Mit KI erstellt. Verantwortlich: Vathanakone Prakosay. Aktualisiert am 14.11.2026.
Karaoke-Untertitel automatisch erstellen heißt: Ein Programm legt zu jeder Silbe eines Liedtextes den Zeitpunkt fest, an dem sie gesungen wird. Du brauchst dafür den Song als Audiodatei und den fertigen Text. Ich nutze ein eigenes Werkzeug auf meinem Server und habe es an Testsongs und an einem echten Lied gemessen. Hier liest du, wie sich Untertitel automatisch generieren lassen, welche Dateiformate es gibt und wo die Grenzen liegen.
Wie lassen sich Karaoke-Untertitel automatisch erstellen?
Karaoke-Untertitel entstehen in vier Schritten: Text vorbereiten, Gesang trennen, Zeiten berechnen, Untertitel prüfen. Du brauchst dafür keinen Untertitelgenerator, der Sprache in Text umwandelt (Transkription). Bei Karaoke kennst du den Text schon. Das Programm muss ihn nur zeitlich an den Gesang anlegen. Fachleute nennen das „Forced Alignment“.
- Text vorbereiten: eine Zeile pro gesungener Zeile, genau so, wie gesungen wird. Wiederholungen schreibst du aus. Eine Leerzeile beginnt einen neuen Abschnitt.
- Gesang trennen: Ein Modell zieht die Stimme von der Musik ab. Das macht die Untertitel genauer.
- Zeiten berechnen: Das Programm teilt den Text in Silben und ordnet jeder Silbe Start und Ende zu.
- Prüfen und manuell korrigieren: Auffällige Zeilen hörst du dir an und korrigierst sie von Hand.
Untertitelgenerator oder Karaoke-Werkzeug: Was ist der Unterschied?
Ein Untertitelgenerator transkribiert gesprochene Sprache, ein Karaoke-Werkzeug richtet bekannten Text am Gesang aus. Ein KI-Untertitelgenerator nutzt Spracherkennung: Du lädst eine Video- oder Audiodatei hoch, das Programm erzeugt automatisch generierte Untertitel, und du kannst sie bearbeiten und als Untertiteldatei exportieren, zum Beispiel als SRT-Datei oder TXT. Für Sprecher im Video ist das praktisch.
Für Gesang passt dieser Weg schlechter. In meinen Messungen verdrängt die Musik den Gesang so stark, dass die Spracherkennung ohne Stimmtrennung fast nichts richtig erkennt (Fehlerquote 0,9 bis 1,0, mehr dazu im Artikel Lao-Liedtexte erkennen). Außerdem liefern solche Tools meist ganze Zeilen und keine Zeit pro Silbe. Das ist meine Einschätzung, kein Test einzelner Produkte.
Welche Dateiformate gibt es für Karaoke-Untertitel?
Für Karaoke brauchst du ein Format, das Zeiten pro Silbe oder Wort speichert. Mein Werkzeug schreibt aus einem Lauf mehrere Untertiteldateien. Welche du nimmst, hängt vom Player ab.
| Format | Zeit pro Silbe | Geeignet für |
|---|---|---|
| ASS | ja, mit Farbwechsel (\k, \kf) | Player mit libass wie VLC und mpv, Schnittprogramme |
| LRC (erweitert) | ja | Musik-Player, Karaoke-Apps, YouTube |
| LRC (einfach) | nein, nur Zeilen | einfache Player |
| WebVTT (VTT) | ja, mit Zeitmarken im Cue | Browser |
| SRT | nein, nur Zeilen | fast jedes Programm |
Zu den Formaten gibt es klare Angaben. In ASS gibt das Tag \k die Dauer einer Silbe in Hundertstelsekunden an, \kf färbt sie weich von links nach rechts ein (Aegisub-Dokumentation). WebVTT erlaubt Zeitmarken innerhalb eines Cues (W3C, Stand 20.05.2026). Für YouTube-Videos nennt die Hilfeseite LRC, auch das erweiterte Format, aber ohne Formatierung. ASS steht nicht in der Liste der Formate, die YouTube beim Hochladen von Untertiteln annimmt.
Warum hilft die Stimmtrennung bei der Genauigkeit?
Die Stimmtrennung macht die Untertitel genauer, vor allem bei lauter Musik. Das Modell Demucs trennt Schlagzeug, Bass, Gesang und den Rest (MIT-Lizenz, Repository seit 01.01.2025 archiviert). Ohne Trennung hört das Alignment-Modell Gitarre und Schlagzeug mit und setzt Silben an falsche Stellen. Das Timing wird dann ungenau.
| Messung (Testsongs mit gesprochenen Wörtern) | Mittlerer Fehler der Wortstarts |
|---|---|
| ohne Musik, ohne Trennung | 25 bis 56 Millisekunden |
| laute Musik (−6 dB), ohne Trennung | 94 Millisekunden |
| laute Musik (−6 dB), mit Trennung | 42 Millisekunden |
Diese Werte stammen aus meinem Benchmark mit künstlichen Testsongs in Laotisch, Thai, Englisch und Deutsch. Sie sind kein Beweis für jeden echten Song. Bei einem Lao-Lied, das 3 Minuten 21 Sekunden dauert, lief das Werkzeug mit Trennung etwa 5 Minuten, ohne Trennung etwa 2 Minuten (nur CPU, 4 Threads). Wer die Gesangsdatei schon hat, spart die Trennung beim nächsten Lauf.
Kannst du Untertitel kostenlos erstellen?
Ja, bei meinem Werkzeug kostet ein Lauf kein Geld, weil alles lokal läuft. Es braucht keinen Cloud-Dienst und lädt nichts hoch. Dafür brauchst du Rechenzeit und Arbeitsspeicher: Ein vier Minuten langer Song braucht ungefähr 7 Minuten und 3,5 GB RAM, mit Vorschau-Video.
Eine Lizenzfrage gibt es: Das Alignment-Modell MMS von Meta steht unter CC-BY-NC 4.0 und darf nur nicht kommerziell genutzt werden. Für mein privates Hobby passt das. Bei einem gewerblichen Einsatz brauchst du ein anderes Modell.
Welche Sprachen funktionieren?
Das Werkzeug arbeitet mit Laotisch, Thai, Englisch und Deutsch, auch gemischt in einer Zeile. Das Alignment-Modell MMS wurde mit Daten aus 1.130 Sprachen trainiert (Meta, GitHub). Für Thai und Laotisch teilt das Werkzeug den Text zuerst in Silben (mit den Python-Paketen pythainlp und laonlp). Lao wird für das Modell in lateinische Schrift umgeschrieben. Diese Umschrift ist gröber als bei Thai, deshalb erwarte ich bei Lao etwas größere Fehler. Eine automatische Übersetzung gibt es nicht. Eine Übersetzung trägst du selbst in ein eigenes Feld ein.
Wo liegen die Grenzen?
Das Ergebnis ist nur so gut wie der Text, den du eingibst. Fehlt eine Wiederholung oder ein „oh oh“ im Text, verschieben sich die Nachbarzeilen. Diese Grenzen kenne ich aus meinen Tests:
- Bei Chor, Hall und Doppelstimmen wird das Timing ungenauer. Die Trennung hilft, löst es aber nicht ganz.
- In einem vier Minuten langen Test starteten 2 von 48 Zeilen etwa 2 Sekunden zu früh. Das Prüfwerkzeug hat sie markiert.
- Zahlen wie „2026“ werden nicht ausgerichtet. Schreibe sie als Wort aus.
- Sehr lange Zeilen schrumpfen oder ragen über den Rand. Teile sie im Text.
Wie bearbeitest du die Untertitel nach dem Generieren?
Du bearbeitest die Zeiten in der Datei mit allen Silbenzeiten (JSON): Du änderst Start und Ende der falschen Silbe, danach baut das Werkzeug alle Formate neu, ohne neu zu rechnen. Ein Prüflauf listet jede Zeile mit Start und Ende und warnt bei Zeilen unter 0,3 Sekunden, bei Überlappungen und bei Lücken über 8 Sekunden. So findest du die Stellen, die du dir anhören solltest.
Du wählst außerdem, wie der Text erscheint: als normaler Untertitel mit einer Zeile, die kurz vor dem Gesang einblendet, oder als Karaoke mit Silbenfarbe. Die Stile (zum Beispiel für Pop oder Luk Thung) legst du in einer Textdatei fest.
Wohin mit den fertigen Untertiteln?
Du hast zwei Möglichkeiten: Untertiteldatei oder eingebrannte Untertitel. Eine Untertiteldatei lädst du neben dem Video hoch, zum Beispiel zu YouTube-Videos, und Zuschauer schalten sie ein und aus. Eingebrannte Untertitel sind fest im Bild. Mein Werkzeug rendert dafür ein Vorschau-Video, mit dem du das Timing kontrollierst. Eingebrannte Untertitel brauchst du, wenn eine Plattform keine Dateien annimmt, etwa bei kurzen Clips für TikTok, Reels und Shorts. Untertitel helfen außerdem Menschen mit Hörbeeinträchtigungen und überall dort, wo Ton nicht läuft.
Mehr über meine Projekte findest du unter Projekte, weitere Beiträge unter Technik. Wenn du Songs selbst mit KI erzeugst, hilft dir der Beitrag KI-Musik erstellen.
Häufige Fragen
Gibt es einen kostenlosen Untertitelgenerator für Karaoke?
Mein eigenes Werkzeug ist kostenlos. Für Karaoke brauchst du ein Programm, das Text am Gesang ausrichtet, und keinen reinen Transkriptions-Generator.
Brauche ich den Liedtext?
Ja. Das Werkzeug legt den bekannten Text zeitlich an den Gesang an. Es hört den Text nicht selbst heraus.
Kann ich Untertitel nach dem Generieren bearbeiten?
Ja. Du änderst Start und Ende einzelner Silben in der JSON-Datei und baust alle Formate neu. Ein Prüflauf zeigt dir verdächtige Zeilen.
Welches Format nehme ich für YouTube?
YouTube nennt LRC mit erweitertem Format und WebVTT als unterstützte Formate. ASS steht nicht in der Liste von YouTube.
Wie genau sind die Untertitel?
Der mittlere Fehler der Wortstarts liegt in meinem Benchmark bei 25 bis 56 Millisekunden ohne Musik und bei 42 Millisekunden mit lauter Musik und Stimmtrennung. Einzelne Zeilen können trotzdem falsch liegen.
Quellen
- Aegisub-Dokumentation, „ASS Override Tags“ (\k, \kf), aegisub.org/docs, abgerufen 14.11.2026
- W3C, „WebVTT: The Web Video Text Tracks Format“, Candidate Recommendation Draft 20.05.2026, w3.org/TR/webvtt1
- YouTube-Hilfe, „Unterstützte Dateiformate für Untertitel“, support.google.com/youtube/answer/2734698, abgerufen 14.11.2026
- Meta AI, MMS (Massively Multilingual Speech), GitHub facebookresearch/fairseq, abgerufen 14.11.2026
- Meta AI, Demucs, GitHub facebookresearch/demucs (archiviert 01.01.2025), abgerufen 14.11.2026
- Eigene Messungen im Karaoke-Werkzeug (Benchmark und Test mit einem Lao-Lied), Oktober 2026