Glossar für Transkription und Untertitel

Kurze, praxisnahe Erklärungen der Begriffe, die Ihnen beim Transkribieren von Aufnahmen und bei der Arbeit mit Untertiteln begegnen – mit Beispielen und dem, was sie in der Praxis bedeuten.

SRT-Datei: Eine SRT-Datei (SubRip Subtitle, .srt) ist eine Untertiteldatei im reinen Textformat. Jeder Untertitel ist ein nummerierter Eintrag mit Start- und Endzeit und ein oder zwei Textzeilen. Player und Plattformen blenden den Text zu diesen Zeiten über dem Video ein, und Zuschauer können ihn ein- oder ausschalten.
VTT-Datei: Eine VTT-Datei (WebVTT, .vtt) ist das Untertitel- und Caption-Format für Videos im Web. Wie SRT ist sie reiner Text, beginnt aber mit der Zeile WEBVTT, schreibt die Millisekunden nach einem Punkt und kann Stile, Positionen und Sprecher-Tags enthalten, die Browser verstehen.
Offene Untertitel: Offene Untertitel (eingebrannte Untertitel, Open Captions) sind fest ins Video eingebrannt und Teil des Bildes. Sie sind immer sichtbar, sehen in jedem Player und auf jeder Plattform gleich aus und lassen sich nicht ausschalten – anders als Closed Captions (zuschaltbare Untertitel), die als separate Spur mitkommen und sich ein- oder ausschalten lassen.
SDH-Untertitel: SDH steht für Subtitles for the Deaf and Hard of Hearing, also Untertitel für Gehörlose und Hörgeschädigte. Neben dem Dialog nennen SDH-Untertitel Sprecher außerhalb des Bildes und beschreiben wichtige Geräusche – [Tür knallt], [Handy vibriert], [spannende Musik] –, damit das Video auch ohne Ton verständlich ist. Streamingdienste kennzeichnen sie zum Beispiel als Englisch [SDH].
Sprecherdiarisierung: Sprecherdiarisierung (auch Sprecherdiarisation) ist der Schritt der Spracherkennung, der ermittelt, wer wann spricht. Sie teilt eine Aufnahme nach Stimmen in Abschnitte auf und benennt diese als Sprecher 1, Sprecher 2 und so weiter. So zeigt das Transkript eines Interviews oder Meetings die Redebeiträge jeder Person statt eines einzigen Textblocks.
Wörtliche Transkription: Eine wörtliche Transkription (Verbatim) hält Sprache genau so fest, wie sie gesagt wurde: jedes „ähm“ und „äh“, wiederholte Wörter, Satzabbrüche, Stottern und oft nonverbale Laute wie [lacht]. Das Gegenstück, die geglättete Transkription (Clean Verbatim), behält Worte und Aussage des Sprechers bei, entfernt aber Füllwörter und Versprecher, damit sich der Text flüssig liest.
Timecode: Timecode ist eine Kennzeichnung für jedes einzelne Videobild im Format Stunden:Minuten:Sekunden:Frames – 01:02:03:12 ist Frame 12 der dritten Sekunde. Im Schnitt findet man damit denselben Moment in jeder Kopie eines Projekts. Untertiteldateien zählen die Zeit dagegen meist in Millisekunden, und genau da beginnen die Verwechslungen.
Erzwungene Untertitel: Erzwungene Untertitel (Forced Subtitles) erscheinen auch dann, wenn Untertitel ausgeschaltet sind. Sie decken nur ab, was Zuschauer in der Sprache des Films sonst verpassen würden: Dialoge in einer anderen Sprache, Schilder, Briefe und Text im Bild. Streamingdienste nennen sie Forced-Narrative-Untertitel.
Transkriptionsregeln: Transkriptionsregeln sind vereinbarte Vorgaben dafür, wie gesprochene Sprache zu Text wird: wie Sprecher, Pausen, gleichzeitiges Sprechen, Betonung, Lachen und unverständliche Wörter markiert werden. Eine Studie oder ein Projekt wählt ein Regelwerk und wendet es auf jedes Transkript an, damit sich Transkripte verschiedener Personen vergleichen lassen.
Synchronbuch: Ein Synchronbuch (auch Dialogbuch) ist der übersetzte Dialog eines Films oder Videos, so umgeschrieben, dass jeder Satz in der Zeit gesprochen werden kann, die der Originalsatz im Bild dauert. Es führt jede Zeile mit der Figur auf, die sie spricht, sowie mit Timecodes für Ein- und Ausstieg. Den bearbeiteten Text lesen die Synchronsprecher – oder eine KI-Stimme – im Studio.
Synchronisation: Synchronisation bedeutet, die Sprache in einem Film, einer Serie oder einem Video durch neu aufgenommene Sprache zu ersetzen – meist durch eine Übersetzung in eine andere Sprache –, sodass das Publikum die Geschichte in der eigenen Sprache hört, statt Untertitel zu lesen. Die neuen Sätze werden zeitlich ans Bild angepasst, Musik und Soundeffekte des Originals bleiben erhalten.
Voice-over-Übersetzung: Voice-over bedeutet bei einer Übersetzung, dass eine gesprochene Übersetzung über den Originalton gelegt wird, der leiser darunter hörbar bleibt. Anders als die Synchronisation versucht die Voice-over-Übersetzung nicht, die Originalstimmen zu ersetzen oder die Lippenbewegungen zu treffen: Das Publikum hört, dass jemand anderes übersetzt.
Voice Cloning: Voice Cloning bedeutet, aus Aufnahmen der Sprache einer bestimmten realen Person eine synthetische Stimme zu erzeugen, die wie sie klingt. Der Klon kann dann neue Sätze sprechen, die die Person nie aufgenommen hat, auch in anderen Sprachen – so behalten Synchronisationstools die eigene Stimme eines Sprechers in einer Übersetzung.