Teil der ÜbersichtReels und Video

YouTube-Video transkribieren: vier Wege und was danach kommt

Ein Video in Text zu verwandeln dauert heute weniger als eine Minute, und das ist der einfache Teil. Der schwierige beginnt danach, wenn zwölf Seiten Rohtext dastehen und daraus etwas werden soll, das jemand liest. Hier stehen die vier Wege zum Transkript samt ihren Grenzen, die Stellen, an denen automatische Erkennung zuverlässig danebenliegt, und der Weg vom Rohtext zum fertigen Beitrag.

Die vier Wege, ein Video in Text zu bekommen

Sie unterscheiden sich in Aufwand und in dem, was du hinterher damit anfangen kannst. Für die meisten Fälle reicht der erste.

YouTube selbst fragen

Der schnellste Weg und der, den die wenigsten kennen. Unter dem Video führen die drei Punkte zum Eintrag für das Transkript. Es öffnet sich neben dem Video, lässt sich markieren und kopieren. YouTube beschreibt die Untertitel-Funktion in seiner Hilfe. Das kostet nichts, funktioniert im Browser und braucht keine Anmeldung bei irgendwem.

Ein Werkzeug im Browser

Es gibt zahlreiche Seiten, die eine Video-Adresse annehmen und Text zurückgeben. Sie sind bequem und haben zwei Haken: Die kostenlose Stufe endet meist nach wenigen Minuten Laufzeit, und du gibst aus der Hand, was mit den Daten passiert. Für ein fremdes, öffentliches Video ist das gleichgültig. Bei einem unveröffentlichten eigenen Video lohnt der Blick in die Bedingungen.

Auf dem eigenen Rechner

Wer regelmäßig transkribiert, fährt damit am besten. Whisper erkennt Sprache lokal und ist frei verfügbar, das Herunterladen der Tonspur übernimmt yt-dlp. Die Einrichtung kostet einen Abend, danach läuft es ohne Laufzeitgrenze und ohne dass Material das Gerät verlässt. Bei vielen Videos ist das der einzige Weg, der sich rechnet.

Von Hand mitschreiben

Klingt rückständig und hat einen Vorteil, den keine Automatik bietet: Du filterst schon beim Zuhören. Wer ein fremdes Video auswertet, um Ideen daraus zu ziehen, ist mit zehn Minuten Mitschrift oft weiter als mit zwölf Seiten Volltext.

Praktisch geht das bei doppelter Abspielgeschwindigkeit und mit einer Regel: notiert wird nur, was dich beim Hören kurz innehalten lässt. Ein zwanzigminütiges Video schrumpft so auf zehn Minuten Zuhören und eine halbe Seite Notizen, und diese halbe Seite ist bereits das Ergebnis der Auswahl, die du sonst später am Volltext treffen müsstest.

Welcher Weg passt zu welchem Fall?

Die Entscheidung hängt an zwei Fragen: Wem gehört das Video, und wie viele werden es noch?

Dein eigenes Video, gelegentlich

Die YouTube-Funktion reicht. Du hast das Material selbst hochgeladen, die Untertitel liegen ohnehin vor, und für einen einzelnen Beitrag lohnt keine Einrichtung.

Ein fremdes Video zur Auswertung

Mitschrift oder YouTube-Transkript. Wichtiger als die Vollständigkeit ist hier, dass du hinterher weißt, welche zwei Gedanken du mitnehmen willst.

Viele Videos, regelmäßig

Ab etwa fünf Videos im Monat trägt die lokale Einrichtung. Vorher ist sie Beschäftigung mit dem Werkzeug statt mit dem Inhalt. Der Kipppunkt liegt dort, wo die Wartezeit an den Laufzeitgrenzen der Browser-Dienste anfängt zu stören, und das merkst du deutlich, bevor du es ausrechnest.

• Ein eigenes Video, einmalig: YouTube-Transkript, zwei Minuten Aufwand.
• Ein fremdes Video: Mitschrift, weil du dabei schon auswählst.
• Viele Videos: Whisper lokal, einmal einrichten und danach vergessen.
• Vertrauliches Material: ausschließlich lokal, ohne fremden Dienst.

Wie genau sind automatische Transkripte?

Bei klarer Aussprache und gutem Ton meistens gut genug. Die Fehler verteilen sich aber nicht zufällig, und das ist die nützliche Information.

Wo die Fehler zuverlässig auftreten

Vier Stellen, an denen du immer nachprüfen solltest:

• Eigennamen. Personen, Marken, Ortsangaben. Die Erkennung setzt ein ähnlich klingendes, häufigeres Wort ein.
• Fachbegriffe. Alles, was in Alltagssprache selten vorkommt, wird zu etwas Alltäglichem geglättet.
• Zahlen. Besonders Prozentangaben und Jahreszahlen. Hier entstehen Fehler, die im Text völlig plausibel aussehen.
• Überlappende Stimmen. Sobald zwei Menschen gleichzeitig sprechen, wird geraten.

Die Rate hängt dabei weniger am Werkzeug als am Ton. Ein sauber aufgenommenes Interview mit einem Mikrofon am Kragen wird fast fehlerfrei erkannt, während dieselbe Software bei einer Handyaufnahme in einem Café deutlich danebenliegt. Wer regelmäßig transkribiert, gewinnt also mehr durch besseren Ton bei der Aufnahme als durch die Suche nach der besten Erkennung.

Warum falsche Zahlen das größte Problem sind

Ein verhunzter Eigenname fällt beim Lesen auf. Eine falsche Prozentzahl nicht. Sie liest sich glatt, wandert in deinen Beitrag und steht dort als deine Behauptung. Wer aus Transkripten arbeitet, sollte deshalb jede Zahl im Video gegenhören, bevor sie in einen Text wandert.

Warum das Transkript allein nichts bringt

An dieser Stelle hören die meisten Anleitungen auf, und hier fängt die eigentliche Arbeit an. Ein Transkript ist Rohmaterial.

Gesprochenes liest sich nicht

Beim Sprechen beginnst du Sätze neu, wiederholst dich zur Betonung und springst zurück. Das trägt im Ohr und stört im Auge. Wer ein Transkript ungefiltert postet, veröffentlicht etwas, das niemand zu Ende liest.

Der Rohtext hat keine Gliederung

Im Video übernimmt deine Stimme die Gliederung: Pausen, Betonung, Tempo. Nichts davon überlebt die Umwandlung. Übrig bleibt eine Textwand ohne Absätze, und die Reihenfolge, die im Gespräch überzeugt hat, ergibt gelesen oft keine mehr. Wer beim Sprechen einen Gedanken aufgreift, den er zehn Minuten vorher angerissen hat, bindet das im Ohr mühelos zusammen. Im Text stehen die beiden Stellen weit auseinander und der Bogen zerfällt.

Die Länge passt nirgends hin

Zwanzig Minuten Video ergeben grob dreitausend Wörter. Zum Vergleich, was die Formate davon aufnehmen:

• Caption unter einem Bild: gut zweihundert Wörter, bevor der Weiterlesen-Knopf kommt. Siehe Instagram-Captions schreiben.
• Karussell mit zehn Karten: etwa vierhundert Wörter, weil auf jede Karte wenig gehört. Die Maße dazu stehen im Karussell-Format.
• Reel-Skript: je nach Länge hundert bis hundertfünfzig gesprochene Wörter, siehe was ein Reel ausmacht.
• Der Rest: alles, was nicht in eine dieser Formen passt, gehört nicht in den Beitrag.

Zwischen Rohtext und Beitrag steht also Auswählen. Kürzen führt zu einem Text, der überall ein bisschen erzählt und nirgends etwas zu Ende bringt.

Vom Transkript zum Beitrag

Drei Schritte, und der erste entscheidet über das Ergebnis.

Schritt eins: die Aussagen herausziehen, die allein stehen

Geh den Text durch und markier jeden Satz, den jemand verstehen würde, ohne das Video gesehen zu haben. In zwanzig Minuten Video sind das erfahrungsgemäß zwei bis vier. Alles andere ist Überleitung, Wiederholung oder Kontext. Diese wenigen Sätze sind dein Material, der Rest kann weg.

Woran du eine solche Aussage erkennst:

• Sie braucht kein „wie gesagt". Jeder Rückverweis auf etwas Früheres macht den Satz vom Video abhängig.
• Sie behauptet etwas. Sätze, die nur einordnen oder ankündigen, tragen keinen Beitrag.
• Jemand könnte widersprechen. Wo Widerspruch möglich ist, steht etwas Konkretes. Wo nicht, steht eine Allgemeinheit.
• Sie stammt aus deiner Erfahrung. Der Teil, den ein Modell nicht erfinden könnte, und deshalb der wertvollste. Warum das der Unterschied ist, steht in KI-Content erkennen: 10 Patterns.

Schritt zwei: eine Form wählen

Eine These mit Begründung wird eine Caption. Ein Ablauf in Schritten wird ein Karussell. Ein einzelner überraschender Satz wird ein Reel. Welche Form wann trägt, steht im Repurposing-Blueprint und im Vergleich der drei Formate.

Schritt drei: neu schreiben, nicht kürzen

Der Schritt, an dem es schiefgeht. Wer den Transkriptsatz kürzt, behält den Satzbau des Sprechens und verliert dessen Betonung. Schreib die Aussage von Hand neu, so wie du sie jemandem gegenüber am Tisch formulieren würdest. Das dauert länger als Kürzen und ist der Grund, warum der Beitrag hinterher nach dir klingt. Wie du dabei vorgehst, steht in KI-Text menschlicher machen, und falls ein Modell den Rohtext zusammenfassen soll, in ChatGPT-Texte umschreiben.

Für den ersten Satz gilt dabei dasselbe wie im Video: Er muss einen Grund liefern weiterzulesen. Wie du ihn baust, steht in Der Hook, der entscheidet. Wie lang das Ergebnis werden darf, klärt die Frage nach der Reel-Länge.

Was bei fremden Videos zu beachten ist

Kurz und ohne Rechtsberatung, weil wir keine Kanzlei sind.

Auswerten und veröffentlichen sind zweierlei

Ein fremdes Video zu transkribieren, um es für dich auszuwerten, ist etwas anderes, als das Transkript zu veröffentlichen. Für den privaten Gebrauch gibt es in § 53 UrhG eine Regelung, die das Vervielfältigen in Grenzen erlaubt.

Zitieren mit Quelle

Willst du eine Aussage öffentlich wiedergeben, ist das Zitatrecht der Rahmen. § 51 UrhG erlaubt Zitate in engen Grenzen und verlangt, dass die Quelle genannt wird. Praktisch heißt das: kurz halten, als Zitat kennzeichnen, Kanal und Video benennen. Wer eine belastbare Auskunft für seinen Fall braucht, holt sie bei einer Kanzlei statt in einem Blogbeitrag.

Fazit

Die Frage, wie man ein Video transkribiert, ist in zwei Minuten beantwortet: über die Funktion von YouTube, und bei größeren Mengen lokal mit Whisper. Die Frage, was man mit dreitausend Wörtern Rohtext anfängt, ist die eigentliche.

Die Antwort darauf lautet auswählen statt kürzen. Zwei bis vier Aussagen aus einem Video tragen je einen eigenen Beitrag, und jede davon wird von Hand neu geschrieben. Der Überblick zu den Formaten steht in der Übersicht zu Reels und Video, und wenn aus dem Material ein Karussell werden soll, in Karussellpost erstellen.

Häufige Fragen