Synchronisation, Voice-over, OmU, Untertitel für Hörgeschädigte, Transkreation: Wer sich mit Videoübersetzung beschäftigt, stößt schnell auf viele Fachbegriffe, die oft durcheinandergeworfen werden. Mit der KI sind neue Begriffe dazugekommen: Voice Cloning, Sprachsynthese, Sprechererkennung.

Damit Sie den Überblick behalten, haben wir die wichtigsten Begriffe der Videolokalisierung in diesem Glossar zusammengefasst, von den klassischen Verfahren der deutschen Synchronbranche bis zu den Technologien, die KI-Tools wie der KI-Videoübersetzer von AI Video Translator verwenden.

Die großen Bereiche der audiovisuellen Übersetzung

Lokalisierung

Lokalisierung bedeutet die vollständige Anpassung eines Inhalts an einen bestimmten Markt: die Sprache, aber auch kulturelle Bezüge, Maßeinheiten, Datumsformate und manchmal Bilder. Die Übersetzung ist nur ein Teil davon. Ein gut lokalisiertes Video wirkt, als wäre es für sein Publikum gemacht.

Audiovisuelle Übersetzung

Oberbegriff für alle Formen der Übersetzung von Bild und Ton: Untertitelung, Synchronisation, Voice-over, Audiodeskription. Ein eigenes Fachgebiet mit besonderen Vorgaben für Zeit und Platz.

Transkreation

Transkreation geht über die Übersetzung hinaus: Eine Botschaft wird frei neu geschrieben, damit sie in einer anderen Kultur dieselbe Wirkung erzielt. Typisch für Slogans, Werbung und Markeninhalte, bei denen eine wörtliche Übersetzung nicht funktionieren würde.

Untertitelung

Untertitel

Bei der Untertitelung wird eine schriftliche Übersetzung der Dialoge synchron zum Gesprochenen eingeblendet. Die Originalstimme bleibt erhalten. Die schnellste und günstigste Lösung, unverzichtbar für Videos, die ohne Ton angesehen werden.

OV, OmU und OmdU

OV: Originalversion, ohne Übersetzung
OmU: Original mit Untertiteln, meist in der Landessprache
OmdU: Original mit deutschen Untertiteln
OmeU: Original mit englischen Untertiteln

Diese Abkürzungen kennt man vor allem aus Programmkinos und von Streamingdiensten.

Untertitel für Hörgeschädigte (SDH)

Untertitel für Gehörlose und Hörgeschädigte geben nicht nur die Dialoge wieder, sondern auch wichtige Toninformationen: Geräusche, Musik, wer gerade spricht. Im Englischen heißt das SDH (Subtitles for the Deaf and Hard of Hearing).

Eingebrannte und separate Untertitel

Eingebrannt (Hardsub, burned-in): Die Untertitel sind Teil des Bildes und lassen sich nicht ausschalten. Ideal für soziale Netzwerke
Separat (Softsub): Die Untertitel liegen in einer eigenen Datei und können ein- und ausgeschaltet werden, wie auf YouTube

SRT und VTT

Die beiden gängigsten Untertitelformate. SRT (SubRip) ist eine einfache Textdatei mit Nummern, Zeitstempeln und Text. VTT (WebVTT) ist sehr ähnlich und wird vor allem in Web-Playern verwendet. Wie man SRT-Dateien richtig übersetzt, erklären wir im Leitfaden SRT-Untertitel übersetzen.

Spotting

Beim Spotting wird festgelegt, wann genau jeder Untertitel erscheint und verschwindet. Gutes Spotting berücksichtigt den Sprechrhythmus, Schnitte und die nötige Lesezeit.

Synchronisation

Bei der Synchronisation wird die Originalsprachspur durch eine neue Spur in einer anderen Sprache ersetzt. Das Publikum hört das Video in seiner Sprache und kann sich ganz auf das Bild konzentrieren. Deutschland ist eines der klassischen Synchronländer: Kinofilme und Serien werden hier traditionell synchronisiert.

Synchronfassung

Die fertige, synchronisierte Version eines Films oder einer Serie, im Gegensatz zur Originalfassung.

Lippensynchronität

In der klassischen Filmsynchronisation wird der übersetzte Text so angepasst, dass er zu den Lippenbewegungen der Schauspieler passt. Das ist die anspruchsvollste Form der Synchronisation, weil sie dem Text sehr enge Grenzen setzt.

Synchronbuch (Dialogbuch)

Das Synchronbuch ist das übersetzte und angepasste Drehbuch für die Synchronfassung. Der Synchronautor oder die Dialogbuchautorin schreibt den deutschen Text so, dass er Sinn, Ton, Länge und Lippenbewegungen gleichzeitig trifft. Das ist echte Schreibarbeit, weit mehr als eine wörtliche Übersetzung.

Takes

In deutschen Synchronstudios wird der Text in kurze Abschnitte, sogenannte Takes, aufgeteilt. Die Sprecherinnen und Sprecher sehen sich einen Take an und sprechen ihn dann passend zum Bild ein. Bezahlt wird in der Branche traditionell oft nach Takes.

Synchronsprecher

Professionelle Sprecherinnen und Sprecher, die Figuren in der Synchronfassung ihre Stimme leihen. In Deutschland sind viele von ihnen dem Publikum über Jahrzehnte als "deutsche Stimme" bekannter Schauspieler vertraut.

Voice-over

Beim Voice-over wird eine übersetzte Stimme über die Originalstimme gelegt, die leise im Hintergrund hörbar bleibt, meist leicht zeitversetzt. Typisch für Dokumentationen, Reportagen und Interviews. Lippensynchronität spielt hier keine Rolle.

Off-Sprecher

Eine erzählende Stimme, deren Quelle im Bild nicht zu sehen ist: Erzähler, Kommentar, innere Stimme. Nicht zu verwechseln mit Voice-over, bei dem eine Übersetzung über eine sichtbare Person gelegt wird.

Audiodeskription (Hörfilm)

Bei der Audiodeskription beschreibt eine zusätzliche Stimme, was im Bild passiert, für blinde und sehbehinderte Menschen. Filme mit Audiodeskription werden im Deutschen auch Hörfilme genannt.

Technologien der KI-Videoübersetzung

Spracherkennung (STT)

Spracherkennung, auf Englisch Speech-to-Text, wandelt gesprochene Sprache in Text um. Sie ist der erste Schritt jeder automatischen Videoübersetzung. Moderne Modelle liefern dazu Zeitstempel, mit denen Untertitel und Synchronisation zeitlich ausgerichtet werden.

Transkription

Die Transkription ist die vollständige schriftliche Fassung dessen, was in einem Video gesagt wird. Sie dient als Grundlage für die Übersetzung, kann aber auch eigenständig genutzt werden: als Artikel, Episodennotizen oder Dokumentation.

Sprechererkennung (Diarisierung)

Die Sprechererkennung, auf Englisch Speaker Diarization, ermittelt, wer wann spricht. Für Interviews und Podcasts ist sie unverzichtbar, damit jede Person in der Übersetzung eine eigene Stimme behält. Warum das so wichtig ist, zeigen wir im Leitfaden Interviews und Podcasts mit mehreren Sprechern übersetzen.

Kontextbezogene maschinelle Übersetzung

Frühe Tools übersetzten Satz für Satz oder sogar Wort für Wort. Heutige Sprachmodelle berücksichtigen den Kontext: was vorher gesagt wurde, den Ton, das Register. Das Ergebnis sind natürlichere Übersetzungen, gerade bei Redewendungen.

Sprachsynthese (TTS)

Sprachsynthese, auf Englisch Text-to-Speech, wandelt Text in gesprochene Sprache um. Moderne synthetische Stimmen klingen sehr natürlich, mit Betonung und Rhythmus nahe an menschlicher Sprache.

Voice Cloning (Stimmklonen)

Beim Voice Cloning wird die Klangfarbe einer realen Person aus einer Stimmprobe nachgebildet. In der Synchronisation kann eine Person so mit ihrer eigenen Stimme eine andere Sprache "sprechen". Genau das wirft auch rechtliche Fragen auf, denn die Stimme ist ein personenbezogenes Datum, und das Ergebnis kann ein Deepfake im Sinne des EU AI Act sein.

Audio-Quellentrennung

Diese Technik trennt die Stimme vom Rest der Tonspur: Musik, Geräusche, Atmosphäre. Bei der KI-Synchronisation lässt sich so nur die Stimme ersetzen, während Musik und Effekte erhalten bleiben.

Deepfake

Begriff aus dem EU AI Act für KI-erzeugte oder manipulierte Bild-, Ton- oder Videoinhalte, die realen Personen, Orten oder Ereignissen ähneln und fälschlich echt wirken könnten. Seit dem 2. August 2026 müssen veröffentlichte Deepfakes als solche gekennzeichnet werden. Was das für KI-synchronisierte Videos bedeutet, erklären wir in KI-Synchronisation, DSGVO und EU AI Act.

Glossar (Terminologiemanagement)

Ein Glossar ist eine Liste von Begriffen, deren Übersetzung vorab festgelegt wird: Produktnamen, Personennamen, Fachvokabular. So bleibt die Übersetzung über mehrere Videos einer Reihe hinweg einheitlich. In AI Video Translator lässt sich das Glossar als CSV importieren und exportieren, praktisch zum Beispiel für Onlinekurse in mehreren Sprachen oder Produktvideos für den Export.

Übersicht: Untertitel, Synchronisation oder Voice-over?

Verfahren	Originalstimme	Aufwand	Typischer Einsatz
Untertitel	bleibt erhalten	gering	soziale Netzwerke, OmU, Barrierefreiheit
Voice-over	im Hintergrund hörbar	mittel	Dokumentationen, Reportagen, Interviews
Synchronisation	wird ersetzt	hoch (mit KI deutlich geringer)	Filme, Schulungen, Tutorials, YouTube-Kanäle
KI-Synchronisation mit Voice Cloning	ersetzt durch eine ähnliche Stimme	gering bis mittel	Creator-Inhalte, Unternehmen, Podcasts

Welche der beiden wichtigsten Optionen zu Ihrem Video passt, erfahren Sie in unserem Vergleich Untertitel oder Synchronisation? Und wenn Sie Ihren eigenen Kanal übersetzen möchten: YouTube-Videos auf Englisch synchronisieren.

Fazit

Videolokalisierung verbindet altes Handwerk wie Synchronbuch und Takes mit neuen Technologien wie Sprechererkennung und Voice Cloning. Wer diese Begriffe kennt, wählt leichter das passende Verfahren, spricht mit Dienstleistern auf Augenhöhe und kann einschätzen, was ein KI-Tool tatsächlich leistet.

👉 KI-Übersetzung und -Synchronisation für Ihre Videos: AI Video Translator