„Wir nehmen vier, nein, sechs Ordner.“ Ein Erkennungssystem kann den Satz richtig verschriften. Für einen gut lesbaren Untertitel möchtest du vielleicht die Wiederholung kürzen. Dabei darf aus sechs nicht wieder vier werden. Der technische Weg vom Ton zur Textdatei ist deshalb nur der Anfang der redaktionellen Arbeit.
whisper.cpp dokumentiert lokale Spracherkennung einschließlich CPU-Unterstützung. Die passenden Modell- und Laufzeitdateien müssen vorbereitet sein. Englische und mehrsprachige Varianten sowie Abschrift und Übersetzung sind getrennte Entscheidungen; ein lokal gestartetes Programm löst nicht automatisch die gewünschte Aufgabe.
Die Ausgangssprache und das Ziel festhalten
Lege zuerst fest, ob das Gesagte in seiner Sprache erhalten oder ins Englische übertragen werden soll. Eine deutsche Aufnahme mit einer deutschen Abschrift ist ein anderer Auftrag als eine englische Übersetzung. Ein flüssiger englischer Text wäre für den ersten Zweck weiterhin das falsche Ergebnis.
Die Serveranleitung bezeichnet mit –translate die Übersetzung aus der Ausgangssprache ins Englische; –language beschreibt die gesprochene Sprache. Übernimm für deinen tatsächlichen Aufruf die Optionen der dazugehörigen Hilfe, statt Einstellungen unterschiedlicher Beispiele zu vermischen.
Eine eigene kurze Hörprobe vorbereiten
Sprich einige unkritische Sätze selbst ein: eine Mengenänderung, einen erfundenen Eigennamen und eine Einschränkung wie „nur nach Rückfrage“. Schreibe den bekannten Wortlaut vorher auf. Eine bewusst kurze Pause hilft zusätzlich, Worterkennung und zeitliche Segmentierung auseinanderzuhalten.
Verwende eine vorbereitete lokale Umgebung und ein dazu passendes Audioformat. Erzeuge zunächst eine wortnahe Textgrundlage. Höre die Stellen mit Zahl und Name erneut an und markiere Unverständliches. Eine erwartete Schreibweise aus deiner Namensliste darf eine tatsächlich undeutliche Stelle nicht heimlich ersetzen.
Bewahre diese Grundlage getrennt von der später gekürzten Untertitelfassung auf. So kannst du nachvollziehen, welche Änderung aus Erkennung und welche aus deiner redaktionellen Bearbeitung stammt. Dieser Artikel liefert das Verfahren, keine hier ausgeführte Transkription.
Zeit wird Teil des Dateiformats
Eine Untertitelspur verbindet Text mit Anfang und Ende eines Zeitbereichs. Das WebVTT-Format der W3C-Spezifikation beschreibt solche zeitlich zugeordneten Textsegmente. Ein eigenes einfaches Formatbeispiel sieht so aus; seine Zeiten sind Lehrwerte und müssen für eine reale Aufnahme angepasst werden:
WEBVTT
00:00:00.000 --> 00:00:04.000
Für den Kurs brauchen wir sechs Ordner.
00:00:04.500 --> 00:00:07.000
Versiegeltes Material nur nach Rückfrage öffnen.Speichere einen tatsächlich passend bearbeiteten Text als UTF-8-Datei und prüfe ihn mit der zugehörigen Aufnahme in einem geeigneten Player oder Untertitelwerkzeug. Text, Zeitpunkt und Lesbarkeit sind drei getrennte Beobachtungen. Eine richtige Zeile kann zu früh erscheinen oder zu kurz sichtbar bleiben.
Setze Zeilengrenzen an verständlichen Sinnabschnitten. Ein getrennt stehendes „nicht“ kann beim schnellen Lesen missverstanden werden. Auch eine Freigabebedingung sollte in ihrem Zusammenhang erkennbar bleiben, statt über einen unpassenden Schnitt zu verschwinden.
Vergib für Originalton, Abschrift und Untertitel denselben Dateistamm, aber unterschiedliche Endungen. Ein kurzer Hinweis auf Sprache und Bearbeitungsstand verhindert, dass eine alte übersetzte Fassung versehentlich neben der neuen Originalaufnahme landet.
Was ein lokaler Ablauf belegt
Du kannst mit dieser Probe untersuchen, ob deine vorbereitete Zusammenstellung den gewünschten Text liefert und wie viel Bearbeitung die Untertitel benötigen. Daraus folgt keine allgemeine Erkennungsgüte für alle Sprachen, Akzente oder Hintergrundgeräusche.
Ein Übersetzungsdurchgang ist anschließend ein eigener Versuch. Er benötigt einen Vergleich der Bedeutung und nicht nur der Rechtschreibung. Bei mehreren Sprachen in derselben Aufnahme solltest du die betreffenden Stellen ausdrücklich in die Gegenhörung aufnehmen.
Der Nutzen lokaler Verarbeitung liegt in einem benennbaren eigenen Arbeitsweg. Brauchbare Untertitel entstehen, wenn du diesen Weg mit der tatsächlichen Aufnahme verbindest: richtige Aufgabe wählen, Wortlaut prüfen, bewusst redigieren und Text gegen seine Zeitmarken ansehen.
Quellen und Stand
Quellenstand: 25. Oktober 2026. whisper.cpp README · whisper.cpp server example options.
W3C: WebVTT als ergänzende Formatquelle.
