Echtzeit-übersetzte Untertitel:
Wie sie wirklich funktionieren

Echtzeit-übersetzte Untertitel sind Einblendungen, die aus Live-Audio erzeugt und übersetzt werden, während die sprechende Person noch spricht. Sie erscheinen für ein paar Sekunden auf dem Bildschirm und verschwinden dann wieder. Das ist das Gegenteil einer Untertiteldatei wie SRT oder WebVTT, also eines fertigen Artefakts: einer Liste von zeitcodierten Cues, die auf eine bereits vorhandene Aufnahme abgestimmt sind.

Diese beiden Dinge werden ständig als dasselbe Produkt behandelt, und genau deshalb ist so viel Rat zu diesem Thema nutzlos. Sucht man nach Echtzeit-übersetzten Untertiteln, bekommt man meist Untertitel-Editoren: Tools, die eine hochgeladene Videodatei, einen Transkriptionsdurchlauf und zwanzig Minuten eurer Zeit wollen. Gute Software. Falsches Problem. Niemand lädt eine Datei in einen Videocall hoch, der gerade jetzt stattfindet.

Dieser Leitfaden behandelt, was live erzeugte Untertitel tatsächlich sind, was sie nicht können, den einen Fall, den der Rest des Internets überspringt, und wie man sie in ein paar Minuten in einem Browser-Tab zum Laufen bringt. Wenn ihr die Theorie überspringen wollt, könnt ihr MirrorCaption in eurem Browser öffnen und es auf einen Tab richten.

Was Echtzeit-übersetzte Untertitel eigentlich sind

Ein Untertitel ist im traditionellen Sinn ein zeitgebundenes Artefakt. Die W3C-WebVTT-Spezifikation definiert einen Cue als Text, der an eine Startzeit und eine Endzeit gebunden ist und sich auf die Zeitleiste einer Mediendatei bezieht. Diese Definition setzt voraus, dass das Medium fertig ist. Man kann keinen Cue an eine Zeitleiste binden, die noch nicht stattgefunden hat.

„Echtzeit-Untertitel“ ist also streng genommen ein Widerspruch. Gemeint ist bei der Suche danach: Text auf meinem Bildschirm, in meiner Sprache, passend zu dem, was ich gerade höre. Das ist eine Live-Pipeline, kein Dokument. Audio strömt hinein, eine Transkriptions-Engine gibt vorläufige Wörter aus, die sich mit mehr Kontext selbst korrigieren, eine Übersetzungsschicht schreibt sie in die Zielsprache um, und das Ergebnis erscheint einen Augenblick hinter der Stimme auf dem Bildschirm.

Der Unterschied ist keine Haarspalterei. Er entscheidet darüber, was ihr verlangen könnt und was nicht.

Echtzeit-Untertitel vs. die drei Dinge, mit denen sie verwechselt werden

Die dritte Spalte ist die, die am häufigsten verwechselt wird, und wir werden das hier nicht erneut aufrollen: Unser Leitfaden zu Live-Untertiteln vs. Transkripten arbeitet diese Terminologie bereits sauber durch.

Welcher dieser drei Leser seid ihr?

Drei ziemlich unterschiedliche Menschen tippen diesen Ausdruck in ein Suchfeld.

1. Der Teilnehmende. Ihr schaut Audio an, das ihr nicht kontrolliert: einen Livestream, eine Konferenzübertragung, ein Webinar, bei dem ihr Gast seid. Lest weiter, dieser Artikel ist größtenteils für euch.
2. Der Meeting-Teilnehmende. Ihr seid in einem Call, in dem jemand eine Sprache spricht, die ihr nicht versteht. Lest ebenfalls weiter, die Abschnitte drei und vier gehören euch.
3. Die Person, die eine lieferbare Untertiteldatei braucht. Ihr wollt ein SRT, das ihr an ein Video anhängen könnt, damit andere es später ansehen. Echtzeit-Tools sind dafür völlig das falsche Regal, und keine noch so clevere Lösung wird daran etwas ändern. Nutzt einen dedizierten Untertitel-Editor für die Aufnahme. Wir sagen euch das lieber in Absatz zwölf, als eure Nachmittagszeit zu verschwenden.

Der Fall, über den niemand schreibt: Wenn ihr das Audio nicht kontrolliert

Hier liegt die Lücke. Fast jeder Artikel über Live-Übersetzung geht davon aus, dass ihr der Host seid. Anbieter von Enterprise-Untertiteln wollen eurem Event-Team einen Vertrag verkaufen. Die Plattformdokumentation sagt euch, ihr sollt den Meeting-Organisator fragen. Untertitel-Blogs sagen euch, ihr sollt warten, bis die Aufnahme veröffentlicht wird.

Nichts davon hilft der Person, die einfach nur zuhört. Und diese Person ist häufig: eine Ingenieurin, die einen Livestream zu einer Hardwarevorstellung aus Shenzhen verfolgt, ein Politikanalyst, der eine Parlamentsdebatte mitverfolgt, eine Studentin, die einer Gastvorlesung beiwohnt, ein Investor in einer Earnings-Call-Schaltung, der strikt im Nur-Zuhören-Modus ist.

In all diesen Fällen habt ihr keine Erlaubnis, irgendetwas an der Übertragung zu ändern, und keine Beziehung zu der Person, die sie betreibt. Was ihr aber habt, ist ein Browser, der das Audio bereits dekodiert. Das ist der Hebel. Die getDisplayMedia-API erlaubt es, einer Seite Zugriff auf das Audio eines anderen Tabs zu geben, mit einer expliziten Berechtigungsabfrage bei jedem Mal. Der Ton verlässt auf dem Weg zur Erfassung nie den Audio-Graphen eures Geräts; ihr untertitelt das, was ihr ohnehin schon hört.

Zwei ehrliche Einschränkungen, denn genau hier lügt viel Marketingtext stillschweigend. Erstens ist die Tab-Audio-Erfassung eine Desktop-Browser-Funktion: Sie funktioniert in Chrome und Microsoft Edge und ist auf mobilen Browsern nicht verfügbar. Zweitens ist „kein Bot nimmt am Meeting teil“ eine technische Aussage, keine rechtliche. Ob ihr einen bestimmten Call transkribieren dürft, hängt von eurer Rechtsordnung und der Richtlinie eures Arbeitgebers ab, und diese Fragen verdienen eine echte Antwort, bevor ihr auf etwas Externes auf Start drückt.

Wie man Echtzeit-übersetzte Untertitel in einem Browser-Tab bekommt

Das Setup ist kurz genug, dass es länger dauert, es zu beschreiben, als es zu tun.

1. Öffnet die Audioquelle in desktop Chrome oder Edge. Ein Zoom- oder Google-Meet-Call im Browser, ein YouTube-Livestream, ein Webinar-Player, eine Nachrichtensendung, alles, was in einem Tab Ton abspielt.
2. Öffnet MirrorCaption in einem zweiten Tab und wählt den Meet-Modus, also den Modus, der für das Erfassen von Meeting-Tab-Audio gebaut ist.
3. Wählt Quell- und Zielsprache. Es gibt 60+ auswählbare Sprachen, und das Paar ist bidirektional, also ist Mandarin zu Deutsch genauso gültig wie Englisch zu Spanisch.
4. Gebt Tab-Audio frei, wenn der Browser fragt. Der Freigabedialog erscheint; wählt den Tab aus, der das Audio abspielt, und stellt sicher, dass der Audio-Schalter aktiviert ist. Diese Aufforderung wird vom Browser erzwungen und erscheint in jeder Sitzung.
5. Lest. Original und Übersetzung stehen auf dem Desktop nebeneinander, auf dem Mobilgerät untereinander, wobei jede Stimme separat beschriftet ist.

Es gibt keine Installation, keine Browser-Erweiterung, und nichts nimmt als Teilnehmer am Call teil. Genau das unterscheidet dies von der Kategorie der Meeting-Bots: Tools wie Fireflies brauchen einen Assistenten, der zum Meeting eingeladen wird, und genau das kann ein Teilnehmender nicht organisieren.

Wenn die andere Person es hören muss, nicht lesen

Untertitel sind eine Leseoberfläche, was in Ordnung ist, wenn ihr die einzige Person seid, die die Übersetzung braucht. In dem Moment, in dem das Gespräch in beide Richtungen geht, reicht das nicht mehr aus.

Speak Translations deckt genau das ab. Es liest eure eigene übersetzte Sprache in der Zielsprache laut vor, nah genug an Echtzeit, um ein Gespräch im Fluss zu halten. Die Wiedergabe kann über den Lautsprecher eures Laptops laufen, über ein per QR-Code gekoppeltes Telefon, sodass der Ton vom Telefon kommt, oder auf dem Mac-Client über ein virtuelles Mikrofon, das Zoom, Meet und Teams als normales Eingabegerät sehen.

Auf dem Telefon übernimmt der Talk-Modus die persönliche Variante. Es ist eine fortlaufende Sitzung statt einer Push-to-Talk-Taste: Ihr startet sie einmal, beide Personen sprechen abwechselnd, und Transkript- und Übersetzungskontext bleiben über den gesamten Austausch erhalten, statt nach jedem Satz zurückgesetzt zu werden.

Was man von der Qualität der Live-Übersetzung erwarten kann

Live-Übersetzung ist inzwischen wirklich gut und nicht fehlerfrei, und jede Seite, die etwas anderes behauptet, verkauft euch etwas. So sieht die ehrliche Lage aus.

Vorläufige Ergebnisse korrigieren sich selbst. Streaming-Transkription gibt Wörter aus, bevor der Satz beendet ist, und überarbeitet sie dann, sobald die Grammatik klar wird. Dass sich Text mitten im Satz sichtbar neu schreibt, bedeutet, dass das System funktioniert, nicht dass es fehlerhaft ist. Deshalb sieht auch ein Screenshot von Live-Untertiteln im falschen Moment immer schlechter aus als das eigentliche Erlebnis.

Die Audioqualität dominiert alles andere. Ein sauberes Headset-Mikrofon in einem ruhigen Raum ist ein anderes Problem als ein Laptop-Lautsprecher in einem hallenden Besprechungsraum mit drei Personen, die durcheinanderreden. Klarer Ton ist der größte Hebel, den ihr selbst beeinflussen könnt.

Bei Redewendungen verlieren Maschinen immer noch. Wenn ein japanischer Kunde ちょっと難しいです sagt, wird ein Übersetzer das als „es ist ein bisschen schwierig“ wiedergeben, was sprachlich korrekt und geschäftlich eine höfliche Ablehnung ist. Die Übersetzung ist nicht falsch; die Lesart ist es. Genau deshalb zeigt MirrorCaption das Original neben der Übersetzung und lässt euch auf jedes übersetzte Wort tippen, um die Quelle anzuzeigen. Wenn ihr sprachübergreifend verhandelt, behaltet die linke Spalte im Blick.

Erwartet starke Ergebnisse bei klarer Sprache in gut unterstützten Sprachen, und erwartet, alles zu prüfen, was finanziell oder rechtlich relevant ist. Wir gehen in unserem Beitrag zur Genauigkeit der Echtzeitübersetzung tiefer darauf ein.

Was die integrierten Plattformoptionen abdecken

Jede große Konferenzplattform liefert inzwischen irgendeine Form von Live-Übersetzung, und für viele Teams ist das die richtige Antwort. Wenn eure Organisation in einer Plattform lebt und euer Host die richtige Lizenz hat, ist es besser, das Vorhandene zu nutzen, als ein weiteres Tool hinzuzufügen.

• Zoom Translated Captions übersetzen Sprache während eines Zoom-Meetings in eine andere Sprache. Die Verfügbarkeit hängt von der Tarifstufe des Kontos und davon ab, ob der Host die Funktion aktiviert.
• Microsoft Teams live translated captions leisten das Entsprechende in Teams, ebenfalls abhängig von der Lizenzierung und den Admin-Einstellungen auf Mandantenebene.
• Google Meet translated captions decken innerhalb von Meet eine Reihe von Sprachpaaren ab, abhängig von der verwendeten Workspace-Edition.

Prüft die aktuelle Dokumentation des jeweiligen Anbieters für die genauen Sprachlisten, denn sie ändern sich und jede Zahl, die in einem Blogpost steht, altert schlecht. Die strukturellen Grenzen verschieben sich jedoch nicht:

• Sie funktionieren nur innerhalb ihrer eigenen Plattform. Ein Livestream, ein Webinar-Player, eine browserbasierte Radiosendung oder ein persönliches Gespräch fallen definitionsgemäß nicht darunter.
• Sie hängen vom Plan eines anderen ab. Als Teilnehmender könnt ihr keine Funktion einschalten, die in der Lizenz des Hosts nicht enthalten ist.
• Untertitel sind meist flüchtig. Der Export hängt vom Tarif ab; der laufende Text gehört euch oft nicht zum Behalten.

MirrorCaption steht außerhalb all dieser drei Einschränkungen, weil es den Tab erfasst statt sich in die Plattform zu integrieren. Tool-agnostisch ist das Designziel: Nutzt das Konferenztool, das euer Host gewählt hat. Wenn ihr die Alternativen sauber abwägt, vergleicht unser Überblick über die besten Meeting-Übersetzer in 2026 die Kategorie direkt nebeneinander, einschließlich der Fälle, in denen Wettbewerber tatsächlich stärker sind.

Häufig gestellte Fragen

Kann ich Echtzeit-übersetzte Untertitel für einen Livestream bekommen, den ich nur anschaue?

Ja, wenn der Stream in einem Browser-Tab auf eurem eigenen Gerät läuft. Die Tab-Audio-Erfassung liest den Ton, den euer Browser bereits abspielt, und untertitelt ihn lokal, sodass ihr vom Sender nichts aktivieren lassen müsst. Das ist der Standardweg, wenn ihr Teilnehmende statt Hosts seid.

Kann ich Echtzeit-übersetzte Untertitel als SRT-Datei herunterladen?

Nicht als zeitcodiertes SRT. Echtzeit-Untertitel werden aus Audio erzeugt, während es abgespielt wird, also ist nichts mit einer fertigen Mediendatei ausgerichtet. MirrorCaption exportiert das laufende Transkript und seine Übersetzung als Markdown oder Klartext. Für ein verteilbares SRT nutzt ihr ein Untertitel-Tool für die Aufnahme.

Brauche ich die Erlaubnis des Hosts, um ein Meeting zu untertiteln, an dem ich teilnehme?

Es nimmt nichts am Meeting teil, also gibt es keinen Bot, den man genehmigen müsste, aber das ist nicht dasselbe wie grünes Licht im rechtlichen Sinn. Regeln zu Aufzeichnung und Transkription unterscheiden sich je nach Land und Arbeitgeber. Prüft euer lokales Recht und die Richtlinie eures Unternehmens, bevor ihr einen Call untertitelt, besonders einen externen.

Funktioniert Echtzeitübersetzung in beide Richtungen während eines Gesprächs?

Ja. Der Talk-Modus läuft als eine fortlaufende Sitzung, sodass beide Personen abwechselnd innerhalb desselben Gesprächs sprechen, statt pro Satz neu zu starten. Speak Translations kann eure übersetzte Sprache optional laut vorlesen, sodass die andere Seite die Zielsprache hört und sie nicht nur liest.

Was kosten Echtzeit-übersetzte Untertitel?

MirrorCaption gibt jedem Konto 1 kostenlose Stunde, einmalig, ohne Kreditkarte und ohne monatlichen Reset. Jährlich kostet es 54.99 euro pro Jahr mit 100 Stunden gehostetem Transkriptionsguthaben; Premium kostet einmalig 99 euro mit 200 Stunden inklusive. Zusätzliche Stunden kommen aus Voice Packs, die separat verkauft werden.

Das Fazit

Echtzeit-übersetzte Untertitel sind eine Live-Pipeline, kein Dokument, und sobald man das akzeptiert, ergibt die ganze Kategorie Sinn. Es gibt keine Datei, also hört auf, nach einer zu suchen. Stattdessen gibt es eine Möglichkeit, Audio zu lesen, das ihr gerade hört, in einer Sprache, die ihr tatsächlich sprecht, ohne auf eine Aufnahme zu warten und ohne dass jemand eine Erlaubnis geben muss, einen Schalter umzulegen.

Vier Dinge, die man mitnehmen sollte. Echtzeit- und Untertiteldatei-Tools lösen unterschiedliche Probleme, und ihre Vermischung kostet Zeit. Tab-Audio-Erfassung ist das, was den Teilnehmenden-Fall freischaltet, den Plattformfunktionen strukturell nicht erreichen können. Integrierte Übersetzung von Zoom, Teams und Meet hilft nur innerhalb dieser Plattform, wenn euer Host die Lizenz hat, während MirrorCaption die stärkere Lösung ist: Es begleitet euch über alle diese Plattformen hinweg in 60+ Sprachen. Und Live-Übersetzung ist bei klarem Audio stark, verfehlt aber weiterhin Redewendungen, weshalb das Lesen des Originals neben der Übersetzung wichtig ist, wenn viel auf dem Spiel steht.

Wenn ihr der Teilnehmende, der Mitwirkende oder die Person gegenüber von jemandem seid, den ihr noch nicht versteht: Die nächste Stunde ist kostenlos, und es dauert etwa neunzig Sekunden herauszufinden, ob das euer Problem löst.