Wort-für-Wort-Untertitel,und wie YouTube sie abspielt

Untertitel, die Wort für Wort ankommen, sieht man in Kurzvideos überall, und sie funktionieren: Zuschauer können nicht vorauslesen, der Blick bleibt nahe der Bildmitte, und schnellem Reden folgt man leichter. YouTube spielt sie aus einer Untertitelspur ab, ohne dass etwas ins Video eingebrannt wird — aber nur auf eine bestimmte Art.

Heute ändern wir das.

Einblenden Hervorheben Ganze Zeile

Einblenden und Hervorheben sind nicht dasselbe

Einblenden: Wörter kommen dazu, während sie gesprochen werden

Die Zeile beginnt leer, und jedes Wort erscheint zu seinem eigenen Zeitpunkt. In YouTubes Untertitelformat ist das eingebaut: Eine Untertitelzeile enthält mehrere Segmente, und jedes Segment trägt seinen eigenen Startversatz. Den Rest macht der Player, die Datei bleibt klein, und das Timing sitzt genau.

Hervorheben: Die ganze Zeile steht da, das aktuelle Wort ist farbig

Hier liest man die volle Zeile von Anfang an, während ein Wort aufleuchtet. Das Format kennt keinen Befehl „färbe jetzt dieses Wort um“, deshalb entsteht der Effekt, indem man dieselbe Zeile viele Male schreibt — eine Kopie pro Wort, jedes Mal mit einem anderen farbigen Wort. Aus einer Zeile mit zehn Wörtern werden zehn Untertiteleinträge.

Deshalb ist Hervorheben die schwerere Wahl, und deshalb springt eine zentrierte Zeile, die schlecht gebaut ist: Wird jede Kopie als neue Zeile gerendert, zentriert der Player sie neu. Richtig gemacht, enthält jede Kopie genau denselben Text mit genau denselben Abständen, und nur die Farbe ändert sich.

Roll-up und Zoom

Zwei weitere Effekte tauchen im selben Zusammenhang auf:

• Roll-up — Zeilen stapeln sich und laufen nach oben wie Live-Untertitel im Fernsehen. Jeder Zustand des Stapels ist ein eigener Untertiteleintrag.
• Zoom — die Zeile wächst an ihren Platz. Auch für Animationen hat YouTube keinen Befehl, deshalb schreibt man die Bewegung Bild für Bild aus: eine Reihe von Einträgen im Abstand von einigen Dutzend Millisekunden, jeder mit etwas größerer Schrift.

Beides ist legitim, und beides bläht die Datei auf. Ein dreiminütiges Video mit eingeblendeten Wort-für-Wort-Untertiteln bleibt eine bescheidene XML-Datei; dasselbe Video mit Zoom auf jeder Zeile wird zigmal größer.

Timing: Daran entscheidet sich, ob es sich richtig anfühlt

Das Timing der Wörter kommt meist aus einer von zwei Quellen. Die Spracherkennung liefert einen Zeitstempel pro Wort und ist so genau wie die Transkription. Einfacher ist es, die Dauer einer Zeile auf ihre Wörter zu verteilen: durch die Zahl der Wörter teilen oder jedes Wort nach seiner Länge gewichten, damit „außergewöhnlich“ länger steht als „und“.

Verteiltes Timing reicht für die meisten Talking-Head-Aufnahmen und liegt hörbar daneben, sobald jemand mitten im Satz Pause macht. Regeln, die so oder so gelten:

• Zwei bis fünf Wörter pro Zeile; eine lange Zeile macht den Effekt zunichte.
• Rund 250–400 ms pro Wort wirken natürlich; unter 150 ms flackern die Wörter.
• Brich Zeilen dort um, wo der Sprecher Luft holt, nicht dort, wo die Zeichen ausgehen.
• Fang den ersten Untertitel nicht bei 0 ms an — manche Android-Player ignorieren eine Zeile, die bei null beginnt. Starte bei 1 ms oder später.

Was die Übersetzung übersteht

Das Wort-für-Wort-Timing hängt an den Wörtern einer Sprache. Übersetze die Zeile, und die Zahl der Wörter ändert sich: Aus vier englischen Wörtern werden sechs deutsche oder zwei japanische. Die Zeiten müssen sich neu auf die neuen Wörter verteilen, und jede Färbung pro Wort muss neu gesetzt werden — genau die Arbeit, die das Übersetzen gestalteter Untertitel von Hand so zäh macht. Rainbow Captions verteilt das Timing für jede übersetzte Sprache automatisch neu und behält die Stile.

Wo diese Untertitel wirklich laufen

Wort-für-Wort-Untertitel aus einer Untertitelspur laufen im Web-Player von YouTube und in den Mobil-Apps. Nicht jedes Gerät und jede TV-App unterstützt sie gleich gut, und wer seine Untertiteleinstellungen im Player geändert hat, sieht seine eigenen statt deiner. Zeilen, die mehrere gestylte Segmente mischen, brauchen außerdem unsichtbare Zeichen ohne Breite als Füllung, sonst kippen manche Mobil-Apps das Styling — eine Eigenheit, die wir in der Referenz zum .ytt-Format beschreiben.

Fragen

Kann YouTube Wort-für-Wort-Untertitel zeigen, ohne sie ins Video einzubrennen?

Ja. YouTubes Untertitelformat kennt Segmente mit eigenen Startzeiten innerhalb einer Untertitelzeile — genau das ist der Effekt Einblenden. Hervorheben, Roll-up und Zoom gehen auch, aber sie werden als wiederholte Untertiteleinträge ausgeschrieben, nicht als Animation.

Was ist besser, Einblenden oder Hervorheben?

Einblenden ist leichter, genauer und am nächsten an dem, was große Kanäle nutzen. Hervorheben passt zu Songtexten oder Lernmaterial, wo es hilft, die ganze Zeile zu sehen und dabei dem aktuellen Wort zu folgen.

Schaden animierte Untertitel der Barrierefreiheit?

Das können sie. Wer langsam liest oder auf Untertitel statt auf den Ton angewiesen ist, verliert den Zusammenhang des ganzen Satzes, wenn die Wörter einzeln ankommen. Halte die Zeilen kurz und das Tempo gleichmäßig, und veröffentliche neben der gestalteten Spur eine schlichte, wenn dein Publikum sie braucht.