VTT in SBV umwandeln

WebVTT ist ein Dokumentformat mit viel Spielraum: eine Pflicht-Kopfzeile, optionale Cue-Kennungen, Kommentarblöcke, ein Style-Block, Einstellungen hinter jeder Zeitzeile und Inline-Tags im Text. All das existiert aus guten Gründen, und all das steht im Weg, wenn man eigentlich nur eine Liste von Momenten will und was zu jedem gesagt wurde.

SBV hat davon nichts. Eine Zeitzeile, etwas Text, eine Leerzeile, dann der nächste Eintrag. Das ist das ganze Format — deshalb überlebt es als Arbeitsdatei, lange nachdem das Werkzeug, für das es gebaut wurde, sich verändert hat, und deshalb ist es das sinnvolle Ziel, wenn der nächste Schritt ein Mensch ist, der jede Zeile liest, oder ein Skript, das an einem Komma aufteilt.

Die Kopfzeile fällt weg, weil SBV keine kennt. Cue-Kennungen fallen weg, weil SBV weder Nummerierung noch Benennung hat. NOTE- und STYLE-Blöcke fallen weg, und zwar aus einem strukturellen Grund, der sich zu merken lohnt: Ein Block wird daran erkannt, dass er einen Zeitstempel-Pfeil enthält, und keiner der beiden tut das, also werden sie übersprungen statt fälschlich als Untertiteltext gelesen zu werden.

Cue-Einstellungen fallen ebenfalls weg. Eine hinter dem End-Zeitstempel stehende Line-, Align-, Position- oder Size-Angabe wird bis zum ersten Leerzeichen gelesen und der Rest verworfen. Hing die Platzierung eines Untertitels davon ab, eine Bildschirmeinblendung freizuhalten, ist diese Position aus dem Ergebnis nicht wiederherzustellen — die WebVTT-Datei ist die einzige Kopie davon.

Eine Zeile trägt beide Zeiten, getrennt durch ein Komma: 0:04:12.500,0:04:15.100. Der Punkt vor den Millisekunden ist derselbe wie in WebVTT, darüber muss man also nicht nachdenken. Die Stunden ändern sich — SBV schreibt sie ohne führende Null, und genau das ist das Detail, an dem eine umbenannte Datei scheitert und eine umgewandelte funktioniert.

Die Zeiten selbst bleiben unangetastet. Jeder Wert wird während der Umwandlung in Millisekunden gehalten und auf Millisekunden genau zurückgeschrieben, jeder Eintrag beginnt und endet also exakt dort, wo er es in der VTT-Datei tat. Nichts wird gerundet, eingerastet oder verschoben — nur die Zeichensetzung rund um die Zahlen ist anders.

Öffentliche Stellen müssen ihre Videoinhalte nach BITV 2.0 barrierefrei gestalten, und seit dem Barrierefreiheitsstärkungsgesetz gilt Ähnliches zunehmend auch für private Anbieter bestimmter digitaler Dienste. Untertitel sind dabei der Teil, der am häufigsten geprüft wird — nicht nur, ob sie existieren, sondern ob sie den gesprochenen Inhalt tatsächlich abbilden.

Wer eine WebVTT-Spur für eine Prüfung oder eine Nachbesserung durchgehen muss, profitiert genau von der Reduktion, die diese Seite vornimmt: Eine Datei ohne Style-Block und ohne Cue-Einstellungen lässt sich Zeile für Zeile gegen das Original abgleichen, ohne dass Formatierungsrauschen den Blick auf den eigentlichen Text verstellt. Was dabei verloren geht, ist unten beschrieben — für eine reine Textprüfung stört das selten.

Das ist die Grenze der Vereinfachung, und sie lohnt sich, klar auszusprechen. Der Cue-Text wird wörtlich übernommen. Ein Kursiv-Tag, ein Fett-Tag, ein Voice-Tag mit dem Namen der sprechenden Person — alle wandern aus der WebVTT-Datei als reine Zeichen in die SBV-Datei, weil nichts das Innere eines Cues interpretiert.

SBV kennt gar keine Formatierung, diese Tags werden also angezeigt statt angewendet. Sollte am Ende eine Datei ganz ohne Formatierung im Text stehen, erledigt ein Suchen-und-Ersetzen den Rest. Das besser gleich in der WebVTT-Datei zu machen, ist die bessere Praxis, denn diese Datei wird jemand im nächsten Monat wieder umwandeln.

Die meisten im Umlauf befindlichen WebVTT-Dateien stammen aus automatischer Transkription, und der Aufbau von SBV eignet sich gut für den Korrekturdurchgang: Die Zeitzeilen sind kurz genug, um sie zu überlesen, der Text steht auf eigenen Zeilen, und es gibt keine Nummerierung, die beim Teilen oder Zusammenführen eines Untertitels neu vergeben werden müsste.

Was sich in dieser Reihenfolge lohnt: zuerst Eigennamen und Fachbegriffe, wo Spracherkennung am häufigsten scheitert und wo die Fehler die Bedeutung verschieben; dann Zeilenumbrüche, die eine automatische Ausgabe dort setzt, wo ihr Puffer geleert wurde, nicht an einer Satzgrenze; dann die Länge der einzelnen Cues, weil eine Erkennung kein Gefühl dafür hat, wie viel Zeit eine Zuschauerin zum Lesen braucht. Ein Kniff, der einen ganzen Durchgang spart: Namen vorab sammeln. Sprecher, Firmen, Produkte, Orte, jedes Akronym, auf das sich die Aufnahme stützt — aus der Beschreibung oder den Folien notieren, dann in der Untertiteldatei nach jedem einzelnen suchen. Erkennungssysteme scheitern konsistent statt zufällig, ein einmal falsch erkannter Name kommt also überall falsch heraus, und Suchen-und-Ersetzen behebt dreißig Stellen in einer Aktion.

SBV ist Googles eigenes Format, seit 2008 vom YouTube-Untertitel-Editor erzeugt und von dessen Download-Werkzeug angeboten. Eine solche Datei hochzuladen bringt die Untertitel dorthin zurück, wo sie sich gegen die Videozeitleiste bearbeiten lassen — der schnellste Weg, um Timing statt Wortlaut zu korrigieren.

Redlich bleibt zu sagen: YouTube akzeptiert WebVTT auch direkt, diese Umwandlung ist also keine Voraussetzung, um ein Video dort zu untertiteln. Sie verdient ihren Platz, wenn der Editor der Ort ist, an dem tatsächlich gearbeitet wird, wenn ein Skript im eigenen Ablauf das Exportformat erwartet, oder wenn ein Untertitelarchiv bereits in SBV vorliegt und eine neu ankommende WebVTT-Datei die Ausnahme wäre.

Ein großer Teil der Nachfrage nach Untertiteldateien hat mit Untertiteln selbst wenig zu tun. Manche wollen den Text: einen Vortrag zu einem Artikel machen, eine sprechende Person korrekt zitieren, eine zweistündige Aufnahme nach den vier Minuten durchsuchen, auf die es ankommt. Dafür sind Zeitangaben Rauschen, und SBV ist eine Zwischenstation, kein Ziel.

Die abgemagerte Datei macht diesen letzten Schritt trivial — jede Zeile mit einem Komma zwischen zwei Zeitstempeln löschen, und übrig bleibt das Transkript. Erledigen lässt sich das in einem Editor mit regulärem Ausdruck oder in drei Zeilen einer beliebigen Skriptsprache. Was keine Umwandlung behebt, ist die Verlässlichkeit der zugrunde liegenden Worte — ein aus einer Erkennung stammendes Transkript sollte vor jedem Zitat gegen die Tonspur geprüft werden.

Ist der nächste Schritt Code statt ein Mensch, entscheidet der Aufbau der Datei über den Aufwand. Ein WebVTT-Parser muss eine optionale Kopfzeile mit optionalen Metadaten danach handhaben, Blöcke, die mit oder ohne Kennung beginnen können, Zeitzeilen, die Einstellungen tragen können oder nicht, und Blöcke, die Kommentare oder Styles statt Cues sind.

Ein SBV-Parser teilt an Leerzeilen, teilt die erste Zeile an einem Komma und nimmt den Rest als Text. Dieser Unterschied ist real und der ehrliche Grund, warum sich jemand für ein Skript-Vorhaben in diese Richtung wandeln würde. Es lohnt sich auch, das gegen einen gepflegten WebVTT-Parser abzuwägen, der die unangenehmen Fälle richtig behandelt und eine Abhängigkeit statt eines Nachmittags voller Sonderfälle kostet.

Als Archiv, nein. Sie liest praktisch nirgends außerhalb von YouTube, trägt nichts, was WebVTT oder SubRip nicht auch trügen, und speichert keine Information darüber, woher die Untertitel kamen oder wovor sie positioniert waren. Ein Verzeichnis voller SBV-Dateien ist ein Verzeichnis, das Dinge vergessen hat.

Als Arbeitsdatei für eine einzelne Aufgabe ist sie hervorragend, und genau diese Unterscheidung lohnt sich zu treffen. Umwandeln, korrigieren, hochladen oder parsen, und die WebVTT-Datei als die Datei behalten, zu der man zurückkehrt. Fanden die Korrekturen in der SBV-Datei statt statt in der Quelle, lieber zurückwandeln als die beiden Kopien auseinanderlaufen zu lassen — die Worte sind in beiden Formaten dieselben, in keiner Richtung geht dabei etwas verloren.

Untertitel, die aus einem Lernmanagementsystem, einem Konferenztool oder einer europäischen Videoplattform exportiert werden, kommen praktisch immer als WebVTT, weil das der offene Webstandard ist. Landen diese Untertitel anschließend in einer Werkzeugkette, die nur mit einfachen Zeit-Text-Paaren arbeitet — ein selbstgeschriebenes Analyseskript, ein Redaktionssystem, das Untertitel als reinen Text erwartet —, ist SBV oft die kürzeste Brücke dorthin, auch wenn YouTube gar nicht beteiligt ist.

Der Name des Formats ist an dieser Stelle irreführend, aber ungefährlich: SBV verrät nirgends in seinem Aufbau, dass es aus YouTube stammt, und eine Datei mit dieser Struktur lässt sich von jedem einfachen Parser lesen, ganz gleich, welches Werkzeug sie am Ende erzeugt oder verwendet hat.