ASS in SBV umwandeln

In der deutschen Tech-Community gibt es eine kleine, sehr genaue Tradition: Freiwillige übersetzen Vorträge von Kongressen wie dem Chaos Communication Congress in Aegisub und liefern eine ASS-Datei ab, in der jede Zeile exakt sitzt, mit eigener Schriftart für Einblendungen und eigener Position für Folienbeschriftungen. Von dort geht der Vortrag oft zweigleisig hinaus: einmal auf die eigene Plattform mit voller Typografie, einmal als YouTube-Spiegelung mit Untertitelspur.

Genau an dieser zweiten Stelle wird die ASS-Datei zum Problem, nicht weil sie schlecht wäre, sondern weil YouTube gar nicht vorhat, sie so zu zeigen, wie sie gemeint war. Diese Umwandlung liefert genau das, was YouTube tatsächlich annehmen kann — und macht deutlich, was davor noch zu entscheiden ist.

Advanced SubStation Alpha ist für Formatierung gebaut: benannte Stile mit Schriftart, Größe, Kontur und Schatten, zeilengenaue Überschreibungen für Farbe und Position, Rotation, Animation, Karaoke-Timing und Vektorzeichnungen. Eine sorgfältig gebaute Vortragsübersetzung nutzt vieles davon, und der Verlust beim Wechsel zu einem Untertitelformat fühlt sich an wie ein Fehler dieser Umwandlung.

Ist es aber nicht. YouTube rendert Untertitel mit eigener Typografie und gibt der zuschauenden Person ein Einstellungsfeld, um Schriftart, Größe, Farbe, Hintergrund und Kantenstil selbst zu wählen. Was eine hochgeladene Datei über ihr Erscheinungsbild sagt, wird beim Einlesen verworfen, in jedem angenommenen Format. Die Frage, die diese Seite tatsächlich beantworten kann, ist deshalb nicht, wie die Formatierung erhalten bleibt — das gelingt nirgends —, sondern was mit den Teilen der Übersetzung passiert, die inhaltlich und nicht nur dekorativ waren.

Die inhaltlichen Teile sind die eingeblendeten Übersetzungen: eine Folienüberschrift, ein Codeausschnitt am Bildrand, eine übersetzte Beschriftung neben dem englischen Original. In der ASS-Datei sitzt jede von ihnen präzise positioniert, oft passend zum Original gestaltet und zeitlich parallel zur gesprochenen Übersetzung eingeblendet.

Nach der Umwandlung sind sie gewöhnliche Untertitelzeilen am unteren Bildrand, und weil sie zeitlich mit der gesprochenen Übersetzung überlappen, stapelt YouTube sie übereinander. Eine Folie mit Beschriftung, während gleichzeitig jemand spricht, wird zu zwei oder drei Zeilen, die sich um denselben schmalen Streifen Bild streiten, und die zuschauende Person kann nicht mehr unterscheiden, was gesprochen und was eingeblendet war. Bei wenigen Folienbeschriftungen ist das unschön, bei einem stark typeset­teten Vortrag macht es die Untertitel unbrauchbar.

Das ist die übliche Antwort, und für jeden Vortrag mit echten Folienbeschriftungen die richtige. Die ASS-Datei wird während des Renderns direkt ins Video eingebrannt — `ffmpeg -i vortrag.mkv -vf "ass=uebersetzung.ass" -c:a copy ausgabe.mp4` erledigt das in einem Durchgang, mit Position, Stil und Animation genau wie geplant — und dieses Video wird hochgeladen.

Nur der gesprochene Text wird zusätzlich als SBV umgewandelt und als Untertitelspur hochgeladen, sodass das Video weiterhin durchsuchbaren, barrierefreien und übersetzbaren Text hat. Die Folienzeilen werden vorher aus der ASS-Datei gelöscht oder nachher aus der SBV-Datei entfernt, beides reiner Text und beides schnell erledigt. Diese Kombination liefert die Typografie, für die die Übersetzung gemacht wurde, und die Zugänglichkeit einer Untertitelspur — beides zusammen kann keine einzelne Datei auf dieser Plattform.

Drei Dinge: der Text, seine Zeilenstruktur und sein Timing. Der gesprochene Text kommt als reine Zeichen an, ein harter Zeilenumbruch `\N` wird zu einem echten Zeilenumbruch, den YouTube als zwei Zeilen anzeigt, und das geschützte Leerzeichen `\h` wird zu einem gewöhnlichen Leerzeichen.

Alles andere fällt weg: der referenzierte Stilname, die Ebene, die Ränder, das Effektfeld, der Sprechername und jede Überschreibung in geschweiften Klammern. Für keines davon hat SBV ein Feld, und genau deshalb lässt sich das Format so leicht von Hand bearbeiten — eine Zeitangabe und ein paar Worte, sonst nichts, das kaputtgehen könnte.

Eine ASS-Dialogzeile beginnt häufig mit einem Block aus Anweisungen in geschweiften Klammern — Position, Farbe, Überblendung, Animation — und trägt mitunter noch mehr mittendrin. Diese werden vor dem Schreiben der SBV-Datei entfernt, sodass der Satz selbst ankommt und nicht der Satz mit vorangestelltem Steuercode.

Das ist grundsätzlich richtig und verdeckt einen Punkt, den man kennen sollte: Karaoke-Timing wird als Anweisung vor jeder Silbe geschrieben, sodass ein zeilenweise getimter Text zu einer Zeile zusammenfällt, die auf einmal erscheint. Die Worte sind alle da, der Effekt, der sie ursprünglich wertvoll gemacht hat, nicht mehr. Bei einem Musikbeitrag ist das ein echter Verlust, und das Einbrennen bleibt hier der einzige Weg, ihn zu behalten.

ASS kann Formen zeichnen: Eine Anweisung schaltet das Textfeld in eine Koordinatensprache um, und der folgende „Text" ist ein Pfad — `m 0 0 l 100 0 100 50 0 50` und so weiter. Wer Untertitel typeset­tet, nutzt das für Masken, Hintergründe hinter Beschriftungen und Pfeile.

Werden die Anweisungen entfernt, bleiben die Koordinaten übrig, sodass diese Zeilen in der SBV-Datei als Untertitel aus Buchstaben und Ziffern erscheinen. Sie sind leicht zu erkennen und sollten vor dem Hochladen gelöscht werden — eine zuschauende Person mit eingeschalteten Untertiteln sähe sonst einen Zahlenschwall. Eine Suche nach Zeilen, die mit `m ` und einer Ziffer beginnen, findet fast alle davon.

Ein ASS-Ereignisabschnitt enthält zwei Arten von Zeilen: `Dialogue:` und `Comment:`. Nur die erste wird gelesen, sodass Arbeitsnotizen, alternative Übersetzungsvorschläge, deaktivierte Folienbeschriftungen und Erinnerungen der Übersetzenden nie zu Untertiteln werden.

Das ist in beide Richtungen wissenswert. Eine Datei, die in Aegisub voll aussieht, kann deshalb weniger Zeilen liefern als erwartet, weil ein Teil davon auskommentiert war — bei einer niedrigen Zeilenzahl ist das der erste Verdacht. Und es bedeutet, dass die Arbeitsdatei problemlos Notizen tragen kann, was einer der Gründe ist, warum ein Übersetzungsprojekt als ASS-Datei geführt wird und nicht als etwas anderes.

Der Ereignisabschnitt erklärt seine eigene Spaltenreihenfolge in einer Format-Zeile, und Dateien unterscheiden sich dabei tatsächlich — die Reihenfolge ist Konvention, keine feste Vorgabe, und Werkzeuge, die ASS-Dateien automatisiert erzeugen, halten sich nicht immer daran. Die Umwandlung nimmt Start, Ende und Textposition aus dieser Erklärung, statt Felder blind durchzuzählen.

Der Text steht immer zuletzt und kann selbst Kommas enthalten, deshalb werden nur die Felder davor aufgeteilt. Eine Dialogzeile mit einer Aufzählung übersteht das also mit intakten Kommas, was ein einfacher, feldweise trennender Parser zerstören würde. In der Praxis bedeutet das: Dateien aus Aegisub, aus automatisierten Untertitelwerkzeugen und aus zusammengemuxten Quellen werden alle gleich gelesen.

Alles, was die Übersetzung wertvoll gemacht hat, steht im Original, und nichts davon lässt sich aus der Untertitelspur zurückgewinnen — deshalb wird die SBV-Datei bei jeder Textänderung neu erzeugt, statt beide getrennt zu pflegen. Werden Korrekturen direkt in YouTube Studio vorgenommen, sollte die korrigierte SBV-Datei zurückgeholt und die Textänderungen in die ASS-Datei eingearbeitet werden — sonst laufen beide innerhalb weniger Wochen auseinander.

Die Umwandlung selbst ist reines JavaScript in diesem Browser-Tab: nichts wird hochgeladen, kein Modul nachgeladen, kein Konto und kein Tageslimit nötig, und der Netzwerk-Tab während einer Umwandlung bestätigt das. Eine Übersetzung, die noch nicht veröffentlicht ist, ist genau die Art Datei, bei der das zählt — hier gibt es dafür nichts zu tun, außer die Umwandlung ablaufen zu lassen.