Video in Text umwandeln KI-gestützt: Transkript und SRT
Wandle ein Video mit KI in ein bearbeitbares TXT-Transkript und eine SRT-Datei um – mit Spracherkennung, Sprecherlabels und Wortkorrekturen.
Anleitung Von Pipe2.ai Aktualisiert September 2, 2026
Auf dieser Seite
Diese Pipelines ausprobieren
Mit einem KI-Tool lässt sich ein Video in Text umwandeln, indem die gesprochene Audiospur erkannt und verschriftlicht wird. Bei Pipe2.ai lädst du die Datei in Transcription hoch und erhältst sowohl ein TXT-Transkript als auch eine SRT-Datei mit Zeitstempeln; zusätzlich kannst du die Sprache erkennen, Sprecher kennzeichnen und wiederholt falsch verstandene Wörter korrigieren lassen.
Videotranskript in fünf Schritten erstellen
- Wähle ein Video mit verständlicher Audiospur. Transcription benötigt gesprochene Sprache. Aus einem stummen Video kann kein Transkript entstehen.
- Lade die Datei hoch. Öffne Transcription und füge das Video oder die Audiodatei hinzu.
- Lege Sprache und Sprecher fest. Wenn du die Sprache nicht kennst, belasse sie auf Auto. Bei Interviews oder Gesprächsrunden aktivierst du die Sprechererkennung und kannst optional die erwartete Anzahl angeben.
- Erfasse wiederkehrende Wortkorrekturen. Wird ein Name, Akronym oder Produktbegriff stets gleich falsch erkannt, ordnest du der erkannten Form die richtige Schreibweise zu. Die Korrekturen beachten Groß- und Kleinschreibung und gelten für ganze Wörter.
- Starte den Lauf und prüfe beide Dateien. TXT eignet sich zum Lesen und Bearbeiten. SRT brauchst du für zeitbezogene Aufgaben und Untertitel.
Die aktuelle Pipeline nutzt ElevenLabs Scribe v2. Das öffentliche Formular akzeptiert genau ein hochgeladenes Video- oder Audio-Asset, Auto sowie zehn ausdrücklich auswählbare Sprachen, eine optionale Sprechererkennung, einen optionalen Hinweis von 0 bis 20 Sprechern und optionale Wortkorrekturen. Ausgegeben werden getrennte SRT- und TXT-Assets.
TXT oder SRT für den nächsten Schritt wählen
Beide Dateien enthalten dieselbe gesprochene Information, aber in unterschiedlicher Form.
| Ausgabe | Inhalt | Geeignet für |
|---|---|---|
| TXT | Gut lesbarer Fließtext ohne zeitliche Untertitelblöcke | Notizen, Zitate, Suche, Zusammenfassungen, Entwürfe und redaktionelle Prüfung |
| SRT | Nummerierte Textblöcke mit Start- und Endzeit | Untertitel, schnittgenaues Trimmen an Satzgrenzen und alle Abläufe, die mit dem Video synchron bleiben müssen |
Bewahre beide auf. TXT lässt sich schneller lesen, während SRT die für die Produktion benötigten Zeitangaben erhält. Sollen sichtbare Untertitel entstehen, prüfe zuerst die SRT-Datei und folge dann der Anleitung zum Hinzufügen von Untertiteln.
Bessere Speech-to-Text-Ergebnisse erzielen
Die Qualität beginnt bei der Aufnahme. Bringe das Mikrofon näher an die sprechende Person, reduziere Hintergrundmusik und Raumhall und vermeide überlappende Gespräche. Eine nachträglich erhöhte Lautstärke kann Wörter nicht wiederherstellen, die nie klar aufgenommen wurden.
Wähle die Sprache, wenn du sie kennst; andernfalls ist Auto der praktische Ausgangspunkt. Sprechererkennung hilft bei der Zuordnung, muss aber weiterhin von einem Menschen kontrolliert werden. Ähnlich klingende Stimmen, Unterbrechungen und getrennte Aufnahmequellen können die Zuordnung erschweren.
Nutze Korrekturen für gleichbleibende, vorhersehbare Fehler, nicht zum allgemeinen Umschreiben. Wird etwa ein Markenname immer als ähnliches Alltagswort erkannt, kann eine Ganzwortkorrektur die Schreibweise in beiden Ausgaben ersetzen. Unklare Sätze werden dadurch nicht rekonstruiert, und die Absicht der sprechenden Person wird nicht erraten.
Transkript vor der Veröffentlichung prüfen
Ein KI-Transkript ist ein Arbeitsdokument und keine Garantie für jedes einzelne Wort. Lies es beim Anhören der Quelle und achte besonders auf:
- Namen, Organisationen, Fachbegriffe und Akronyme
- Zahlen, Preise, Daten und Maßeinheiten
- Sprecherwechsel in Interviews und Gruppengesprächen
- Eigennamen, die eine Rechtschreibprüfung fälschlich verändern könnte
- Stellen mit Lärm, Musik, Akzenten oder gleichzeitigem Sprechen
- SRT-Blöcke, die zu früh beginnen, zu spät enden oder zu viel Text enthalten
Wenn du jemanden zitieren möchtest, gleiche das Zitat mit der Aufnahme ab. Für Untertitel korrigierst du Wortlaut und Timing, bevor der Text Bestandteil des fertigen Videos wird.
Aus dem Transkript Untertitel oder Clips machen
Transcription brennt keinen Text ins Bild ein. Die Pipeline erstellt wiederverwendbare Dateien, die du vor dem nächsten Produktionsschritt prüfen kannst.
Für sichtbare Untertitel fügst du die geprüfte SRT-Datei und das Ausgangsvideo in die Captions-Pipeline ein. Für kurze Social-Media-Clips kann ein einziges Transkript den gesamten Ablauf tragen: starke Momente finden, an Satzgrenzen schneiden und die fertigen Clips untertiteln. Die Anleitung Aus langen Videos Shorts erstellen erklärt den Ablauf; der Beitrag zum satzgenauen Trimmen behandelt saubere Schnittpunkte ausführlicher.
Die Trennung ist praktisch: Du korrigierst eine SRT-Datei, verwendest sie für mehrere Untertitelstile und behältst TXT für Beschreibungen, Notizen oder einen Textschnitt, ohne das Video erneut transkribieren zu müssen.
Was der Generator nicht erledigt
Ein Transkriptgenerator wandelt Sprache in Text um. Er fasst die Aufnahme nicht automatisch zusammen, wählt keine Highlights, übersetzt das Transkript nicht und erzeugt kein bereits untertiteltes Video. Das sind eigene redaktionelle oder produktionstechnische Schritte.
Außerdem ist eine Audiospur erforderlich. Stumm eingeblendeter Text ist keine Sprache und erscheint deshalb nicht im Transkript. Enthält die Aufnahme wichtige Folien, Beschriftungen oder Bildschirmtexte, musst du diese separat prüfen und bei Bedarf in deine Notizen übernehmen.
Beginne mit einer typischen Aufnahme statt mit dem größten Archiv. Prüfe, wie die Pipeline mit deinen Stimmen, Fachbegriffen und Aufnahmebedingungen umgeht, ergänze wiederkehrende Korrekturen und verwende anschließend dieselbe Prüfliste für den restlichen Bestand.
Häufig gestellte Fragen
Wie kann ich aus einem Video ein Transkript erstellen?
Lade ein Video mit Audiospur in die Transcription-Pipeline, lasse die Sprache automatisch erkennen oder wähle sie aus, aktiviere bei Bedarf die Sprechererkennung und starte den Lauf. Du erhältst ein bearbeitbares TXT-Transkript und eine SRT-Datei mit Zeitstempeln.
Was ist der Unterschied zwischen TXT- und SRT-Ausgabe?
TXT enthält den lesbaren Fließtext ohne Untertitelblöcke und eignet sich zum Bearbeiten, Zitieren, Notieren und Durchsuchen. SRT teilt die Sprache in zeitlich markierte Blöcke, die Videoplayer und Untertitelwerkzeuge mit der Aufnahme synchronisieren können.
Kann eine KI-Transkription verschiedene Sprecher erkennen?
Ja. Aktiviere die Sprechererkennung für Interviews, Podcasts und Gesprächsrunden. Wenn du die Anzahl kennst, kannst du 1 bis 20 Sprecher angeben; andernfalls bleibt der Wert 0 für die automatische Erkennung. Prüfe die Zuordnung immer, wenn sie wichtig ist.
Fügt die Transkription dem Video automatisch Untertitel hinzu?
Nein. Transcription erstellt separate SRT- und TXT-Dateien und rendert keinen Text ins Video. Für sichtbare Untertitel prüfst du die SRT-Datei und verwendest sie anschließend zusammen mit dem Ausgangsvideo in der Captions-Pipeline.
Wie prüfe ich ein KI-generiertes Videotranskript?
Höre die Aufnahme parallel zum Lesen und kontrolliere Namen, Abkürzungen, Zahlen, Sprecherwechsel sowie Stellen mit Störgeräuschen oder überlappender Sprache. Nutze Wortkorrekturen für wiederkehrende Fehler und prüfe vor der Veröffentlichung außerdem das SRT-Timing.
