Live-Untertitel und Übersetzung im Twitch-Stream: Wege, Technik, Fallstricke

Stand 10.11.2026 · 4 Min. Lesezeit

Untertitel machen deinen Stream für Menschen zugänglich, die schlecht hören, ohne Ton zusehen oder deine Sprache nicht sprechen. Dank lokaler Spracherkennung geht das heute ohne Abo und ohne dass deine Stimme den Rechner verlassen muss. Ein paar Entscheidungen bestimmen, wie gut es am Ende funktioniert.

Zwei Wege ins Bild

Untertitel können fest im Videobild stehen oder vom Zuschauer zugeschaltet werden. Beides hat seinen Platz:

Eingeblendet oder zuschaltbar
WegVorteilNachteil
Im Bild über OBS (Browser- oder Textquelle)Alle sehen sie, auch in Clips und Aufzeichnungen, auf jedem Gerät.Niemand kann sie ausschalten; sie verdecken einen Teil des Bilds.
Zuschaltbar per Twitch-Erweiterung (Video-Overlay)Wer sie nicht braucht, sieht sie nicht. Mehrere Sprachen sind möglich.Nur dort, wo Twitch Erweiterungen anzeigt; nicht im aufgenommenen Bild.

Twitch kennt für Erweiterungen drei Anker: Panel unter dem Stream, Video-Overlay über dem ganzen Video und Komponente in einem Teil des Videos. Für Untertitel passt nur das Overlay. Unsere eigene Erweiterung zeigt Untertitel deshalb nur in diesem Anker.

Spracherkennung: lokal oder in der Cloud

Der Kern ist ein Programm, das deine Stimme in Text verwandelt. Es gibt zwei Ansätze:

  • Lokal: Modelle wie Whisper laufen auf deinem Rechner, auf dem Prozessor oder der Grafikkarte. Der Ton verlässt den Rechner nicht. Die Modelle muss man einmal herunterladen; sie sind je nach Größe einige hundert Megabyte bis über ein Gigabyte groß.
  • Cloud: Ein Dienst im Internet erkennt die Sprache. Das entlastet den Rechner, aber dein Ton geht an einen fremden Anbieter, und meist kostet es pro Minute.

Größere Modelle erkennen genauer, brauchen aber mehr Rechenleistung. Ein kleines Modell ist ein guter Start. Erst wenn es zu viele Fehler macht, lohnt sich ein größeres oder eine Grafikkarte.

Wie schnell es geht – gemessen

Untertitel kommen immer etwas nach dem gesprochenen Wort. Wir haben das für unser Werkzeug mit einer Testaufnahme gemessen: Whisper im Modell „small“, deutsche Sprache, nur auf dem Prozessor.

  • Verzögerung bis zum fertigen Text: 0,9 bis 1,6 Sekunden.
  • Wortfehlerrate: 4,1 Prozent, also etwa jedes 25. Wort falsch.
  • Übersetzung in drei Sprachen mit einem lokalen Übersetzungsmodell: 330 bis 390 Millisekunden je Satz.

Diese Werte stammen aus einer Testdatei, nicht aus einem echten Mikrofon mit Hintergrundgeräuschen. Die Strecke bis zum Bildschirm des Zuschauers kommt noch dazu. Miss bei dir selbst nach, bevor du Zahlen versprichst.

Übersetzung: hilfreich, aber kennzeichnen

Aus dem erkannten Text lassen sich Übersetzungen in weitere Sprachen machen, ebenfalls lokal mit einem eigenen Übersetzungsmodell oder einem Sprachmodell auf dem eigenen Rechner, oder über einen Dienst. Maschinelle Übersetzung ist gut genug, um einem Stream zu folgen, aber nicht fehlerfrei. Wortspiele, Namen und Fachbegriffe aus deinem Spiel gehen oft daneben.

Kennzeichne übersetzte Untertitel deshalb als maschinell übersetzt. Unsere Erweiterung zeigt dafür eine Plakette „KI-übersetzt“. So weiß jeder, dass ein seltsamer Satz nicht von dir stammt.

Lesbar statt nur vorhanden

  • Groß genug: Viele schauen auf dem Handy. Was am Monitor groß wirkt, ist dort winzig.
  • Kontrast: helle Schrift auf halbtransparentem dunklem Grund, nie direkt auf buntem Spielbild.
  • Höchstens zwei Zeilen: Mehr Text liest niemand, bevor der nächste kommt.
  • Platz freihalten: Untertitel gehören nicht über Lebensanzeige, Karte oder Chat-Einblendung.
  • Nur lokal erreichbar: Wenn das Werkzeug die Untertitel als kleine Webseite für die Browserquelle bereitstellt, sollte sie nur auf dem eigenen Rechner erreichbar sein. Unser Werkzeug lauscht dafür nur auf 127.0.0.1.

Datenschutz: auch deine Gäste sprechen

Spracherkennung erfasst alles, was im Ton ist, auch Mitspieler im Sprachchat und Gäste. Bei lokaler Erkennung bleibt der Ton auf deinem Rechner; nur der fertige Text geht weiter, etwa an die Erweiterung. Bei Cloud-Erkennung geht der Ton selbst an einen Anbieter. Sag deinen Gästen vorher, dass mitgeschrieben wird, und nenne in deiner Datenschutzerklärung, welcher Dienst die Daten bekommt.

Checkliste

  1. Untertitel fest im Bild, zuschaltbar per Erweiterung oder beides?
  2. Lokale Erkennung, wenn der Ton den Rechner nicht verlassen soll?
  3. Modellgröße passend zum Rechner, Verzögerung selbst gemessen?
  4. Übersetzungen als maschinell gekennzeichnet?
  5. Schrift groß, Kontrast hoch, höchstens zwei Zeilen?
  6. Gäste informiert und Datenschutzerklärung ergänzt?

Quellen

← Alle Ratgeber