YouTube-Transkript — Video einfügen, Wortlaut erhalten

Füge einen beliebigen YouTube-Link ein – reguläre Videos, Shorts, Live-Wiederholungen, Podcasts, Vorlesungen oder vollständige Kurse – und erhalte ein wortgetreues Transkript in der gesprochenen Sprache, eine Zusammenfassung in deiner Sprache sowie eine herunterladbare Datei. Kein Einstellungsmenü, keine Kompromisse bei der Originalsprache und kein mühsames Kopieren einzelner Abschnitte aus dem YouTube-Transkriptfenster.

Diese Skill verwandelt gesprochene YouTube-Inhalte in durchsuchbaren, zitierfähigen und übersetzbaren Text. Sie funktioniert mit jedem öffentlichen YouTube-Video in jeder Sprache, unterstützt Klartext, Markdown mit Zeitstempeln und SRT-Untertitel und wählt das Format automatisch anhand deiner Formulierung aus – nicht über eine Einstellungsseite.

Für wen diese Skill gedacht ist

• Forscher und Analysten, die lange Interviews, Podcasts und Konferenzvorträge in durchsuchbaren Text umwandeln: in 5 Minuten lesen, was 90 Minuten Wiedergabe benötigt hätte
• Studierende und lebenslang Lernende, die Vorlesungen, Tutorials und Lernserien für Notizen, Wiederholung und Lernleitfäden erfassen
• Journalisten und Faktenprüfer, die aus YouTube-Videos, öffentlichen Erklärungen, Interviews und politischen Reden zitieren
• Content-Creator, die lange YouTube-Videos in Shorts, Reels, TikToks, Blogbeiträge, Newsletter oder Podcasts umwandeln
• Podcaster, die veröffentlichte Episoden in durchsuchbare Shownotes, Blogbeiträge und SEO-Inhalte verwandeln
• Marketer und Wettbewerbsforscher, die konkurrierende Kanäle, Markenvideos, Verkaufswebinare und Produktdemos analysieren
• Ingenieure, Entwickler und technisch Lernende, die Vorträge, Tutorials und Code-Reviews als durchsuchbaren Text benötigen
• Sprachlernende, die Inhalte von Muttersprachlern mit wortgetreuem Transkript und übersetzter Zusammenfassung nutzen
• Übersetzer und Lokalisierungsteams, die Ausgangstexte für Untertitel, Synchronisation und internationale Versionen vorbereiten
• Accessibility-Teams und Lehrkräfte, die SRT-Dateien erstellen, wenn die automatischen YouTube-Untertitel nicht genau genug sind
• Pastoren, Coaches und Lehrkräfte, die Predigten, Vorträge und Onlinekurse archivieren und weiterverwenden
• Wissensarbeiter und Führungskräfte, die lange Branchenvorträge, Keynotes und Ergebnispräsentationen lieber durchsuchen als vollständig abspielen

Welches Problem die Skill löst

YouTube beherbergt das weltweit größte Archiv gesprochenen Wissens: Interviews, Podcasts, Vorlesungen, Konferenzen, Kurse, Nachrichten, Predigten, Schulungsvideos und Expertenanalysen. Die Plattform bietet automatische Untertitel und ein Transkriptfenster, aber daraus nutzbaren Text zu machen, ist unnötig umständlich:

• Das Transkriptfenster gliedert den Text weder sinnvoll noch exportiert es ihn sauber – beim Kopieren entsteht eine Wand aus Zeitstempel-Fragmenten
• Automatische Untertitel sind bei Akzenten, Fachbegriffen, Eigennamen und überlappender Sprache unzuverlässig
• Eine integrierte Zusammenfassung fehlt, selbst bei 90-minütigen Videos
• Ein einfacher SRT-Export zum erneuten Veröffentlichen oder Übersetzen fehlt
• Mehrere Videos lassen sich nicht gemeinsam durchsuchen, da jedes Transkript isoliert bleibt

Drittanbieter-Tools scheitern meist auf eine von drei Arten:

• Sie übersetzen das Transkript, obwohl sie es nicht sollten. Du wolltest einen spanischsprachigen Gast wortgetreu zitieren, aber das Tool lieferte eine englische Paraphrase.
• Sie lassen die Zusammenfassung in der Ausgangssprache. Du verstehst kein Deutsch, aber die Zusammenfassung erscheint auf Deutsch.
• Sie verstecken alles hinter einem Einstellungsmenü. Statt nur einen Link einzufügen, musst du API-Schlüssel, Ausgabepfade und Schalter konfigurieren.

Das gemeinsame Problem: Diese Tools sind für den Ingenieur optimiert, der einen Workflow aufbaut, nicht für den Forscher, Journalisten, Studierenden oder Creator, der innerhalb von 30 Sekunden ein Ergebnis benötigt.

Diese Skill benötigt einen Link und einen Satz. Sie liefert das passende Ergebnis.

Was diese Skill anders macht

1. Zweisprachige Ausgabe als Standard.

Das Transkript bleibt wortgetreu in der ursprünglichen Audiosprache. Jedes Zitat bleibt Wort für Wort so erhalten, wie es gesprochen wurde. Zusammenfassung und Kernaussagen erscheinen in deiner Gesprächssprache. Ein englischsprachiger Nutzer, der ein spanisches Interview transkribiert, erhält ein spanisches Transkript und eine englische Zusammenfassung. Ein Mandarin sprechender Nutzer, der eine japanische Vorlesung verarbeitet, erhält ein japanisches Transkript und eine Zusammenfassung auf Mandarin. Kein Schalter und kein Sprachparameter. Die zweisprachige Ausgabe ist der Standard, weil sie den tatsächlichen Bedarf erfüllt: ein präzises Zitat in einer Sprache und eine schnell erfassbare Erklärung in einer anderen.

2. Das Ausgabeformat ergibt sich aus deiner Formulierung, nicht aus einem Menü.

Schreibe „Gib mir Untertitel“ → du erhältst eine SRT-Datei für Premiere, DaVinci Resolve, CapCut oder YouTube Studio. Schreibe „mit Zeitstempeln, damit ich den Abschnitt über die Preise finde“ → du erhältst Markdown mit [MM:SS]-Präfixen pro Absatz, sekundengenau zitierbar. Gib kein bestimmtes Format an → du erhältst sauberen Klartext, der sich leicht lesen, zusammenfassen und in Notion, Google Docs oder Obsidian einfügen lässt. Die Schlüsselworterkennung funktioniert unabhängig von Position oder grammatischer Form in Englisch, Spanisch, Chinesisch, Japanisch und Koreanisch. „字幕“, „タイムスタンプ“ und „자막“ aktivieren dieselbe Ausgabe wie ihre englischen Entsprechungen.

3. Schnell bei langen Inhalten, sogar bei einem dreistündigen Podcast.

Lange Podcasts, zweistündige Konferenzen, vollständige Universitätsvorlesungen, mehrstündige AMA-Sitzungen und Ergebnispräsentationen sind die Inhalte, bei denen Transkription am wertvollsten ist und klassische Tools am langsamsten werden. Viele KI-Transkriptionsdienste senden zuerst das vollständige Transkript an das Zusammenfassungsmodell. Dadurch verzögert sich das Ergebnis bei langen Videos um 60–120 Sekunden und bei mehrstündigen Inhalten um mehrere Minuten. Diese Skill erstellt einen kompakten Begleitauszug aus dem ersten und letzten Satz jedes Absatzes und fasst diesen zusammen. Das halbiert ungefähr die Eingabetokens bei vergleichbarer Qualität. Die Wartezeit sinkt von „fünf Minuten auf eine Textwand warten“ auf „unter zwei Minuten für eine klare Zusammenfassung und eine gespeicherte Datei“. Das vollständige Transkript wird weiterhin gespeichert.

Unterstützte YouTube-Inhalte

Beispiele

Beispiel 1 – Aus einem zweistündigen Podcast recherchieren

Ein Forscher erstellt einen Bericht und benötigt die wichtigsten Argumente aus einem zweistündigen Podcast mit einem Branchenexperten.

„Was sagte der Gast über Störungen in der Lieferkette? https://youtu.be/abc123def“

Ergebnis:

• Zuerst der Abschnitt zur Lieferkette mit wortgetreuen Auszügen und Kontext
• Eine Zusammenfassung mit 2–4 Sätzen
• 3–6 Kernaussagen zu den Hauptthemen
• Das vollständige Transkript als herunterladbare Datei

Beispiel 2 – Ein langes YouTube-Video in einen Blogbeitrag umwandeln

Ein Creator hat ein 45-minütiges Analysevideo veröffentlicht und möchte daraus einen Blogbeitrag, Newsletter und Social-Media-Clips erstellen.

„Transkribiere dieses Video mit Zeitstempeln https://youtu.be/myvideo123“

Ergebnis:

• Eine Zusammenfassung mit 2–4 Sätzen zur Argumentationsstruktur
• 3–6 Kernaussagen als Gliederung für Blog oder Newsletter
• Das vollständige Markdown-Transkript mit [MM:SS]-Präfixen pro Absatz

Beispiel 3 – Einen Konferenzvortrag für die erneute Veröffentlichung untertiteln

Ein Engineering-Team möchte einen älteren Konferenzvortrag mit SRT-Untertiteln auf einer internen Lernplattform veröffentlichen.

„Erstelle SRT-Untertitel für https://www.youtube.com/watch?v=xyz789“

Ergebnis:

• Eine .srt-Datei im standardmäßigen SubRip-Format mit korrekten Zeitcodes
• Eine kurze Zusammenfassung und Kernaussagen für Beschreibung und Metadaten

Ausgabeformate

Sprachunterstützung

Die Transkriptionsengine unterstützt Englisch, Spanisch, Portugiesisch, Französisch, Deutsch, Italienisch, Niederländisch, Mandarin, Kantonesisch, Japanisch, Koreanisch, Vietnamesisch, Thailändisch, Indonesisch, Tagalog, Arabisch, Hindi, Urdu, Russisch, Türkisch, Polnisch, Tschechisch, Ungarisch und die meisten wichtigen europäischen, asiatischen, nahöstlichen und lateinamerikanischen Sprachen. Bei mehrsprachigen Videos dient die dominierende Sprache als Basis, während das wortgetreue Transkript alle gesprochenen Sprachen bewahrt.

Du musst die Sprache nicht angeben. URL-Signale und Hinweise aus dem Kanalnamen steuern die automatische Erkennung. Wenn der erste Versuch leer bleibt, versucht es die Skill einmal in deiner Gesprächssprache. Nach zwei leeren Ergebnissen wirst du um Bestätigung gebeten. Meist ist das Video privat, alters- oder regional beschränkt, nur für Mitglieder verfügbar oder entfernt.

Wenn du die Audiosprache bereits kennst, erwähne sie in der Anfrage, beispielsweise „dieser spanischsprachige Podcast“ oder „das Audio ist auf Japanisch“.

Genauigkeit und Erwartungen

Das Transkript ist wortgetreu. Es wird durch ein Spracherkennungssystem erzeugt und niemals umgeschrieben oder paraphrasiert. Füllwörter, Wiederholungen, Zögern und überlappende Gespräche bleiben erhalten. Das ist wichtig, wenn der genaue Wortlaut in Journalismus, Forschung, juristischen Zusammenhängen oder Faktenprüfung als Beleg dient.

Bei klarer Sprache eines einzelnen Sprechers ist die Genauigkeit hoch. Die meisten Podcasts, Vorlesungen und professionell produzierten Videos werden mit wenigen Fehlern transkribiert. Gespräche mit mehreren Personen, überlappende Stimmen, sehr technisches Vokabular, seltene Eigennamen, starke regionale Akzente, schlechte Remote-Aufnahmen und stark komprimiertes Audio können die Genauigkeit reduzieren. Bei wichtigen Zitaten sollte der Wortlaut mit dem Originalvideo abgeglichen werden.

Die Skill verarbeitet ausschließlich öffentliche Videolinks. Sie meldet sich nicht bei YouTube an und greift nicht auf private, nur für Mitglieder verfügbare oder nicht gelistete Inhalte zu.

Nicht unterstützt

• Lokale Videodateien – .mp4-Downloads, Bildschirmaufnahmen und gespeicherte Dateien sollten mit der zugehörigen audio-to-text-Skill verarbeitet werden
• Laufende Live-Übertragungen – nur abgeschlossene Aufzeichnungen funktionieren
• Nur für Mitglieder verfügbare oder altersbeschränkte Videos – der Link muss ohne Anmeldung und Altersprüfung zugänglich sein
• Private und nicht gelistete Videos – die Skill kann sich nicht in deinem Namen bei YouTube anmelden
• Musikvideos ohne gesprochene Inhalte – Instrumentalmusik und Aufnahmen ohne Sprache enthalten nichts Sinnvolles zum Transkribieren
• Übersetzung des Transkripts selbst – das Transkript bleibt bewusst in der Ausgangssprache; bitte nach Erhalt separat um eine Übersetzung