das eine CRM-Notiz oder eine Follow-up-E-Mail direkt verweisen kann.
• Schulungs- und Einarbeitungsmaterial: verpacke die Untertitel einer aufgezeichneten Schulung in ein lesbares Word-Handout, statt neue Mitarbeitende eine zeitgesteuerte Transkription selbst entschlüsseln zu lassen.
• Forschung und Interviewtranskription: bereinige den Export eines YouTube- oder Zoom-Interviews zu einem Dokument, das bereit ist zum Zitieren, Codieren oder für eine qualitative Analyse.

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. Eine Cue-Kennungszeile vor dem Zeitcode, die WebVTT optional macht, 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 ein Absatz pro Cue oder zusammengeführte, satzbasierte Absätze, wenn In Absätze zusammenführen aktiviert ist.
• Volle Bearbeitbarkeit: der Text landet als echte, auswählbare Word-Absätze, die du sofort überschreiben, neu formatieren oder in ein anderes Dokument einfügen kannst, kein Bild und keine gesperrte Datei.
• Kompatibilität: ein echtes Office-Open-XML-.docx, das sich korrekt in Word, Google Docs, Apple Pages und LibreOffice Writer öffnet.

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.
• Jede automatische Überschrift, jedes Titelblatt oder individuelle Formatierung – der .docx-Textkörper ist bewusst einfacher Absatztext.

Häufige Probleme und wie man sie löst

• Die Word-Datei 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 im Text: 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 Dokument 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.
• Absätze werden zu lang, ohne Anzeichen eines Sprecherwechsels: deaktiviere In Absätze zusammenführen stattdessen und behalte eine Zeile pro Cue; sobald Sprecherkennungen entfernt sind, hat ein Word-Absatz keine Möglichkeit, einen Sprecherwechsel mitten im Absatz zu zeigen.
• 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 Titelblatt, keine Überschriften und keine individuelle Formatierung automatisch hinzu – die Ausgabe ist bewusst schlicht, damit sie sauber in jede Dokumentvorlage passt, die du bereits verwendest. Es korrigiert auch keine Transkriptionsfehler, die die Quelluntertiteldatei bereits enthält; es formatiert und bereinigt neu, was vorhanden ist, es schreibt es nicht um.