TL;DR: Ich habe GeekLinks Spracherkennung (basierend auf Whisper, mit aktivierten Präzisen Zeitstempeln und KI-gestützter intelligenter Segmentierung) auf einen einzigen TED-Talk angewendet und dann alle 325 Zeilen von TEDs offiziell veröffentlichtem Transkript mit dem Ergebnis von GeekLink verglichen. 198 Zeilen stimmten fast sofort überein. 106 waren strukturell nicht direkt vergleichbar — TEDs Redakteure fassen Sätze anders zusammen oder teilen sie anders auf, markieren (Gelächter)/(Applaus) an Stellen ohne Dialog, und es gibt eine rund 9-sekündige reine Musikpassage, für die es überhaupt keinen offiziellen Untertitel gibt. Von den Zeilen mit direkter Entsprechung wurden 21 (etwa 1 von 16) markiert, weil die zeitliche Abweichung größer war oder es einen Wortlautunterschied gab, der einen zweiten Blick wert war — und nur 5 davon waren ernst genug, um rot markiert zu werden. Das ist ein Test an einem Video, kein Benchmark, aber die konkreten Zahlen und Beispiele stehen unten.
Warum ich diesen Test durchgeführt habe
„KI-Untertitel sind zu 90 % genau" hört man oft, aber es wird nie gesagt, genau wobei — Timing, Wortlaut, Zeichensetzung und Zeilenumbruch sind unterschiedliche Fehlerarten, und ein Tool kann bei einer davon hervorragend und bei einer anderen wacklig sein. Ich wollte an einem echten Video genau sehen, wo die Lücke tatsächlich auftritt.
TED-Talks sind ein guter Testfall, weil TED für jeden Talk eigene, offizielle, von Menschen redigierte Untertitel veröffentlicht. Das gibt mir einen echten Maßstab zum Abgleichen, statt nur mit bloßem Auge zu beurteilen, ob ein Transkript „richtig aussieht".
Wie ich den Test aufgesetzt habe
Ich habe einen TED-Talk in GeekLink importiert, angegeben, dass noch keine Untertitel vorhanden sind (nur Audio), und vor dem Start der Spracherkennung mit dem Whisper-Large-Modell die Präzisen Zeitstempel und die KI-gestützte intelligente Segmentierung aktiviert.
Die Erkennung lieferte die Ergebnisse laufend in Echtzeit — ich konnte eine Live-Ansicht öffnen und beobachten, wie Zeilen mit Zeitstempeln erschienen, noch bevor der Vorgang abgeschlossen war.
Nach der Erkennung führte GeekLink einen separaten Zeitleisten-Abgleich durch — das ist der Schritt der Präzisen Zeitstempel, der jede Zeile neu am tatsächlichen Audio ausrichtet, statt Whispers rohen Schätzungen zu vertrauen. Ehrlich gesagt gab es eine Stelle, die es wert ist, offen anzusprechen: Der Talk enthielt eine kurze reine Musikpassage, und Whisper kommt — wie jedes Sprachmodell — mit Musik nicht gut zurecht, sodass dieser Abschnitt einen manuellen Blick brauchte, statt der automatischen Ausgabe dort blind zu vertrauen.
Wie ich die Ausgabe mit TEDs offiziellen Untertiteln verglichen habe
Nachdem Erkennung und Abgleich abgeschlossen waren, habe ich ein kleines Vergleichsskript laufen lassen, das ich extra dafür geschrieben habe: Es gleicht TEDs offizielles Transkript Zeile für Zeile mit GeekLinks Ausgabe ab, berechnet für jede Übereinstimmung die zeitliche Abweichung und markiert alles mit größerer Abweichung oder Wortlautunterschied für eine manuelle Prüfung. Das ist keine Funktion der App — es ist ein Skript, und seine Ausgabe ist nichts, was GeekLink dir im Alltag zeigt. Unten zeige ich die tatsächliche Ausgabe, keine Zusammenfassung davon — scrolle durch die Tabelle, um jede Zeile zu sehen.
Was die Unterschiede tatsächlich waren
Von den 325 Zeilen in TEDs offiziellem Transkript stimmten 198 mit einer GeekLink-Zeile bei nahezu demselben Zeitstempel überein. Weitere 106 waren nicht direkt Zeile für Zeile vergleichbar — TEDs Redakteure fassen Sätze anders zusammen oder teilen sie anders auf als GeekLink, markieren (Gelächter) und (Applaus) an Stellen ohne zu transkribierenden Dialog, und es gibt eine einzelne rund 9-sekündige reine Musikpassage ganz ohne offiziellen Untertitel. Von den Zeilen mit direkter Entsprechung wurden 21 — etwa 1 von 16 — wegen einer größeren zeitlichen Abweichung oder eines Wortlautunterschieds markiert, und nur 5 davon wurden als ernster eingestuft. So sahen diese Unterschiede tatsächlich aus:
- Wortwahl, in beide Richtungen. TEDs offizielles Transkript schreibt „my normal work flow was not an option"; GeekLink hat es als „workflow" erkannt — ein Wort. An anderer Stelle schreibt TEDs Transkript „that would happen every single paper", und GeekLink hat ein „to" hinzugefügt („happen to every single paper") — was sich wie die grammatikalisch vollständigere Version des Satzes liest. Offizielle Transkripte sind auch nicht automatisch bei jedem einzelnen Wort die Musterlösung.
- Ein zusätzliches Bindewort. Eine Zeile: TEDs offizieller Text lautet „everything gets done, things stay civil"; GeekLink hat „everything gets done and things stay civil" erkannt. Gleiche Bedeutung, ein Wort mehr — könnte ein tatsächlich gesprochenes Wort sein, das TEDs Redakteure gestrichen haben, oder die Erkennung könnte ein natürlich klingendes Bindewort hinzugefügt haben. Allein aus dem Transkript lässt sich nicht sagen, welches von beiden zutrifft.
- Ein echter Unterschied bei der Segmentierung. An einer Stelle liest sich TEDs Untertitel als zwei einfache Zeilen: „Now, of course, I said yes." / „It's always been a dream of mine to have done a TED Talk in the past." GeekLink hat dasselbe Audio anders aufgeteilt und als direktes Zitat formatiert: „Now, of course, I said, 'Yes, it's always been a dream of mine'" / „'to have done a TED Talk in the past.'" Gleiche Wörter, gleiche Bedeutung — GeekLinks KI-gestützte intelligente Segmentierung hat den Zeilenumbruch nur an einer anderen Stelle gesetzt und die Passage als zitierte Rede behandelt.
Warum das Timing so genau war
Spracherkennungsmodelle wie Whisper sagen Zeitstempel eher voraus, als sie zu messen — die beste Schätzung des Modells, wann ein Wort beginnt, driftet tendenziell ab, besonders über einen langen Talk hinweg, sodass die rohe Ausgabe oft einen Takt zu früh oder zu spät liegt. Das ist die eigentliche Ursache für die meisten Beschwerden „der Untertitel erschien, bevor sie es gesagt haben" bei KI-generierten Untertiteln.
Genau dafür gibt es die Präzisen Zeitstempel — sie richten nach der Erkennung jede Zeile neu an der tatsächlichen Audio-Wellenform aus, statt der ersten Schätzung des Modells zu vertrauen. Das ist der Schritt, der oben im Screenshot zu sehen ist, und der Grund, warum das Timing in diesem Test so gut standgehalten hat.
Was das für die Prüfzeit bedeutet
Ein Video ist kein Benchmark, und ich werde nicht so tun, als wäre es einer. Aber es passt zu dem, was GeekLink von Anfang an motiviert hat: Bei diesem Talk waren nur 21 von 325 Zeilen — etwa 1 von 16 — einen zweiten Blick wert. Hätte ich, wie es viele Untertitel-Workflows erwarten, jede einzelne Zeile manuell neu gelesen und neu getimt, hätte ich fast die gesamte Zeit damit verbracht, bereits korrekte Arbeit erneut zu überprüfen.
Genau das ist der Grundgedanke dahinter, die prüfenswerten Zeilen zu markieren, statt ein ganzes Transkript neu zu lesen: Der Großteil braucht deine Aufmerksamkeit gar nicht. Die Stellen, die sie brauchen, sind meist leicht zu erkennen, wenn etwas darauf hinweist.
FAQ
Sind KI-generierte Untertitel genau genug, um sie ganz ohne Überprüfung zu verwenden?
Nicht ganz ohne Überprüfung, aber sie sind näher dran, als „90 % genau" vermuten lässt. In diesem Test, beim Vergleich von 325 Zeilen mit einem offiziellen, von Menschen redigierten Transkript, wurden nur 21 (etwa 1 von 16) wegen einer zeitlichen Abweichung oder eines Wortlautunterschieds markiert, die einen zweiten Blick wert waren, und nur 5 davon waren ernst. Ein kurzer Durchgang über die markierten Zeilen lohnt sich weiterhin, aber jede Zeile von Grund auf neu zu lesen ist in der Regel nicht nötig.
Was ist der Unterschied zwischen Timing-Fehlern und Wortlaut-Fehlern bei KI-Untertiteln?
Timing-Fehler entstehen dadurch, dass das Modell vorhersagt, wann ein Wort beginnt, statt es präzise zu messen, sodass Einblendungen einen Takt zu früh oder zu spät liegen können. Wortlaut-Fehler entstehen durch tatsächliche Fehlerkennung des Audios. In diesem Test wurde das Timing durch einen Forced-Alignment-Durchgang korrigiert, und die aufgetretenen Wortlautunterschiede waren Dinge wie ein anders getrenntes Wort („workflow" vs. „work flow") oder ein zusätzliches Bindewort — keine tatsächlich falsch gehörten Wörter.
Unterstützt GeekLink präzises Untertitel-Timing?
Ja. GeekLinks Option für Präzise Zeitstempel richtet nach der Spracherkennung jede Untertitelzeile neu am tatsächlichen Audio aus und korrigiert damit die Zeitversätze, die eine rohe KI-Transkription typischerweise erzeugt.
Kommt KI-Spracherkennung gut mit Hintergrundmusik zurecht?
Nicht zuverlässig. Whisper und ähnliche Sprachmodelle sind darauf ausgelegt, Sprache zu erkennen, nicht sie von Musik zu trennen, sodass Abschnitte, in denen Musik unter dem Dialog läuft, eine manuelle Prüfung wert sind, statt der automatischen Ausgabe zu vertrauen.
Wie kann ich die Genauigkeit von KI-Untertiteln selbst überprüfen?
Suche dir ein Video mit einem offiziellen oder anderweitig vertrauenswürdigen Transkript, lass die Spracherkennung deines Tools darüber laufen und vergleiche dann beide Zeile für Zeile — prüfe zeitliche Abweichung und Wortlaut getrennt, da sie auf unterschiedliche Weise scheitern. Genau dieser Ablauf wurde in diesem Test verwendet.
Offenlegung: GeekLink ist unser eigenes Produkt. Dies ist ein manueller Test an einem Video, keine kontrollierte Studie — betrachte es als einen Blick darauf, wo die Lücken tatsächlich liegen, nicht als statistische Genauigkeitsaussage.