Video-Untertitel: lesbar statt nur generiert

Bringen Sie deutsche Untertitel auf einen KI-Clip, die ohne Ton die Aussage tragen. Der Generator liefert den Clip; Schrift, Zeile und Korrektur setzen Sie selbst. Instant und Bild-Upload sind zwei getrennte Einstiege, keine Reihenfolge.

* Keine Kreditkarte erforderlich
Video-Untertitel: lesbar statt nur generiert
CapCut
CapCut
Aug 27, 2026

CapCut und lesbare Video-Untertitel

Für Social-Teams in Deutschland zählt nicht der erzeugte Clip allein, sondern ob er in der U-Bahn, auf LinkedIn und im Foyer ohne Ton verständlich ist. Wer Video Untertitel erstellen muss, trennt bei CapCut zwei Arbeiten: Clip erzeugen und Schrift setzen.

Eingabe ist entweder ein Skript im Instant-Pfad oder ein Standbild über „Bild hochladen“. Beides liegt auf dem KI-Videogenerator, aber als parallele Einstiege. Nach „Erstellen“ können Sie Musik, Untertitel oder Effekte ergänzen. Automatische Spracherkennung liegt nicht auf dem Instant-Formular, sondern im Web-Editor unter „Untertitel“.

Ausgabe ist ein HD-Export, in dem die Schrift im Bild steht. Plattform ist der Browser; die CapCut-Startseite und die Online-Werkzeuge führen auf dieselben Web-Funktionen. Anmeldung erscheint, wenn die Seite Speichern oder Export anstößt. Kreditkarte verlangt die DE-Oberfläche dafür nicht.

Funktionen für Clip und Schrift

Zuerst der Clip, dann die Schrift. Die folgenden Funktionen sind keine Kette: Instant und Upload ersetzen einander.

Instant: Skript und Stil, ohne Datei

Instant startet im Dashboard über „AI video maker“ und „Instant AI video“. Sie wählen einen visuellen Stil (realistischer Film, 3D-Cartoon oder cineastisch), füllen „Skript eingeben“ oder klicken „Skript generieren“ und setzen Seitenverhältnis, Voiceover und Dauer. Ein Klick auf „Erstellen“ lässt den Agenten Bild, Schnitt und Tempo legen.

Dieser Einstieg braucht kein Rohmaterial. Er eignet sich, wenn die Aussage schon als Termin-Text, Störungsmeldung oder Bewerbungstipp vorliegt. Der so erzeugte Clip enthält oft Voiceover, aber nicht zwingend einen Dialog, den man später transkribieren sollte. Schrift planen Sie als eigenen Schritt, nicht als unsichtbares Nebenprodukt der Generierung.

Upload: nur „Bild hochladen“, nicht nach Instant

„Bild hochladen“ ist der zweite Einstiegsbutton auf derselben Produktseite. Sie starten hier, wenn bereits ein Standbild existiert: Foyer, Logo, Leitstelle, Jobcenter-Plakat. Der Button führt in denselben Agenten, ist aber kein Folgeschritt nach Instant.

Wer Instant gewählt hat, lädt danach nicht „zur Sicherheit“ noch ein Bild nach, als wäre das die Pflichtsequenz. Umgekehrt überspringen Sie Instant, wenn das Bild die Szene tragen soll. Avatar-Klon über ein kurzes Video von sich selbst ist ein dritter, engerer Fall und ersetzt weder Instant noch den Bild-Upload.

Untertitel nach „Erstellen“ nachziehen

Die Generator-Seite selbst bietet im Instant- und Upload-Formular keinen Schalter „Untertitel automatisch“. Erst nach „Erstellen“ nennt die Anleitung Musik, Untertitel und Spezialeffekte. Die FAQ erlaubt, Text, Bild, Stimme, Musik, Untertitel, Effekte und Rhythmus anzupassen.

Das ist der Design-Schritt: Schriftgröße, Position, Kontrast. Untertitel für Video gehören hier zur Gestaltung, nicht zur stillen Automatik. Zwei Zeilen, kurzer Takt, unteres Drittel frei von Plattform-Leisten – das prüfen Sie an der Vorschau, nicht an der Skripteingabe.

Spracherkennung nur bei echtem Sprachton

Wenn der Clip gesprochenes Deutsch enthält, öffnen Sie im Web-Editor „Untertitel“ und wählen „Automatische Untertitel“ bzw. „Untertitel automatisch“, setzen die gesprochene Sprache und klicken „Generieren“. Der KI-Untertitelgenerator beschreibt denselben Weg über „Medien“ > „Hochladen“.

Fehlt echter Dialog – typisch für viele Generator-Clips – erzeugen Sie keine erfundene Transkription. Nutzen Sie den Bereich „Text“ und setzen Tafeln mit vier bis sechs Wörtern. Die Offizialseiten nennen über 20 Sprachen, listen Deutsch in der FAQ aber nicht namentlich. ß, Umlaute und Kürzel wie MRT bleiben Ihre Prüfung.

Schritt für Schritt im Browser

Die Anleitung bleibt im Web. Instant und Upload sind Alternativen: Sie wählen einen Einstieg und gehen danach zur Schrift.

Einstieg Instant: „Instant AI video“

Öffnen Sie CapCut im Browser und wählen Sie im Dashboard „AI video maker“, danach „Instant AI video“. Laden Sie in diesem Schritt keine Datei hoch. Wählen Sie den Stil, fügen Sie das Skript in „Skript eingeben“ ein oder nutzen Sie „Skript generieren“. Stellen Sie Seitenverhältnis, Voiceover und Dauer ein – für LinkedIn oft 1:1 oder 4:5, für Reels 9:16.

Klicken Sie „Erstellen“ und warten Sie auf den Clip. Prüfen Sie, ob die Stimme überhaupt Wörter trägt, die ein Transkript rechtfertigen. Wenn der Clip nur Musik und Bilder hat, merken Sie sich: Schrift kommt als Texttafel, nicht als Transkript der Spracherkennung. Speichern Sie den Stand, bevor Sie die Typografie anfassen. Social-Teams, die hier Video Untertitel erstellen, entscheiden erst nach dem Clip, ob Tafeln oder Erkennung nötig sind.

Instant-Oberfläche mit Stil, Generator-Karten und Vorlagen – ohne Upload-Schritt.

Alternativer Einstieg: „Bild hochladen“

Haben Sie bereits ein Foto der Klinik, der Leitstelle oder des Foyers, starten Sie nicht mit Instant. Nutzen Sie auf der Generator-Seite „Bild hochladen“, legen Sie das Standbild ab und geben Sie erst danach das Skript für Bewegung und Dauer ein.

Dieser Einstieg ersetzt Instant vollständig. Mischen Sie die Pfade nicht: kein Instant-Clip, in den Sie anschließend denselben Bild-Upload noch einmal zwängen. Nach der Generierung gilt derselbe Schrift-Schritt wie beim Instant-Clip. Der Button „KI-Video generieren“ startet die Skript-Generierung, nicht die Untertitel-Funktion. Wenn das Standbild die Szene schon trägt, ist das der kürzere Weg, um danach Video Untertitel erstellen zu können, ohne Rohvideo zu drehen.

Schrift setzen: Spracherkennung oder Texttafel

Mit dem Clip in der Zeitleiste entscheiden Sie anhand der Tonspur. Gibt es gesprochene Sätze, öffnen Sie „Untertitel“, wählen „Untertitel automatisch“ oder „Automatische Untertitel“, setzen die Sprache und klicken „Generieren“. Korrigieren Sie die Liste: Zeilenumbruch, Tippfehler, Fachwörter.

Gibt es keine Sprache, öffnen Sie „Text“, klicken „+“ und setzen Tafeln. Vier bis sechs Wörter, maximal zwei Zeilen, Kontrast gegen den Hintergrund. Das ist der Weg für „captions ohne sprache“: nicht die Spracherkennung zwingen, sondern Video mit Schrift bauen, das stumm lesbar bleibt.

Die Spracherkennung startet im Editor, nicht im Instant-Formular.

Prüfen, einbrennen, in HD exportieren

Stummschalten Sie die Vorschau. Trägt der Text die Aussage in zwölf Sekunden? Bleibt das untere Drittel frei von Plattform-UI? Stehen ß, Umlaute, Namen und Kürzel richtig? Kürzen Sie auf etwa 32 Zeichen pro Zeile, wenn die Zeile in 9:16 bricht.

Exportieren Sie über „Exportieren“ oben rechts in HD. Damit liegt die Schrift im Bild (eingebrannt). Die Untertitel der Plattform auf Instagram oder LinkedIn können Sie zusätzlich nutzen, aber nicht als einzige Lesart: sie lassen sich abschalten und weichen oft von Ihrer Formulierung ab. Optional exportiert der Untertitel-Weg auch eine SRT; für Foyer-Displays und stumme Kanäle zählt die eingebrannte Spur.

HD-Export mit Auflösung, Format und Bildrate – Schrift sollte vorher sitzen.

Clip im KI-Videogenerator anlegen

Fall: 12-Sekunden-Clip der Potsdamer Klinik-PR

Die Klinik-PR in Potsdam braucht einen LinkedIn-Clip zur Terminvergabe, der später stumm im Foyer läuft. Instant liefert den 12-Sekunden-Clip aus dem Skript zur Online-Buchung; ein Foyer-Foto wäre der Upload-Einstieg, nicht beides hintereinander. Ziel ist, Video Untertitel erstellen zu lassen, die aus zwei Metern lesbar bleiben.

Die Spracherkennung schreibt „MRT“ falsch und verschluckt ß. Deshalb stehen auf jeder Tafel nur vier bis sechs Wörter, zwei Zeilen, manuell gegengelesen: „Termin online buchen“, „Überweisung mitbringen“, „MRT-Anmeldung im Erdgeschoss“. Das Ergebnis muss ohne Ton im Wartebereich lesbar sein – Barrierefreiheit hier heißt Kontrast und Orthografie, nicht mehr Text.

Vorteile für stumme Kanäle

Lesbare Schrift ist die eigentliche Ausspiel-Bedingung, nicht ein Extra nach dem Export.

Aussage ohne Ton

Reels, LinkedIn und Foyer-Screens laufen stumm. Wenn Sie Video Untertitel erstellen, die die Handlung tragen, erreicht der Clip Menschen mit ausgeschaltetem Ton und Menschen, die den Ton nicht nutzen können. Die Untertitel-Seiten von CapCut nennen genau diesen stummen Nutzungskontext. Für Klinik, Jobcenter und Stadtwerke ist das die Ausspiel-Bedingung: der Clip muss die Aussage halten, auch wenn Lautsprecher fehlen oder der Kanal stumm startet.

Clip und Schrift getrennt prüfbar

Weil Instant und Upload nur den Clip liefern, können Redaktion und Design nacheinander abnehmen: zuerst Bild und Stimme, dann Zeilenlänge und Fachwörter. Das verhindert, dass eine falsch erkannte Zeile mit „MRT“ ungeprüft mitläuft. Der Generator-Schritt bleibt damit kurz; die Qualitätskontrolle sitzt in der Typografie, wo ß und Kürzel sichtbar sind.

Ein Export, der Plattform-Untertitel überlebt

Eingebrannte Schrift bleibt, wenn Instagram oder ein Display-Player die eigenen Untertitel verwirft. Der Web-Export in HD nimmt die Tafeln mit. Eine SRT bleibt optional für YouTube; das Display im Foyer braucht sie nicht. So bleibt die Lesart unter Ihrer Kontrolle, unabhängig davon, ob die Plattform Untertitel ein- oder ausblendet.

Einsatzszenarien

Drei deutsche Teams, ein Prinzip: Clip erzeugen, Schrift gestalten, stumm prüfen.

Potsdamer Klinik-PR am Foyer-Display

Der Termin-Clip hängt im Wartebereich. Instant aus dem Buchungsskript oder Upload des Foyer-Fotos, danach kurze Tafeln, Fachbegriffe von der ärztlichen Redaktion gegengelesen. Untertitel barrierefrei heißt hier: lesbar aus zwei Metern, ohne Ton.

Hallenser Jobcenter auf Instagram

Der Bewerbungstipp läuft stumm in der Instagram-Ansicht. Instant setzt den Clip aus den drei Tipps; Spracherkennung nur, wenn wirklich gesprochen wird. Sonst drei Tafeln, keine erfundene Transkription. Mute Untertitel sind hier die Hauptfassung, nicht die Unterhaltungsspur.

Magdeburger Stadtwerke mit Störungs-Reel

Bei einer Störung zählt die Zeit. Upload eines Leitstellen-Standbildes plus kurzes Skript, dann zwei Zeilen mit Gebiet und Uhrzeit. Eigennamen der Stadtteile gegenlesen. Der Clip muss auf dem Handy ohne Ton die Handlungsanweisung tragen.

Vorteile und Grenzen

Vorteile

  • Instant erzeugt den Clip aus Skript und Stil, ohne dass Rohvideo vorliegen muss.
  • „Bild hochladen“ bleibt ein eigener Einstieg für vorhandene Standbilder.
  • Nach „Erstellen“ lassen sich Text, Untertitel, Musik und Effekte anpassen; die Untertitel-Funktion im Editor transkribiert echten Sprachton.
  • HD-Export im Browser; eingebrannte Schrift überlebt stumme Kanäle.

Grenzen

  • Das Instant- und Upload-Formular hat keinen Knopf „Untertitel automatisch“. Wer dort sucht, muss in den Editor unter „Untertitel“ wechseln.
  • Deutsch ist in der FAQ-Sprachliste des Untertitelgenerators nicht namentlich geführt. ß, Umlaute und Kürzel müssen Sie gegenlesen.
  • Generator-Clips ohne Dialog taugen nicht für ein erfundenes Transkript; dann nur Texttafeln. Preise und Wasserzeichen des Generator-Exports sind auf der Produktseite nicht sauber getrennt dokumentiert – versprechen Sie im Team kein „immer kostenlos in jeder Auflösung“.

Tipps zur Lesbarkeit

Zwei Zeilen, rund 32 Zeichen, unteres Drittel frei von Bedienelementen. Eigennamen und Fachkürzel immer gegenlesen. Schrift einbrennen, wenn die Plattform eigene Untertitel schluckt. Hat der Generator-Clip keinen Dialog, setzen Sie Texttafeln statt einer erfundenen Transkription. So können Sie Video Untertitel erstellen, die im Foyer und in der Beitragsübersicht dieselbe Fassung zeigen.

Häufig gestellte Fragen

Kann ich Instant und Bild-Upload nacheinander in einem Durchgang nutzen?

Nein. Instant über „AI video maker“ > „Instant AI video“ und „Bild hochladen“ sind zwei Einstiege auf derselben Seite, keine Schritte 1 und 2. Wählen Sie Instant, wenn das Skript die Szene trägt. Wählen Sie den Upload, wenn ein Standbild die Szene trägt. Ein Avatar-Klon aus einem kurzen Video von Ihnen ist ein weiterer, enger Fall und hängt nicht hinter Instant.

Soll ich bei einem Generator-Clip ohne Sprache die Spracherkennung starten?

Nein. Die Funktion im Editor hört gesprochene Wörter. Fehlt die Sprache, entsteht kein zuverlässiges Transkript. Öffnen Sie „Text“, setzen Sie Tafeln mit vier bis sechs Wörtern und prüfen Sie den Clip stumm. So vermeiden Sie leere oder erfundene Zeilen auf einem rein visuellen Instant-Clip.

Warum muss die Klinik „MRT“ und ß von Hand prüfen?

Weil die Offizialseiten keine deutsche Erkennungsquote nennen. Der Untertitelgenerator spricht von über 20 Sprachen und listet in der FAQ Englisch, Spanisch, Französisch, Chinesisch und Japanisch. Medizinische Kürzel und ß fallen in die manuelle Liste nach „Generieren“. Vier bis sechs Wörter pro Tafel machen den Fehler sichtbar, bevor der Clip ins Foyer geht.

Sind die Untertitel nach dem Export fest im Bild?

Im HD-Export über „Exportieren“ liegt die gestaltete Schrift in der Videodatei, sofern Sie sie auf der Zeitleiste gesetzt haben. Das ist die eingebrannte Spur für stumme Kanäle. Zusätzlich kann der Untertitel-Weg eine SRT ausgeben; die Untertitel der Plattform ersetzen die eingebrannte Fassung nicht, weil Zuschauer sie abschalten können.

Brauche ich ein Konto, um den Clip im Browser zu erzeugen?

Die Generator- und Untertitel-Seiten führen beim Speichern oder Export oft zur Registrierung. Die DE-Oberfläche nennt „Keine Kreditkarte erforderlich“ bzw. denselben Hinweis mit Stern. Die Untertitel-Toolseite beschreibt die KI-Untertitelfunktion als kostenlos; das überträgt nicht jede Auflösung und jeden Generator-Export. Prüfen Sie den Exportdialog, bevor Sie intern „gratis in jeder Qualität“ kommunizieren.

Social-Teams in Deutschland brauchen Clips, die ohne Ton bestehen. Legen Sie den Clip über Instant oder über „Bild hochladen“ an – einen Pfad, nicht beide als Kette – und setzen Sie danach Schrift, die ß, Fachwörter und zwei Zeilen übersteht. Starten Sie im Browser, prüfen Sie die Vorschau stumm und exportieren Sie in HD, wenn die Tafel im Foyer und im Beitrag lesbar ist. Desktop bleibt eine zweite Installation, gehört aber nicht in denselben Web-Durchgang.

Kostenlos herunterladen

Heiß und angesagt