Video-Untertitelung und Transkription automatisieren

Das echte Ausmaß des Problems

Verlage produzieren mehr Video-Content als je zuvor. Buchtrailer, Autoreninterviews, Lesungen, Podcast-Episoden als Video, Backstage-Einblicke in den Verlagsalltag, das ist kein Trend mehr, das ist Standardrepertoire für jede Buchvermarktung, die auf Social Media ernst genommen werden will.

Das Problem: Der Untertitelungs-Rückstau wächst schneller als die Produktionskapazität. Professionelle Untertitelung auf Deutsch kostet nach den Angeboten, mit denen diese Seite rechnet, zwischen 8 und 20 Euro pro Videominute, mit menschlicher Übersetzung ins Englische nochmals 8–15 Euro pro Minute dazu. Hol für deine Rechnung eigene Angebote ein. Ein 30-Minuten-Autoreninterview in DE und EN kostet damit 480 bis 1.050 Euro, bevor auch nur eine weitere Sprache hinzukommt. Bei fünf Videos pro Quartal summiert sich das auf 9.600 bis 21.000 Euro im Jahr, nur für Untertitelung.

Dazu kommt die Reichweite: Laut einer Statistik-Zusammenstellung des Transkriptionsanbieters Sonix werden Videos mit Untertiteln zu 91 Prozent bis zum Ende geschaut, gegenüber 66 Prozent ohne. Das ist eine Anbieterangabe, die ältere Studien zusammenträgt, keine eigene Messung. Und längere Watchtime ist noch kein verkauftes Buch: Ob ein Trailer Käufe auslöst, zeigt nur eine Messung über Links oder Aktionscodes.

Gleichzeitig bleibt der internationale Markt oft ungenutzt. Eine Autorenlesung mit englischen Untertiteln kann Interessierte aus dem englischsprachigen Buchmarkt erreichen, ohne dass jemand neu produziert, zum Beispiel Lizenzeinkäufer ausländischer Verlage. Das passiert bisher selten, weil der Untertitelungsaufwand zu groß erscheint.

Seit dem 28. Juni 2025 kommt ein weiterer Grund hinzu: Das Barrierefreiheitsstärkungsgesetz (BFSG) verlangt, dass E-Books und Online-Shops für Verbraucher barrierefrei sind. Videos, die im eigenen Shop laufen und danach veröffentlicht wurden, brauchen damit Untertitel.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Die 10 Minuten Nachkorrektur je Videominute sind unsere Annahme für saubere Audioqualität. Miss sie mit dem Testguthaben selbst, sie entscheidet über die ganze Rechnung.

Die Genauigkeit bei schlechter Audioqualität, Dialekten oder sehr spezifischem Fachvokabular (Literaturwissenschaft, Philosophie) liegt niedriger, dazu später mehr im Abschnitt zu Fehlern und Grenzen.

Einschätzung auf einen Blick

Zeitersparnis, sehr hoch (5/5) Transkription, Zeitstempel und Zeilenumbruch erledigt die KI in Minuten. Übrig bleiben rund 10 Minuten Nachkorrektur je Videominute, und das Video ist am selben Tag fertig statt nach Tagen Wartezeit auf die Agentur. Wer bisher selbst untertitelt hat, spart den Großteil der Handarbeit. Auch mit der Podcast-Transkription vergleichbar, unterscheidet sich aber im Ausgabeformat: synchronisierte Untertiteldateien mit Timecodes statt freifliegendem Text.

Kosteneinsparung, hoch (4/5) Die Differenz zwischen externem Untertitelungsdienst (8–20 €/Min.) und KI-Verarbeitung (wenige Cent je Minute) ist groß. Ein 30-Minuten-Interview kostet extern 240–600 €. Mit der menschlichen Nachkorrektur von HappyScribe zahlst du ab 1,75 € je Minute, für 30 Minuten also 30 mal 1,75 €. Korrigierst du selbst, zahlst du nur das Abo, dafür kosten 30 Minuten Video rund 5 Stunden interne Arbeit. Gespart wird nur, wer heute eine Agentur bezahlt: Wer bisher gar nicht untertitelt, hat danach mehr Arbeit, nicht weniger Kosten.

Schnelle Umsetzung, sehr hoch (5/5) HappyScribe und vergleichbare Plattformen erfordern keinen technischen Setup. Upload → Sprache wählen → Transkript korrigieren → Exportieren: Die erste fertige Untertiteldatei für ein kurzes Video ist in unter zwei Stunden in der Hand, ohne Anbietervertrag, ohne Einrichtungsprojekt, ohne IT-Ticket. Das gehört zu den schnellsten Einstiegen im Verlagsbereich.

ROI-Sicherheit, hoch (4/5) Der Kostenvorteil gegenüber der Agentur ist eindeutig messbar, jede nicht gestellte Rechnung zählt. Die Watchtime-Effekte sind plattformabhängig und setzen voraus, dass die Untertitel tatsächlich eingebettet werden (nicht nur als Datei existieren). Wer YouTube Analytics konsequent nutzt, kann Videos mit und ohne Untertitel vergleichen, bei wenigen Videos im Monat bleibt das aber eine kleine Stichprobe. Für solche, die Video nur sporadisch produzieren, bleibt die ROI-Messung indirekter. Vier von fünf statt fünf, weil der Nutzen nicht vollständig automatisch eintritt, er braucht eine Einbettungs- und Analysestrategie.

Skalierbarkeit, hoch (4/5) Die Software skaliert: Keine Nachverhandlung mit der Agentur, kein Lieferengpass bei Produktionsspitzen. Das Monatsabonnement deckt bis zu 6.000 Minuten (Business-Plan, 89 € im Monat) zu fixem Preis ab. Die Nachkorrektur skaliert nicht, sie wächst mit jeder Videominute, deshalb vier statt fünf.

Richtwerte, stark abhängig von Audioqualität, Videoproduzierungsfrequenz und Vertriebsstrategie.

Was die KI konkret macht

Der technische Kern ist Automatisierung per NLP: Ein Speech-to-Text-Modell analysiert die Tonspur des Videos und wandelt gesprochenes Wort in einen zeitgestempelten Textstream um. Was früher ein Mensch vor dem Bildschirm mit Stoppuhr und Schreibmaschine erledigte, erledigt das Modell in Echtzeit, oder schneller.

Der Output ist nicht einfach Text. Er ist ein strukturiertes Untertiteldokument:

• Jeder Satz bekommt einen exakten Zeitstempel: Anfang und Ende auf die Hundertmillisekunde genau
• Lange Sätze werden automatisch in Leseeinheiten geteilt (max. 42 Zeichen je Zeile, max. 7 Sekunden je Block, das sind Standards aus dem TV-Untertitelwesen)
• Das Format ist direkt als SRT (für YouTube, Vimeo, LinkedIn), VTT (für eingebettete Web-Player) oder EBU-STL (für Broadcast) exportierbar

Danach kommt der zweite Schritt, der viele vergessen: die Nachkorrektur. Nicht weil die KI schlechte Arbeit macht, sondern weil sie Autorennamen, Verlagsnamen, Buchtitel und Fachbegriffe nicht kennt. “Christa Wolf” wird zuverlässig erkannt, “Kōbō Abe” vielleicht nicht. “Intertextualität” klappt meistens, “Paratextualität” manchmal nicht. Diese Lücke schließt ein Mensch in 10 Minuten, mit dem eingebauten Editor, der die unsicheren Stellen markiert.

Optionaler dritter Schritt: Übersetzung. Der fertige deutsche Untertitel wird automatisch ins Englische, Französische oder weitere Sprachen übersetzt. Das ist keine maschinelle Übersetzung aus den 1990er Jahren, moderne Generative KI übersetzt Untertitel auf einem Niveau, das für soziale Medien taugt und für internationale Buchpresse brauchbar ist. Für formale Veröffentlichungen (z. B. offizielle Verlagswebsite) empfiehlt sich anschließend eine Überprüfung durch eine Muttersprachlerin oder einen Muttersprachler.

Buchtrailer, Interview, Podcast, was wann zählt

Nicht jeder Video-Typ stellt die gleichen Anforderungen. Eine ehrliche Einschätzung:

Buchtrailer (2–3 Minuten): Oft Sprechertext mit professioneller Sprecher-Aufnahme im Studio. Beste Ausgangslage für die KI: sauber aufgezeichnete, ruhige Stimme, kein Hintergrundlärm. Die KI-Fassung ist hier am saubersten. Nachkorrekturzeit für den ganzen Trailer: 5–10 Minuten. Untertitel lohnen sich vor allem für Social-Media-Verbreitung, wo der Ton standardmäßig aus ist.

Autoreninterview (15–45 Minuten): Zwei Sprechende, manchmal schwankende Mikrofon-Qualität, Akzente, Versprecher und Überarbeitungen. Die KI trennt Sprechende automatisch (Diarization), aber die Zuordnung (“Sprecher A” / “Sprecher B”) muss manuell benannt werden. Die Fehlerquote hängt stark an der Audioqualität. Nachkorrekturzeit: 10–20 Minuten je Videominute. Hier zahlt sich menschliche Korrektur am meisten aus.

Podcast-Episode als Video (30–60 Minuten): Sehr ähnlich wie Interview, aber oft schon besser vorbereitet in Bezug auf Mikrofonqualität. Wenn die Episode bereits als Podcast transkribiert wurde (vgl. Podcast-Transkription automatisieren), lässt sich das vorhandene Transkript als Startpunkt importieren, dann entfällt die KI-Transkription, und es braucht nur die Zeitstempel-Synchronisierung. Das spart weitere Zeit.

Lesungsaufnahmen aus dem Buchhandel oder von Events: Schwierigste Kategorie. Raumlärm, variabler Abstand zum Mikrofon, Publikumsreaktionen. Hier macht die KI die meisten Fehler. Hier ist menschliche Nachkorrektur am intensivsten. Für veröffentlichungswürdige Untertitel braucht es bei diesen Aufnahmen realistisch 20–30 Minuten Nachkorrektur je Videominute.

Konkrete Werkzeuge, was wann passt

HappyScribe , Die empfohlene Einstiegsoption für Verlage ohne technisches Setup. Browser-basiert, Verarbeitung in EU-Rechenzentren, exportiert gängige Untertitelformate (SRT, VTT), automatische Übersetzung in viele Sprachen. Der Pro-Plan (29 €/Monat, 600 Min., 3 Sitze) deckt etwa zehn 60-Minuten-Videos ab, der Basic-Plan (17 €/Monat, 120 Min.) reicht für gelegentliche Videos. Wichtig: Bei deutschem Fachvokabular braucht die KI-Fassung Nachkorrektur, die ist einkalkuliert.

Whisper (OpenAI, lokal oder API), Sehr gute Qualität für Deutsch, auch bei Dialekten, Fachvokabular und schwieriger Audioqualität. Lokal betrieben kostenlos, und die Aufnahmen verlassen das Haus nicht, das macht die DSGVO-Frage einfach. Braucht aber Python-Kenntnisse. Über die OpenAI-API: 0,006 USD/Minute, keine eigene Oberfläche. Vorsicht: Whisper erfindet gelegentlich ganze Sätze, vor allem in Pausen, eine Studie der Cornell University fand solche Halluzinationen in rund 1 % der untersuchten Transkripte. Die Nachkorrektur fängt das nur, wenn jemand gegen das Audio prüft. Sinnvoll für Teams mit IT-Unterstützung, die regelmäßig große Volumina verarbeiten und maximale Qualität benötigen.

Descript , Wenn nicht nur Untertitel, sondern auch Video-Schnitt gefragt ist. Descript kombiniert text-basiertes Editing mit automatischer Untertitelung. Für Buchtrailer und Interview-Postproduktion in einem Schritt geeignet. Einschränkung: Deutsche Transkriptionsqualität schlechter als bei HappyScribe oder Whisper . Sinnvoll, wenn sowieso geschnitten wird.

Castmagic , Wenn aus dem Interview-Video nicht nur Untertitel, sondern auch Social-Media-Posts, Shownotes und Kapitelmarken entstehen sollen. Castmagic ist auf Content-Repurposing ausgelegt: Eine Videodatei, mehrere Ausgaben. Deutsche Qualität akzeptabel, aber nicht auf Stufe von Whisper .

Vozo , Wenn aus dem Video nicht nur Untertitel, sondern eine vollständige fremdsprachige Fassung werden soll: Vozo lokalisiert vorhandene Videos mit geklonter Originalstimme, Lippensynchronisation und Übersetzung von Text im Bild, kostenlos prüfbar und danach ab 29 USD/Monat, verarbeitet aber in den USA und stützt Übermittlungen auf Standardvertragsklauseln.

Azure Video Indexer , Für Verlage mit bestehender Microsoft 365- oder Azure-Infrastruktur, die auch Video-Archivsuche, Sprecher-Identifikation und Szenenanalyse brauchen. EU-Datenverarbeitung (Frankfurt/Amsterdam), DSGVO-AVV via Microsoft. Für reine Untertitelung überdimensioniert und teurer, lohnt sich, wenn der gesamte Video-Archiv durchsuchbar werden soll.

Zusammenfassung: Wann welcher Ansatz

• Sofort starten, kein Setup → HappyScribe
• Maximale Deutsch-Qualität + Datenschutz + IT-Ressourcen vorhanden → Whisper lokal
• Schneiden und Untertiteln in einem Workflow → Descript
• Video + Social-Media-Posts aus einer Datei → Castmagic
• Microsoft-Infrastruktur + Video-Archiv durchsuchbar → Azure Video Indexer

Barrierefreiheit: Was das BFSG für Verlage bedeutet

Das Barrierefreiheitsstärkungsgesetz (BFSG) gilt seit dem 28. Juni 2025. Für Verlage sind zwei der erfassten Bereiche wichtig: E-Books samt der dafür bestimmten Software und Dienstleistungen im elektronischen Geschäftsverkehr, also der eigene Online-Shop für Verbraucher (§ 1 Abs. 3 BFSG). Kleinstunternehmen, die Dienstleistungen anbieten, sind ausgenommen.

Was das konkret bedeutet:

• Videos, die im eigenen Online-Shop laufen, etwa ein Buchtrailer auf der Produktseite, müssen barrierefrei sein. Dazu gehören Untertitel für Gehörlose und Schwerhörige.
• Aufgezeichnete Videos, die vor dem 28. Juni 2025 veröffentlicht wurden, nimmt das Gesetz ausdrücklich aus (§ 1 Abs. 4 BFSG), ebenso Archivinhalte, die danach nicht mehr bearbeitet werden. Neue Videos im Shop fallen darunter.
• Ein Trailer auf YouTube oder LinkedIn, eine reine Informationsseite ohne Verkaufsfunktion und ein interner Meeting-Mitschnitt fallen nicht unter das BFSG.

Untertitel lohnen sich trotzdem überall: Sie helfen Gehörlosen, Menschen in lauten Umgebungen, Nicht-Muttersprachlern und allen, die lieber mitlesen als zuhören. Die genaue Einordnung deines Angebots klärst du mit einem Rechtsbeistand.

Datenschutz und Datenhaltung

Autoreninterviews und Lesungsaufnahmen enthalten personenbezogene Daten, die Stimme, das Bild und die Aussagen der interviewten Person. Sobald ein KI-Dienst diese Daten verarbeitet, gilt die DSGVO.

Was das für die Toolwahl bedeutet:

• HappyScribe : EU-Datenverarbeitung, AVV auf Anfrage. Für normale Verlags-Videos geeignet, wenn Einwilligung der interviewten Personen vorliegt.
• Whisper (lokal): Keine Daten verlassen das eigene System, damit entfällt die Auftragsverarbeitung. Beste Wahl für sensible Aufnahmen oder wenn der Interviewpartner keine externe Verarbeitung zugestimmt hat.
• Descript : US-Datenhosting, kein Standard-AVV für kleinere Pläne. Für veröffentlichten Marketing-Content akzeptabel, wenn Einwilligung vorliegt.
• Castmagic : US-Hosting, kein Standard-AVV. Gleiche Einschränkung wie Descript.
• Azure Video Indexer : EU-Rechenzentrum wählbar (Frankfurt), AVV via Microsoft Online Services Terms. DSGVO-konform.

Für die Interviewten gilt: Wer interviewt wird, sollte in der Einwilligung zur Veröffentlichung auch der KI-gestützten Nachverarbeitung (Transkription, Untertitelung) zustimmen. Das ist kein bürokratisches Detail, es schützt den Verlag, wenn Interviewte nachträglich widersprechen. Eine kurze Klausel im Interviewvertrag oder in der Veröffentlichungsvereinbarung reicht aus.

Was es kostet, realistisch gerechnet

Einmalige Einrichtung: Bei HappyScribe oder ähnlichen Plattformen: null. Du lädst eine Datei hoch und fängst an. Wenn du Whisper lokal betreiben willst: ein halber Tag Einrichtungszeit für einen Entwickler, einmalig ca. 200–500 € für externe Unterstützung.

Laufende Kosten (Beispielrechnung für vier Videos à 30 Min. pro Monat):

• HappyScribe Pro: 29 €/Monat. Abdeckung: 600 Min., das reicht für 20 Videos à 30 Minuten, also deutlich mehr als vier.
• Nachkorrektur intern: ca. 10 Minuten je Videominute mal 120 Videominuten = 20 Stunden im Monat, dazu 1–2 Stunden Prüfung der englischen Fassung. Das ist keine neue Rechnung, aber Arbeitszeit, die an anderer Stelle fehlt.
• Alternative mit menschlicher Nachkorrektur über HappyScribe: 1,75 €/Min. mal 120 Min. = 210 €/Monat. Spart die meisten internen Korrekturstunden.

Was du dagegen rechnest: Vier Videos à 30 Minuten, extern untertitelt auf Deutsch und Englisch: (15 + 12 €/Min.) mal 120 Videominuten = 3.240 €/Monat. Mit dem KI-Workflow und menschlicher Nachkorrektur: 29 € (Abo) + 210 € = 239 € im Monat, plus 1–2 Stunden Prüfung der englischen Fassung. Mit eigener Korrektur: 29 € im Monat, plus rund 21–22 Stunden interne Arbeit. In bar sind das 93–99 % weniger. Die Ersparnis ist echt, weil die Agenturrechnung heute tatsächlich bezahlt wird.

ROI-Messung: Die sichere Metrik ist die Agenturrechnung: Wie viele Untertitelminuten produziere ich, zu welchen Kosten, und was hätte das extern gekostet? YouTube Analytics zeigt zusätzlich die Watchtime je Video. Den Effekt auf Buchverkäufe kannst du daraus nicht ablesen, dafür brauchst du Links oder Aktionscodes, die Käufe dem Video zuordnen.

Vier typische Einstiegsfehler

1. Schlechte Audioqualität als KI-Problem definieren. Das ist kein KI-Fehler, es ist ein Aufnahme-Fehler, den die KI nicht reparieren kann. Wenn das Interview mit dem eingebauten Laptop-Mikrofon aufgenommen wurde, der Interviewpartner zwei Meter vom Aufnahmegerät entfernt saß und im Hintergrund eine Klimaanlage lief, liefert auch die beste Transkriptions-KI ein kaum nutzbares Ergebnis. Lösung: Einmal in ein externes USB-Mikrofon investieren und Aufnahmeregeln für alle festlegen, die Interviews machen. Eine Checkliste mit fünf Punkten (“Tür schließen, Kopfhörer auf, Abstand prüfen, Testaufnahme, Stille vor Beginn”) verkürzt die spätere Nachkorrektur deutlich.

2. Autorennamen, Buchtitel und Verlagsbezeichnungen nicht vorbereiten. Die KI kennt aktuelle Bestseller, aber nicht das Programm deines Verlags. “Joachim Meyerhoff” wird vielleicht erkannt, “Jaroslav Rudiš” mit Diakritika kaum. Lege vor der Verarbeitung ein eigenes Vokabular an (die meisten Tools bieten diese Funktion) oder halte eine Liste mit den vorkommenden Eigennamen bereit, mit der du nach der KI-Transkription gezielt suchst und ersetzt. Das dauert fünf Minuten und spart zehn.

3. Die Untertitel werden erstellt, aber nicht eingebettet. Das häufigste stille Scheitern: Die SRT-Datei ist fertig, liegt im Ordner, und das Video wird ohne sie veröffentlicht, weil der Workflow nicht klar ist, wer die Datei in YouTube hochlädt. Untertiteldateien müssen explizit eingebunden werden; YouTube, Vimeo und LinkedIn bieten dafür jeweils ein eigenes Upload-Feld. Lösung: Einen Schritt “Untertitel hochladen” fest in die Veröffentlichungs-Checkliste aufnehmen, bevor das Video online geht. Der Effekt, mehr Watchtime, internationale Reichweite, Barrierefreiheit, entsteht nur, wenn die Untertitel tatsächlich angezeigt werden.

4. Der Wartungsfall: Kein Verantwortlicher für das Untertitel-Archiv. Konkrete Schieflage: Ein Autoreninterview aus dem Vorjahr enthält falsch transkribierte Buchtitel, “Zwischen den Zeiten” statt “Zwischen den Zeilen”, und niemand bemerkt es, weil das Video nach der Veröffentlichung aus dem Blick gerät. Ebenso: Ein API-Update von HappyScribe oder Whisper verändert die Transkriptionsqualität still, die nächsten zehn Videos werden mit schlechteren Untertiteln veröffentlicht, ohne dass der Fehler auffällt. Gegenmittel: Einmal pro Quartal eine Person benennen, die zehn zufällig ausgewählte veröffentlichte Videos auf korrekte Untertiteleinbettung und inhaltliche Aktualität prüft, das dauert 30 Minuten und verhindert, dass fehlerhafte Transkripte jahrelang abrufbar bleiben.

Was mit der Einführung wirklich passiert

Der erste Versuch klappt schneller als erwartet. Das überrascht viele Teams: Du lädst ein Video hoch, 15 Minuten später ist ein lesbares Transkript da, du korrigierst zehn Stellen, exportierst die SRT-Datei und lädst sie in YouTube. Das erste Video ist in zwei Stunden erledigt.

Das zweite Video ist dann der eigentliche Test. Wer korrigiert es? Wann? Nach welchen Regeln für Zeilenumbrüche, Eigennamen, Zeichensetzung? Wenn nicht festgelegt wird, wer für welches Video die Nachkorrektur macht, landet die Aufgabe beim nächstbesten “KI-Enthusiasten im Team”, was oft bedeutet: gar niemand macht es, weil alle warten.

Was in der Praxis hilft:

• Ein geteiltes Dokument mit Vokabular anlegen: Autorennamen, Verlagsbezeichnungen, Buchreihen, Fachbegriffe, einmalig zusammenstellen, dann bei jedem neuen Video als Referenz nutzen.
• Eine Person als “Untertitelverantwortliche” benennen, nicht als dauerhaften Vollzeitjob, sondern als Zuständige für den Qualitätscheck.
• Den Veröffentlichungs-Workflow um einen expliziten Schritt “Untertitel hochladen” erweitern, vor der Veröffentlichung, nicht danach.
• Für internationale Untertitel (EN, FR) mindestens eine Muttersprachler-Prüfung für die erste Charge einplanen. Danach ist das Niveau klar, und du weißt, ob die KI-Übersetzung für euren Kanal gut genug ist oder nachkorrigiert werden muss.

Der Widerstand kommt selten gegen das Werkzeug, sondern gegen die Zusatzarbeit. “Ich dachte, das macht jetzt die KI?” ist die häufigste Frage nach dem ersten Monat. Die ehrliche Antwort: Die KI macht die Roharbeit. Den Feinschliff macht ein Mensch, und das lohnt sich, weil der Feinschliff zehn Minuten kostet statt einer Stunde.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

“Die Qualität reicht nicht für Veröffentlichung.” Das stimmt, ohne Nachkorrektur. Mit zehn Minuten Korrektur je Videominute erreicht eine klare Studioaufnahme das Niveau professioneller Untertitelung. Der entscheidende Denkwechsel: KI produziert einen guten Rohtext, den ein Mensch finalisiert, gleiches Ergebnis, deutlich weniger Aufwand.

“Wir haben keine Zeit für die Nachkorrektur.” Dann hat man auch keine Zeit für externe Untertitelung, denn die erfordert genauso eine Prüfung des gelieferten Ergebnisses, nur dass der externe Dienstleister noch drei Werktage warten lässt, bevor man korrigieren kann. Bei einem Buchtrailer von zwei Minuten ist die Rohfassung in Minuten da, die Korrektur in weiteren 20 Minuten. Bei einem 30-Minuten-Interview sind es rund 5 Stunden, wer die nicht hat, bucht die menschliche Nachkorrektur dazu.

“Wir machen nicht so viel Video-Content.” Bei wenigen Videos reicht der Basic-Plan von HappyScribe für 17 € im Monat mit 120 Minuten, oder du buchst nur in den Monaten, in denen ein Video ansteht. Für sporadischen Bedarf ohne eigene Korrekturkapazität bleibt der externe Dienstleister die pragmatische Lösung.

Woran du merkst, dass das zu dir passt

• Du produzierst regelmäßig Videos (Buchtrailer, Interviews, Lesungen), die auf YouTube, LinkedIn oder der eigenen Website veröffentlicht werden, und zahlst heute eine Agentur dafür
• Dein Video-Content erscheint aktuell ohne Untertitel oder mit großer Verzögerung, weil die externe Untertitelung den Veröffentlichungsrhythmus ausbremst
• Du willst internationale Buchkäuferinnen und -käufer ansprechen, aber keine eigene Übersetzungsredaktion aufbauen
• Dein Verlag verkauft E-Books oder betreibt einen Online-Shop mit Videos und muss die BFSG-Anforderungen zur Barrierefreiheit umsetzen

Wann es (noch) nicht passt, drei harte Ausschlusskriterien:

1. Nur gelegentlich ein Video und niemand mit Zeit für die Nachkorrektur. Die Agentur liefert Untertitel samt Korrektur, die KI verlagert die Korrektur ins Haus. Wer ein Video im Quartal produziert und keine fünf Stunden für ein 30-Minuten-Interview hat, bleibt beim Dienstleister oder bucht die menschliche Nachkorrektur von HappyScribe dazu.

2. Audioqualität grundsätzlich unter Standard. Wenn alle bisherigen Aufnahmen mit eingebautem Laptop-Mikrofon, Raumhall und Hintergrundgeräuschen entstehen, und sich das nicht ändert, liefert auch die beste KI unbrauchbare Transkripte. Keine Lösung, die das Problem auf Software-Ebene löst, funktioniert ohne eine Mindestqualität des Inputs. Erster Schritt: Aufnahme-Setup verbessern.

3. Keine Person im Team, die Nachkorrektur verantwortet. Ein KI-Rohtranskript ohne menschlichen Check ist für Verlage kein publizierbares Ergebnis, zu viele Autorennamen, zu viel Fachvokabular, zu viele Nuancen, die das Modell falsch interpretiert. Wenn niemand diese zehn Minuten aufwenden kann oder will, entsteht kein Mehrwert.

Das kannst du heute noch tun

Lade ein bestehendes Interview-Video (oder einen Buchtrailer) auf happyscribe.com hoch. Du bekommst 10 Minuten gratis. Das reicht für einen 10-Minuten-Video-Abschnitt. Prüfe das Ergebnis: Wie viele Korrekturen brauchst du je Minute Video? Wie lange brauchst du für die Korrektur? Das ist die ehrlichste Kalkulation, die du machen kannst.

Parallel dazu: Einen ersten Prompt, mit dem du aus einem bestehenden Transkript direkt SEO-optimierte YouTube-Kapitelmarken und einen englischen Untertitel-Qualitätscheck generieren kannst:

Quellen & Methodik

• Watchtime-Effekt (91 % gegenüber 66 % zu Ende geschaut): Sonix, „Subtitle Generation Trends: Key Statistics”, Statistik-Zusammenstellung eines Transkriptionsanbieters. Von uns nicht an den Originalstudien geprüft, branchenübergreifend, nicht verlagsspezifisch.
• KI-Halluzinationen in Transkription (rund 1 % der Transkripte mit erfundenen Passagen): Koenecke u. a. (Cornell University), „Careless Whisper: Speech-to-Text Hallucination Harms”, 2024; dazu OpenAI-Whisper-Repository, Discussion #2608 (GitHub, 2024).
• Manuelle Untertitelungskosten (8–20 €/Min.): Annahme dieser Seite für professionelle deutsche Untertitelung mit Timing, nicht an veröffentlichten Preislisten geprüft. Hol eigene Angebote ein, sie entscheiden über die Ersparnis.
• HappyScribe Preise: laut unserer Toolseite. Basic 17 €/Monat (120 Min.), Pro 29 €/Monat (600 Min.), Business 89 €/Monat (6.000 Min.); menschliche Nachkorrektur ab 1,75 €/Min.
• BFSG (Barrierefreiheitsstärkungsgesetz): gilt seit 28. Juni 2025; § 1 Abs. 3 (erfasste Dienstleistungen, darunter E-Books und elektronischer Geschäftsverkehr) und § 1 Abs. 4 (Ausnahme für vor dem 28. Juni 2025 veröffentlichte aufgezeichnete Medien), gesetze-im-internet.de.
• Whisper Transkriptionskosten (OpenAI API): 0,006 USD/Minute, laut unserer Toolseite.

Du willst wissen, welcher Workflow für eure Produktionsfrequenz und euer Toolset am sinnvollsten ist? Meld dich, das klären wir gemeinsam in einem kurzen Gespräch.