KI-Untertitel: automatisch, wortgenau und wirklich lesbar (2026)

Ein großer Teil der Zuschauer sieht Kurzvideos stumm: in der Bahn, im Büro, abends neben jemandem, der schon schläft. Ohne Untertitel bleibt von deinem Video eine stumme Bildfolge übrig — und die überlebt die ersten zwei Sekunden selten. Untertitel sind deshalb kein Extra, das man später ergänzt, sondern Teil des Videos.

Warum Untertitel bei Kurzvideos nicht optional sind

Der offensichtliche Grund ist Verständlichkeit ohne Ton. Der zweite wird meist übersehen: Untertitel halten den Blick am Bild fest. Wer mitliest, scrollt seltener weiter, weil das Auge beschäftigt ist — besonders in den ersten Sekunden, in denen sich entscheidet, ob überhaupt jemand bleibt.

• Stumm konsumierbar. Deine Aussage kommt an, auch wenn nie jemand den Ton einschaltet.
• Barrierefrei. Gehörlose und schwerhörige Zuschauer bekommen denselben Inhalt.
• Auffindbar. Eine hochgeladene Untertiteldatei ist Text, den Plattformen auswerten können.

Drei Dinge, die alle „Untertitel“ heißen

Hier entsteht die meiste Verwirrung. Es gibt drei völlig verschiedene Sachen, und nur eine davon funktioniert für Kurzvideos wirklich.

1. Automatische Plattform-Untertitel. YouTube erzeugt sie selbst per Spracherkennung. Sie kosten nichts, aber der Zuschauer muss sie einschalten, sie erscheinen in der Player-Schrift, und bei Fachbegriffen oder Dialekt raten sie oft.
2. Untertiteldatei (SRT oder VTT). Eine Textdatei mit Zeitstempeln, die du separat hochlädst. Nachträglich korrigierbar und mehrsprachig möglich — aber sie bleibt zuschaltbar, und du hast keine Kontrolle über die Darstellung.
3. Eingebrannte Untertitel. Der Text ist fester Bestandteil der Bildspur. Immer sichtbar, überall gleich, in deiner Schrift und an deiner Position — dafür nicht mehr änderbar, ohne neu zu rendern.

Für Shorts, Reels und TikTok ist die dritte Variante der Standard. Der Feed spielt stumm ab, und niemand tippt vorher auf ein Untertitel-Symbol. Was nicht im Bild steht, wird nicht gelesen.

Wortgenaues Timing — der eigentliche Unterschied

Klassische Untertitel arbeiten auf Satzebene: ein Block bekommt einen Start- und einen Endzeitpunkt. Moderne Spracherkennung liefert stattdessen einen Zeitstempel pro Wort. Das klingt nach einem Detail, ändert aber alles am Ergebnis.

Mit Wort-Zeitstempeln kannst du zwei bis vier Wörter gleichzeitig zeigen und das gerade gesprochene Wort hervorheben — der Karaoke-Effekt, den man aus gut laufenden Kurzvideos kennt. Der Text springt exakt im Sprechrhythmus, statt als Block stehenzubleiben. Ohne Wort-Timing ist dieser Effekt nur geschätzt, und man sieht es sofort: Die Hervorhebung läuft der Stimme einen Sekundenbruchteil hinterher.

Was kostenlose KI-Untertitel-Generatoren wirklich leisten

Die Transkription selbst ist heute weitgehend gelöst und in vielen Werkzeugen ohne Bezahlung nutzbar. Bei sauberer deutscher Aufnahme liegt die Erkennung erfahrungsgemäß nah an dem, was ein Mensch tippen würde. Die Grenzen liegen woanders:

• Wasserzeichen im Export — der häufigste Haken bei Gratis-Tarifen.
• Längen- und Mengenlimits, oft nur wenige Minuten pro Video oder pro Monat.
• Kein Export ohne Konto, teils nur in reduzierter Auflösung.
• Wenig Kontrolle über Stil, Position und Zeilenumbruch.

Für einen Test reicht das. Für eine Serie, die regelmäßig erscheint, ist das manuelle Nachbessern der Punkt, an dem die Zeit verloren geht.

Typisch deutsche Stolperfallen

1. Komposita sprengen die Zeile. Krankenversicherungsbeitrag passt in keine zweizeilige Kurzvideo-Anzeige. Entweder du kürzt schon im Skript, oder das Wort wird automatisch verkleinert und fällt aus dem Layout.
2. Umlaute und ß in schlechten Schriften. Viele beliebte Display-Fonts haben keinen vollständigen deutschen Zeichensatz. Ergebnis: fehlende Punkte über dem ä, ein ersetztes ß oder leere Kästchen. Teste vor dem Rendern mit einem Wort wie Übergrößenmaß.
3. Falsche Trennung. Automatische Umbrüche trennen gern nach Zeichenzahl statt nach Silben. Urin-stinkt statt Ur-instinkt ist kein erfundenes Beispiel, sondern das typische Muster.
4. Anglizismen und Eigennamen. Deutsch-englische Mischsätze bringen die Erkennung aus dem Takt. Marken- und Produktnamen prüfst du am besten immer von Hand.
5. Zahlen und Abkürzungen. z. B., ca. und Jahreszahlen werden unterschiedlich ausgeschrieben — entscheide dich für eine Schreibweise und ziehe sie durch.

Qualitäts-Checkliste vor dem Hochladen

1. Maximal zwei Zeilen, etwa zwei bis vier Wörter pro Zeile.
2. Sicherer Bereich: nicht ganz unten ins Bild setzen, sonst verdeckt die Bedienoberfläche der Plattform den Text.
3. Kontur oder halbtransparente Box, damit der Text auch auf hellem Bild lesbar bleibt.
4. Schrift mit vollständigen deutschen Sonderzeichen, fett genug für kleine Displays.
5. Erste und letzte Sekunde einzeln prüfen — dort sitzen die meisten Timing-Fehler.
6. Einmal stumm auf dem Handy ansehen. Wenn du der Aussage folgen kannst, passt es.

Wenn Untertitel Teil der Produktion sind

Der schnellste Weg ist, Untertitel gar nicht als eigenen Arbeitsschritt zu behandeln. Wenn Skript, Stimme und Schnitt aus einem Durchlauf kommen, ist das Wort-Timing ohnehin bekannt und die Untertitel entstehen mit. Genau so arbeitet Screelo: Aus einem Thema entstehen Skript, KI-Stimme, Bildmaterial, Schnitt und synchron eingebrannte Untertitel als fertiges Hochformat-Video, das direkt auf YouTube Shorts, TikTok und Instagram veröffentlicht werden kann. Wie die Stimme dazu entsteht, steht im Guide zum KI-Stimme Generator.