Video in Text umwandeln: YouTube, Reels und TikTok transkribieren – mit Timecodes, SRT und VTT

Eine Transkription ist nicht eine Form, sondern drei – und welche Sie nehmen, entscheidet die Aufgabe, nicht die Gewohnheit. Fließtext in Absätzen brauchen Sie für Zitate, einen Post, eine Beschreibung oder den Entwurf eines Skripts: Da spielt die Zeit keine Rolle. Untertitel mit Timings sind für alles, was in einen Player, in den Schnitt oder auf die Plattform geht – jede Replik weiß, wann sie anfängt und wann sie aufhört.

Die dritte Form sind Kapitel-Timecodes: derselbe Text, nur mit Marken wie 00:00, 04:12, 11:38, die Sie in die Beschreibung eines langen Videos setzen, damit der Zuschauer zwischen den Sinnabschnitten springt. Das lohnt, wenn die Transkription schon vorliegt und das Video lang ist und in Abschnitte für Beschreibung oder Zuschnitt zerfallen soll. Wie Sie an den Text kommen, hängt danach von der Plattform ab – mal liegt er fertig, mal muss er erst aus dem Ton erkannt werden.

YouTube erzeugt Auto-Untertitel auf der eigenen Seite: Der Ton wird erkannt, das Ergebnis liegt bei YouTube, und darum erscheint unter dem Clip der Untertitel-Button und im Creator-Studio eine Textspur. Abrufen lässt sie sich, solange der Creator sie nicht abgeschaltet hat und die Plattform sie schon erzeugt hat. Manchmal fehlt die Spur trotzdem: ein frisches Video, eine nicht unterstützte Sprache oder ein Creator, der den Text gar nicht erst hat entstehen lassen.

Reels und TikTok haben keine solche fertige Spur. Die Plattformen zeigen Untertitel über dem Video, geben die Transkription aber nicht heraus – das ist Teil des Players, keine Datei. Jeden Text aus einem fremden Clip dort holen Sie also selbst: Ton herunterladen und neu erkennen. Dasselbe gilt für ein fremdes YouTube-Video, bei dem die Untertitel abgeschaltet sind. Der Unterschied ist grundsätzlich: Die Auto-Untertitel der Plattform sind ein fremdes Werkzeug – Sprache, Aufteilung und Genauigkeit liegen nicht in Ihrer Hand. Eigene Erkennung ist Ihr Ergebnis: nachprüfbar, korrigierbar, im gewünschten Format mitnehmbar.

Die Reihenfolge ist einfach: Erst schauen, ob fertige Untertitel da sind, und nur dann neu erkennen, wenn keine da sind oder sie sich wie Kauderwelsch lesen. So verdoppeln Sie keine Arbeit, die die Plattform schon erledigt hat.

1. 1

   Link kopieren

   Kopieren Sie die Video-Adresse aus dem Browser oder der App. youtu.be/X und watch?v=X&t=90 sind dasselbe Video – die Erkennung erkennt das und macht die Arbeit nicht zweimal.

2. 2

   Link ins Transkript-Feld einfügen

   Öffnen Sie das Werkzeug und fügen Sie den Link ein. Ein Profil oder Kanal statt eines Videos wird abgewiesen: Ein Kanal-Transkript gibt es nicht, nur das eines konkreten Videos. Eine Datei aus der Mediathek geht auch – Video oder Audio bis eine Stunde Länge.

3. 3

   Schauen, was gefunden wurde

   Gibt es für das Video eine fertige Untertitel-Spur, erscheint der Text schnell und fast fehlerfrei. Fehlt die Spur, läuft die Erkennung aus dem Ton an – vom eigenen Modell bis zur Cloud, falls das eigene nicht reicht.

4. 4

   Text in der passenden Form mitnehmen

   Auf dem Bildschirm steht der Text in Absätzen, daneben der Download als SRT und VTT und die Buttons „ins Skript“ und „in den Zuschnitt“. Absätze werden durch eine Leerzeile getrennt, darum liest sich der Text sofort und liegt nicht als Block.

5. 5

   Die Fuge an einer Pause prüfen

   Scrollen Sie zu einer Stelle, an der der Sprecher Luft holt oder das Thema wechselt. Die Replik soll an der Pause schließen, nicht mitten im Wort – reißt alles an falschen Stellen, lässt sich der Text neu erkennen.

Ein Wort zur Aufteilung. Die Repliken werden nicht nach den Erkennungssegmenten geschnitten, sondern nach Wörtern: Eine Replik schließt am Satzende, an einer Pause ab 0,8 Sekunden, bei 84 Zeichen – zwei Zeilen à 42, die Obergrenze des Netflix-Untertitel-Leitfadens – und bei sechs Sekunden. Sonst entstünden aus einem halbstündigen Gespräch Repliken von einer halben Bildschirmzeile, die im Player flackern und sich nicht lesen lassen.

Hier gibt es keine fertige Spur, darum führt nur ein Weg hin: Ton holen und erkennen. Ein Link passt für vertikale Aufnahmen wie für normale Videos – der Typ erkennt sich selbst. Ist der Clip aus einem langen Video geschnitten, liefert die Erkennung trotzdem nur den Text dieses Stücks: Die Timings zählen ab dem Clip-Anfang, nicht ab dem Anfang des Originals.

Bei Reels gibt es eine eigene Geschichte: Der Direktlink wird manchmal nicht ausgegeben, dann läuft der Abruf über einen Fallback per Instagram-Quelle. Das funktioniert nicht immer – ein privates Konto oder eine veränderte Seitenstruktur können den Abruf brechen. Zieht der Clip nicht, laden Sie ihn über den offiziellen Export oder die App herunter und erkennen aus der Datei: dasselbe Ergebnis, nur bringen Sie das Original selbst mit.

1. 1

   Link zum Reel oder TikTok kopieren

   Ein normaler öffentlicher Link ohne Kürzung und Weiterleitung passt. Führt der Link auf ein Profil statt auf den Clip, wird er abgewiesen.

2. 2

   Link einfügen und Erkennung starten

   Der Ton-Abruf läuft für jede Plattform auf eigene Weise, danach folgt dieselbe Erkennungskette wie bei YouTube. Der Text erscheint in Absätzen, die Timings zählen ab Clip-Anfang.

3. 3

   Zieht der Link nicht – die Datei bringen

   Laden Sie den Clip herunter und legen Sie ihn in die Mediathek. Angenommen wird Video oder Audio bis eine Stunde; aus der Datei wird der Ton als Mono 16 kHz gezogen – das reicht für die Spracherkennung.

4. 4

   Text holen und entscheiden, wie es weitergeht

   Aus dem Text entstehen Untertitel für denselben Clip, ein Zitat für die Caption oder ein Zuschnitt in Clips – die vertikale Aufnahme ist bereits bereit, nach der Sprache geschnitten zu werden.

Genau für diesen Fall gibt es in Kutto den Transkript: Er nimmt einen Link von jeder der Plattformen – YouTube, Shorts, Reels, TikTok, VK – und gibt Text in Absätzen, SRT und VTT zurück. Dieselben Timings sind danach der Eingang für Hooks, Untertitel und Clips.

Alle drei Formate tragen denselben Text – der Unterschied liegt nur im Beigefügten. TXT sind Absätze, durch eine Leerzeile getrennt: reines Material für Zitat, Post, Artikel oder Skript-Entwurf. Zeit steht darin gar nicht, für Untertitel taugt es also nicht.

SRT ist der Untertitel-Standard: Nummer der Replik, Start- und Endzeit, Textzeile, Leerzeile, nächste Replik. Das verstehen Schnittprogramme, Player, Untertitel-Editoren und die meisten Plattformen. VTT ist der Web-Verwandte von SRT: dieselbe Struktur, aber mit eigener Kopfzeile und Einstellungen – darum lässt es sich leichter an einen Player auf einer Website oder in einer App anbinden.

Die Repliken in SRT und VTT werden nach Wörtern geschnitten, nicht nach den Erkennungssegmenten: Ein Segment ist schon mal eine halbe Minute lang, und als eine solche Replik liest sich ein Untertitel nicht. Darum schließt eine Replik am Satzende, an der Pause, an der Zeilenlänge und bei maximal sechs Sekunden. Zwei Zeilen teilen sich nahe der Mitte, mit Vorzug für den Umbruch nach einem Satzzeichen – sonst bleibt in der zweiten Zeile ein einzelnes Wort stehen. Überlappende Repliken werden beschnitten: sonst zeigt der Player zwei Untertitel gleichzeitig und der Text springt.

Die Erkennung läuft auf dem eigenen Modell und kostet nichts: Der Transkript in Kutto zieht kein Guthaben. Wenn das eigene Modell einen Clip nicht bewältigt, schaltet sich das Cloud-Glied zu – das geht dann ins KI-Volumen des Tarifs als „KI-Texte“. Eine eigene Position im Preis hat der Transkript nicht; stückweise zahlen müssen Sie dafür nicht. Was gratis geht und was ins Tarifvolumen fällt, steht bei den aktuellen Tarifen.

Die Dauer hängt von der Länge des Clips ab und davon, woher der Ton kommt. Ein kurzer Clip wird merklich schneller erkannt als ein einstündiges Interview; der Download des Originals über den Link ist ein eigener Schritt, der ebenfalls Zeit braucht. Feste Sekunden pro Minute Aufnahme lassen sich nicht nennen – das hängt von der Warteschlange ab und davon, welches Modell die Aufgabe übernimmt.

Ist die Musik lauter als die Stimme, gibt es Lärm, Echo oder eine Aufnahme über den Lautsprecher, fängt die Erkennung an, Wörter zu erfinden, wo sie nichts heraushört – den Text müssen Sie dann von Hand korrigieren. Reden zwei gleichzeitig, vermischen sich die Repliken, und eine Sprecher-Zuordnung liefert das Transkript nicht: die setzen Sie selbst. Starker Dialekt oder Akzent, seltene Begriffe, Namen und Abkürzungen kommen ebenfalls regelmäßig falsch – die prüft man billiger sofort, als sie später in fertigen Untertiteln zu jagen.

Eine Schnellprüfung ohne jede Genauigkeitsmessung: Nehmen Sie das Stück mit der schnellsten Sprache – die ersten dreißig Sekunden, wo der Sprecher hetzt, Luft holt und von Thema zu Thema springt. Lassen Sie es separat laufen und lesen Sie den Text laut neben dem Player mit. Schauen Sie nicht auf Tippfehler, sondern auf die Fugen der Repliken: Eine Replik soll an einer Pause schließen, nicht mitten im Wort.

Danach die drei Dinge, die am häufigsten brechen. Eigennamen und Bezeichnungen – am Video prüfen, nicht aus dem Gedächtnis. Zahlen und Daten – die Erkennung hört regelmäßig „fünfzehn“, wo „fünfzig“ war. Abgerissene Stellen am Anfang und Ende, wo der Sprecher über Musik redet: die ersten Kandidaten für die Korrektur.

• Namen, Marken und Begriffe am Video abgleichen – die verdreht die Erkennung am häufigsten.
• Durch Stellen mit zwei überlagerten Stimmen blättern – dort sind die Repliken vermischt.
• Zahlen, Daten und Beträge hören, nicht nur lesen.
• Prüfen, dass sich Repliken nicht überlappen – sonst springt der Untertitel im Player.

• Format zur Aufgabe gewählt: TXT für Zitat und Post, SRT oder VTT für Untertitel und Schnitt, Timecodes für die Beschreibung.
• Namen, Begriffe und Zahlen am Video abgeglichen, nicht aus dem Gedächtnis.
• Fugen sauber: Repliken schließen an Pausen, keine Überlappungen.
• Klar, wohin der Text weitergeht: ins Skript als Material oder in den Zuschnitt als Clips und Untertitel.

Text ist nur die halbe Sache. Daraus entsteht in der Regel das, was auf die Plattform geht: Untertitel über dem Clip, Clips aus einer langen Aufnahme oder Kapitel für die Beschreibung. Kutto nimmt einen Link oder eine Datei und gibt die Transkription mit Wort-Timings zurück – genau genug, um nach der Sprache zu schneiden statt nach Augenmaß.