KI-Symbolbild
CaptionAgent nimmt dein Video auf oder importiert es, schreibt mit, lässt dich korrigieren und schneiden — und gibt das fertige Bild aus. Die Spracherkennung arbeitet dabei auf deinem Gerät, nicht auf einem fremden Server.
Kein Konto, keine Werbung, keine Nutzungsstatistik. Die einzige Netzverbindung ist der Sprachpaket-Download, den Apple je Sprache einmal über das System ausführt.
Du nimmst auf oder importierst eine Datei. „Untertitel erstellen“ startet die Spracherkennung von Apple — sie liefert den Text mit Wortzeiten, also mit dem genauen Zeitpunkt jedes einzelnen Wortes. Fehlt das Sprachpaket für die gesprochene Sprache, lädt das System es vorher einmalig; danach läuft der Vorgang ohne Netz.
Während gerechnet wird, zeigt eine Warteschlange Fortschritt und Restzeit, und du kannst an anderen Projekten weiterarbeiten. Untertitel-Aufgaben sind so angelegt, dass sie unter iOS und iPadOS im Hintergrund weiterlaufen können; ob das System sie unterbricht, entscheidet es selbst.
Und dann kommt der eigentliche Teil: korrigieren. Abschnittstext bearbeiten, Schritt zurück und wieder vor, im Transkript suchen, eine Zeitmarke antippen und genau dort weiterhören.
KI-Symbolbild
Unter dem Video liegt ein Filmstreifen mit Abspielkopf: Anfang und Ende trimmen, einzelne Wörter oder ganze Transkriptblöcke entfernen. Entfernte Bereiche bleiben rot markiert und lassen sich zurücknehmen — geschnitten wird nichtdestruktiv, die Originaldatei bleibt unverändert.
Die Füllwortsuche findet „ähm“ und Pausen von sich aus. Ist Apple Intelligence auf deinem Gerät verfügbar, kommen zusätzlich lokale Schnittvorschläge dazu. Beides bleibt ein Vorschlag: entfernt wird nichts automatisch.
Für den O-Ton rechnet ein mitgeliefertes Modell eine verbesserte Tonspur — lokal, in einstellbarer Stärke, als zusätzliche Fassung neben dem Original. Du hörst beide gegeneinander und entscheidest, welche in den Export geht. Es ist kein Live-Effekt und keine neue Stimme.
Sechs Arbeitsschritte, eine App — und keiner davon braucht ein Konto.
Video und Ton direkt in der App aufnehmen oder aus Dateien und Fotos übernehmen; auf dem Mac auch per Drag-and-drop. Beim ersten Mal fragt die App die Kamera über „Kamera aktivieren“ an; danach startet die Vorschau beim Öffnen des Recorders. Die Aufnahme bleibt in jedem Fall ein eigener Schritt.
Apples Spracherkennung schreibt mit und hält jedes Wort auf der Zeitachse fest. Fortschritt und Restzeit stehen in der Warteschlange, abbrechen geht jederzeit. Oberflächensprache und Audiosprache sind getrennte Einstellungen.
Abschnitte bearbeiten, Schritt zurück und vor, Volltextsuche, Sprung an jede Zeitmarke. Eigennamen und Fachbegriffe sind in zwei Handgriffen richtig — daran misst sich die App.
Filmstreifen mit Scrubbing, Trim-Griffen und roten Schnittbereichen. Wörter und Blöcke aus dem Transkript entfernen, Füllwortvorschläge prüfen, auf Wunsch Jump Cuts zwischen 100 % und 112 % Bildausschnitt.
Lokale Nachbearbeitung mit einstellbarer Stärke. Das Original bleibt erhalten, die berechnete Fassung liegt daneben im Projekt, und du wählst für Vorschau und Export zwischen beiden.
Video als MP4 mit H.264 im normalen Farbumfang, in Full HD oder 4K, mit der Bildrate des Originals oder höchstens 30 Bildern pro Sekunde. Hochskaliert wird nie: Ist die Quelle kleiner, bleibt sie es. Dazu Textdateien als SRT, WebVTT und TXT in UTF-8 mit Vorschau und eigenem Zielordner.
Die 40 Caption-Designs liegen in acht Familien: Klar, Markant, Karaoke, Einzelwort, Flächen, Neon, Magazin und Verspielt. Je nach Design wandert die Hervorhebung wortweise mit, das aktive Wort wächst, bekommt eine Wortbox oder eine Unterstreichung. Suche, Familienfilter und Favoriten helfen beim Finden; Größe, Text- und Highlightfarbe, senkrechte Position und eine ruhige Darstellung stellst du selbst ein. Eine CI-Palette aus den Einstellungen lässt sich je Projekt aktivieren.
Unabhängig davon stehen zwölf eigene Szenenvorlagen bereit — Papierlagen, Medienfenster, Kreisflächen, Bänder, Comicformen. Die Person wird dafür automatisch freigestellt, per Green- oder Bluescreen gekeyt, oder das Videobild bleibt geschlossen. Dazu Bildformat nach Quelle oder 9:16, 1:1 und 16:9, ein eigenes Hintergrundbild und eine Überschrift, die ihren Platz behält, während die gesprochenen Untertitel ihr eigenes Timing haben.
Auf dem Mac und im breiten iPad-Fenster öffnen Schnitt, Caption-Design, Szenenvorlagen und O-Ton als Arbeitsbereiche im rechten Inspector — das Video bleibt dabei sichtbar. Auf dem iPhone und in schmalen Fenstern bekommen die Kataloge den ganzen Bildschirm, dazu eine feste Werkzeugleiste und eine umschaltbare Textansicht.
Szene, Grafik und Wortanimation werden beim Videoexport in die Pixel eingebrannt. SRT, WebVTT und TXT enthalten diese Gestaltung bewusst nicht — sie sind reiner Text mit Zeitangaben, so wie ihn andere Programme erwarten.
Was eine Untertitel-App zu sehen bekommt, ist selten belanglos: Interviews, Mandantengespräche, Aufnahmen aus dem Unterricht, unfertige Gedanken. Deshalb ist die Zurückhaltung hier keine Einstellung, sondern die Bauweise — und deshalb steht hier auch, wo die App doch ins Netz greift.
In Vorbereitung
CaptionAgent wird derzeit für die Veröffentlichung im App Store vorbereitet. Sobald es so weit ist, steht es an dieser Stelle.
macOS 26.0 oder neuer, iOS und iPadOS 26.0 oder neuer.
Für die Spracherkennung lädt das System bei Bedarf einmalig das Sprachpaket der jeweiligen Sprache. Ist es vorhanden, arbeitet die App auch ohne Netz.
Die zusätzlichen Schnittvorschläge setzen ein Gerät mit verfügbarem Apple Intelligence voraus. Füllwörter und Pausen findet die App auch ohne.
17 Sprachfassungen für 15 Sprachen. Geprüft ist bislang die deutsche Fassung; die übrigen sind Entwürfe und noch nicht muttersprachlich abgenommen.
Geschrieben wird an einen Menschen, nicht an ein Ticketsystem.
E-Mail: kontakt@kernmedia.de
Bitte nenne App-Version, Betriebssystem und Gerät — das spart eine Rückfrage. Antwort in der Regel innerhalb von 1–2 Werktagen.