So promptest du Qwen3-Omni, um Audio und Video automatisch zu untertiteln
Wenn du schon einmal in Eile warst, eine Produktdemo oder eine Webinar-Aufzeichnung zu veröffentlichen, nur um festzustellen, dass die Untertitel fehlen – oder schlimmer noch, falsch sind – bist du nicht allein. Gute Untertitel sind nicht nur ein Häkchen für die Barrierefreiheit, sondern auch Treibstoff für die Auffindbarkeit, eine Compliance-Versicherung und ein Engagement-Booster. Die gute Nachricht: Mit der richtigen Prompting-Strategie kann Qwen3-Omni Audio und Video automatisch, zuverlässig, genau und schnell untertiteln.
Dieser praktische, lösungsorientierte Leitfaden zeigt dir genau, wie du Qwen3-Omni für automatische Untertitel aufforderst, sie übersetzt, für verschiedene Plattformen formatierst und deinen Workflow skalierst. Du erhältst Prompt-Vorlagen zum Kopieren und Einfügen, Tipps für schwieriges Audio und Qualitätskontrollschritte, die dich aus Schwierigkeiten heraushalten.
Was du lernen wirst
- Wie man Qwen3-Omni auffordert, Audio- und Videodateien automatisch zu untertiteln
- Prompt-Vorlagen für Transkripte, Untertitel (SRT/VTT) und Übersetzungen
- Genauigkeits-Booster für verrauschtes Audio, mehrere Sprecher und Fachjargon
- Batch- und API-Workflows zur Skalierung über eine Content-Bibliothek hinweg
- QC-Checklisten und zeitsparende Automatisierungstipps
Am Ende verfügst du über ein wiederholbares Playbook, das unbetitelte Medien in SEO-freundliche, barrierefreie Assets verwandelt.
Warum Qwen3-Omni für die automatische Untertitelung?
Qwen3-Omni ist ein multimodales Modell, das entwickelt wurde, um Audio- und Videokontext zusammen mit Textanweisungen zu verstehen. Das macht es gut geeignet für anweisungsgesteuerte Untertitelungs-Workflows:
- Befolgen von Anweisungen: Du kannst das Ausgabeformat (SRT, VTT, Klartext oder JSON), Sprecherbezeichnungen, Zeitstempel und Stil festlegen.
- Kontextuelles Verständnis: Behandelt Fachbegriffe, wenn du ein Glossar oder Beispiele bereitstellst.
- Mehrsprachig: Nützlich für ein globales Publikum – Untertitel in der Ausgangssprache und dann Übersetzung unter Beibehaltung des Timings.
Wenn es dein Ziel ist, zuverlässig und in großem Umfang mit klarer, konsistenter Formatierung zu untertiteln, ist das bewusste Prompten von Qwen3-Omni der Unterschied zwischen guten und großartigen Ergebnissen.
Der Kern-Prompt: Saubere Untertitel schnell erhalten
Verwende diesen Basis-Prompt, wenn du schnelle, lesbare Untertitel aus einer Single-Speaker-Quelle wünschst.
Single-Speaker, sauberes Audio (nur Transkript)
System: Du bist ein erfahrener Transkriptionist und Untertitel-Formater.
Benutzer: Transkribiere das angehängte Audio/Video. Gib ein sauberes Transkript in Absatzform aus.
- Sprache: Passe dich der Sprache des Sprechers an.
- Bewahre die Bedeutung, korrigiere offensichtliche Hörfehler.
- Erfinde keine Inhalte.
- Füge alle 30 Sekunden Zeitstempel in Klammern ein, wie [00:30], [01:00].
- Es werden keine Sprecherbezeichnungen benötigt.
Strukturierte Untertitel (SRT)
System: Du bist ein professioneller Untertitler für Webvideos.
Benutzer: Erstelle SRT-Untertitel für die angehängten Medien.
- Halte die Zeilen nach Möglichkeit unter 42 Zeichen.
- 1–2 Zeilen pro Untertitel.
- Füge Sequenznummern hinzu.
- Füge Start → End-Zeitstempel in HH:MM:SS,mmm ein
- Synchronisiere mit natürlichen Pausen.
- Füge keine Noten hinzu, es sei denn, es sind Liedtexte vorhanden.
- Stil: prägnant, lesbar, keine Füllwörter.
Web-Untertitel (VTT)
System: Du bist ein Spezialist für Untertitelung.
Benutzer: Gib WebVTT-Untertitel für die angehängten Medien aus.
- Füge den Header 'WEBVTT' hinzu.
- Verwende Cue-Timings mit '.' Millisekunden-Trennzeichen.
- Behalte 1–2 Zeilen pro Cue, max. 42 Zeichen pro Zeile.
- Vermeide Übersegmentierung; richte dich nach Satzgrenzen aus.
Profi-Tipp: Wenn du Qwen3-Omni aufforderst, Audio und Video automatisch zu untertiteln, sei explizit in Bezug auf Format, Timing-Regeln und Kürze. Modelle befolgen Einschränkungen am besten, wenn sie messbar sind.
Umgang mit der Komplexität der realen Welt
Nicht jedes Audio ist studio-sauber. Hier erfährst du, wie du deine Prompts an das unordentliche Zeug anpasst.
Mehrere Sprecher
System: Du bist ein Gerichtsgutachter-Transkriptionist.
Benutzer: Transkribiere mit Sprecherbezeichnungen.
- Identifiziere und kennzeichne die Sprecher als Sprecher 1, Sprecher 2 usw.
- Neue Zeile bei Sprecherwechsel.
- Füge bei jedem Sprecherwechsel Zeitstempel in [HH:MM:SS] hinzu.
- Wenn du dir nicht sicher bist, leite es von Stimmänderungen ab; lasse es nicht unbeschriftet.
- Beispielformat:
[00:00] Sprecher 1: Willkommen allerseits...
[00:07] Sprecher 2: Danke! Heute werden wir behandeln...
Verrauschtes Audio oder Crosstalk
System: Du bist ein Broadcast-Untertitel-Editor.
Benutzer: Erstelle SRT-Untertitel mit geräuschbewussten Bearbeitungen.
- Entferne Füllwörter (ähm, äh, wie), es sei denn, sie sind unerlässlich.
- Wenn ein Wort unsicher ist, setze es in Klammern .
- Wähle bei sich überschneidenden Reden die dominante Stimme und fasse die andere in Klammern zusammen.
- Beispiel: [überlappend] Könnten Sie das wiederholen?
Technischer Jargon und Namen
Stelle ein Mini-Glossar bereit, damit Qwen3-Omni sich auf Fachbegriffe konzentriert.
System: Du bist ein technischer Untertitler.
Benutzer: Verwende das folgende Glossar für korrekte Begriffe/Schreibweisen:
- Kubernetes (K8s)
- Istio
- Postgres (nicht PostgreSQL in Untertiteln)
- Latenz-SLO
Erstelle dann SRT-Untertitel mit diesen exakten Schreibweisen.
Pacing für Social Clips
System: Du bist ein Kurzvideo-Untertitel für TikTok/Reels.
Benutzer: Gib druckvolle, eingebrannte Untertitel aus.
- Max. 1 Zeile pro Cue, ≤ 24 Zeichen.
- Hebe Schlüsselwörter in GROSSBUCHSTABEN hervor.
- Halte die Cues 0,8–1,6 Sek. lang auf dem Bildschirm.
- Keine Interpunktion am Ende, es sei denn, es handelt sich um eine Frage.
- Füge einen JSON-Sidecar mit Cue-Zeiten für Motion Graphics hinzu:
{
"cues": [{"t": 0.8, "d": 1.2, "text": "STOP SCROLLING"}, ...]
}
End-to-End-Workflow: Von Rohmedien zu veröffentlichten Untertiteln
Verwende diese praxiserprobte Sequenz, wenn du eine konsistente Ausgabe für YouTube, LMS, Webinare oder interne Schulungen benötigst.
- Organisiere deine Dateien
- Benenne sie konsistent:
projekt-episode-lang-quelle.ext (z. B. launch-demo-de-audio.mp3).
- Behalte die Medien für eine schnellere Verarbeitung unter 2 Stunden pro Batch.
- Extrahiere Audio für lange Videos, um das Hochladen und die Verarbeitung zu beschleunigen.
- Fordere ein Absatztranskript an, um Kontext und Terminologie festzulegen.
- Wenn die Genauigkeit < 95 % beträgt, stelle ein Glossar bereit und fordere es erneut an.
- Fordere aus dem validierten Transkript sowohl SRT als auch VTT in einem Durchgang an:
Benutzer: Verwende das genehmigte Transkript (unten eingefügt) und gib Folgendes aus:
A) SRT mit 1–2 Zeilen pro Cue, ≤ 42 Zeichen/Zeile
B) WebVTT mit der gleichen Segmentierung
Stelle die Timing-Ausrichtung und eine konsistente Interpunktion sicher.
- Übersetzen (falls erforderlich)
- Bitte Qwen3-Omni, Untertitel zu übersetzen und gleichzeitig die Zeitstempel beizubehalten.
- Verwende regionsspezifische Varianten: en-US, en-GB, es-MX, pt-BR, fr-FR usw.
Benutzer: Übersetze die SRT ins Spanische (es-MX) unter Beibehaltung der Cue-Zeiten. Behalte Namen und Markennamen auf Englisch. Behalte die Zeilenlängen bei.
- Qualitätskontroll-Checkliste
- Überprüfe stichprobenartig Fachbegriffe und Zahlen.
- Stelle sicher, dass sich die Zeitstempel nicht überschneiden; die Cues bleiben 1,0–6,0 Sekunden.
- Stelle sicher, dass kein Cue ~42 Zeichen pro Zeile überschreitet.
- Überprüfe die Lesbarkeit: Satzschreibung, keine reinen Großbuchstaben außer Akronymen.
- Validieren mit einem Untertitel-Editor (z. B. Aegisub) oder lade einen privaten YouTube-Test hoch.
- Veröffentlichen und archivieren
- Hänge SRT/VTT an deine Hosting-Plattform an.
- Speichere Quellmedien, Transkripte und Untertitel zusammen für zukünftige Bearbeitungen.
Prompt-Vorlagen, die du heute kopieren kannst
Verwende diese sofort einsatzbereiten Snippets, um Audio und Video automatisch mit minimalem Bearbeitungsaufwand zu untertiteln.
Universeller SRT-Untertitel-Prompt
System: Du bist ein erfahrener Untertitel-Editor.
Benutzer: Generiere SRT-Untertitel für die angehängten Medien.
Regeln:
- 1–2 Zeilen/Cue, ≤ 42 Zeichen/Zeile
- Cues 1,2–4,0 Sekunden
- Satzgrenzen bevorzugt; teile lange Sätze an natürlichen Pausen auf
- Korrigiere offensichtliche Füllwörter, behalte aber den Ton bei
- Beispielformat:
1
00:00:00,000 --> 00:00:02,500
Willkommen zum Launch.
2
00:00:02,500 --> 00:00:05,100
Heute zeigen wir Ihnen die Roadmap.
Transkript + Sprecherbezeichnungen
System: Du bist ein Interview-Transkriptionist.
Benutzer: Erstelle ein beschriftetes Transkript mit Zeitstempeln bei Sprecherwechsel.
Format:
[HH:MM:SS] Sprecher X: Text...
Richtlinien:
- Halte Sätze intakt; keine Zeilenumbrüche mitten im Satz.
- Erweitere Kontraktionen nur, wenn sie unklar sind.
- Markiere [inaudible] nur, wenn es notwendig ist.
Übersetzen unter Beibehaltung des Timings
System: Du bist ein Lokalisierungseditor.
Benutzer: Übersetze diese SRT ins Französische (fr-FR). Behalte die Zeitstempel bei. Behalte die Produktnamen auf Englisch. Behalte Zeilenumbrüche und -länge bei. Wenn eine Zeile nach der Übersetzung 42 Zeichen überschreitet, teile sie an einer natürlichen Pause.
Compliance-freundliche Untertitel (WCAG/ADA)
System: Du bist ein Spezialist für barrierefreie Untertitelung.
Benutzer: Produziere SRT-Untertitel mit Hinweisen zur Barrierefreiheit.
- Füge [Musik], [Gelächter], [Applaus] ein, wo es relevant ist.
<a4>- Füge [Flüstern], [Schreien] hinzu, wenn es die Bedeutung verändert.</a3>- Beschreibe wichtige Audiosignale, die keine Sprache sind und das Verständnis beeinträchtigen.
- Halte die Beschreibungen prägnant und in Klammern.
So steigerst du die Genauigkeit mit intelligenteren Prompts
- Gib ein Glossar ein: Gib Qwen3-Omni 10–30 Fachbegriffe mit kanonischen Schreibweisen. Dies reduziert Fehltranskriptionen von Produktnamen und Akronymen drastisch.
- Gib das Tempo an: Teile dem Modell deine minimalen und maximalen Cue-Dauern mit, um stroboskopartige Untertitel zu vermeiden.
- Segmentiere nach Kapiteln: Fordere bei langen Videos pro Kapitel auf und füge SRTs zusammen; hält den Kontext eng und die Fehler niedrig.
- Stelle einen kurzen Styleguide bereit: Interpunktion, Groß-/Kleinschreibung, verbotene Wörter („äh“, „ähm“) und ob paraphrasiert werden soll.
- Verwende ein Referenztranskript: Wenn du Folien oder ein Skript hast, füge es hinzu. Weise das Modell an, Unklarheiten anhand der Referenz zu beseitigen.
Beispiel: Ein 45-minütiges Webinar in 20 Minuten in Untertitel umwandeln
- Lade die MP4-Datei hoch und bitte um ein Absatztranskript mit Zeitstempeln alle 30 Sekunden.
- Stelle ein 12-teiliges Glossar aus dem Deck bereit (Produktnamen, Metriken, Akronyme).
- Fordere SRT mit 1,4–3,5 Sekunden Cues, max. 42 Zeichen/Zeile, satzweise ausgerichtet an.
- Übersetze ins Japanische und Spanische unter Beibehaltung des Timings.
- QC die ersten 5 Minuten und zwei zufällige 60-Sekunden-Segmente.
- Veröffentliche die englische SRT + VTT; behalte die übersetzten SRTs als optionale Spuren bei.
Zeitersparnis: ~2–3 Stunden pro Webinar im Vergleich zur manuellen Untertitelung.
API- und Batch-Verarbeitungsmuster
Auch wenn du die Chat-Oberfläche magst, ermöglicht die Batch-Untertitelung einen echten Durchsatz.
JSON-First-Vertrag
Bitte Qwen3-Omni, neben den Untertiteln auch ein JSON für die Automatisierung auszugeben.
System: Du bist ein Assistent für die Untertitel-Pipeline.
Benutzer: Gib für die angehängten Medien Folgendes zurück:
1) SRT-Untertitel
2) JSON-Index mit Feldern:
{
"duration_sec": number,
"language": "en-US",
"words_per_min": number,
"cue_count": number,
"avg_cue_len_chars": number
}
Chunking langer Medien
Teile Videos > 60 Minuten nach Stille oder Kapitelmarken auf.
- Verarbeite jeden Chunk unabhängig mit demselben Prompt.
- Setze die Zeitstempel neu zusammen, indem du den Start-Offset des Chunks hinzufügst.
- Führe einen letzten Durchgang durch, um Interpunktion und Groß-/Kleinschreibung zu normalisieren.
Minimaler Pseudocode
from pathlib import Path
media_files = sorted(Path("./media").glob("*.mp3"))
for f in media_files:
# 1) Sende f mit dem SRT-Prompt an deinen Qwen3-Omni-Untertitel-Endpunkt
srt = caption_with_qwen(f, prompt="<universal_srt_prompt>")
# 2) Optional: übersetzen
srt_es = translate_captions(srt, lang="es-MX")
# 3) Validieren & Dateien schreiben
validate_srt(srt)
Path("./out").mkdir(exist_ok=True)
Path(f"./out/{f.stem}.srt").write_text(srt, encoding="utf-8")
Path(f"./out/{f.stem}.es-MX.srt").write_text(srt_es, encoding="utf-8")
Qualitätskontrolle: Eine 3-minütige Stichprobenroutine
- Timing: Bestätige, dass 3–5 zufällige Cues innerhalb von 1–6 Sekunden liegen und mit der Sprache übereinstimmen.
- Lesbarkeit: Zeilen ≤ 42 Zeichen, Satzschreibung, keine Zeilenumbrüche mitten im Satz, es sei denn, dies ist erforderlich.
- Genauigkeit: Namen, Zahlen, URLs und Produktbegriffe sind exakt; behebe alle Hörfehler.
- Barrierefreiheit: Audiosignale, die keine Sprache sind, sind vorhanden, wenn sie von Bedeutung sind.
Wenn du mehr als 1–2 Probleme bei einer Stichprobenkontrolle feststellst, fordere mit einem Glossar und einem Styleguide erneut auf und generiere sie dann neu.
Fehlerbehebung: Wenn Untertitel schiefgehen
- Zittriges Timing: Füge explizite minimale/maximale Cue-Dauern hinzu und fordere die Ausrichtung an Satzgrenzen an.
- Komische Interpunktion: Stelle eine einseitige Stilregel bereit (z. B. keine Auslassungspunkte; verwende Gedankenstriche sparsam).
- Sprecherverwirrung: Stelle ein kurzes Segment bereit, das mit korrekten Bezeichnungen versehen ist; weise das Modell an, die Beschriftung nachzuahmen.
- Hintergrundmusik dominiert: Bitte um eine geräuschbewusste Transkription und gib an, dass Audiosignale, die keine Sprache sind, außer wenn sie von Bedeutung sind, eine geringere Priorität haben sollen.
- Plattform lehnt SRT ab: Stelle sicher, dass Kommas für Millisekunden in SRT (
00:00:01,000) verwendet werden und dass die Cue-Indizes sequenziell ohne Lücken sind.
Alles zusammenfügen: Ein wiederverwendbarer Master-Prompt
Verwende diesen Master-Prompt, wenn du vorhersehbare, plattformfertige Ergebnisse benötigst.
System: Du bist ein erfahrener Untertitel-Editor, der Untertitel in Broadcast-Qualität erstellt.
Benutzer: Beschrifte die angehängten Medien und gib drei Ausgaben zurück:
A) Sauberes Transkript (Absätze, Zeitstempel alle 30 Sekunden)
B) SRT (1–2 Zeilen/Cue, ≤ 42 Zeichen/Zeile, 1,2–4,0 s/Cue, satzweise ausgerichtet)
C) WebVTT (spiegeln die SRT-Segmentierung)
Richtlinien:
- Sprache: Quelle anpassen.
- Behebe offensichtliche Sprachfehler; paraphrasiere die Bedeutung nicht.
- Zahlen, Namen und Markennamen müssen exakt sein; markiere bei Unsicherheit .
- Keine Emojis, keine zusätzlichen Kommentare.
Übrigens: Beschleunigung des Workflows mit Sider.ai
Wenn du mehrere Assets pro Woche umsetzt, spart ein Seitenleistenassistent im Browser Zeit beim Wechsel zwischen den Tools. Erwähnenswert: Sider.ai kann neben deinem Untertitel-Workflow platziert werden. Du kannst Transkripte einfügen, Prompt-Varianten generieren, Glossare entwerfen und sogar Batch-Prompts auslösen, während du die Wiedergabe ansiehst. Es ist besonders praktisch, um schnell SRT/VTT-Stile zu iterieren oder übersetzte Untertitel-Sets mit konsistenter Formatierung zu erstellen. Wichtige Erkenntnisse
- Um Qwen3-Omni aufzufordern, Audio und Video automatisch zu untertiteln, sei explizit in Bezug auf Format, Timing, Zeilenlänge und Stil.
- Beginne immer mit einem Transkript und fixiere dann die Terminologie über ein Glossar, bevor du SRT/VTT generierst.
- Verwende Übersetzungen, die Zeitstempel beibehalten; QC mit kurzen Stichproben.
- Skaliere mit Chunking, JSON-Sidecars und einfachen Batch-Skripten.
- Behalte eine barrierefreie Denkweise bei – füge Audiosignale hinzu, die keine Sprache sind, wenn sie das Verständnis verändern.
Nächste Schritte
- Wähle eine der obigen Vorlagen aus und führe sie auf einem 2–3-minütigen Clip aus.
- Erstelle ein 10-begriffliches Glossar für deine Domain und fordere es erneut an.
- Automatisiere: Speichere deinen Lieblings-Prompt als Voreinstellung und teste die Übersetzung in eine zusätzliche Sprache.
- Erstelle eine 3-minütige QC-Checkliste und wende sie vor der Veröffentlichung an.
Mit diesen Prompts und Mustern gelangst du in wenigen Minuten – nicht Stunden – von Rohmedien zu genauen, plattformfertigen Untertiteln.
FAQ
F1:Wie fordere ich Qwen3-Omni auf, Audio automatisch zu untertiteln?
Verwende eine klare Anweisung, die Format (SRT, VTT oder Transkript), Timing-Regeln und Zeilenbeschränkungen angibt. Fordere beispielsweise SRT mit 1–2 Zeilen pro Cue, 1,2–4,0 Sekunden pro Cue und ≤ 42 Zeichen pro Zeile an.
F2:Kann Qwen3-Omni mehrsprachige Untertitel aus demselben Video generieren?
Ja. Erstelle zuerst Untertitel in der Ausgangssprache und bitte dann Qwen3-Omni, sie zu übersetzen und gleichzeitig die Zeitstempel beizubehalten. Gib Gebietsschema-Varianten wie es-MX oder fr-FR an, um die Sprachgewandtheit zu verbessern.
F3:Was ist das beste Format für YouTube-Untertitel: SRT oder VTT?
Beide funktionieren, aber SRT wird häufig verwendet und ist einfach zu validieren. Wenn du webnative Funktionen benötigst, ist WebVTT ideal und wird von HTML5-Playern weitgehend unterstützt.
F4:Wie kann ich die Genauigkeit bei Fachbegriffen und Namen verbessern?
Stelle in deinem Prompt ein Mini-Glossar mit kanonischen Schreibweisen und Akronymen bereit. Bitte Qwen3-Omni, Glossarbegriffe zu bevorzugen und Unsicherheiten mit zu kennzeichnen.
F5:Wie gehe ich mit langen Videos bei der automatischen Untertitelung um?
Teile die Medien in Kapitel oder stillebasierte Chunks auf, beschrifte jeden mit demselben Prompt und setze dann die Zeitstempel wieder zusammen. Dies reduziert die Abweichung und verbessert die Konsistenz.
