ASS in VTT umwandeln

Das HTML-track-Element nimmt ausschließlich WebVTT entgegen, und die Ablehnung einer ASS-Datei geschieht wortlos: Das Video spielt, das Untertitelmenü bleibt leer, und in der Konsole steht keine Fehlermeldung, die auf das Format hinweist. Wer eine mit Aegisub getippte Datei einfach umbenennt, bekommt kein Ergebnis, nur Stille.

In der deutschen Anime- und Fansub-Szene, wo ASS-Dateien mit eigener Schrift, Position und Karaoke-Effekten seit Jahren der Standard sind, trifft dieses Problem besonders häufig auf: Eine Gruppe, die ihre Übersetzung endlich auf einer eigenen Webseite statt nur als Datei zum Herunterladen anbieten will, stößt auf genau diese Wand.

WebVTT ist keineswegs unfähig zu Positionierung. Ein Cue kann eine line-Einstellung tragen, die ihn vertikal verschiebt, eine align-Einstellung, die ihn horizontal verschiebt, dazu position und size. Das ist mehr, als das schlichte SubRip-Format je bieten könnte, und deckt den häufigsten Bedarf ab: einen Untertitel von etwas anderem auf dem Bildschirm fernzuhalten.

Von alledem füllt diese Umwandlung nichts aus. Jede ASS-Zeile wird auf Anfang, Ende und reinen Text reduziert, bevor überhaupt etwas geschrieben wird — das Alignment aus dem Style, die numerische Rasterposition, jede eingebettete Positionierungsanweisung ist zu diesem Zeitpunkt bereits verschwunden. Jeder Cue kommt ohne jede Einstellung an, und der Browser setzt ihn unten mittig.

Diese Arbeit lässt sich nicht automatisieren, aber gezielt eingrenzen. ASS neben VTT öffnen und die Zeilen suchen, die tatsächlich positioniert waren — Schilder, eingeblendete Texte, alles außer normalem Dialog. Genau diese Cues werden unten mit dem Bild kollidieren; der Dialog stand sowieso schon immer dort.

Für jeden dieser Fälle verschiebt eine line-Angabe in Prozent den Cue nach oben, eine align-Angabe nach links oder rechts. Zwei Wörter in der Zeitzeile, und der Untertitel ist aus dem Weg. Perfekt wird es dadurch nicht — WebVTT kann eine Position nicht animieren, und der Browser lässt es auch nicht zu —, aber aus einer unlesbaren Überlappung wird ein lesbarer Untertitel.

Wie viele Cues betroffen sind, hängt allein von der Quelle ab, und das lässt sich vorher abschätzen. Eine reine Dialogübersetzung hat keine einzige positionierte Zeile — jede Zeile stand ohnehin unten, und die umgewandelte Datei ist damit bereits fertig. Ein aufwendig typografiertes Release mit Schildübersetzungen kann dagegen mehrere hundert solcher Fälle enthalten.

Bei mehreren hundert Zeilen ist das einzelne Positionieren ein Tagewerk, während das ersatzlose Streichen dieser Cues zehn Minuten dauert. Welcher der beiden Fälle vorliegt, sollte vor der ersten getippten Cue-Einstellung geklärt sein, nicht erst danach.

Hier liegt der eigentliche strukturelle Unterschied, und er erklärt, warum keine automatische Übersetzung des Aussehens möglich ist. ASS definiert benannte Styles direkt in der Datei, und jede Zeile verweist auf einen davon. WebVTT geht den umgekehrten Weg: Die Seite selbst gestaltet das Cue-Pseudo-Element per CSS, und die Datei liefert nur den Inhalt.

Praktisch bedeutet das, dass Schriftart, Größe, Farbe und Hintergrund einmal im Stylesheet festgelegt werden und für die ganze Spur gelten — weniger flexibel als eine Einstellung pro Zeile, dafür deutlich leichter konsistent zu halten. Eine class am einzelnen Cue erlaubt es zumindest, eine Teilmenge anders zu gestalten, etwa um zwei sprechende Figuren zu unterscheiden.

Alles in geschweiften Klammern verschwindet, bevor der Text geschrieben wird — ein Farbwechsel, eine Ein- oder Ausblendung, eine Bewegung oder Rotation hinterlässt nichts, weder Textreste noch halb übersetztes Markup. Das ist das richtige Verhalten, denn ein Browser würde den Tag sonst als sichtbaren Text darstellen.

Das bedeutet zugleich, dass Kursivschrift verschwindet, was oft überrascht. ASS markiert Kursivschrift mit einem eigenen Override-Tag, WebVTT mit spitzen Klammern, und nichts überträgt zwischen den beiden Systemen. War die Kursivschrift für innere Monologe, Liedtexte oder eine zweite Sprache im Einsatz, muss sie in der VTT-Datei mit den spitzen Klammern von Hand nachgezogen werden.

ASS platziert bewusst mehrere Zeilen gleichzeitig auf verschiedenen Ebenen: den Dialog unten, ein übersetztes Schild an der Stelle des Originals im Bild. WebVTT kennt keine Ebenen, und beide werden zu gewöhnlichen Cues, die dieselben Sekunden belegen.

Der Browser stapelt sie dann unten im Bild, was selten dem ursprünglichen Sinn entspricht — das Schild, das oben rechts stand, sitzt nun zwei Sekunden lang über dem Dialog. Entweder wird es wie oben beschrieben mit Cue-Einstellungen positioniert, oder man entscheidet, dass das Schild für die Web-Fassung verzichtbar ist und entfernt diese Cues gleich ganz.

Eine WebVTT-Datei muss mit dem Wort WEBVTT in der allerersten Zeile beginnen. Das ist keine Formalität — eine Datei ohne diesen Kopf wird abgelehnt, bevor irgendetwas anderes geprüft wird. Diese Umwandlung schreibt ihn, gefolgt von einer Leerzeile, dann den Cues.

Die Zeitstempel sind die zweite Pflichtangabe. ASS speichert Hundertstelsekunden, WebVTT verlangt drei Nachkommastellen nach einem Punkt, sodass aus 0:00:01.23 in der Quelle 00:00:01.230 mit aufgefüllten Stunden wird. Erfunden wird dabei nichts — die Zeiten bleiben exakt wie im Original, nur in längerer Schreibweise.

Das kind-Attribut am track-Element unterscheidet subtitles von captions, und der Unterschied ist mehr als eine Formalität. Subtitles setzen voraus, dass jemand hört, aber die Sprache nicht versteht. Captions setzen voraus, dass jemand nicht hört, und enthalten deshalb zusätzlich, wer außerhalb des Bildes spricht, wann Musik einsetzt, welches Geräusch gerade zu hören ist.

Eine umgewandelte ASS-Spur ist praktisch immer subtitles, weil genau dafür sie geschrieben wurde. In Deutschland verlangt die Barrierefreie-Informationstechnik-Verordnung öffentliche Stellen zu barrierefreien digitalen Angeboten, und ein wachsender Kreis privater Anbieter unterliegt vergleichbaren Pflichten aus dem Barrierefreiheitsstärkungsgesetz. Das Attribut auf captions umzustellen, ohne die fehlenden Nichtsprachinformationen zu ergänzen, erfüllt diese Pflicht nicht — es setzt nur das falsche Wort ins Markup.

ASS markiert einen erzwungenen Zeilenumbruch innerhalb einer Dialogzeile mit einem Backslash und einem großen N, weil die gesamte Zeile technisch in einem einzigen, kommagetrennten Feld stehen muss. Dieser Umbruch wird übernommen statt entfernt: Er wird zu einem echten Zeilenumbruch im Cue-Text, und ein Browser behandelt ihn genau als das, was der Autor damit gemeint hat.

Ein Blick auf den Grund des Umbruchs lohnt sich trotzdem. Wer eine Zeile für eine bestimmte Bildschirmgröße und Schrift gebrochen hat, hat gegen eine Anzeige gebrochen, die es im Browser so nicht mehr gibt — an eine andere Schriftgröße auf einem anderen Gerät angepasst, kann aus einem sauber gebrochenen Zweizeiler ein einzelnes verlorenes Wort in der dritten Zeile werden.

Trägt das Styling einen Teil der Handlung — Schilder, die eine Information liefern, Karaoke, aufwendige Typografie — bleiben zwei ehrliche Alternativen: die Untertitel fest ins Bild rendern und die Datei als eingebrannte Fassung ausliefern, oder einen JavaScript-Renderer einsetzen, der ASS live über das Video legt. Beides kostet etwas: Im ersten Fall werden die Untertitel dauerhaft und nicht mehr abwählbar, im zweiten kommt eine zusätzliche Bibliothek samt Laufzeitkosten hinzu.

Für die meisten Web-Videos lohnt sich keines von beidem. Schlichte Cues, die zuschaltbar sind und von einem Screenreader gelesen werden können, erreichen mehr Menschen als ein Design, das nur ein Teil davon je zu sehen bekommt. Umwandeln, die wenigen wirklich nötigen Cues positionieren, den Rest über CSS gestalten — und die ASS-Datei als Master für die Fassung behalten, bei der das Aussehen zählt.

Das Umwandeln passiert vollständig im Browser-Tab: Die ASS-Datei wird gelesen, die Tags werden entfernt, der WEBVTT-Header wird geschrieben — alles direkt auf dem eigenen Gerät, ohne dass die Datei irgendwohin übertragen wird. Für eine Übersetzergruppe, die vor der Veröffentlichung noch nicht möchte, dass ein Skript irgendwo zwischengespeichert wird, ist das mehr als eine Randnotiz.

Nachprüfbar ist das im Netzwerk-Tab des Browsers während der Umwandlung: keine Anfrage, die die Datei trägt. Wer mehrere Episoden einer Staffel auf einmal umwandeln will, kann sie gemeinsam ablegen; jede wird unabhängig verarbeitet und mit den anderen zusammen zurückgegeben.

Wer stattdessen ein SubRip-Ergebnis braucht, findet auf dieser Website eine eigene ASS-zu-SRT-Seite, und der Unterschied zwischen beiden ist mehr als die Zielendung. SubRip kann von Haus aus keine Position, keine Ausrichtung und kein Cue-Setting tragen, sodass diese Seite dort gar nicht erst über verlorenes Potenzial sprechen müsste.

WebVTT dagegen könnte einen Teil der Typografie tragen, tut es durch diese Umwandlung aber nicht automatisch — genau das ist der Unterschied, der die vorangegangenen Abschnitte über Cue-Einstellungen überhaupt nötig macht. Wer die Wahl zwischen beiden Zielen hat und ein HTML-Video-Element bedient, sollte deshalb immer VTT wählen: Es kann das Gleiche wie SRT und mehr, ohne einen Nachteil einzuhandeln.