Auto-Dubbing
Auto-Dubbing bezeichnet die automatische Übersetzung gesprochener Sprache in Videos, bei der eine Software die neue Tonspur erzeugt. Die Stimme klingt dabei oft wie die der ursprünglichen Sprecherin oder des Sprechers.
Wenn ein Film aus den USA im deutschen Fernsehen läuft, hört man deutsche Stimmen. Früher saßen dafür immer Schauspieler in einem Tonstudio und sprachen jeden Satz neu ein. Beim Auto-Dubbing übernimmt das eine Software. Sie hört sich den Originalton an, schreibt ihn mit, übersetzt den Text und erzeugt daraus eine neue gesprochene Tonspur. Das Besondere daran: Die künstliche Stimme kann so klingen wie die echte Person im Video, nur eben auf Deutsch, Spanisch oder Japanisch. Aus einer Aufnahme entstehen so innerhalb von Minuten Fassungen in zwanzig Sprachen.
Warum Videos plötzlich überall verstanden werden
Eine klassische Synchronisation ist teuer. Für einen Kinofilm arbeiten Übersetzer, Regisseure, Tontechniker und Sprecher wochenlang zusammen. Die Kosten liegen schnell im fünfstelligen Bereich pro Filmstunde. Deshalb wurde bisher nur synchronisiert, was sich wirtschaftlich lohnte: große Filme und Serien. Ein Lernvideo eines kleinen Kanals bekam nie eine französische Fassung.
Auto-Dubbing verschiebt diese Grenze. Wenn eine Übersetzung nur noch wenige Euro kostet, lohnt sie sich auch für kleine Produktionen. Ein Videokanal mit 50.000 Abonnenten in Deutschland kann damit ein weltweites Publikum ansprechen. Für Firmen gilt dasselbe: Schulungsvideos, Produktvorstellungen und Support-Material lassen sich ohne großen Aufwand in viele Märkte bringen.
Gleichzeitig entsteht ein Konflikt. Synchronsprecher sind ein eigener Berufsstand, gerade in Deutschland mit seiner langen Synchrontradition. Viele fürchten, dass ihre Stimmen kopiert und ohne Bezahlung weiterverwendet werden. In den USA war genau das ein Streitpunkt bei den Streiks der Schauspielgewerkschaft. Inzwischen gibt es Verträge, die den Umgang mit digital nachgebauten Stimmen regeln.
Vier Schritte von der Originalspur zur neuen Sprachfassung
Zuerst wandelt ein Programm die gesprochene Sprache in geschriebenen Text um. Diesen Schritt nennt man Spracherkennung, er funktioniert wie das Diktieren am Handy. Dabei wird auch festgehalten, wer wann spricht und an welcher Sekunde jeder Satz beginnt. Diese Zeitmarken sind später entscheidend.
Im zweiten Schritt übersetzt ein Sprachmodell den Text. Ein Sprachmodell ist ein Programm, das aus riesigen Textmengen gelernt hat, wie Sprache aufgebaut ist. Im dritten Schritt analysiert das System die Originalstimme und baut sie nach. Dafür genügen oft wenige Sekunden Audiomaterial. Der vierte Schritt erzeugt die neue Tonspur und legt sie unter das Video.
Der schwierigste Teil ist das Timing. Ein deutscher Satz ist meist länger als sein englisches Original, manchmal um dreißig Prozent. Passt er nicht in die Lücke, redet die Stimme über die nächste Szene hinweg. Deshalb kürzt die Software Formulierungen oder verändert leicht das Sprechtempo. Manche Systeme gehen weiter und verändern per Videobearbeitung die Lippenbewegungen, sodass sie zum neuen Text passen. Das nennt man Lip-Sync, und es funktioniert bislang nur bei ruhigen Aufnahmen zuverlässig.
Von YouTube-Kanälen bis zur Videokonferenz
YouTube bietet automatische Sprachspuren an, zwischen denen man im Menü umschalten kann. Bekannte Kanäle wie der von MrBeast nutzen das seit Jahren und erreichen damit ein Millionenpublikum außerhalb des englischsprachigen Raums. Auch Streaming-Anbieter testen die Technik für Dokumentationen und ältere Titel, bei denen sich eine teure Studioproduktion nicht rechnet.
In Videokonferenzen läuft die Übersetzung inzwischen fast in Echtzeit mit. Anbieter wie Zoom und Microsoft haben entsprechende Funktionen eingebaut. Die Verzögerung liegt bei wenigen Sekunden, weil das System kurz warten muss, bis ein Satz zu Ende gesprochen ist. Nur so kann es sinnvoll übersetzen.
Ein verbreiteter Irrtum ist, Auto-Dubbing sei dasselbe wie Untertitel. Untertitel sind geschriebener Text, den man liest. Auto-Dubbing erzeugt echten Ton, den man hört. Und es ersetzt bislang keine hochwertige Synchronisation: Ironie, Dialekt und schauspielerische Betonung gelingen der Technik noch selten überzeugend. Für Nachrichten, Erklärvideos und Firmenkommunikation reicht die Qualität dagegen häufig aus.