Subtitle Edit Whisper: Einrichtung, Engines, Modelle

Die Whisper-Unterstützung von Subtitle Edit steckt in einem einzigen Fenster: Video → Sprache-zu-Text... (englisch: Video → Speech to text...), in älteren Versionen Audio to text genannt. Öffne ein Video, wähle eine Engine und ein Modell, stelle die Sprache ein und klicke auf Transkribieren (englisch: Transcribe). Subtitle Edit lädt bei der ersten Nutzung herunter, was es braucht. Die eigentliche Entscheidung ist, welche Engine zu deiner Hardware passt.

Dieser Beitrag behandelt diese Wahl für Windows mit NVIDIA-Karte, Windows ohne eine und Mac, den einen Haken des turbo-Modells bei der Übersetzung, die Stapelverarbeitung, den Qualitätsbericht und was du prüfst, wenn nichts herauskommt. Die Angaben zu Subtitle Edit stammen aus dem GitHub-Repository und der offiziellen Dokumentation, geprüft am 31. Oktober 2026.

Wie nutzt du Whisper in Subtitle Edit?

Sieben Schritte, entnommen der Dokumentation zu Speech to text. Subtitle Edit ist kostenlos und Open Source unter der MIT-Lizenz; die aktuelle stabile Version ist 5.3.0 vom 14. Oktober 2026.

1. Öffne eine Videodatei in Subtitle Edit.
2. Wähle Video → Sprache-zu-Text....
3. Wähle eine Engine. Schaltflächen daneben öffnen die Website der Engine, laden sie herunter und öffnen ihre Einstellungen. Whisper CPP und Crisp ASR zeigen außerdem ein Dropdown Backend.
4. Wähle ein Modell (englisch: Model). Größer heißt meist genauer, langsamer und größer auf der Festplatte.
5. Wähle die Sprache des Audios oder die automatische Erkennung, wo die Engine sie unterstützt.
6. Setze optional den Haken bei Ins Englische übersetzen (englisch: Translate to English) und Nachbearbeitung (englisch: Post-processing).
7. Klicke auf Transkribieren.

Engines und Modelle werden bei der ersten Nutzung automatisch heruntergeladen, der erste Durchlauf enthält also eine Wartezeit. Das Ergebnis ist ein gewöhnlicher Untertitel in der Hauptliste, den du wie jede andere Datei bearbeitest.

Viele suchen noch nach „subtitle edit audio to text“. Es ist dasselbe Fenster unter seinem alten Namen, und eine Changelog-Zeile der Subtitle-Edit-5-Reihe benutzt ihn noch.

Welche Whisper-Engine solltest du in Subtitle Edit wählen?

Das hängt von deiner Grafikkarte ab, denn die meisten Engines in der Liste führen dieselben Whisper-Modelle aus, nur anders verpackt. Der Rat der Dokumentation selbst: „For NVIDIA GPU users, use the Whisper CPP cuBLAS backend or Purfview Faster Whisper XXL for fastest transcription.“ (Für NVIDIA-GPU-Nutzer: das Backend Whisper CPP cuBLAS oder Purfview Faster Whisper XXL für die schnellste Transkription.)

Purfview Faster Whisper XXL und Whisper Const-me gibt es nicht für macOS. Whisper OpenAI, die ursprüngliche Python-Implementierung, ist für jede Plattform aufgeführt. In der Engine-Tabelle der Doku stehen die Plattformen jeder Engine aktuell.

In derselben Liste stehen weitere Engines. Crisp ASR bündelt mehrere Modelle außer Whisper, darunter Parakeet, Canary und SenseVoice, und kann Sprecher erkennen, wobei es Zeilen mit (speaker 0) markiert. Vier Online-Engines (OpenAI Compatible Server, OpenRouter, Alibaba Qwen3-ASR und Google Cloud Speech-to-Text) schicken dein Audio an einen Server, was zählt, wenn das Material vertraulich ist. Der Rest läuft auf deinem Rechner.

Subtitle-Edit-Whisper-Modelle: welches ist das richtige?

Nimm das größte Modell, das deine Hardware in einer Zeit schafft, die du akzeptierst. Die Liste reicht von tiny, am schnellsten und am ungenauesten, über base, small und medium bis zu large, large-v2 und large-v3, am genauesten und am langsamsten.

Ein paar Einzelheiten aus der Doku:

• .en-Modelle sind nur für Englisch und besser für englisches Audio. Nutze sie, wenn jedes Wort Englisch ist.
• large-v3-turbo wird als stark bei Japanisch geführt. Für die meisten Sprachen ist es die vernünftige Voreinstellung, wenn deine Hardware es ausführen kann.
• Es gibt Feinabstimmungen für Sprachen: .sv, .nb und anime.ja, das Modell anime-whisper für Anime und Visual-Novel-Japanisch.

Speicherplatz und Laufzeit steigen zusammen. Wenn du Zahlen statt Faustregeln willst, listet unser Whisper-Modellvergleich die reale Downloadgröße jedes Modells und was jedes in einem Testclip erkannt hat. Das ist ein Clip, kein Benchmark, aber er zeigt, was jede Stufe nach oben kostet.

Subtitle Edit Whisper mit GPU und CUDA: was wirklich hilft

Unter Windows heißt GPU zuerst NVIDIA. Drei praktische Punkte:

1. Wähle das Backend, nicht nur die Engine. In Whisper CPP entscheidet das Dropdown Backend, ob die Arbeit auf cuBLAS (NVIDIA CUDA), Vulkan oder der CPU läuft. Prüfe auf einem Rechner mit guter GPU, dass es nicht auf der CPU stehen geblieben ist.
2. Passe die CUDA-Versionen an. Whisper CTranslate2 braucht CUDA 12.x. Macht diese Engine dir CUDA-Probleme, sind Whisper CPP cuBLAS und Purfview die Alternativen.
3. Speicher voll? Geh ein Modell kleiner. Die Antwort der Dokumentation auf „CUDA out of memory“ ist ein kleineres Modell.

Zwei weitere Einstellungen stehen in den erweiterten Optionen der Engine: Kommandozeilenparameter pro Engine und VAD, das das Timing verbessert.

Ins Englische übersetzen liefert die Originalsprache: der turbo-Haken

Ins Englische übersetzen wandelt nicht englische Sprache im selben Durchlauf in englischen Text um. Wählst du allerdings ein turbo-Modell, kann der Text stattdessen in der Originalsprache zurückkommen.

Der Grund steht in OpenAIs Whisper-README: Das Modell turbo „is not trained for translation tasks“ (ist nicht für Übersetzungsaufgaben trainiert) und liefert die Originalsprache, auch wenn Übersetzung angefordert wird. Ihr Rat ist, medium oder large zu nehmen. Setzt du also den Haken bei gewähltem large-v3-turbo und siehst kein Englisch, wechsle das Modell zu medium oder large und starte neu.

Dieser Weg erzeugt nur Englisch. Für andere Zielsprachen transkribierst du zuerst und nutzt dann Übersetzen → Automatisch übersetzen... (englisch: Translate → Auto-translate...). Zu seinen Engines gehören Google Translate V1 (kostenlos), DeepL und ChatGPT (beide mit deinem eigenen API-Schlüssel), LibreTranslate, MyMemory und lokale Modelle über Ollama, LM Studio oder llama.cpp. Unser Ratgeber zum Übersetzen einer SRT ohne Timing-Verlust behandelt, was du danach prüfst.

Wie transkribierst du in Subtitle Edit viele Videos auf einmal?

Nutze die Stapelverarbeitung (englisch: Batch mode). Füge deine Videodateien hinzu, wähle Engine, Modell und Sprache und klicke auf Transkribieren. Subtitle Edit schreibt neben jedes Video eine .srt-Datei. Setze den Haken bei Sprachcode zum Dateinamen hinzufügen (englisch: Add language code to file name), wenn du video.en.srt statt video.srt willst, was wichtig wird, sobald mehrere Sprachen in einem Ordner liegen.

Unterscheiden sich deine Dateien stark, etwa ein leises Interview neben einer lauten Straßenaufnahme, lass die schwierigen als eigenen Stapel mit einem größeren Modell laufen.

Nachbearbeitung und der Qualitätsbericht zur Transkription

Whispers Ausgabe ist genau, aber unordentlich, und die Option Nachbearbeitung räumt sie als Teil der Transkription auf. Die Dokumentation listet, was sie kann:

• Timings anpassen, anhand von Wellenform-Spitzen
• zu kurze Dauern korrigieren
• Groß- und Kleinschreibung korrigieren und Punkte ergänzen
• kurze Zeilen zusammenführen und lange teilen
• Zeilen ohne Sprache wie „[Music]“ entfernen
• wiederholte Zeilen entfernen

Der Qualitätsbericht zur Transkription (Option Qualitätsbericht nach der Transkription anzeigen, englisch: Show quality report after transcription) ist standardmäßig an und der nützlichste Teil des Fensters, um Whispers Eigenheiten zu fangen. Er markiert fünf Probleme: zu kurz, zu lang, Überlappung, ohne Sprache und wiederholt. „Zu lang“ schließt ein, was die Doku die typische Halluzination (englisch: hallucination) nennt, zwei oder drei Wörter, die über 10 bis 30 Sekunden gestreckt werden. „Wiederholt“ heißt, dass eine Engine in einer Schleife hängt.

Behandle jede markierte Untertitelzeile als Stelle zum Hinhören, nicht nur zum Löschen. Die Muster dahinter und die Einstellungen, die sie verhindern, stehen in warum Whisper Zeilen wiederholt und Text erfindet.

Subtitle Edit Whisper funktioniert nicht: kein Text, Fehler, CUDA

Beginne mit den einfachen Ursachen. Arbeite diese Liste ab, sie stammt aus FAQ und Tipps der Dokumentation:

1. Sind Engine und Modell heruntergeladen? Subtitle Edit fragt nach beiden. Lass bei einer Engine, die du noch nie benutzt hast, erst die Engine und ein Modell herunterladen, bevor du startest.
2. Lies das Konsolenprotokoll am unteren Rand des Fensters Sprache-zu-Text. Klicke mit der rechten Maustaste auf das Fenster und wähle Whisper-Protokolldatei anzeigen (englisch: View tools log file) für die vollständige Aufzeichnung. Herunterladbare Engines haben im selben Menü einen Eintrag zum erneuten Herunterladen.
3. Engine-Datei verschwunden? Die übliche Ursache ist Virenschutz, der die ausführbare Datei in Quarantäne verschiebt. Subtitle Edit prüft beim Start der Transkription, nennt die fehlende Datei und bietet an, sie erneut herunterzuladen.
4. CUDA out of memory? Wähle ein kleineres Modell.
5. Crisp ASR liefert nichts, wenn VAD an ist? Silero kann einen kurzen Clip als Nicht-Sprache ablehnen. Subtitle Edit versucht es einmal ohne VAD erneut, bevor es ein leeres Ergebnis meldet.

Ist die Transkription fertig, der Text aber falsch statt fehlend, prüfe zuerst die Spracheinstellung und probiere dann ein größeres Modell.

Wann passt Sablate besser als Subtitle Edit?

Wenn das Ziel postfertige Untertitel statt einer Untertiteldatei zum Verfeinern ist und du gar nicht zwischen Engines und Backends wählen willst.

Sablate ist eine Desktop-App für Windows 10 oder neuer und macOS 12 oder neuer. Sie nutzt faster-whisper mit vier Stufen: Fast (tiny), Balanced (small), Accurate (large-v3-turbo) und Best (large-v3). Unter Windows mit NVIDIA-GPU lädt die CUDA-Runtime bei der ersten GPU-Nutzung herunter; auf einem Mac transkribiert sie auf der CPU. Es gibt keine Engine und kein Backend zu wählen.

Hinzu kommt die zweite Hälfte der Arbeit. Eine Transkription speist mehrere Übersetzungsebenen, jede mit eigenem Stil und eigener Schriftart für ihr Schriftsystem. Dreizehn Untertitel-Presets, darunter Hormozi und Karaoke, und ein Karaoke-Lauf auf Wortebene gestalten das Ergebnis, und das Einbrennen schafft 9:16, 1:1 oder 16:9 per Zuschnitt oder Blur-Pad. Wort-für-Wort-Untertitel und mehrsprachige Untertitel zeigen diese Abläufe im Detail.

Der kostenlose Plan braucht kein Konto und gilt für Videos bis zu zehn Minuten, drei Aufträge im Monat, die Modelle Fast und Balanced und eine Offline-Übersetzungsebene; das Einbrennen trägt eine kleine Marke in der Ecke. Pro kostet $29 einmalig oder $5.99 im Monat, und die Preisseite listet den Rest. Andere Apps, die so arbeiten, werden in Offline-Untertitel-Generatoren verglichen.

Subtitle Edit und Sablate im Überblick

Subtitle Edit gewinnt bei Preis, Plattformen, Engine-Auswahl, Sprecherkennung und Formatabdeckung. Wenn du beruflich Untertitel bearbeitest oder die volle Kontrolle über die Pipeline willst, bleib dabei. Sablate ist der kürzere Weg zu gestalteten Untertiteln in mehreren Sprachen, für alle, die lieber keine Engine-Tabelle lesen.

Welchen Weg solltest du nehmen?

„Ich habe eine NVIDIA-Karte und bearbeite oft Untertitel.“ Bleib in Subtitle Edit mit Whisper CPP cuBLAS oder Purfview Faster Whisper XXL, einem large-v3-turbo-Modell und eingeschaltetem Qualitätsbericht.

„Ich habe einen Laptop ohne NVIDIA-GPU.“ Whisper CPP mit dem Backend Vulkan, ein Modell small oder medium und Geduld bei langen Dateien.

„Ich bin auf einem Mac.“ Zuerst Whisper CPP. Probiere WhisperX auf Apple Silicon, wenn du Timing auf Wortebene brauchst.

„Das Audio ist nicht Englisch, und ich will englische Untertitel.“ Nimm medium oder large mit Ins Englische übersetzen, nicht turbo.

„Interviews mit mehreren Sprechern.“ Crisp ASR mit Sprechererkennung, die Sablate nicht bietet.

„Ich will bis heute Abend vertikale Untertitel mit Wort-Hervorhebung in drei Sprachen.“ Lade Sablate für Windows oder Mac herunter.

Häufig gestellte Fragen

Wie nutze ich Whisper in Subtitle Edit?

Öffne ein Video, wähle Video, dann Sprache-zu-Text, such eine Engine und ein Modell aus, stelle die gesprochene Sprache ein und klicke auf Transkribieren. Subtitle Edit lädt Engine und Modell bei der ersten Nutzung herunter. Danach erscheinen die Zeilen in der Hauptliste der Untertitel, wo du sie wie jeden anderen Untertitel bearbeiten kannst.

Welche Whisper-Engine ist in Subtitle Edit am schnellsten?

Auf einer NVIDIA-GPU Whisper CPP mit dem Backend cuBLAS oder Purfview Faster Whisper XXL, so empfiehlt es die offizielle Dokumentation. Ohne NVIDIA kann Whisper CPP mit dem Backend Vulkan unter Windows eine andere GPU nutzen. Auf einem Mac läuft Whisper CPP überall, während WhisperX und CTranslate2 Apple Silicon brauchen.

Welches Whisper-Modell soll ich in Subtitle Edit wählen?

Wähle large-v3-turbo, wenn dein Rechner es schafft, small oder medium, wenn nicht, und ein .en-Modell für rein englisches Audio. Größere Modelle sind genauer, aber langsamer und brauchen mehr Speicherplatz. Tiny ist am schnellsten und am ungenauesten, nimm es also nur für schnelle Entwürfe. Meide turbo, wenn du Ins Englische übersetzen nutzt.

Warum liefert Ins Englische übersetzen in Subtitle Edit die Originalsprache?

Weil turbo-Modelle nicht für Übersetzung trainiert sind. Laut OpenAIs Whisper-Dokumentation liefert ein turbo-Modell die Originalsprache, auch wenn Übersetzung angefordert wird, und empfiehlt stattdessen medium oder large. Wechsle im Fenster Sprache-zu-Text zu medium oder large, starte die Transkription neu, und die englische Übersetzung sollte erscheinen.

Warum liefert Subtitle Edit Whisper keinen Text oder einen Fehler?

Meist fehlt eine Engine oder ein Modell, eine Datei wurde vom Virenschutz entfernt, oder der GPU-Speicher reicht nicht. Prüfe, ob beides heruntergeladen ist, lies das Konsolenprotokoll am unteren Fensterrand und wähle ein kleineres Modell, wenn CUDA der Speicher ausgeht. Subtitle Edit nennt außerdem eine fehlende Engine-Datei und bietet an, sie erneut herunterzuladen.

Kann Subtitle Edit viele Videos auf einmal transkribieren?

Ja. Mit der Stapelverarbeitung fügst du mehrere Videodateien hinzu und klickst auf Transkribieren, und neben jedes Video wird eine SRT-Datei gespeichert. Die Option, den Sprachcode zum Dateinamen hinzuzufügen, ergibt Namen wie video.en.srt. Ist eine Aufnahme deutlich schwieriger als die übrigen, lass sie als eigenen Stapel mit einem größeren Modell laufen.