Aus deiner Aufnahme eine SRT-Datei erstellen

Fordere Text mit timestamps=true an. Hast du die Sprecherzuordnung eingeschaltet, enthält er auch die Labels. Alle Abrufoptionen stehen in der API-Referenz.

Jede Zeile verweist auf einen Abschnitt der Aufnahme. Bewahre deshalb den Videolink oder Dateinamen zusammen mit dem Text auf. Eine Zeit wie 00:12:40 hilft nur, wenn du später noch weißt, zu welcher Aufnahme sie gehört. Der Text im Beispiel zeigt einen möglichen Export.

In JSON sind start und end Sekunden ab Beginn der Aufnahme, keine Uhrzeiten oder Datumsangaben. Ein Player kann damit zur passenden Stelle springen. In deinen Notizen kannst du dieselben Werte als Quellenverweise behalten.

SRT besteht aus nummerierten Untertitelblöcken mit Anfang und Ende. WebVTT beginnt mit WEBVTT und eignet sich für das HTML-Element track. Rufe nach Abschluss der Transkription format=srt oder format=vtt ab und speichere die Antwort als Datei.

Wähle das Format, das dein Zielprogramm annimmt. SRT ist bei Schnittprogrammen und Untertitel-Uploads verbreitet. Für eine HTML-Videospur nutzt du WebVTT. Schrift, Position und Darstellung legt dein Player oder Editor fest. Die Dateien brennen keine Untertitel ins Bild ein und übernehmen keinen Social-Media-Untertitelstil.

SRT trennt Millisekunden mit einem Komma, WebVTT mit einem Punkt. Eine umbenannte Dateiendung wandelt das Format nicht um. Rufe stattdessen den gewünschten Export über die ID der fertigen Transkription ab. Dafür fallen keine neuen Minuten an.

Mit include=words beim JSON-Abruf bekommst du Wort-Zeitstempel, sofern die Quelle sie liefert. Damit kannst du Wörter während der Wiedergabe hervorheben oder eine Clip-Grenze genauer suchen. Ohne Wortdaten steht words auf null. Die Felder erklärt die Abruf-Referenz.

Bei Speech-to-Text erhältst du Wortanfang, Wortende und confidence. Automatisch erzeugte YouTube-Untertitel liefern Wortanfänge; das Ende leiten wir jeweils aus dem nächsten Anfang ab. Untertitel vom YouTube-Creator und sämtliche Untertitel anderer Plattformen haben keine Wort-Zeitstempel. Das gilt auch für automatisch erzeugte Spuren etwa von X, TikTok und Bluesky. X-Untertitel erkennst du an transcript_source: x_captions.

Deine Oberfläche sollte bei fehlenden Wortdaten die Segmentzeiten nutzen. Ein Wort-Zeitstempel ist außerdem noch keine geprüfte Schnittmarke. Höre kurz vor und nach der Grenze hinein, damit du keinen Lautanfang abschneidest. Für Untertitel fasst du Wörter zu lesbaren Gruppen zusammen und prüfst sie auf der vorgesehenen Bildschirmgröße.

Warte auf status=completed. Vorher bekommst du das JSON-Statusobjekt zurück, auch wenn du Text, SRT oder VTT angefragt hast. Lehnt dein Player eine Datei ab, prüfe zuerst, ob dein Code versehentlich diese Statusantwort als Untertitel gespeichert hat.

Die Zeiten müssen zur endgültigen Aufnahme passen. Schneidest du einen Ausschnitt aus der Mitte, müssen die Untertitel entsprechend verschoben werden. Bewahre beim Weiterverarbeiten von Inhalten den geplanten Clip-Bereich auf und passe die Untertitel nach dem finalen Schnitt an.

Öffne die Datei vor der Veröffentlichung im Ziel-Player. Prüfe bei normaler Geschwindigkeit Zeilenlänge, Lesezeit und Sprecherlabels. Der Leitfaden für barrierearme Untertitel behandelt außerdem wichtige Geräusche und Bildkontext, die eine reine Sprachtranskription nicht abdeckt.

Speichere die Transkriptions-ID mit den Exportdaten. Brauchst du später WebVTT statt SRT oder Wortdaten statt Fließtext, rufst du dieselbe fertige Transkription erneut ab. Du musst weder das Video noch das Audio noch einmal verarbeiten lassen.