Zeitstempel in der Transkription: Wortebene oder Segmentebene, und wann Sie was brauchen

Zeitstempel in einer Transkription verknüpfen den Text mit dem Moment, in dem er gesprochen wurde, und es gibt sie in zwei Auflösungen. Segment-Zeitstempel geben jeder Phrase oder jedem Satz eine Start- und eine Endzeit. Genau das brauchen Untertitel, überprüfbare Transkripte und Kapitellisten. Wort-Zeitstempel geben jedem einzelnen Wort einen eigenen Start und ein eigenes Ende. Das zählt nur, wenn eine Software mit einzelnen Wörtern arbeitet: Karaoke-Untertitel, Schnitt über den Text, exaktes Zuschneiden von Clips oder Sprachanalyse.

Wenn Sie keine dieser Funktionen bauen, ist das Timing auf Segmentebene die richtige Voreinstellung. Im Folgenden sehen Sie, wie beide Varianten aussehen, wie Sie Zeitstempel von Hand oder automatisch in ein Transkript bringen, wie Tools wie Whisper Wortzeiten erzeugen und welche Dateiformate sie überhaupt speichern können.

Was bedeuten Zeitstempel in einer Transkription?

Mit Zeitstempeln setzen Sie Zeitmarken in ein Transkript, damit man von einer Textzeile direkt an dieselbe Stelle der Aufnahme springen kann. Ein Zeitstempel besteht meist aus Stunden, Minuten und Sekunden, etwa [00:14:32]. Untertiteldateien ergänzen Millisekunden: 00:14:32.480.

Zeitstempel erfüllen drei Aufgaben. Sie erlauben es, ein Zitat mit dem Audio abzugleichen, auf einen bestimmten Moment zu verweisen oder zu verlinken (ein Kapitel, ein Eintrag in den Shownotes, ein Auszug in einer Forschungsarbeit) und Text und Ton in einem Player oder Editor zu synchronisieren. Welche Aufgabe Sie haben, entscheidet darüber, wie dicht die Zeitstempel sitzen müssen.

Welche Arten von Zeitstempeln gibt es im Transkript?

Vier Konventionen decken fast jedes Transkript ab, das Ihnen begegnen wird. Die ersten beiden sind in von Hand getippten Transkripten üblich, die letzten beiden stammen aus Software.

Forschungstranskripte kombinieren oft die ersten beiden: ein Zeitstempel bei jedem Sprecherwechsel und zusätzlich einer zu jeder vollen Minute bei langen Monologen. So bleibt die Seite lesbar, und wer codiert, findet trotzdem jede Passage in Sekunden.

Wort-Zeitstempel und Segment-Zeitstempel im Vergleich: so sehen sie aus

Hier ein Satz in Segmentauflösung, in der Form, die jeder Untertitel-Editor verwendet:

00:01:22.400 --> 00:01:25.900
The results surprised everyone on the team.

Und dasselbe Audio in Wortauflösung, so wie ein typisches JSON-Transkript es speichert (gekürzt):

[
  {"word": "The",       "start": 82.40, "end": 82.58},
  {"word": "results",   "start": 82.61, "end": 82.98},
  {"word": "surprised", "start": 83.05, "end": 83.47},
  {"word": "everyone",  "start": 83.52, "end": 83.86},
  ...
]

Die Segmentfassung ist eine Zeile, die ein Mensch lesen kann. Die Wortfassung besteht aus sieben Datensätzen, mit denen ein Programm arbeiten kann. Beide beschreiben dieselben 3,5 Sekunden. Sie unterscheiden sich in der Auflösung, nicht im Wahrheitsgehalt.

Wann reichen Segment-Zeitstempel?

Für die meisten Ergebnisse, die ein Mensch liest oder ansieht, sind Segmente die richtige Körnung.

• Untertitel und Closed Captions. Ein Cue ist ein Segment: eine Phrase, die lange genug auf dem Bildschirm steht, um sie zu lesen. Der Netflix-Styleguide etwa legt pro Untertitel mindestens fünf Sechstel einer Sekunde und höchstens sieben Sekunden fest (Netflix Timed Text Style Guide). Einem Cue, der diese Grenzen einhält, bringt Wort-Timing nichts. Das eigentliche Handwerk liegt in Zeilenumbrüchen und Lesegeschwindigkeit, mehr dazu in unserem Leitfaden zur Zeilenlänge von Untertiteln.

• Prüfen und Zitieren. Wer ein Zitat aus einem Interview oder eine Entscheidung im Besprechungsprotokoll kontrollieren will, klickt auf einen Satz und hört ihn sich an. Dafür genügt die Auflösung auf Satzebene.

• Kapitel und Shownotes. YouTube-Kapitel brauchen in der Beschreibung eine Liste, die bei 00:00 beginnt, mindestens drei Zeitstempel in aufsteigender Reihenfolge enthält und Kapitel von mindestens 10 Sekunden Länge hat (YouTube-Hilfe). Millisekundengenaues Wort-Timing braucht dafür niemand.

• Eine Aufnahme durchsuchen. Landet die Suche im richtigen Segment, sind Sie nur wenige Sekunden vom gesuchten Begriff entfernt. Den Rest erledigen Ihre Ohren.

Wann brauchen Sie Wort-Zeitstempel?

Wort-Timing lohnt sich dann, wenn eine Funktion ohne es schlicht nicht funktioniert.

• Untertitel Wort für Wort. Der Stil, der auf TikTok, Reels und Shorts verbreitet ist, bei dem jedes Wort beim Sprechen aufploppt oder die Farbe wechselt, muss wissen, wann jedes Wort beginnt.

• Mitlese-Transkripte. Podcast- und Vorlesungsplayer, die das aktuelle Wort während der Wiedergabe hervorheben, richten sich nach Wortzeiten.

• Schnitt über den Text. Einen Satz im Transkript löschen und das Audio an genau derselben Stelle schneiden lassen: Das setzt eine Zuordnung von Wort zu Audio voraus.

• Präziser Clip-Schnitt. Automatische Clips, die exakt auf dem ersten Wort eines Zitats beginnen, ohne eine halbe Sekunde Atmen davor, nutzen die Startzeiten der Wörter.

• Sprachanalyse. Sprechtempo, Pausenlänge und Überlappungen zwischen Sprechern werden aus Wortzeiten berechnet.

Ein schneller Test: Wenn Sie keine Funktion benennen können, die Wortzeiten auslesen wird, brauchen Sie sie nicht. Sie trotzdem zu speichern kostet in den meisten Tools nichts. Sie Lesern anzuzeigen, macht ein Transkript dagegen schwerer nutzbar.

Wortebene und Segmentebene auf einen Blick

Wie setzt man Zeitstempel in einer Transkription?

Wenn Sie ein Transkript von Hand tippen, ist eine einheitliche Konvention wichtiger als die konkrete Wahl. Ein praktikables Vorgehen:

1. Format einmal festlegen. Verwenden Sie [hh:mm:ss] in eckigen Klammern für Dokumente. Millisekunden nur in Untertiteldateien ergänzen, wo das Format sie verlangt.

2. Auslöser festlegen. Setzen Sie einen Zeitstempel bei jedem Sprecherwechsel, in einem festen Intervall (30 oder 60 Sekunden sind üblich) oder beides. Notieren Sie die Regel oben im Dokument, damit andere wissen, was ein fehlender Zeitstempel bedeutet.

3. Die Zeit vom Player ablesen, nicht aus dem Gedächtnis. Pausieren, aktuelle Position notieren, an den Zeilenanfang schreiben.

4. Lücken und unverständliche Stellen ebenfalls mit Zeit markieren, zum Beispiel [unverständlich 00:12:41], damit jemand beim Prüfen direkt zur Problemstelle springen kann.

5. Zum Schluss stichprobenartig prüfen. Springen Sie zu drei oder vier Zeitstempeln und kontrollieren Sie, ob der Text zu dem passt, was Sie hören.

Eine Stunde Audio auf diese Weise von Hand zu bearbeiten dauert lange. Deshalb lassen die meisten heute die Spracherkennung die Zeitstempel setzen und korrigieren nur noch den Text. Ein automatisches KI-Transkriptionstool liefert ein Transkript, in dem jedes Segment seine eigene Zeitmarke trägt. BlaBlaScribe arbeitet so mit hochgeladenen Dateien und Links (zum Beispiel über den YouTube-Transkript-Generator), mit einer Genauigkeit von bis zu 99,8 % bei klarem Audio, und exportiert unter anderem SRT, VTT, DOCX, TXT und JSON. Es ist kein Meeting-Bot, tritt keinen laufenden Calls bei und hat keine öffentliche API. Wenn Sie Wort-Arrays direkt in Ihre eigene Software streamen möchten, passt eine Sprach-API für Entwickler besser.

Wie funktionieren Wort-Zeitstempel in Whisper?

Sprachmodelle hören ein Wort nicht in einem einzigen Augenblick. Sie bewerten das Audio in kurzen Frames und geben Text-Tokens aus, sobald genug Hinweise zusammenkommen. Wort-Zeitstempel entstehen, indem man diese Tokens wieder auf die Frames abbildet. Dieser Schritt heißt Alignment. Dafür gibt es zwei gängige Wege.

• Aus der Attention des Modells selbst. Das quelloffene Whisper von OpenAI hat eine Option word_timestamps, die laut Quellcode Wort-Zeitstempel „using the cross-attention pattern and dynamic time warping“ ermittelt (Whisper, transcribe.py). Die Hilfe der Kommandozeile bezeichnet das Flag nach wie vor als experimentell. Ist es aktiv, kann Whisper in seiner SRT- und VTT-Ausgabe außerdem jedes Wort beim Sprechen unterstreichen.

• Forced Alignment in einem zweiten Durchgang. Ein separates Modell nimmt den fertigen Text und das Audio und sucht Phonem für Phonem die beste Übereinstimmung. WhisperX geht diesen Weg und kombiniert Sprachaktivitätserkennung mit erzwungenem Phonem-Alignment. Die Autoren weisen darauf hin, dass Whispers Zeitstempel für Äußerungen zu Ungenauigkeiten neigen und Wort-Zeitstempel nicht von Haus aus verfügbar sind (Bain et al., WhisperX, 2023).

Kommerzielle APIs bieten dieselbe Idee als Anfrageoption an. Google Cloud Speech-to-Text liefert zum Beispiel Start- und End-Offsets für jedes Wort, wenn enableWordTimeOffsets auf true gesetzt ist, und zwar in Schritten von 100 ms (Google-Cloud-Dokumentation). Diese Körnung reicht, um Wörter hervorzuheben, ist aber zu grob, um sich ohne Prüfung auf framegenaue Audioschnitte zu verlassen.

Warum sind Whisper-Zeitstempel manchmal ungenau?

Die Ursachen sind meist dieselben, die auch der Transkriptionsgenauigkeit allgemein schaden. Verbundene Sprache verwischt Wortgrenzen („haste mal“, „gibt’s“), überlappende Sprecher konkurrieren um denselben Abschnitt Audio, Musik und Störgeräusche verschmieren die Einsätze, und lange Stille oder halluzinierter Text können spätere Segmente aus dem Takt bringen. Wortzeiten bei schwierigem Audio stimmen pro Wort meist ungefähr und pro Phrase verlässlich. Wenn das Timing abdriftet, bereinigen Sie zuerst das Audio, teilen sehr lange Dateien auf und nutzen ein Tool mit eigenem Alignment-Durchgang. Hintergründe zur Technik finden Sie in wie Speech-to-Text tatsächlich funktioniert und in unserem Vergleich Whisper vs. kostenpflichtige Transkriptionstools.

Welche Dateiformate können Wort-Zeitstempel speichern?

• SRT kennt nur Segmente. Jeder Cue hat einen Start, ein Ende und einen Textblock, ein Feld für Wortzeiten gibt es nicht.

• WebVTT nutzt Segment-Cues wie SRT, die WebVTT-Spezifikation des W3C erlaubt aber zusätzlich Zeitstempel innerhalb des Cue-Textes, etwa <00:01:22.610>results. Jeder muss später liegen als der vorherige und innerhalb von Start und Ende des Cues bleiben. Das ist der Standardweg, Karaoke-Timing in einer Untertiteldatei abzubilden, auch wenn nicht jeder Player es darstellt. Die Vor- und Nachteile beider Formate stehen in SRT vs. VTT.

• JSON-Transkripte sind das natürliche Zuhause von Wortdaten: Arrays aus Wort, Start, Ende und oft einem Konfidenzwert, die von Editoren, Clip-Tools und Analyseskripten verarbeitet werden.

• DOCX und TXT tragen höchstens Zeitstempel pro Segment oder Sprecherbeitrag. Alles Feinere macht aus einer Seite zum Lesen nur Rauschen.

Die praktische Lesart: Ist das Ergebnis eine Datei, die ein Mensch öffnet, gehört Segment-Timing hinein. Ist es Datenmaterial für ein anderes Programm, kann sich Wort-Timing lohnen.

Welche Variante sollten Sie wählen?

1. Transkripte, Notizen, Zitate, Kapitel, normale Untertitel: Segmentebene. Exportieren Sie SRT oder VTT für Video, DOCX oder TXT zum Lesen.

2. Animierte Untertitel für Kurzvideos: Wortebene, um die Sie sich aber selten selbst kümmern. Ein Tool wie Word-by-Word Captions nutzt intern Wort-Timing für Untertitel, die bei jedem gesprochenen Wort aufleuchten (ein vollständiges MP4 mit eingebrannten Untertiteln ohne Wasserzeichen setzt einen kostenpflichtigen Tarif voraus).

3. Mitlese-Player auf einer Website: Wortebene, dargestellt von einem Player wie dem Podcast Transcript Player, der jedes Wort hervorhebt, während die Folge läuft.

4. Eigene Software für Schnitt, Clips oder Analysen: JSON auf Wortebene aus einer API oder einem Aligner wie WhisperX, an einer Stichprobe geprüft, bevor Sie sich darauf verlassen.

Häufig gestellte Fragen

Was ist der Unterschied zwischen Wort- und Segment-Zeitstempeln?

Segment-Zeitstempel geben einer ganzen Phrase oder einem Satz eine Start- und Endzeit, Wort-Zeitstempel dagegen jedem einzelnen Wort. Segmente eignen sich für Untertitel und lesbare Transkripte, Wörter für Softwarefunktionen wie animierte Untertitel und den Schnitt über den Text.

Sind Wort-Zeitstempel genauer?

Sie sind feiner aufgelöst, nicht genauer. Ein guter Segment-Zeitstempel ist genauso zuverlässig, um eine Stelle zu finden, und Wortzeiten bei verrauschter oder überlappender Sprache sind oft nur ungefähr.

Brauche ich Wort-Zeitstempel für Untertitel?

Nein. SRT- und VTT-Cues sind von Grund auf Segmente. Die Ausnahme ist der Wort-für-Wort-Stil bei Kurzvideos, den Tools aus internem Wort-Timing erzeugen.

Wie bekomme ich Wort-Zeitstempel aus Whisper?

Setzen Sie in Python word_timestamps=True oder übergeben Sie auf der Kommandozeile --word_timestamps True. Whisper hängt dann an jedes Wort in jedem Segment eine Start- und Endzeit. Die Funktion gilt als experimentell, und WhisperX ergänzt Forced Alignment, wenn Sie ein genaueres Timing brauchen.

Wie oft sollten Zeitstempel in einem Transkript stehen?

Bei lesbaren Transkripten ist es eine verbreitete Konvention, sie bei jedem Sprecherwechsel zu setzen oder bei langen Monologen alle 30 bis 60 Sekunden. Untertiteldateien versehen jeden Cue automatisch mit Zeitstempeln.

Kann eine VTT-Datei Wort-Timing enthalten?

Ja. Die WebVTT-Spezifikation erlaubt Zeitstempel innerhalb des Cue-Textes, etwa <00:01:22.610> vor einem Wort, die Player für Karaoke-Hervorhebung nutzen können. SRT hat nichts Vergleichbares.