Kein Zuschauer hat je den Kommentar hinterlassen, deine Untertitel laufen etwa eine Drittelsekunde hinter deiner Stimme her. Das liegt nicht daran, dass es niemand bemerkt. Es liegt daran, dass das Bemerken unterhalb der Ebene von Worten stattfindet. Lesen und Hören sollen gemeinsam ankommen; wenn eine Untertitelzeile einen Schlag nach der Stimme landet, die sie gesprochen hat, oder die nächste Zeile zu früh hereinspringt und du die Pointe liest, während die Vorbereitung noch gesagt wird, registriert sich der Versatz als Gefühl und nicht als Beobachtung. Das Video wirkt leicht unprofessionell, leicht ermüdend, leicht daneben — und der Zuschauer könnte dir nicht sagen, warum. Untertitel sind still zu einem Teil davon geworden, wie die meisten Menschen schauen: stumm in der Öffentlichkeit, in einer Zweitsprache, in einer lauten Küche oder schlicht aus Gewohnheit. Das heißt: Ihr Timing ist keine Nettigkeit der Barrierefreiheit mehr. Es ist Teil des Rhythmus des Videos selbst, und Rhythmus ist genau das, was Zuschauer fühlen, ohne es zu benennen.
Der Grund, warum das Timing meist ein wenig falsch ist: Es ist meist geraten. Der übliche Weg, Untertitel zu erzeugen, ist Transkription: Software hört das fertige Audio ab, ermittelt, welche Wörter vermutlich gesagt wurden, und ermittelt dann, wann jedes Wort vermutlich begann und endete. Beide Schritte sind Schlussfolgerung, und der zweite ist schwerer, als er klingt. Gesprochene Wörter kommen nicht als ordentliche Pakete an — sie verschwimmen ineinander, verklingen, teilen sich Konsonanten mit ihren Nachbarn. Ein Atemzug kann wie eine Grenze wirken; Hintergrundlärm kann eine verwischen; ein Akzent oder eine genuschelte Silbe verschiebt die Vorstellung der Maschine davon, wo ein Wort anfing. Die Wörter selbst geraten meist richtig. Die Zeitstempel geraten plausibel, und das ist etwas anderes. Jede Zeile landet ungefähr da, wo sie soll, plus oder minus einen Sekundenbruchteil in beide Richtungen, bei jeder Zeile anders. Über das Video gemittelt sieht es gut aus. Zeile für Zeile betrachtet ist es genau das Wackeln, das dieses unbenennbare Gefühl von daneben erzeugt.
Aber sieh dir an, was der Transkriptionsansatz voraussetzt: dass das Audio die einzige Quelle der Wahrheit ist und der Text daraus rekonstruiert werden muss. Wenn du mit einem Teleprompter aufgenommen hast, steht diese Annahme auf dem Kopf. Der Text existierte vor dem Take — du hast ihn geschrieben. Was gesagt wurde, muss nicht geraten werden. Und es gibt eine zweite, weniger offensichtliche Konsequenz. Wenn in Talk2Camera die Sprachsteuerung an ist, scrollt das Skript, indem es deiner tatsächlichen Stimme folgt — die App weiß also von Moment zu Moment, wo im Skript du angekommen bist. Das Untertitel-Timing fällt aus diesem Wissen beinahe gratis heraus. Zeilen werden danach getimt, wo du beim Lesen tatsächlich angekommen bist — aus dem Vorlesen selbst, festgehalten, während es geschah — statt hinterher aus einer Wellenform rekonstruiert. Wurde ein Take ohne Sprachsteuerung aufgenommen, schätzt die App das Timing stattdessen und sagt das auch offen: Eine Schätzung ist eine ehrliche Sache, wenn sie als solche beschriftet ist.
Die praktische Hülle darum ist absichtlich unaufregend. Ist das Video fertig, brennt Talk2Camera die Untertitel ins Bild ein — für Plattformen und Feeds, in denen der Text schlicht Teil des Bildes sein muss — oder exportiert eine .srt-Datei für Plattformen, die Untertitel als separate Spur bevorzugen, die der Zuschauer zuschalten kann. Stil-Einstellungen regeln, wie der Text aussieht; das Timing pro Zeile regelt, wann er erscheint. Und jede Zeile bleibt im Editor anpassbar, womit der ehrliche Vorbehalt einen Wohnort bekommt: Wenn eine geschätzte Zeile verrutscht ist oder du möchtest, dass ein Untertitel einen Moment länger über einer Pause hängt, auf die du stolz bist, ziehst du ihn zurecht. Nichts ist hinter der Behauptung verschlossen, automatisch zu sein. Die Automatik erledigt die gut neunzig Prozent, die sie beherrscht, und die letzten paar Handgriffe gehören dir — die richtige Arbeitsteilung zwischen einem Menschen und einer Timing-Maschine.
Es gibt einen Untertitel-Stil, der all das unerbittlich macht, und es ist der, der gerade überall zu sehen ist: die Wort-für-Wort-Hervorhebung, bei der die ganze Zeile sichtbar ist und jedes Wort aufleuchtet, während es gesprochen wird. Talk2Camera bietet ihn als Stil an, und es lohnt sich zu verstehen, warum er den Einsatz erhöht. Eine gewöhnliche Untertitelzeile ist nachsichtig — ein Sekundenbruchteil zu früh oder zu spät auf eine ganze Zeile ist ein Wackeln. Eine Hervorhebung, die das falsche Wort erleuchtet, ist kein Wackeln; sie ist sichtbar falsch, zweimal pro Sekunde, an genau der Stelle, an der das Auge des Zuschauers parkt. Karaoke hat allen beigebracht, exakt zu wissen, wo der hüpfende Ball sein sollte. Geratenes Timing ist es, was diesen Stil in so vielen Videos ruckelig wirken lässt; Timing von dort, wo du im Skript wirklich warst, ist es, was ihn überhaupt tragfähig macht. Der Lohn ist in jedem Stil derselbe und unsichtbar: Niemand wird dir je zu deinem Untertitel-Timing gratulieren. Die Leute schauen einfach länger, verstehen mehr und werden nie ganz wissen, dass das Fehlen einer winzigen, nagenden Reibung ein Feature war — die beste Sorte Feature, die Sorte, die man erst bemerkt, wenn sie fehlt.