VTT in SRT umwandeln

WebVTT ist für den Browser gemacht und darin sehr gut, und genau das ist seine Grenze. Fernseher, Media-Player, fast jede Hardware, die Untertitel von einem USB-Stick liest, und ein großer Teil der Upload-Formulare erwarten SubRip und behandeln alles andere als unbekannte Datei. Wer eine VTT-Datei aus einer ARD- oder ZDF-Mediathek, von YouTube oder einer Lernplattform heruntergeladen hat und sie auf einem Fernseher oder in einem Schnittprogramm abspielen will, stößt fast immer auf diese Grenze.

Die Herkunft der Datei bestimmt, was danach zu prüfen ist. Eine aus einem Webplayer geladene VTT-Datei trägt meist Positionsangaben. Eine von einem Transkriptionsdienst exportierte trägt oft Sprecherkennzeichnungen in Form von Voice-Tags. Eine mit einem Untertitel-Editor erstellte ist meist schlicht gehalten und wird zu einer sauberen SRT-Datei ohne Nacharbeit.

Eine WebVTT-Zeitzeile kann nach der Endzeit weitere Einstellungen tragen: eine Zeilennummer, die den Untertitel nach oben schiebt, eine Ausrichtung, eine Breite. Der Konverter liest die Endzeit bis zum ersten Leerzeichen und wirft den Rest weg, weil SubRip keine Syntax dafür hat.

Das ist der eine echte Verlust bei dieser Umwandlung, und er ist im Ergebnis unsichtbar. Wurden Untertitel bewusst positioniert — für die wenigen Sekunden, in denen eine Bauchbinde im Bild ist, nach oben verschoben, oder schmaler gesetzt, um nicht mit eingebranntem Text zu kollidieren —, sieht die SRT-Datei korrekt aus und setzt trotzdem jede Zeile unten. Wo Positionierung wichtig ist, bleibt die VTT-Datei die Ausgangsversion und die SRT-Datei eine Lieferkopie für Player, die es nicht besser können.

Untertiteltext wird ohne Interpretation übernommen. Das ist bei Kursivschrift richtig, weil beide Formate sie identisch schreiben, und bei einem WebVTT-Voice-Tag — dem Sprechernamen in spitzen Klammern vor der Zeile — falsch aussehend, weil SubRip keine entsprechende Konstruktion kennt. Der Tag wird also weder übersetzt noch entfernt.

Ein Player zeigt ihn an: Der Untertitel liest sich dann als Sprechername in spitzen Klammern, gefolgt vom Text — kaum das, was gemeint war. Transkriptionsexporte sind die übliche Quelle, und die Korrektur ist ein Suchen-und-Ersetzen in der fertigen SRT-Datei — entweder die Tags entfernen oder sie in eine Sprecherkennung mit Doppelpunkt umwandeln, wie SubRip mehrere Sprechende seit jeher darstellt.

Öffentlich-rechtliche und viele private Angebote in Deutschland sind zu barrierefreien Untertiteln verpflichtet, und bei einem Interview oder einer Diskussion mit mehreren Personen ist die Sprecherkennzeichnung genau die Information, die ein Voice-Tag transportiert — für gehörlose und schwerhörige Zuschauende ist sie oft der einzige Hinweis darauf, wer gerade spricht.

Welche der beiden Korrekturen die richtige ist, hängt vom Zweck ab: Löschen passt zu einem übersetzten Dialog, bei dem die sprechende Person im Bild zu sehen ist und eine Namensnennung nur Lesezeit kostet. Umwandeln in eine sichtbare Sprecherkennung passt zu allem, was für Menschen untertitelt wird, die den Ton nicht hören, und zu Gesprächen zwischen mehreren Stimmen außerhalb des Bildes, bei denen sich die Sprechenden akustisch nicht unterscheiden lassen. Den Tag stillschweigend zu löschen, ist im zweiten Fall ein kleiner, aber echter Rückschritt bei der Barrierefreiheit, den niemand meldet.

Eine WebVTT-Datei kann Kommentarblöcke mit NOTE enthalten und einen STYLE-Block mit CSS für das Cue-Pseudoelement. Beides enthält keinen Zeitpfeil, und der Parser erkennt einen Cue am Vorhandensein dieses Pfeils statt am Zählen von Zeilen — beide Blöcke werden deshalb übersprungen statt fälschlich als Text gelesen.

Der praktische Nutzen davon ist ein sauberes Ergebnis: Die SRT-Datei enthält nur echte Cues, nichts aus der Autorenebene der VTT-Datei sickert hinein. Die Kehrseite ist, dass jede in diesem Block definierte Gestaltung verschwindet, was ins Gewicht fällt, wenn sie etwas Wichtiges geleistet hat, etwa eine schwer lesbare Farbe lesbar zu machen. SubRip überlässt jede optische Entscheidung dem Player.

WebVTT-Cues sind meist unnummeriert, und wo doch eine Zeile über der Zeitangabe steht, ist es ein Bezeichner und kein Zähler — ein Name, auf den ein Stylesheet oder ein Skript verweisen kann. SubRip erwartet eine fortlaufende Nummer, also schreibt der Konverter eine, beginnend bei eins, unabhängig davon, was die Quelle enthielt.

Das hat einen angenehmen Nebeneffekt bei von Hand bearbeiteten Dateien: Eine VTT-Datei mit uneinheitlichen, doppelten oder fehlenden Bezeichnern ergibt eine sauber von Anfang bis Ende durchnummerierte SRT-Datei. Es bedeutet aber auch, dass jeder Bezeichner, auf den etwas anderes verwiesen hat, danach fehlt — verweist ein Skript auf Cue-Namen, braucht es nach dieser Umwandlung einen anderen Ankerpunkt.

Jede Zeit wird intern in Millisekunden gehalten und als Stunden, Minuten, Sekunden und Millisekunden mit führenden Nullen bei den Stunden und einem Komma vor dem Bruchteil zurückgeschrieben. In keine Richtung wird gerundet, ein Cue, der in der VTT-Datei bei 00:04:12.500 begann, beginnt in der SRT-Datei bei 00:04:12,500 — bis auf die Millisekunde.

Das lohnt sich präzise festzuhalten, weil das Komma der klassische Grund ist, aus dem eine von Hand bearbeitete Untertiteldatei abgelehnt wird. Beide Formate messen dieselbe Größe mit derselben Auflösung, sie unterscheiden sich nur in der Schreibweise des Dezimalzeichens. Jede Behauptung, eine Umwandlung zwischen beiden verschiebe die Zeitangaben, beschreibt einen anderen Fehler.

Ein großer Teil der im Umlauf befindlichen WebVTT-Dateien stammt aus automatischer Spracherkennung, und die Umwandlung verbessert sie nicht. Automatischer Text reicht zum Überfliegen und nicht zur Veröffentlichung, und ausgerechnet Eigennamen und Fachbegriffe — bei deutschen Texten häufig auch zusammengesetzte Wörter — werden überdurchschnittlich oft falsch erkannt.

Zwei mechanische Schwächen lohnen sich zusätzlich zu prüfen. Automatische Transkripte brechen Zeilen oft dort um, wo die Erkennung ihren Puffer geleert hat, statt an einer Satzgrenze, und sie lassen Cues häufig deutlich zu lang oder zu kurz stehen, um lesbar zu sein. Beides in der fertigen SRT-Datei zu korrigieren ist unkompliziert — es ist Text mit klarer Struktur — und macht den Unterschied zwischen Untertiteln, die jemand liest, und solchen, bei denen jemand aufgibt.

Die meisten Player laden eine Untertiteldatei automatisch, wenn sie neben dem Video mit demselben Basisnamen liegt: film.mp4 und film.srt im gleichen Ordner. Ein einziger abweichender Buchstabe, und nichts erscheint — das erklärt einen großen Teil der Meldungen, eine Umwandlung sei fehlgeschlagen, obwohl sie es nicht war.

Ein Sprachkürzel vor der Endung, wie in film.de.srt, ist die übliche Schreibweise, wenn mehrere Sprachen vorliegen, und die verbreiteten Player verstehen sie. Darüber hinaus sind Fernseher und Media-Boxen wählerischer als Desktop-Software: Viele lesen Untertitel nur von derselben Partition wie das Video, und ein guter Teil liest nichts außer SubRip — genau der Grund, warum diese Umwandlung überhaupt existiert.

Der Konverter liefert dann keine leere SRT-Datei, sondern eine Fehlermeldung. Ergibt das Einlesen einer Datei nichts, wird das als Fehler behandelt und auch so benannt, weil eine Untertiteldatei ohne Cues problemlos herunterlädt, problemlos lädt und nichts anzeigt — und wer sie sieht, würde vernünftigerweise annehmen, das Video habe schlicht keine Untertitel, statt dass eine Umwandlung im Stillen fehlgeschlagen ist.

Zwei Ursachen decken die meisten Fälle ab. Entweder ist die Datei gar kein WebVTT — eine von einer vorgelagerten Stelle umbenannte Untertiteldatei, oder eine als .vtt gespeicherte Fehlerseite, wie sie ein fehlgeschlagener Download von einer Streaming-Adresse oft hinterlässt. Oder es liegt an den Zeilenenden: Cues werden durch Leerzeilen getrennt, und der Parser erkennt die Unix- und die Windows-Konvention. Eine mit den klassischen Mac-Zeilenenden gespeicherte Datei ist für diesen Zweck eine einzige sehr lange Zeile ohne eine einzige Leerzeile — neu speichern aus einem modernen Editor behebt das in einem Schritt.