Was ist der Unterschied zwischen Transkription, Untertiteln und Captions?

Die drei Begriffe werden im Alltag oft vermischt, beschreiben aber unterschiedliche Dinge.

Eine Transkription ist der vollständige geschriebene Text einer Audio- oder Videoaufnahme — als Fließtext, oft mit Sprecher-Labels und Zeitstempeln. Sie wird typischerweise als .txt, .docx oder strukturiertes .json ausgegeben und dient als Grundlage für weitere Bearbeitung: Suchindizes, Zitatfindung, Zusammenfassungen, Übersetzungen oder Untertitelerstellung.

Captions sind kurze Textsegmente, die zeitlich exakt zum Audio synchronisiert sind und während des Videos eingeblendet werden. Sie richten sich primär an gehörlose und schwerhörige Zuschauer und enthalten neben der Sprache oft auch nicht-sprachliche Hinweise wie [Lachen], [Musik] oder [Tür schlägt zu]. Caption-Dateien haben Formate wie SRT (.srt) oder WebVTT (.vtt) — beide enthalten Zeitstempel im Format HH:MM:SS und kurze Textblöcke à 1-2 Zeilen.

Subtitles (Untertitel) sind im klassischen Sprachgebrauch eine Übersetzung des Gesagten in eine andere Sprache — etwa wenn ein englischer Film deutsche Untertitel erhält. Technisch nutzen sie dieselben Formate wie Captions (SRT, VTT), enthalten aber meist nur die gesprochene Sprache ohne Geräuschhinweise. Im US-Englischen werden „captions“ und „subtitles“ allerdings oft synonym verwendet.

Praktischer Workflow: Du startest mit einer Transkription, kürzt sie auf lesbare Blöcke à 32-42 Zeichen pro Zeile, fügst exakte Start-/End-Zeitstempel hinzu und exportierst als SRT für YouTube/LinkedIn oder als VTT für HTML5-Web-Player. Werkzeuge wie DeepScript geben SRT, VTT, TXT und JSON direkt aus einer einzigen Transkription aus — du musst die Konvertierung nicht selbst bauen.

Kurz: Transkription = Inhalt. Captions = Inhalt + Timing. Subtitles = Inhalt + Timing + Übersetzung.