Was macht einen guten Untertitel aus? Lesegeschwindigkeit, Zeilenumbrüche und Timing erklärt

Jedes Untertitel-Tool auf dem Markt macht dieselben zwei Versprechen: Tempo und Genauigkeit. Untertitel in Sekunden. Neunzig-und-noch-was Prozent Wortgenauigkeit.

Keines dieser Versprechen sagt etwas über das, was Zuschauer tatsächlich erleben – ob der Untertitel gelesen werden kann. Eine Untertitelspur kann wortgenau sein und trotzdem scheitern, weil der Text in Blöcken ankommt, die zu lang zum Fertiglesen sind, zu schnell getaktet, um zu folgen, und an Stellen umbrochen, die gegen die Grammatik des Satzes arbeiten.

Die besten Untertitel sind die, die man nie bemerkt. Dieser Leitfaden behandelt die handwerklichen Standards, die das möglich machen: Lesegeschwindigkeit, Zeilenlänge, Zeilenumbrüche, Timing und die Ermessensentscheidungen dazwischen. Es sind dieselben Standards, die Streamingplattformen und Sender verwenden – und sie gelten für einen 40-Sekunden-Clip in sozialen Medien genauso wie für einen Spielfilm.

Die drei Eigenschaften eines funktionierenden Untertitels

Ein guter Untertitel ist:

• Genau – er gibt wieder, was gesagt wurde.
• Synchron – er erscheint, wenn die Worte gesprochen werden, und verschwindet, wenn sie zu Ende sind.
• Lesbar – der Zuschauer kann ihn in Ruhe zu Ende lesen, bevor er verschwindet, ohne das Bild zu verlieren.

Die automatische Spracherkennung hat die erste Eigenschaft weitgehend gelöst. Timing-Engines erledigen die zweite passabel. Die dritte – Lesbarkeit – ist die Stelle, an der fast jede automatische Untertitelung weiterhin scheitert, denn Lesbarkeit ist kein Transkriptionsproblem. Es ist ein Typografie- und Zeitproblem. Der Rest dieses Leitfadens handelt davon, es zu lösen.

Lesegeschwindigkeit: die Zahl, die alles regiert

Die Lesegeschwindigkeit ist eines der wichtigsten Maße für Untertitelqualität. Sie wird üblicherweise in Zeichen pro Sekunde (CPS) angegeben und berechnet sich aus der Gesamtzahl der Zeichen eines Untertitels, inklusive Leerzeichen und Satzzeichen, geteilt durch seine Standzeit auf dem Bildschirm. In der Praxis liegen professionelle Untertitel meist bei etwa 15–17 CPS, während 20 CPS gemeinhin als Obergrenze für erwachsene Zuschauer gilt. Die traditionelle europäische Untertitelung arbeitete oft mit einem langsameren Tempo um 12 CPS, während Vorgaben von Sendern wie der BBC typischerweise etwa 15–17 CPS entsprechen. Als grobe Faustregel ergibt CPS mal 10,5 eine ungefähre Lesegeschwindigkeit in Wörtern pro Minute: 12 CPS sind etwa 125 Wörter pro Minute, 17 CPS etwa 180, und 20 CPS ist ein forderndes Tempo, das sparsam eingesetzt werden sollte.

Entscheidend ist, dass die maximale Lesegeschwindigkeit nicht zum Standardziel wird. Untertitel dauerhaft nahe an der Obergrenze zu halten ist ermüdend und zwingt Zuschauer, sich mehr aufs Lesen zu konzentrieren als aufs Video. Ein Ziel von etwa 15–17 CPS lässt Luft für schnellere Dialogpassagen, ohne das gesamte Erlebnis unnötig anstrengend zu machen. Untertitel zu lesen unterscheidet sich außerdem vom Lesen normaler Texte: Zuschauer können nicht langsamer werden, zurückspringen oder in eigenem Tempo überfliegen, denn jeder Untertitel verschwindet zu einem festen Zeitpunkt. Sind Untertitel zu schnell, bleibt schlicht nicht genug Zeit, sie zu Ende zu lesen – überhöhte Lesegeschwindigkeit ist damit ein funktionales Zugänglichkeitsproblem und keine bloße Stilfrage.

Die Form: zwei Zeilen, ~42 Zeichen, keine Waisen

Die physische Form eines Untertitels ist bemerkenswert standardisiert:

• Maximal zwei Zeilen pro Untertitel. Dreizeiler verdecken zu viel Bild und erzwingen vertikales Nachscannen.
• Maximal ~42 Zeichen pro Zeile für Sprachen in lateinischer Schrift – der Wert von Netflix, inzwischen faktische Branchennorm. Auf Teletext gegründete Sendetraditionen nutzten 37, und viele Sender tun das bis heute.
• Bleib bei einer Zeile, wenn der Text passt. Eine zweite Zeile ist eine Notwendigkeit, kein Standard.
• Balanciere die Zeilen. Wenn du zweizeilig umbrechen musst, ziele auf annähernd gleiche Längen. Vermeide die «Waise» – eine lange Zeile mit einem einzelnen gestrandeten Wort darunter. Wo eine perfekt gleichmäßige Teilung nicht möglich ist, ist eine etwas kürzere obere Zeile in der Regel vorzuziehen: Der Block bleibt kompakt und verdeckt weniger vom Bild.

Diese Grenzen existieren aus demselben Grund wie das Tempolimit: Das Auge muss in denselben Sekunden den Text und das Bild abfahren. Kurze, vorhersehbare Formen machen diese Reise schnell.

Zeilenumbrüche: folge der Grammatik, nicht dem Lineal

Hier trennt sich gute Untertitelung am sichtbarsten von automatischer Ausgabe. Wo eine Zeile umbricht, zählt genauso viel wie ihre Länge, denn Lesende erfassen Text in grammatischen Einheiten. Ein Umbruch mitten in einer Einheit zwingt das Gehirn, eine unvollständige Struktur über den Sprung hinweg offen zu halten – ein winziger Aufwand, multipliziert mit jedem Untertitel im Video.

Die Regel: trenne niemals Wörter, die zur selben grammatischen Einheit gehören.

Zusammenhalten:

• Artikel + Nomen (der / Bericht ✗)
• Präposition + ihr Objekt (an die / Vorsitzende ✗)
• Verb + Hilfsverb oder Partikel (hat / beendet, gib / auf ✗)
• Vor- + Nachname, Zahlen + Einheiten, Datumsangaben

Schlechter Umbruch (zerteilt die Präpositionalphrase):

Sie übergab den Bericht an
die Vorsitzende des Ausschusses.

Guter Umbruch (jede Zeile ist eine vollständige Einheit):

Sie übergab den Bericht
an die Vorsitzende des Ausschusses.

Schlechter Umbruch (trennt Artikel und Nomen):

Nach der Sitzung verschoben wir den
Start auf das Frühjahr.

Guter Umbruch:

Nach der Sitzung verschoben wir
den Start auf das Frühjahr.

Beachte: Die guten Varianten sind nicht kürzer – sie sind schlicht dort umbrochen, wo der Satz selbst Luft holt. Das ist das gesamte Prinzip. Wenn ein Satz ein Komma, eine Satzgrenze oder eine natürliche Pause anbietet, brich dort um; das Lineal ist eine Schranke, kein Leitfaden.

Timing: wann der Untertitel lebt – und die Lücken dazwischen

Vier Zahlen bestimmen das Untertitel-Timing:

Mindestdauer: ~0,8–1 Sekunde. Selbst ein Untertitel, der nur «Ja.» sagt, braucht Zeit, um bemerkt, fixiert und gelesen zu werden. Netflix' Untergrenze liegt bei ⅚ Sekunde (etwa 833 ms); alles Kürzere registriert sich als Flackern.

Maximaldauer: 6–7 Sekunden. Darüber hinaus lesen Zuschauer zu Ende, lesen erneut und fragen sich, ob der Player eingefroren ist. Dauert die Sprache länger, teile den Untertitel.

Synchron zum Sprechbeginn. Der Untertitel sollte erscheinen, wenn die Worte einsetzen – ein Bruchteil zu früh ist tolerierbar, merklich zu spät nicht, denn Zuschauer hören die Stimme und schauen nach unten auf Text, der noch nicht da ist.

Lücken zwischen aufeinanderfolgenden Untertiteln: ~2 Frames (80–120 ms). Diese ist unsichtbar und unverzichtbar. Wird ein Untertitel ohne Lücke sofort vom nächsten ersetzt, registriert das Auge den Wechsel oft nicht – besonders wenn beide Blöcke ähnlich geformt sind. Ein Zwei-Frame-Blinzeln sagt der Leserin: neuer Text, von vorn. Professionelle Untertitelung setzt diese Mikrolücken überall; rohe Auto-Untertitel praktisch nie.

Und eine Verfeinerung, die sendefertige Arbeit auszeichnet: respektiere Schnitte. Ein Untertitel, der über einen Schnitt hinweg stehen bleibt, wird tendenziell neu gelesen – die Szene hat gewechselt, also nimmt das Gehirn an, der Text auch. Wo das Timing es zulässt, beende den Untertitel am Schnitt oder trage ihn deutlich darüber hinaus; lass ihn nicht um ein paar Frames über die Schnittkante ragen.

Ein Gedanke pro Untertitel

Jenseits der Mechanik steht die Segmentierung: was in welchen Block gehört. Das Prinzip lautet, dass jeder Untertitel eine in sich geschlossene Bedeutungseinheit sein sollte – ein Satz oder ein vollständiger Teilsatz davon.

• Bevorzuge ganze Sätze pro Block. Muss ein Satz über zwei Blöcke laufen, teile an einer Satzgrenze und lass den ersten Block an einer natürlichen Pause enden.
• Trage nicht zwei oder drei verwaiste Wörter in einen neuen Untertitel. Ist der Rest eines Satzes so kurz, gewichte die Teilung neu.
• Mische im Dialog nicht das Ende des einen und den Anfang des anderen Sprechers im selben Block, außer du formatierst bewusst einen Zweisprecher-Untertitel (mit Gedankenstrichen).

Schlechte Segmentierung ist der Grund, warum manche Untertitelspuren unerklärlich anstrengend wirken, obwohl jeder einzelne Block kurz ist: Die Schnitte landen mitten im Gedanken, sodass jeder Block die Leserin in der Schwebe lässt.

Wortwörtlich oder bearbeitet? Eine ehrliche Antwort

Echte Rede steckt voller Fehlstarts, Füllwörter und Wiederholungen: «Also, ähm, ich glaube – ich glaube, was wir wahrscheinlich tun sollten, ist …» Soll der Untertitel das alles mittragen?

Die professionelle Antwort lautet: Es kommt auf die Aufgabe des Videos an, und in beide Richtungen gibt es einen echten Zielkonflikt.

Das Argument fürs leichte Bearbeiten. Wenn Sprache die Lesegeschwindigkeit überholt, muss etwas nachgeben, und das Streichen von «ähm», «weißt du», Fehlstarts und unmittelbaren Selbstwiederholungen ist der professionelle Standardgriff. Es verwandelt unlesbare 24-CPS-Rede in lesbaren 16-CPS-Text und bewahrt dabei jedes bedeutungstragende Wort. Für Marketinginhalte, Kurse und Social Clips ist das fast immer richtig.

Das Argument fürs Wortwörtliche. Viele gehörlose und schwerhörige Zuschauer bevorzugen ausdrücklich wortgetreue Untertitel – das Zögern, die Füllwörter, die Art, wie jemand spricht, gehören zu dem, was alle anderen über die Ohren bekommen, und es herauszubearbeiten ist ein kleiner Akt der Bevormundung. Bei Interviews, in denen die Art des Sprechers zählt, bei juristischen und archivarischen Aufzeichnungen und als Zugänglichkeitsvorgabe, wo die Lesegeschwindigkeit es erlaubt, ist wortwörtlich die respektvollere Wahl.

Unehrlich ist nur, so zu tun, als gäbe es keine Spannung. Der ehrliche Arbeitsablauf lautet: wortwörtlich, wo die Lesegeschwindigkeit es zulässt; kürzen nur, wenn die Alternative ein Untertitel ist, den niemand zu Ende liest; und niemals «verbessern», was jemand tatsächlich gesagt hat.

Für gehörlose und schwerhörige Zuschauer: die SDH-Extras

Standarduntertitel gehen davon aus, dass Zuschauer alles hören außer der Sprache. SDH (Untertitel für Gehörlose und Schwerhörige) geht davon aus, dass sie gar nichts hören, und ergänzt:

• Sprecherkennzeichnung, wenn sie nicht visuell offensichtlich ist – eine Stimme aus dem Off, ein Telefonat, überlappende Sprecher: `DAVID: Wir müssen reden.`
• Geräuschhinweise, die für die Handlung zählen: `[Tür knallt]`, `[gedämpfter Streit nebenan]`, `[Handy vibriert]`. Der Maßstab ist erzählerische Relevanz – untertitle das Geräusch, das die Handlung braucht, nicht jedes Umgebungsgeräusch.
• Musiknotation: ♪ für gesungene Liedtexte, oder eine Beschreibung – `[angespannte Streicher schwellen an]` – wenn die Musik erzählerische Arbeit leistet.

Wenn Zugänglichkeit Teil des Grundes ist, warum du untertitelst – und rechtlich ist sie das zunehmend – sind SDH-Konventionen der Maßstab, nicht die Zugabe. (Zur rechtlichen Seite siehe unseren Leitfaden zum European Accessibility Act und dem, was er für Video verlangt.)

Warum rohe Auto-Untertitel an diesen Standards scheitern

Nichts davon ist exotisches Wissen – warum ignoriert automatische Untertitelung es dann meistens?

Weil Spracherkennungs-Engines nach Pausenerkennung segmentieren, nicht nach Grammatik oder Lesegeschwindigkeit. Die Engine hört einen Redeabschnitt, transkribiert ihn und stempelt den ganzen Abschnitt als einen Block. Ein souveräner Sprecher, der keine Pausen macht, erzeugt eine fünf Sekunden lange Wand aus 120 Zeichen. Die Blockgrenzen landen dort, wo der Sprecher Luft geholt hat – mitten im Satzglied, mitten im Namen, mitten in der Zahl. Aufeinanderfolgende Blöcke stoßen ohne Frame-Lücke aneinander. Jedes einzelne Wort kann korrekt sein, während die Spur als Ganzes funktional unlesbar ist.

Genau das bedeutet «genau und unbrauchbar» – und deshalb sagt die Wortgenauigkeit einer Untertitelspur sehr wenig darüber aus, ob sie funktioniert.

Die Spezifikation auf einen Blick

Professionelle Untertitel sollten typischerweise innerhalb einer Lesegeschwindigkeit von 15–17 Zeichen pro Sekunde (CPS) bleiben, was grob 160–180 Wörtern pro Minute entspricht, wobei 20 CPS als absolute Obergrenze gilt. Jeder Untertitel sollte nach Möglichkeit eine Zeile nutzen und höchstens zwei, mit maximal etwa 42 Zeichen pro Zeile für lateinische Schriften. Zeilenumbrüche sollten natürlichen grammatischen Grenzen folgen, während jeder Untertitel in der Regel mindestens 0,8–1 Sekunde und höchstens 6–7 Sekunden auf dem Bildschirm bleiben sollte. Aufeinanderfolgende Untertitel sollten durch eine kleine Lücke von etwa zwei Frames beziehungsweise 80–120 Millisekunden getrennt sein, und Untertitel sollten nicht um wenige Frames über Schnitte hinausragen. Die Segmentierung sollte vollständigen Sätzen oder sinnvollen Teilsätzen folgen, statt kurze, verwaiste Fragmente stehen zu lassen, während Untertitel für gehörlose und schwerhörige Zuschauer (SDH) zusätzlich Sprecherkennzeichnung und für das Verständnis relevante Geräuschhinweise enthalten sollten.

Wo Inwista hineinpasst

Alles oben Genannte lässt sich von Hand erledigen. Professionelle Untertitler tun das seit Jahrzehnten – zu realen Kosten in Stunden.

Inwista automatisiert es. Die Transkription liefert den genauen Text; der Editor gibt dir volle manuelle Kontrolle; und Enhance wendet diesen Artikel mit einem Klick an: Es teilt überlange Blöcke in lesbare, bricht Zeilen an grammatischen Grenzen um, fügt die branchenüblichen Mikrolücken zwischen Untertiteln ein und senkt die Lesegeschwindigkeit in Richtung des professionellen Bereichs – während du bei jedem Block das letzte Wort behältst. Vorlagen stimmen die Ausgabe auf sendeorientierte oder social-orientierte Auslieferung ab.

Der kostenlose Tarif von Inwista lässt dich den kompletten Ablauf an deinem eigenen Material durchspielen – hochladen, transkribieren, strukturieren, bearbeiten und exportieren. Aktuelle Limits und Tarifdetails stehen auf der Preisseite.

Probier es an deinem nächsten Video →

Häufige Fragen

Was ist CPS bei der Untertitelung? Zeichen pro Sekunde – die Zeichenzahl eines Untertitels (inklusive Leerzeichen und Satzzeichen) geteilt durch seine Standzeit. Es ist das Standardmaß für die Lesegeschwindigkeit von Untertiteln. Professionelle Arbeit zielt auf 15–17 CPS; Netflix erlaubt bis zu 20 CPS für englischsprachige Inhalte für Erwachsene.

Wie viele Zeichen sollte eine Untertitelzeile haben? Höchstens etwa 42 Zeichen pro Zeile für Sprachen in lateinischer Schrift, mit maximal zwei Zeilen pro Untertitel. In Teletext verwurzelte Sendetraditionen nutzen oft 37.

Was ist die Sechs-Sekunden-Regel? Eine klassische europäische Richtlinie: Zwei volle Untertitelzeilen sollten etwa sechs Sekunden stehen bleiben – was ungefähr 12 CPS entspricht. Moderne Plattformstandards erlauben höhere Tempi, aber die Regel überlebt als Erinnerung daran, dass angenehm langsamer ist als möglich.

Sollten Untertitel wortwörtlich oder bearbeitet sein? Beides ist legitim. Wortwörtlich bewahrt exakt das Gesagte und wird von vielen gehörlosen und schwerhörigen Zuschauern bevorzugt; leichtes Bearbeiten (Füllwörter und Fehlstarts entfernen) ist Standard, wenn Sprache sonst zu schnell zum Lesen ist. Kürze nur, wenn die Lesegeschwindigkeit dich dazu zwingt, und verändere niemals die Bedeutung.

Warum fühlen sich automatisch erzeugte Untertitel schwer lesbar an, obwohl die Wörter stimmen? Weil ASR-Engines nach Pausen segmentieren, nicht nach Grammatik oder Lesegeschwindigkeit – das erzeugt überlange Blöcke, Umbrüche mitten im Satzglied und keine Lücken zwischen Untertiteln. Wortgenauigkeit und Lesbarkeit sind getrennte Probleme.

Wie lange sollte ein Untertitel mindestens stehen? Etwa 0,8–1 Sekunde, selbst für ein einzelnes Wort. Netflix' Untergrenze liegt bei ⅚ Sekunde. Kürzer liest sich als Flackern, nicht als Text.

Die zitierten Standards sind die veröffentlichten oder breit dokumentierten Richtlinien der genannten Plattformen und Sender zum Zeitpunkt der Erstellung; einzelne Styleguides entwickeln sich weiter, und einzelne Produktionen können eigene Vorgaben machen.