KI transkribiert – aber wer prüft die Untertitel?

KI kann Untertitel erstellen. In Sekunden, in vielen Sprachen, für wenige Cent pro Minute. Was sie nicht kann: entscheiden, ob diese Untertitel wirklich funktionieren.

Ich nutze KI-Spracherkennung seit Jahren täglich: für Transkriptionen, Untertitelungen, mehrsprachige Projekte. Was mich 2022 noch vor allem faszinierte, war die Zeitersparnis. Heute interessiert mich eine andere Frage: Wer prüft eigentlich, was die KI liefert?

Denn die Probleme, die ich damals bei automatisch generierten Untertiteln beobachtet habe, begegnen mir auch 2026 noch täglich: fehlende Groß- und Kleinschreibung, falsche Namen, schlechte Segmentierung, Untertitel die zwar technisch vorhanden sind, aber kaum jemand wirklich lesen kann. Die Landschaft der Tools hat sich seither rasant verändert, und die Fragen rund um Qualität, Datenschutz und Barrierefreiheit sind komplexer geworden, nicht einfacher.

Darum geht es in diesem aktualisierten Artikel: nicht ob KI Untertitel kann, sondern wie gut sie wirklich sind. Und warum menschliche Qualitätskontrolle trotz immer besserer Technologie wichtiger geworden ist als je zuvor.

Mein allererstes Mal: Spracherkennung 1.0

Meine erste Begegnung mit Spracherkennung liegt allerdings noch viel länger zurück, in eine Zeit, in der Sprachsteuerung noch wie Science-Fiction wirkte und Handys vor allem eines konnten: telefonieren.

Damals saß ich im Auto neben dem Mann meiner Cousine, einem waschechten Sachsen aus Freital. Plötzlich hörte ich, wie er im breitesten Sächsisch ein einziges Wort ins Mikrofon sagte: „Schwiegermutter.” Und tatsächlich: Das Handy wählte die Nummer seiner Schwiegermutter.

Ich war beeindruckt. Nicht nur wegen der Technik, sondern auch, weil das Gerät offenbar problemlos Sächsisch verstand. Aus heutiger Sicht wirkt das unspektakulär. Doch vor über 20 Jahren war das eine kleine Sensation. Sein Handy war ein Siemens S40 mit integrierter Voice-Dialing-Funktion. Bestimmten Kontakten konnte ein Sprachbefehl zugewiesen werden, um sie per Sprache anzurufen.

Der Haken: Das Gerät verstand praktisch nur ihn selbst. Technisch handelte es sich um sprecherabhängige Spracherkennung. Das System musste zunächst auf die Stimme und Aussprache der jeweiligen Person trainiert werden.

Heute wirken solche Einschränkungen fast nostalgisch. Moderne KI-Systeme verstehen längst Millionen unterschiedliche Stimmen, Akzente und Sprachmuster. Zumindest meistens. Und genau da beginnt das Spannungsfeld: Die Technologie ist beeindruckend schnell geworden. Aber nicht automatisch präzise.

Von Siri und Alexa zu automatischen Untertiteln

Mit Sprachassistenten wie Siri, Alexa oder Google Assistant wurde Spracherkennung massentauglich. Plötzlich sprach nicht mehr nur ein Technik-Nerd mit seinem Handy, sondern Millionen Menschen mit ihren Smartphones, Lautsprechern oder Smartwatches.

Die Technologie dahinter hat enorme Fortschritte gemacht. Moderne Systeme erkennen Sprache weitgehend sprecherunabhängig, inklusive vieler Dialekte, Akzente und Sprachmuster. Stand 2026 erreichen die besten Modelle auf sauberem Audiomaterial eine Fehlerquote von unter 6 Prozent. Zum Vergleich: Professionelle menschliche Transkription liegt bei 1 bis 2 Prozent.

Und genau diese Lücke ist entscheidend. Denn bei Hintergrundgeräuschen, Fachbegriffen, mehreren Sprechenden oder spontaner Umgangssprache steigt die Fehlerquote schnell. Besonders sichtbar wird das bei automatisch generierten Untertiteln auf TikTok, Instagram, LinkedIn oder YouTube. Oft so selbstverständlich eingeblendet, dass viele gar nicht mehr darüber nachdenken, wie viel, und wie fehlerbehaftet, die Technologie dahinter noch ist.

Warum Untertitel heute wichtiger sind denn je

Videos sind für Unternehmen, Selbstständige und Content Creator längst Alltag. Gesprochenes Wort ist eines der wichtigsten Formate im Netz geworden, und Untertitel sind praktisch überall angekommen.

Das hat gute Gründe. Untertitel helfen nicht nur gehörlosen Menschen, sondern auch Menschen mit anderen Muttersprachen, Menschen in lauten Umgebungen oder allen, die Inhalte lieber lesen als hören. Sie verbessern Verständlichkeit, erhöhen die Reichweite und machen Videos zugänglicher. In vielen Märkten sind sie inzwischen keine Kür mehr, sondern regulatorische Pflicht.

Noch vor wenigen Jahren war Untertitelung mühsame Handarbeit. Heute übernehmen KI-Systeme diesen Schritt in Sekunden. Nahezu jede Plattform bietet automatische Captions an.

Und genau hier beginnt das Problem, das mir zunehmend begegnet: Automatisch generierte Untertitel werden oft veröffentlicht, ohne dass jemand noch einmal draufschaut. Die KI hat geliefert, der Workflow ist abgehakt. Ob das Ergebnis lesbar, korrekt oder barrierefrei ist, fragt dabei niemand mehr.

CapCut: Schnell, beliebt und mit Fragezeichen

CapCut gehört weiterhin zu den bekanntesten Tools für automatische Untertitel in Social-Media-Videos. Das Prinzip ist dasselbe geblieben: Video hochladen, Sprache auswählen, Untertitel generieren lassen. Für schnelle Produktionen ist das praktisch.

Was sich seit 2025 deutlich verändert hat: das Drumherum.

Im Januar 2025 wurde CapCut in den USA kurzfristig gesperrt, weil die App wie TikTok dem chinesischen Konzern ByteDance gehört. Der Ban dauerte nur zwei Tage, wurde durch eine Executive Order aufgehoben und ist bis heute nicht endgültig geklärt. In der EU läuft ein Rechtsstreit vor dem irischen High Court, dessen Ausgang offen ist.

Im Juni 2025 änderte ByteDance die Nutzungsbedingungen erneut: CapCut beansprucht seitdem weitreichende Rechte an hochgeladenen Inhalten, einschließlich Gesicht und Stimme der Nutzerinnen und Nutzer. Den neuen Bedingungen kann man nicht aktiv widersprechen: Wer die App weiter nutzt, stimmt zu.

Gleichzeitig wurde das Preismodell umgebaut. Funktionen, die Konkurrenten kostenlos anbieten, erfordern bei CapCut inzwischen ein kostenpflichtiges Abo. Automatische Captions sind teilweise nur noch in der Pro-Version verfügbar.

Das bedeutet nicht, dass CapCut grundsätzlich unbrauchbar ist. Für schnelle Reels ohne sensibles Material kann es weiterhin funktionieren. Aber für professionelle Workflows, mit Kundenmaterial, unveröffentlichten Kampagnen oder personenbezogenen Inhalten, ist die Frage nach Datenschutz und Rechtssicherheit keine Kleinigkeit mehr.

CapCut und Datenschutz

Seit der ursprünglichen Veröffentlichung dieses Artikels hat sich die Diskussion rund um KI-Tools und Datenschutz deutlich verschärft — insbesondere bei Plattformen wie CapCut. Während viele Nutzer:innen CapCut vor allem als praktisches Kreativtool wahrnehmen, stehen die App, ihre Datenverarbeitung und ihre Nutzungsbedingungen immer wieder in der Kritik.

Besonders diskutiert wurden 2025 Änderungen beziehungsweise Klarstellungen der Nutzungsbedingungen. In den CapCut Terms of Service ist geregelt, dass Nutzer:innen dem Anbieter und verbundenen Dritten eine weitreichende Lizenz an hochgeladenen Inhalten einräumen. Dazu gehören unter anderem Rechte zur Nutzung, Bearbeitung, Speicherung, Veröffentlichung, Übertragung und Verbreitung von User Content, soweit dies für die Bereitstellung der Dienste beschrieben wird. CapCut selbst betont, Nutzer:innen behielten ihre Rechte und die Plattform beanspruche kein Eigentum an den Werken. Genau diese juristische Spannung zeigt aber, warum professionelle Nutzer:innen solche Bedingungen genau lesen sollten.

Kritisch diskutiert werden vor allem die weitreichende Lizenzierung hochgeladener Inhalte, die Verarbeitung von Video-, Bild- und Audiodaten, mögliche Datenübertragungen außerhalb der EU sowie die Frage, wie transparent Anbieter erklären, was mit hochgeladenem Material geschieht. Gerade für Unternehmen, Agenturen oder professionelle Kreative kann das problematisch sein, insbesondere dann, wenn mit Kundenmaterial, sensiblen Daten, unveröffentlichten Kampagnen oder personenbezogenen Inhalten gearbeitet wird.

Hinzu kommt ein kultureller Wandel, den ich zunehmend beobachte: Viele KI-Tools werden heute wie harmlose Kreativ-Spielzeuge genutzt, obwohl sie in Wirklichkeit komplexe Plattformen mit umfangreicher Datenerfassung und weitreichenden Nutzungsbedingungen sind. Das bedeutet nicht automatisch, dass man solche Tools grundsätzlich meiden muss. Aber es bedeutet, dass man bewusster entscheiden sollte, welche Inhalte man hochlädt, welche Rechte man einräumt und welche Rolle Datenschutz im eigenen Workflow spielt.

Denn gerade im professionellen Umfeld geht es längst nicht mehr nur um schnelle Ergebnisse, sondern auch um Verantwortung, Qualität und Kontrolle über die eigenen Inhalte.

Was professionelle Workflows von Social-Media-Captions unterscheidet

Viele Plattformen optimieren Untertitel heute vor allem für Aufmerksamkeit: Animationen, Farbwechsel, dynamische Zooms. Das funktioniert für Reichweite. Für professionelle Workflows gelten andere Maßstäbe.

Bei längeren Videos, Interviews, Schulungen, mehrsprachigen Projekten oder barrierefreien Inhalten reicht es nicht, dass Untertitel gut aussehen. Sie müssen sprachlich korrekt sein, sauber segmentiert, gut lesbar, zeitlich präzise und technisch zuverlässig.

Hinzu kommt: Professionelle Untertitel sind oft Teil eines größeren Workflows. Sie werden exportiert, übersetzt, versioniert und für unterschiedliche Plattformen angepasst. SRT-Dateien, Timing, Sprachkonsistenz und strukturierte Prozesse spielen dabei eine zentrale Rolle.

Und genau das ist der Unterschied: Social-Media-Captions enden mit dem Upload. Professionelle Untertitel beginnen dort erst.

Warum ich mit Adobe Premiere Pro arbeite

Als Multilingual-Publishing- und Accessibility-Spezialistin arbeite ich bei professionellen Transkriptionen und Untertitelungen mit Adobe Premiere Pro. Die integrierte Funktion „Sprache in Text” erstellt automatisch Transkripte aus gesprochenem Dialog und generiert daraus Untertitel direkt in der Timeline.

Entscheidend ist für mich nicht, dass die KI perfekt ist. Das ist sie nicht. Entscheidend ist, dass ich sauber weiterarbeiten kann: Transkripte prüfen, Textstellen suchen, Untertitel zusammenführen oder trennen, Timing anpassen, Ausgabeformate wählen. Diese Kontrollmöglichkeiten sind im professionellen Alltag das Wichtigste.

Ein Hinweis für Mac-Userinnen und Nutzer: In Premiere Pro 26.0.1 und 26.0.2 gab es einen bekannten Bug, der auf neuen M5-Chips zu stark fehlerhaften Transkriptionsergebnissen geführt hat. Wer betroffen ist, sollte auf das aktuelle Update prüfen, bevor sie die Funktion produktiv einsetzt.

KI liefert die Rohfassung. Die Verantwortung für Qualität bleibt beim Menschen.

Mein Workflow

Für deutschsprachige Videos lasse ich zunächst ein Transkript erstellen und prüfe es anschließend sorgfältig. Dabei achte ich nicht nur auf falsch erkannte Wörter, sondern auch auf Namen, Fachbegriffe, Zeichensetzung, sinnvolle Satzgrenzen und Lesbarkeit. Bei fachspezifischen Inhalten mit vielen Anglizismen oder Produktnamen wird aus dem Korrektorat schnell echte Redaktionsarbeit.

Aus dem geprüften Transkript entstehen die Untertitel. Bei mehrsprachigen Projekten exportiere ich sie als SRT-Datei, die an Übersetzende weitergegeben und in CAT-Tools weiterbearbeitet wird. Die übersetzte Datei kommt zurück, wird importiert, geprüft und feinjustiert.

Das klingt aufwendiger als ein Klick in einer Social-Media-App. Das ist es auch. Aber genau darin liegt der Unterschied: Es geht nicht darum, Text unter ein Video zu setzen. Es geht darum, gesprochene Sprache verständlich, korrekt und nutzbar zu machen — gegebenenfalls in mehreren Sprachen, für unterschiedliche Zielgruppen und Plattformen.

Und das beginnt damit, dass jemand hinschaut.

Automatische Untertitel sind ein Anfang, aber keine fertige Barrierefreiheit

Viele denken bei Barrierefreiheit noch immer zuerst an Rampen und abgesenkte Bordsteine. Aber auch schlechte Untertitel sind eine Barriere.

Wenn Untertitel zu schnell eingeblendet werden, mitten im Satz umbrechen, keinen ausreichenden Kontrast haben oder wichtige Informationen fehlen, sind sie technisch vorhanden, aber nicht wirklich zugänglich. Automatisch generierte Untertitel erfüllen diese Anforderungen selten ohne Nacharbeit.

Was wirklich zugängliche Untertitel brauchen: lesbare Schriftgrößen, ausreichender Kontrast, sinnvolle Zeilenumbrüche, angemessenes Tempo, klares Timing, Kennzeichnung von Sprecherwechseln und sprachliche Korrektheit. Kein aktuelles KI-Tool liefert das zuverlässig out of the box.

Wer Videos professionell produziert, sollte Untertitel deshalb von Anfang an mitdenken — nicht als letzten Schritt, sondern als Teil des Workflows. Denn was am Ende geprüft wird, muss vorher mitgeplant worden sein.

Closed Captions, Open Captions und eingebrannte Untertitel

Kurz zur Begrifflichkeit: Open Captions sind fest ins Video eingebrannt, immer sichtbar, nicht abschaltbar. Closed Captions können im Videoplayer ein- oder ausgeschaltet werden, sofern die Plattform das unterstützt.

Für Social Media werden häufig eingebrannte Untertitel verwendet, weil sie überall funktionieren — auch dort, wo Plattformen keine saubere Untertiteldatei ausspielen. Für professionelle und barrierefreie Workflows sind Closed Captions oder separate Untertiteldateien oft die bessere Wahl: Sie lassen sich übersetzen, korrigieren und für unterschiedliche Plattformen anpassen.

Die richtige Lösung hängt vom Ziel ab. Ein schnelles Reel braucht einen anderen Workflow als ein Schulungsvideo, ein Kundenfilm oder ein mehrsprachiger Onlinekurs. Wer das von Anfang an mitdenkt, spart sich Arbeit am Ende.

KI verändert unsere Rolle

Als ich 2022 über KI-Spracherkennung schrieb, war mein Blick noch stark auf die Zeitersparnis gerichtet. Heute sehe ich klarer: Die eigentliche Veränderung liegt nicht darin, dass KI bestimmte Arbeitsschritte übernimmt. Sie liegt darin, dass sich unsere Rolle verschiebt.

Wir tippen weniger manuell ab. Aber wir prüfen mehr. Wir korrigieren mehr. Wir strukturieren mehr. Und wir müssen genauer verstehen, wann ein KI-Ergebnis gut genug ist — und wann eben nicht.

Gerade in der Publishing- und Kreativbranche wird diese Kompetenz immer wichtiger. KI kann Inhalte erzeugen, transkribieren, übersetzen und zusammenfassen. Aber sie versteht keine Zielgruppen, keine Qualitätsstandards, keine Barrierefreiheitsanforderungen und keine professionelle Verantwortung. Das bleibt unsere Aufgabe.

KI kann Untertitel erstellen. Aber sie kann nicht entscheiden, ob diese Untertitel wirklich funktionieren.

Fazit

Ich arbeite gerne mit KI-Spracherkennung. Sie nimmt mir mühsame Vorarbeit ab, beschleunigt Transkriptionen und macht professionelle Workflows deutlich effizienter. Aber ich verlasse mich nicht blind auf sie.

Denn keine automatisch generierte Transkription ist fehlerfrei. Die Qualität hängt von Aufnahmequalität, Aussprache, Dialekt, Fachbegriffen und Kontext ab. Bei einfachen Videos kann KI erstaunlich gute Ergebnisse liefern. Bei komplexeren Inhalten beginnt danach die eigentliche Arbeit.

Für schnelle Social-Media-Captions kann ein einfaches Tool ausreichen. Für professionelle, mehrsprachige oder barrierefreie Untertitel reicht ein reiner Klick-und-fertig-Workflow nicht. Denn gute Untertitel sind keine Deko. Sie sind Teil guter Kommunikation.

Und wer sie gut macht, hilft nicht nur gehörlosen Menschen — sondern allen, die Inhalte besser verstehen, schneller erfassen oder in einer anderen Sprache nutzen möchten. Die KI transkribiert. Aber wer prüft, bleibt die entscheidende Frage.

Und während die KI transkribiert, kann ich mir immerhin einen Espresso machen. Und im Sommer einen Espresso Tonic.