Das Publikum, das liest: Untertitel in einer zweiten Sprache

Ein Video, in dem jemand spricht, wird weit öfter lautlos konsumiert, als die Person ahnt, die es gemacht hat. Es läuft im Zug, während die Kopfhörer zu Hause liegen, im Großraumbüro, im Bett neben jemandem, der schläft, in einem Feed, der stumm autoplayt und nie laut gestellt wird. Die genauen Zahlen wandern je nach Plattform und Jahr, aber jede Umfrage, die je hingeschaut hat, landet in derselben Gegend: Ein großer Teil des Feed-Konsums — in vielen Situationen die Mehrheit — passiert ohne Ton. Rechne die Zuschauer dazu, die gehörlos oder schwerhörig sind und für die Untertitel keine Vorliebe sind, sondern der ganze Kanal, und die Schlussfolgerung lässt sich kaum vermeiden. Für einen realen und beträchtlichen Teil deines Publikums sind die Untertitel kein Zubehör zum Video. Sie sind die Tonspur des Videos, in der einzigen Form, die diese Menschen erreicht. Ein Sprechvideo ohne Untertitel ist für sie ein Stummfilm, der seine Zwischentitel vergessen hat.

Dann gibt es das zweite Publikum: Menschen, die deine Sprache geschrieben besser verstehen als gesprochen. Hören ist die schwerste Sprachfertigkeit überhaupt — es läuft im Tempo des Sprechers, in seinem Akzent, mit seinen verschluckten Silben — und Hunderte Millionen Menschen lesen eine Sprache flüssig, der sie mit dem Ohr kaum folgen können. Ein Untertitel beseitigt den Akzent und die halbe Tempofrage in einem Zug. Und dahinter steht das Publikum, das deine Sprache gar nicht liest: Für diese Menschen ist eine übersetzte Spur der Unterschied zwischen Zuschauen und Weiterscrollen. Die Ökonomie ist hier einseitig zu deinen Gunsten. Das Video selbst war teuer: das Nachdenken, das Skript, das Licht, die Takes. Eine zweite Untertitelspur kostet dagegen fast nichts, und sie verbreitert das Publikum, ohne dass ein einziges Wort neu aufgenommen wird — deine Stimme, dein Gesicht und dein Vortrag bleiben exakt, wie sie waren.

Der naheliegende Einwand lautet, dass Plattformen Untertitel längst automatisch erzeugen, und das tun sie — allein aus dem Ton. Die Erkennung hat dein Skript nie gesehen. Sie weiß nicht, dass der Name deines Produkts mitten im Wort einen Großbuchstaben trägt, dass der Nachname deiner Mitgründerin kein gewöhnliches Wort ist, dass der Jargon deiner Branche Jargon ist und kein Verhörer. Also schreibt sie all das phonetisch, wählt mit voller Überzeugung das falsche gleichklingende Wort, streut Satzzeichen nach Statistik und bricht die Zeilen dort um, wo das Modell zufällig atmet. Wenn die Plattform diese Auto-Untertitel dann automatisch übersetzt, potenzieren sich die Fehler: Zuschauer in der zweiten Sprache erhalten die Übersetzung einer Fehltranskription, zwei Schritte entfernt von allem, was du gesagt hast. Und sie geben nicht der Plattform die Schuld. Ein Fehler in Schriftform steht auf dem Bildschirm, lesbar und zuordenbar, direkt neben deinem Gesicht. Ein genuscheltes Wort ist in einer Sekunde vorbei; ein verstümmelter Name im Untertitel ist ein Screenshot.

Das ist das Argument dafür, eine eigene Spur mitzuliefern, und es beginnt bei der Frage, woher der Text kommt. In Talk2Camera stammt der Untertiteltext aus deinem tatsächlichen Skript oder aus der Erkennung auf dem Gerät — und wenn du von dem Skript abliest, das du geschrieben hast, erben die Untertitel seine Schreibweise. Namen kommen so heraus, wie du sie geschrieben hast: die eigenwillige Großschreibung deines Produkts, der Nachname deines Kollegen, der Fachbegriff, dem der Auto-Untertitler nie begegnet ist. Diese eine Eigenschaft — die Untertitel wissen, was du sagen wolltest — beseitigt die gesamte Fehlerklasse, die automatische Untertitel peinlich macht. Sie legt auch die Zeilenumbrüche in deine Hand statt in die des Modells, und das zählt mehr, als es klingt: Ein Untertitel, der mitten in einem Namen umbricht oder eine Präposition allein stehen lässt, wird zweimal gelesen — und ein zweimal gelesener Untertitel ist an seiner einzigen Aufgabe, unsichtbar zu sein, bereits gescheitert.

Für die zweite Sprache übersetzt Talk2Camera deine Untertitel in eine weitere Sprache als zusätzliche Untertitelspur, und das Detail, das die Funktion tragfähig macht, ist das Timing. Die Übersetzung behält dein ursprüngliches Timing, Zeile für Zeile: Die übersetzte Zeile erscheint genau dann, wenn du die ursprüngliche sprichst. Das klingt nach einer Formalie, bis man einer Spur zusieht, die driftet. Deine Hände zeigen auf die Sache, die du benennst, zwei Sekunden nachdem der Leser schon von ihr erfahren hat, dein Gesicht reagiert auf einen Witz, den der Untertitel noch gar nicht erzählt hat, und die Person auf dem Bildschirm löst sich langsam von den Worten unter ihr. Die zeilenweise Entsprechung hat noch einen zweiten, leiseren Vorteil: Sie macht Kontrolle möglich. Wer die Zielsprache liest, kann beide Spuren nebeneinanderlegen und Zeile gegen Zeile prüfen — kein Spulen in der Timeline, kein Raten, welcher Satz zu welchem gehört.

Das Ausliefern ist eine Wahl zwischen zwei Behältern, und die App unterstützt beide. Untertitel lassen sich fest ins Bild einbrennen — die richtige Antwort für Feeds, die Begleitdateien ignorieren: Eingebrannter Text ist immer sichtbar, überlebt jeden Player und jeden Re-Upload, und kostet dich dafür die Möglichkeit, ihn abzuschalten oder mehr als eine Sprache anzubieten. Oder sie reisen als .srt-Dateien zu den Plattformen, die Untertitel als Beilage annehmen: Dort bleiben sie zuschaltbar und durchsuchbar, und der Zuschauer wählt die Sprache selbst — Original und Übersetzung können gemeinsam mitfahren. Die praktische Regel: Einbrennen für kurzes vertikales Video, .srt liefern, wo die Plattform es respektiert, und beides tun, wenn ein Video an mehr als einem Ort lebt. Wie auch immer es reist, der Punkt bleibt. Der Zuschauer, der liest, ist kein Randfall. Nach allem, was die Zahlen sagen, ist er womöglich deine Mehrheit — und er hat etwas Besseres verdient als eine phonetische Vermutung über deinen eigenen Namen.