VideoLingo

Die ganze Untertitel- und Synchronisationskette läuft in einem einzigen Streamlit-Fenster. Sie fügen einen YouTube-Link ein oder zeigen auf eine lokale Datei, stellen Sprache und Modelle ein, und das Tool erledigt Download, Erkennung, Segmentierung, Übersetzung und Export der Reihe nach. Jeder Schritt schreibt sein Ergebnis auf die Festplatte, ein gescheiterter Schritt lässt sich also wiederholen, ohne alles neu zu starten.

Die Erkennung stützt sich auf Qwen3-ASR zusammen mit einem Forced Aligner, der einzelne Wörter statt ganzer Sätze mit Zeitstempeln versieht. Genau diese Genauigkeit sorgt dafür, dass Untertitel im richtigen Moment erscheinen. Sie können den Ton auch an ElevenLabs oder MAI-Transcribe-2 schicken, wenn Sie das Modell nicht lokal laufen lassen wollen. Bedenken Sie, dass Ihr Audio dann an Dritte geht.

Lange gesprochene Sätze passen nicht auf eine Untertitelzeile. Das Tool kombiniert NLP-Regeln mit einem LLM-Durchlauf, um das Transkript in kurze, lesbare Einblendungen mit einstellbaren Längengrenzen zu teilen, nach derselben Logik, die ein menschlicher Untertitel-Editor anwenden würde. Die Übersetzung folgt nach der Segmentierung, die übersetzten Untertitel behalten also das Timing der Originalsprache.

Die Übersetzung läuft standardmäßig in zwei Durchgängen. Eine eigene Terminologieliste und ein KI-erzeugtes Glossar halten Namen, Fachbegriffe und wiederkehrende Wendungen in der ganzen Datei konsistent, und ein optionaler Reflexionsschritt schreibt rohe Maschinenausgabe so um, dass sie sich natürlich liest. Hier rechtfertigt ein gutes LLM seine Kosten: ein schwaches Modell liefert flache, wörtliche Untertitel.

Die Synchronisation ist optional und arbeitet mit mehreren Sprachmotoren, darunter OpenAI TTS, Fish Audio, SiliconFlow, GPT-SoVITS und Edge TTS. GPT-SoVITS klont eine Stimme am besten, deckt aber nur Chinesisch und Englisch ab, während die anderen mehr Sprachen erreichen. Timing und Vortrag hängen von der Übersetzung und der Stimme ab, eine Tempoanpassung garantiert keine perfekte Synchronität.

Für die Automatisierung bietet VideoLingo eine lokale HTTP-API, die dieselbe Verarbeitung wie die Oberfläche nutzt. Skripte und KI-Agenten reichen jeweils einen Auftrag ein, fragen den Fortschritt ab, laden Ergebnisse herunter und wiederholen Fehlschläge. Das hat den alten Excel-Stapelmodus ersetzt, den das Projekt nicht mehr empfiehlt.

Jeder Schritt protokolliert seinen Fortschritt auf der Festplatte, Sie können einen Auftrag also mittendrin pausieren, fortsetzen oder stoppen und später wieder aufnehmen. Erfolgreiche Modellantworten landen im Cache, ein Neustart nach einem Fehler nutzt die erledigte Arbeit statt dieselbe Übersetzung doppelt zu bezahlen.