VTT in ASS umwandeln

Weil das Ziel kein Videoplayer im Browser mehr ist. In der deutschen Fansub-Szene, die seit den frühen 2000er-Jahren eigene Übersetzungen japanischer Anime-Serien mit gestalteten Untertiteln versieht, wird fast ausschließlich in Aegisub gearbeitet — Schriftfarben, Positionierung und Karaoke-Effekte, die in einer HTML-Untertitelspur gar nicht vorgesehen sind. Liefert eine Streaming-Plattform ihre Untertitel als VTT-Datei aus, ist das der erste Schritt, um daraus etwas zu machen, das aussieht wie ein bewusst gestaltetes Fansub statt wie eine automatisch generierte Bildunterschrift.

WebVTT ist als Auslieferungsformat gut geeignet und als Gestaltungswerkzeug schwach. Sein Stilvokabular ist klein, Browser setzen die schwächeren Teile davon uneinheitlich um, und nichts davon übersteht den Moment, in dem das Video den Browser verlässt. ASS wurde von Leuten gebaut, denen es ausschließlich um das Aussehen der Untertitel ging, und diese Umwandlung ist die Tür dorthin.

Mitkommen: der Text jedes Cues, seine Zeilenumbrüche und seine Start- und Endzeit. Das ist die Substanz der Spur, und sie kommt vollständig an, mit jedem Cue als Dialogzeile unter einem einzigen Stil.

Bleibt zurück: Cue-Einstellungen, als Sprecher interpretierte Voice-Tags, STYLE-Blöcke, NOTE-Kommentare und Cue-Kennungen. Vier dieser fünf sind Konstrukte, die eine Autorin oder ein Autor der VTT-Datei bewusst eingesetzt haben muss — deshalb nennt diese Seite sie einzeln, statt die Umwandlung schlicht als verlustfrei zu bezeichnen. Stammt die VTT-Datei aus einem automatischen Transkriptionsdienst und wurde nie angefasst, trifft keines davon zu, und nichts geht dabei verloren.

Eine WebVTT-Zeitzeile kann nach dem Endzeitpunkt eine Zeilennummer, eine Ausrichtung, eine Position und eine Größe tragen. Der Parser liest die Endzeit bis zum ersten Leerzeichen und wirft alles danach weg, sodass ein Untertitel, der bewusst an den oberen Bildrand gesetzt wurde, mit allen anderen bei Alignment 2 landet.

Das Frustrierende daran ist, dass ASS in genau diesem Punkt weit stärker ist als WebVTT je war — ein numerisches Raster für die neun Standardpositionen und ein Override-Tag, das eine Zeile an eine exakte Koordinate setzen, über die Zeit bewegen oder drehen kann. Die Information überlebt einfach keine Zwischenform, die nur Start, Ende und Text kennt. Notieren, welche Cues positioniert waren, bevor umgewandelt wird — danach erinnert sich nichts mehr in der Datei daran.

Diese Notiz zu machen dauert eine Minute und ist die Minute wert. In der WebVTT-Datei nach dem Wort line suchen, das in der Praxis fast die gesamte Positionierungsarbeit übernimmt, und die Zeitstempel notieren, an denen es auftaucht. Das sind die Cues, die aus einem Grund verschoben wurden — eine Bauchbinde, ein eingebrannter Titel, eine Grafik —, und genau die werden dort landen, sobald jeder Untertitel standardmäßig am unteren Bildrand erscheint. Alles andere wäre ohnehin unten gewesen und braucht keine Beachtung.

WebVTT markiert einen Sprecher mit einem Voice-Tag in spitzen Klammern am Anfang des Cues. ASS ordnet eine Zeile einem benannten Stil zu und optional einem Namensfeld in der Dialogzeile — ein völlig anderer Mechanismus. Nichts bildet das eine auf das andere ab, und der Cue-Text wird wörtlich kopiert, sodass das Tag als Zeichen ankommt, die eine Wiedergabesoftware auf den Bildschirm zeichnet.

Die richtige Reaktion ist, daraus einen Stil zu machen, denn genau dafür ist man hier. Für jeden Sprecher einen eigenen Stil mit eigener Farbe anlegen, Zeilen zuordnen und die Tags löschen. Das liefert das, worauf das Voice-Tag ursprünglich zielte, und das, was ein Browser meist ohnehin nicht darstellte — zwei Sprechende auf einen Blick unterscheidbar, ohne ihre Namen in den Untertiteltext zu schreiben.

Der erzeugte Stil ist Arial in Größe 48, weiß, mit einem zwei Pixel starken schwarzen Rand, ohne Schatten, Alignment 2, mit Rändern von 10 links, rechts und unten. Der Skript-Header setzt ScriptType v4.00+, WrapStyle 0 und ScaledBorderAndShadow yes.

Für einen Fansub oder eine Social-Bearbeitung lohnen sich zuerst die Schrift und der Rand. Arial ist gewählt, weil es überall vorhanden ist, nicht weil es zum Stil passt, und ein zwei Pixel starker Rand, der über einer dunklen Szene gut lesbar ist, verschwindet über einer hellen — eine Hintergrundbox oder ein kräftigerer Rand macht Untertitel auf einem Handydisplay bei Tageslicht lesbar. ScaledBorderAndShadow aktiviert bedeutet, dass beide mit der Auflösung mitskalieren statt an der Skriptgröße festzuhängen.

In WebVTT lebt das Erscheinungsbild größtenteils außerhalb der Datei: CSS auf der Webseite zielt auf das Cue-Pseudo-Element, und ein STYLE-Block innerhalb der Datei ist eine eingeschränkte In-Band-Variante davon. Die Datei beschreibt den Inhalt, die Seite beschreibt die Darstellung — eine sinnvolle Trennung für ein Dokumentformat.

ASS kehrt das um. Stile sind benannt, in der Datei definiert, pro Zeile referenziert und für ein einzelnes Wort per Inline-Override überschreibbar. Die Datei ist die Darstellung, weshalb sie in jedem Player, der das Format umsetzt, identisch aussieht und sich mit Zuversicht ins Bild einbrennen lässt. Keines der beiden Modelle lässt sich mechanisch in das andere übersetzen — das ist der ehrliche Grund, warum nichts davon einfach mit übernommen wird.

WebVTT schreibt drei Nachkommastellen, ASS zwei — jeder Zeitstempel wird also beim Einlesen abgeschnitten. Ein Cue, der bei 00:00:01.238 beginnt, wird zu 0:00:01.23. Der Fehler beträgt höchstens neun Millisekunden und liegt immer früher, nie später.

Das ist ein Fünftel einer Bildrate bei 24 Bildern pro Sekunde und wird nie sichtbar. Die einzige Ausnahme ist Karaoke-Timing, bei dem Silben gegen die Tonspur gesetzt werden und der Unterschied zwischen zwei benachbarten Silben eine Rolle spielen kann — Karaoke wird in ASS direkt erstellt und nicht dorthin umgewandelt, in der Praxis also eine Fußnote statt ein Problem.

Die meisten Orte, an die das fertige Video geht, können eine ASS-Spur nicht wiedergeben: soziale Plattformen, Handygalerien, Fernseher, die von einem Netzwerkfreigabe lesen, und jeder Webplayer. Ist die Gestaltung der eigentliche Punkt, muss sie zu Pixeln werden — die Untertitel werden ins Bild gerendert und das Video neu kodiert.

Das vorher entscheiden, nicht erst danach, weil beide Wege unterschiedliche Entscheidungen belohnen. Ein Track, der eingebrannt werden soll, darf jede auf dem eigenen Rechner vorhandene Schrift nutzen und Text an beliebiger Stelle platzieren, weil das Gerät der Zuschauenden nie beteiligt ist. Ein Track, der als eigene Spur bleibt, muss Schriftersetzung und einen Player überstehen, der die Hälfte davon ignoriert, und das Design muss so zurückhaltend sein, dass es sauber ausfällt statt zu zerbrechen.

Eine ASS-Dialogzeile hat vor dem Text zehn Felder: eine Ebene, die zwei Zeiten, einen Stilnamen, einen Namen der sprechenden Figur, drei Randüberschreibungen und einen Effekt. Die Umwandlung füllt drei davon — die Zeiten und den Stil, immer Default —, schreibt die Ebene als null und lässt den Rest leer.

Genau dort beginnt das eigentliche Typesetting. Die Ebene entscheidet, was über was gezeichnet wird, sobald sich zwei Zeilen den Bildschirm teilen, was wichtig wird, sobald ein Schild über Dialog gelegt wird. Die Randüberschreibungen verschieben eine einzelne Zeile, ohne den Stil anzufassen — die leichte Art, einen Untertitel über ein bereits ins Bild eingebranntes Schild zu heben. Und das Namensfeld ist ein Freitextfeld, das Aegisub als eigene Spalte anzeigt, weshalb es sich anbietet, dort während der Arbeit zu vermerken, wer gerade spricht.

Diese beiden Dateien beantworten unterschiedliche Fragen, und beide zu behalten ist vernünftig, solange eine davon aus der anderen erzeugt wird. Die VTT-Datei gehört auf die Webseite, wo sie barrierefrei, durchsuchbar und abschaltbar ist. Die ASS-Datei gehört zu der Fassung des Videos, in der das Erscheinungsbild die Botschaft ist.

Welche der beiden die Ausgangsdatei ist, hängt davon ab, wo die Korrekturen passieren. Ändert sich am häufigsten der Text — ein falsch geschriebener Name, ein neu getimter Untertitel —, ist die VTT-Datei die Ausgangsdatei, und die ASS-Datei wird neu erzeugt und neu getypesettet, was echte Arbeit ist. Ändert sich am häufigsten die Gestaltung, die ASS-Datei behalten und eine schlichte Spur für das Web exportieren. Was nicht funktioniert, ist beide parallel zu pflegen, weil keine der beiden Dateien vermerkt, welche gerade die aktuelle ist.