Grundlagen zu Untertiteln
Automatische Untertitel wandeln erkannte Sprache in Text um und platzieren diesen Text entlang der Zeitleiste eines Videos. Dieser Leitfaden erklärt den Prozess, seine Grenzen und die Prüfungen, die vor der Veröffentlichung sinnvoll sind.
Automatische Untertitel sind ein maschinell erstellter erster Entwurf der gesprochenen Worte, synchronisiert mit einem Video. Sie machen Sprache sichtbar, ersetzen aber nicht die Prüfung dessen, was tatsächlich gesagt wurde.
Die zugrunde liegende Aufgabe ist bei allen Projekten gleich: Sprache erkennen, die Wörter schätzen und das Ergebnis an die Wiedergabe anpassen. Was besonders sorgfältig geprüft werden muss, hängt von der Aufnahme und ihrem Publikum ab.
Eine Lektion enthält Namen, Daten und Fachbegriffe, die ein allgemeines Sprachmodell leicht falsch verstehen kann.
Verwende automatische Untertitel als Entwurf und vergleiche wichtige Begriffe vor der Veröffentlichung mit der Aufnahme.
So generierst du automatische Untertitel auf YouTubeEin vertikaler Clip enthält schnelle Schnitte, und Text nimmt bereits einen Teil des Bildes ein.
Prüfe sowohl die Wörter als auch, ob die Untertitel lesbar bleiben, ohne wichtige Bildelemente zu verdecken.
automatische Untertitel auf InstagramEine Produktvorführung enthält Funktionsnamen und gelegentliche Hintergrundgeräusche.
Korrigiere falsch erkannte Namen und achte darauf, ob Untertitel zu früh oder zu spät erscheinen.
Beispiele für kurze automatische UntertitelEin Creator möchte ein Video mit Untertiteln auf wiederholbare Weise prüfen.
Prüfe das Transkript, spiele es zusammen mit dem Video ab und kontrolliere die endgültige Darstellung.
Tutorial zu automatischen Untertiteln für YouTubeAutomatische Untertitel entstehen im Allgemeinen in drei Schritten. Die genauen Bedienelemente unterscheiden sich je nach Tool, aber wenn man Spracherkennung und zeitliche Zuordnung getrennt betrachtet, lässt sich leichter verstehen, warum Fehler auftreten.
Das System analysiert die Audiospur des Videos, um gesprochene Passagen von Stille und anderen Geräuschen zu unterscheiden. Deutlich verständliche Sprache bietet ihm meist eine bessere Ausgangsbasis als eine Stimme, die von Musik überlagert wird.
Die Spracherkennung sagt voraus, welche Wörter zu den erkannten Lauten passen. Akzente, sich überlagernde Stimmen, ungewöhnliche Namen und Fachbegriffe können zu Text führen, der plausibel aussieht, aber falsch ist.
Den vorhergesagten Wörtern werden Positionen auf der Zeitleiste zugewiesen, damit sie während der Wiedergabe erscheinen. Anschließend sollte jemand Wortlaut, Zeichensetzung, Sprecherwechsel und Timing anhand des Originaltons prüfen.
Video und Sprache
Vorschau mit Untertiteln
Automatische Untertitel können einen nützlichen Entwurf mit zeitlicher Zuordnung liefern. Sie können nicht jedes beabsichtigte Wort zuverlässig bestimmen, alle Sprecher identifizieren oder garantieren, dass der eingeblendete Text zum endgültigen Layout passt.
Ein Modell kann einen unbekannten Namen oder Ausdruck durch einen geläufigeren ersetzen, selbst wenn der entstehende Satz flüssig klingt.
Lösung
Gleiche Namen, Zahlen und wichtige Aussagen direkt mit der Aufnahme ab.
Sich überlagernde Stimmen oder ein Sprecherwechsel ohne Pause können zu verwirrenden Untertiteln führen.
Lösung
Spiele Gesprächsabschnitte erneut ab und mache Sprecherwechsel deutlich, sofern der verfügbare Bearbeitungsablauf dies zulässt.
Rauschen, Übersteuerung oder sehr leise Sprache können zu wenig Informationen für eine zuverlässige Spracherkennung liefern.
Abhilfe
Verbessern Sie nach Möglichkeit die Aufnahme und korrigieren Sie anschließend unklare Passagen manuell.
Text kann ein Gesicht, eine Vorführung oder andere wichtige Bildinformationen verdecken.
Abhilfe
Sehen Sie sich das fertige Video in der Größe und Ausrichtung an, die Ihr Publikum wahrscheinlich verwendet.
Content-Creator, Lehrkräfte und Teams nutzen automatische Untertitel für einen ersten Entwurf. Der folgende Vergleich beschreibt diesen Entwurf und die anschließende menschliche Bearbeitung; er bedeutet nicht, dass einer der beiden Schritte fehlerfrei ist.
Gesprochene Wörter
Automatischer erster Durchgang
Anhand der Audioaufnahme erkannt
Von Menschen überprüfte Untertitel
Mit der Aufnahme abgeglichen
Namen und Fachbegriffe
Automatischer erster Durchgang
Werden möglicherweise durch geläufige Wörter ersetzt
Von Menschen überprüfte Untertitel
Anhand der vorgesehenen Schreibweise und des Kontexts korrigiert
Zeichensetzung
Automatischer erster Durchgang
Anhand von Sprachmustern geschätzt
Von Menschen überprüfte Untertitel
An die beabsichtigte Bedeutung angepasst
Sprecherwechsel
Automatischer erster Durchlauf
Bei Überschneidungen möglicherweise unklar
Von Menschen überprüfte Untertitel
Durch Anhören des Gesprächs geklärt
Zeitliche Abstimmung
Automatischer erster Durchlauf
Automatisch auf der Zeitleiste platziert
Von Menschen überprüfte Untertitel
Bei der Wiedergabe geprüft und bei Bedarf angepasst
Lesbarkeit auf dem Bildschirm
Automatischer erster Durchlauf
Durch die Transkription allein nicht gewährleistet
Von Menschen überprüfte Untertitel
Zusammen mit dem fertigen Bildmaterial geprüft
Autocaptions hilft Ihnen, die Schritte zu verstehen, die lesbarem Text in Videos zugrunde liegen. Wenn Sie einen Workflow zur Videoerstellung ausprobieren möchten, beginnen Sie mit Ihrer Aufnahme und planen Sie Zeit ein, um alle generierten Untertitel anhand des Tons zu überprüfen.
Videoerstellung entdeckenSie analysieren die Tonspur eines Videos, sagen die gesprochenen Wörter voraus und blenden den Text an den entsprechenden Stellen der Wiedergabe ein. Das Ergebnis ist ein Entwurf, der mit der Aufnahme abgeglichen werden sollte, insbesondere wenn Sprache undeutlich ist.
Untertitelungssysteme schätzen, an welchen Stellen der Tonspur gesprochene Wörter oder Wortgruppen vorkommen, und legen anhand dieser Schätzungen fest, wann der Text erscheint. Das Timing kann dennoch abweichen oder unpassend wirken. Deshalb ist es wichtig, das Video mit eingeblendeten Untertiteln anzusehen.
Die Spracherkennung muss Wörter aus dem Klang erschließen, und manche Wörter klingen ähnlich. Hintergrundgeräusche, Akzente, gleichzeitig sprechende Personen und unbekannte Namen erhöhen die Wahrscheinlichkeit einer falschen Vorhersage.
Sie nutzen Muster in Sprache und Sprachgebrauch, um Text vorherzusagen. Das garantiert aber nicht, dass sie die beabsichtigte Aussage richtig wiedergeben. Schon ein kleiner Fehler bei einem Namen, einer Zahl oder einer Verneinung kann die Bedeutung eines Satzes erheblich verändern.
Ja, wenn Genauigkeit und Lesbarkeit wichtig sind. Hören Sie zu, während Sie die Untertitel lesen, korrigieren Sie den Wortlaut und prüfen Sie, ob jede Zeile zum richtigen Zeitpunkt erscheint, ohne wichtige Bildinhalte zu verdecken.