Audio und Video in eine andere Sprache übersetzen (mit zweisprachigen Untertiteln)

Zuletzt verifiziert am 2026-06-24. Vocova-spezifische Grenzen (Anzahl unterstützter Sprachen, Plus / Pro-Funktionen) entsprechen der zu diesem Datum aktuellen Produktkonfiguration — weicht eine Zahl hier von dem ab, was die App anzeigt, ist die App die maßgebliche Quelle.

Eine Aufnahme zu übersetzen sind zwei Aufgaben, nicht eine. Die erste besteht darin, ein korrektes Transkript in der Originalsprache zu erhalten — die Erkennungshälfte, mit ihren eigenen Entscheidungen zu Spracherkennung und Code-Switching, behandelt in So transkribierst du Audio in mehreren Sprachen. In diesem Leitfaden geht es um die zweite Hälfte: dieses Quelltranskript in das richtige übersetzte Ergebnis zu verwandeln und dafür zu sorgen, dass das Resultat auf dem Bildschirm und auf dem Papier tatsächlich funktioniert.

Eine Regel bestimmt alles, was folgt: Übersetze aus einem geprüften Quelltranskript, niemals direkt aus dem rohen Audio. Die Übersetzung bewahrt getreu, was das Transkript sagt — einschließlich seiner Fehler —, sodass ein falsch gehörter Name oder eine falsche Zahl nicht nur falsch bleibt, sondern auch falsch übersetzt wird, und das in zwei Sprachen statt einer. Gehe von hier an davon aus, dass du eine saubere, mit Zeitstempeln versehene Quelle hast. Die interessanten Entscheidungen betreffen die Ausgabe:

• Welches Ergebnis du tatsächlich brauchst — übersetzten Text, ein zweisprachiges Transkript, übersetzte Untertitel, zweisprachige Untertitel oder ein Voiceover.
• Ob die Übersetzung physisch auf den Bildschirm passt in der Zeit, die das Original zum Sprechen brauchte.
• Namen und Begriffe konsistent halten über die gesamte Datei hinweg.
• Es einmal für viele Sprachen erledigen, statt die Arbeit zu wiederholen.

Vocova erledigt Transkription und Übersetzung in über 140 Zielsprachen an einem Ort, sodass Zeitstempel und Sprecherkennzeichnungen vom Audio bis zu einer übersetzten .srt erhalten bleiben. Beginne mit Audio übersetzen für Audio, Video übersetzen für Untertitel oder zweisprachige Untertitel, wenn sich beide Sprachen den Bildschirm teilen.

Die geprüfte Quelle begrenzt alles — dann vergiss sie

Du kannst dich nicht aus einem schlechten Transkript herausübersetzen. Hat die Quelle eine Wortfehlerrate von 20%, stellt kein Übersetzungsschritt die Bedeutung wieder her, die die Erkennung verloren hat; er produziert nur flüssigen, selbstbewussten, falschen Zieltext. Korrigiere also zuerst die Quelle — besonders Namen, Zahlen und Fachbegriffe — und stütze dich auf den obigen Erkennungsleitfaden sowie Transkriptionsgenauigkeit nach Sprache, um zu wissen, was jede Sprache realistisch liefert, bevor du übersetzt.

Das ist das letzte Mal, dass sich dieser Leitfaden mit der Quelle aufhält. Alles ab hier setzt voraus, dass sie sauber ist, und handelt von der Übersetzung selbst.

Wähle das Ergebnis, nicht nur die Sprache

„Übersetze dieses Video" verbirgt fünf verschiedene Ausgaben. Die falsche zu wählen bedeutet, den Export zu wiederholen — oder schlimmer noch, das falsche Format an ein Publikum auszuliefern.

Ergebnis	Was es ist	Am besten für	Aufpassen bei
Übersetzter Text	Ein sauberes Dokument ausschließlich in der Zielsprache	Berichte, Artikel, Weitergabe an ein einsprachiges Publikum	Verliert das Timing; nicht für Video geeignet
Zweisprachiges Transkript	Quelle und Übersetzung Zeile für Zeile gepaart	Review, QA, Forschungszitate, Sprachenlernen	Doppelt so viel Text zum Korrekturlesen
Übersetzte Untertitel	.srt / .vtt ausschließlich in der Zielsprache	Veröffentlichung eines Videos für eine Sprachgemeinschaft	Textexpansion kann das Timing überschreiten (siehe unten)
Zweisprachige Untertitel	Beide Sprachen gestapelt in einem Cue, ein Zeitstempel	Tutorials, Sprachenlernen, gemischtes oder globales Publikum	Zwei Textzeilen pro Cue — halte jede kurz
Voiceover / Synchronisation	Eine gesprochene Tonspur in der Zielsprache über dem Original	Erklärvideos und Werbung, bei denen Zuschauer keine Untertitel lesen	Am schwierigsten zeitlich anzupassen; verlangt meist einen menschlichen Durchgang

Für die meisten Teams ist die ehrliche Standardwahl übersetzte Untertitel für einen einzelnen Markt und zweisprachige Untertitel, wenn Prüfer, Lernende oder ein mehrsprachiges Team beide sehen müssen. Zweisprachige Untertitel und Video übersetzen erzeugen die Untertiteldateien direkt; ein Export als zweisprachiges Transkript deckt Dokumente und Forschung ab.

Warum nicht einfach die automatische Übersetzung der Plattform nutzen?

YouTube und die meisten Videoplattformen bieten automatisch übersetzte Untertitel per Klick. Um einen Clip privat zu verstehen, sind sie in Ordnung. Für alles, was du veröffentlichst, haben sie drei strukturelle Probleme:

• Sie übersetzen fehlerhafte Untertitel, keine geprüfte Quelle. Automatisch generierte Untertitel enthalten bereits Erkennungsfehler; die automatische Übersetzung übersetzt dann diese Fehler, ohne dazwischen einen Prüfschritt.
• Keine Kontrolle über Begriffe oder Timing. Du kannst einen falsch übersetzten Produktnamen nicht korrigieren, keinen einheitlichen Begriff durchsetzen und keine überlange Zeile kürzen — du bekommst, was die Plattform produziert.
• Du besitzt die Datei nicht. Die Untertitel bleiben auf dieser Plattform; du kannst eine geprüfte .srt nicht über YouTube, deine eigene Website, ein LMS und ein Kundenprodukt hinweg wiederverwenden.

Ein eigener Workflow kehrt alle drei Punkte um: Prüfe zuerst die Quelle, kontrolliere Begriffe und Timing und exportiere eine portable Untertiteldatei, die dir gehört. Nutze die automatische Übersetzung für ein schnelles privates Verständnis; nutze eine geprüfte Übersetzung für alles, was deinen Namen trägt.

Richtung, Pivots und Schriften, die das Layout verändern

Zwei Dinge über die Zielsprache sind wichtiger als die nackte Zahl „über 140 Sprachen".

Englisch ist der stärkste Pivot. Übersetzungen ins oder aus dem Englischen sind in der Regel die genaueste Richtung, weil Modelle am stärksten auf englischen Sprachpaaren trainiert sind. Ein Auftrag von Spanisch → Japanisch ist oft sauberer, wenn du Englisch als Referenz behandelst, gegen die du prüfst. Die Qualität ist außerdem danach gestaffelt, wie viele Daten für jede Sprache existieren — Transkriptionsgenauigkeit nach Sprache enthält die Stufenliste.

Manche Zielschriften verändern das Layout, nicht nur die Wörter — und genau hier bricht übersetztes Video stillschweigend zusammen:

• Rechts-nach-links (Arabisch, Hebräisch, Persisch, Urdu): Die Textrichtung kehrt sich um. Ziffern, lateinische Markennamen und Satzzeichen, die in eine RTL-Zeile eingebettet sind, benötigen eine korrekte bidirektionale Behandlung, und Untertitel sollten rechtsbündig ausgerichtet sein. Ein Player, der RTL schlecht darstellt, verwandelt eine korrekte Übersetzung in ein Chaos.
• CJK (Chinesisch, Japanisch, Koreanisch): Diese verwenden nicht die Regel von 42 lateinischen Zeichen. Sie haben ihre eigenen Zeichen-Grenzen pro Zeile und Regeln für den Zeilenumbruch (du kannst nicht mitten im Wort umbrechen, wie es lateinische Schriften tun), und sie verkürzen sich im Vergleich zum Englischen meist eher, als sich auszudehnen.
• Thailändisch und andere Schriften ohne Leerzeichen: Der Zeilenumbruch hängt von der Wortsegmentierung ab, nicht von Leerzeichen — naiver Umbruch erzeugt kaputte Zeilen.

Wenn dein Ziel eine dieser Schriften ist, plane Zeit ein, um die Darstellung im tatsächlichen Player zu prüfen, nicht nur den Text.

Untertitelübersetzung ist ein anderes Handwerk: Expansion, Lesegeschwindigkeit, Umschreiben

Das ist der Teil, der eine Übersetzung, die sich lesen lässt, von einer unterscheidet, die unleserlich vorbeiblitzt. Ein übersetzter Untertitel muss in derselben Zeit lesbar sein, die das Original zum Sprechen brauchte — und die meisten Sprachen übersetzen sich nicht in derselben Länge.

Textexpansion ist das Kernproblem

Übersetzter Text stimmt selten mit der Quelllänge überein. Typische Veränderung gegenüber dem Englischen (Faustregeln der Lokalisierung — als Spannen verstehen, nicht als Garantien):

Zielsprachfamilie	Typische Länge ggü. Englisch	Auswirkung auf Untertitel
Deutsch	+10% bis +35%	Läuft häufig über; rechne mit Kürzen
Romanisch (Spanisch, Französisch, Italienisch, Portugiesisch)	+15% bis +30%	Läuft bei schneller Sprache oft über
Arabisch	+20% bis +25%	Dehnt sich aus und kehrt die Richtung um
Chinesisch, Japanisch, Koreanisch	−10% bis −30% (verkürzt sich)	Passt problemlos, befolgt aber Zeichen-pro-Zeile-Grenzen

Wenn eine übersetzte Zeile für ihr Zeitfenster zu lang ist, kürzt du die Formulierung — du verlängerst den Cue niemals über den nächsten hinaus, denn das bringt den Rest der Datei aus dem Takt. Kürzen (Füllwörter weglassen, die Formulierung straffen und dabei die Bedeutung erhalten) ist eine echte Untertitelungs-Fähigkeit; sie ist auch der Grund, warum ein menschlicher Durchgang bei Untertiteln wichtiger ist als bei reinen Dokumenten.

Lesegeschwindigkeit und Zeilengrenzen

Dies sind die weit verbreiteten Rundfunk-/Streaming-Normen (siehe die am Ende verlinkten Richtlinien von BBC und Netflix):

• Lesegeschwindigkeit: Halte Cues für ein erwachsenes Publikum unter etwa 17 Zeichen pro Sekunde; niedriger bei Kinderinhalten und schnellen Schnitten.
• Zeilenlänge: etwa 42 Zeichen pro Zeile bei lateinischen Schriften, maximal zwei Zeilen pro Cue. CJK verwendet eigene Zeichenzahlen (üblicherweise ~13–16 Vollbreitenzeichen pro Zeile).
• Mindest-/Höchstdauer: Sehr kurze Einblendungen (deutlich unter einer Sekunde) und sehr lange Standzeiten schaden beide der Lesbarkeit.

Ein zweisprachiger Untertitel stapelt die Quelle über der Übersetzung in einem einzigen Cue, der sich einen Zeitstempel teilt. Da sich beide Zeilen den Cue teilen, halte jede knapp — zwei lange Zeilen in zwei Sprachen sind der schnellste Weg, die Grenze der Lesegeschwindigkeit zu sprengen.

Für den Container selbst — wann .srt und wann .vtt zu wählen ist — siehe SRT vs. VTT und den Leitfaden zu Untertitel-Dateiformaten. Erzeuge die Datei mit dem SRT-Generator oder dem VTT-Generator, sobald die Übersetzung geprüft ist.

Halte Namen und Begriffe über die gesamte Übersetzung hinweg konsistent

Das subtilste Übersetzungsversagen ist kein falscher Satz — es ist derselbe Begriff, der innerhalb einer Datei auf drei verschiedene Arten übersetzt wird. KI-Übersetzung arbeitet Segment für Segment, sodass ein Produktname, eine Berufsbezeichnung oder ein Stück Fachjargon zwischen den Cues abdriften kann, besonders über eine lange Aufnahme hinweg oder wenn mehrere Sprecher es unterschiedlich aussprechen.

Bevor du veröffentlichst, lege ein kleines Glossar fest:

• Eigennamen — Personen, Firmen, Produkte, Orte — sollten in der Regel in der Quellform bleiben oder eine vereinbarte Wiedergabe nutzen, jedes Mal.
• Fachbegriffe und Abkürzungen — wähle eine zielsprachliche Entsprechung und verwende sie konsistent; lass das Modell nicht abwechseln.
• Ton und Register — formelles vs. informelles „du" (tú/usted, du/Sie, 你/您) sollte eine einzige Wahl für das gesamte Werk sein, passend zum Publikum.

Eine zweisprachige Nebeneinander-Ansicht macht das schnell: Durchsuche die Übersetzungsspalte nach dem Begriff, korrigiere jedes Vorkommen, und die Zeitstempel verschieben sich nie. Dieser Konsistenz-Durchgang ist günstig und macht den Unterschied zwischen „maschinell übersetzt" und „lokalisiert".

Ein Video in viele Sprachen lokalisieren, ohne die Arbeit zu wiederholen

Der größte Effizienzgewinn bei der Übersetzung ist, dass die aufwendige Arbeit nur einmal anfällt. Du prüfst das Quell-Transkript ein einziges Mal; jede Zielsprache zweigt von diesem einen sauberen Original ab. Das ist das Gegenteil davon, ein Video fünfmal von Grund auf zu übersetzen.

Ein realistischer mehrsprachiger Auftrag — ein 90-sekündiges Produktvideo für fünf Märkte:

1. Transkribiere und prüfe die Quelle einmal (etwa 10 Minuten). Korrigiere Namen, den Produktbegriff und Zahlen im Original. Das ist der einzige sprachunabhängige manuelle Schritt.
2. Übersetze aus dieser Quelle in alle fünf Ziele (insgesamt ein paar Minuten). Jedes erbt dieselben Zeitstempel, sodass alle fünf Untertiteldateien synchron mit dem Video bleiben.
3. Mach einen Anpassungs-Durchgang pro Sprache, die längsten Sprachen zuerst. Deutsch und die romanischen Sprachen werden ein oder zwei Cues haben, die überlaufen — kürze diese. CJK-Ziele brauchen meist nur eine Zeilenumbruch-Prüfung.
4. Exportiere eine .srt pro Sprache (plus eine zweisprachige Datei, falls ein Markt beide möchte).

Insgesamt: Der größte Teil der Zeit entfällt auf die einmalige Quellprüfung plus einen kurzen Kürzungs-Durchgang pro Sprache — nicht auf fünf vollständige Übersetzungen. Behalte die geprüfte Quelle als kanonische Version; ändert sich das Skript, übersetzt du aus der aktualisierten Quelle neu, statt fünf Dateien von Hand zu bearbeiten.

Wann ein Mensch im Spiel bleiben sollte

KI-Übersetzung ist für viele Routinearbeiten unverändert veröffentlichbar und benötigt für den Rest einen menschlichen Durchgang. Eine einfache Entscheidungshilfe:

Situation	KI allein reicht meist	Menschlichen Durchgang einplanen
Interne Notizen, Meeting-Zusammenfassungen, grobes Verständnis, Untertitel-Entwürfe	✓
Ressourcenstarkes Paar (Englisch ↔ Spanisch/Französisch/Deutsch/Portugiesisch)	✓ (leichte Prüfung)
Marketing, Marke oder öffentlichkeitswirksames Video		✓
Recht, Medizin, Regulierung oder veröffentlichte Forschung		✓
Ressourcenschwache Zielsprache		✓
Voiceover/Synchronisation (Timing + Vortrag)		✓

Das Muster: Je geringer das Risiko und je ressourcenstärker das Paar, desto sicherer ist KI allein. Im Zweifel liefere eine zweisprachige Version aus, damit ein muttersprachlicher Prüfer schnell mit der Quelle vergleichen kann.

Checkliste vor der Veröffentlichung eines übersetzten Videos

• Quelltranskript vor dem Übersetzen geprüft (Namen, Zahlen, Begriffe).
• Richtiges Ergebnis gewählt (übersetzte vs. zweisprachige Untertitel vs. Voiceover).
• Kein Cue über ~17 CPS oder ~42 Zeichen/Zeile nach der Expansion; lange Sprachen gekürzt, nicht verlängert.
• RTL/CJK-Darstellung im tatsächlichen Player geprüft, nicht nur der Text.
• Eine konsistente Wiedergabe für jeden Eigennamen, jeden Begriff und das formelle/informelle Register.
• Zeitstempel und Sprecherkennzeichnungen in der exportierten Datei weiterhin ausgerichtet.
• Bei mehrsprachigen Aufträgen: eine kanonische geprüfte Quelle, eine Datei pro Sprache.

Häufig gestellte Fragen

Was ist der Unterschied zwischen übersetzten und zweisprachigen Untertiteln?

Übersetzte Untertitel zeigen nur die Zielsprache. Zweisprachige Untertitel stapeln beide Sprachen im selben Cue, der sich einen Zeitstempel teilt — nützlich für Sprachlernende, Tutorials und gemischtes Publikum. Beide stammen aus demselben geprüften, zeitstempel-ausgerichteten Transkript, sodass das Erzeugen des einen oder anderen lediglich eine Frage des Exports ist.

Warum laufen übersetzte Untertitel über oder blitzen zu schnell vorbei?

Weil sich die meisten Sprachen beim Übersetzen ausdehnen — Deutsch und die romanischen Sprachen sind routinemäßig 20–35% länger als das Englische. Die Lösung besteht darin, die Formulierung zu kürzen, damit sie in das ursprüngliche Zeitfenster passt, niemals den Cue zu verlängern (was alles dahinter aus dem Takt bringt). Halte Cues unter etwa 17 Zeichen pro Sekunde.

Kann ich zwei Sprachen in eine Untertiteldatei packen?

Ja — das ist ein zweisprachiger Untertitel: Jeder Cue enthält die Originalzeile über der Übersetzung unter einem Zeitstempel. Halte beide Zeilen kurz, da sie sich das Lesegeschwindigkeits-Budget des Cues teilen.

Übersetzen sich Untertitel selbst, oder übersetze ich das Transkript?

Du übersetzt das geprüfte Transkript, und die Untertiteldatei wird daraus mit intakten Zeitstempeln exportiert. Einen bereits eingebrannten oder bereits exportierten Untertitel separat zu übersetzen ist das, was Timing und Begriffskonsistenz zerstört — halte die Übersetzung mit dem zeitstempel-versehenen Transkript verbunden.

Wie übersetze ich ein Video effizient in mehrere Sprachen?

Prüfe das Quelltranskript einmal und übersetze dann diese eine saubere Quelle in jede Zielsprache. Jedes Ziel erbt dieselben Zeitstempel, sodass du nur einen kurzen Anpassungs-Durchgang pro Sprache machst (du kürzt die Sprachen, die sich ausgedehnt haben), statt das gesamte Video wiederholt zu übersetzen.

Welches Untertitelformat sollte ich für ein übersetztes Video verwenden?

.srt für maximale Kompatibilität, .vtt, wenn du Web-Styling oder Positionierung brauchst. Die Wahl ist dieselbe wie bei jedem Untertitel; was sich mit der Übersetzung ändert, sind Zeilenlänge und Lesegeschwindigkeit. Siehe SRT vs. VTT für den vollständigen Vergleich.

Ist KI-Übersetzung gut genug zum Veröffentlichen?

Für den internen Gebrauch und ressourcenstarke Sprachpaare in der Regel ja, nach einer leichten Prüfung. Für Marketing, Recht, Medizin, veröffentlichte Forschung, ressourcenschwache Sprachen oder Voiceover sollte ein Mensch im Spiel bleiben. Auch die Qualität der Quelle begrenzt das Ergebnis — ein verrauschtes Transkript lässt sich nicht gut übersetzen, egal welches Paar.

Quellen und weiterführende Literatur

Extern:

• BBC Subtitle Guidelines — Standards für Lesegeschwindigkeit und Zeilenlänge.
• Netflix Timed Text Style Guides — Untertitelanforderungen pro Sprache, einschließlich CJK-Zeichengrenzen.
• W3C Internationalization: text size in translation — warum sich übersetzter Text ausdehnt und verkürzt.

Verwandte Vocova-Leitfäden:

• So transkribierst du Audio in mehreren Sprachen — die Erkennungshälfte: Spracherkennung, Code-Switching und die Prüfung der Quelle, bevor du diesen Leitfaden erreichst.
• Transkriptionsgenauigkeit nach Sprache — die Qualitätsstufe, von der aus du vor dem Übersetzen startest.
• SRT vs. VTT — welchen Untertitel-Container du exportieren solltest.
• Der Leitfaden zu Untertitel-Dateiformaten — jedes Format und wann du es verwenden solltest.

Werkzeuge:

• Audio übersetzen
• Video übersetzen
• Zweisprachige Untertitel
• SRT-Generator
• VTT-Generator