TikTok Edit KI: ein Ablauf, bei dem der Untertitel nicht falsch bleibt

„TikTok Edit KI" meint bei den gängigen Werkzeugen — CapCut und der eingebaute Editor von TikTok selbst — drei getrennte Funktionen, die oft in einem Atemzug genannt werden: automatischer Zuschnitt aus langem Rohmaterial, automatisch erzeugte Untertitel und eine künstliche Sprecherstimme aus reinem Text. Alle drei laufen inzwischen mit einem Klick, und alle drei liefern ein Ergebnis, das auf den ersten Blick fertig aussieht, ohne es zu sein.

Der ehrliche Punkt zuerst: Die Automatik trifft Entscheidungen, die vorher niemand geprüft hat. Auto-Cut wählt Ausschnitte nach Bewegung und Lautstärke, nicht danach, welcher Satz inhaltlich der wichtigste war. Auto-Untertitel verschreiben sich zuverlässig bei Produktnamen, Fachbegriffen und Anglizismen. Genau an diesen beiden Stellen liegt der Prüfschritt, den ein schneller Export überspringt.

Wofür sich das im Büroalltag eignet

• —Eine lange Aufzeichnung — ein internes Webinar, eine Produktvorführung, ein Konferenzvortrag — zu einem kurzen Highlight-Clip für den Firmenkanal zuschneiden.
• —Ein kurzes Erklärvideo zu einer Funktion oder einem Angebot mit automatisch erzeugten Untertiteln versehen, damit es auch ohne Ton verständlich ist.
• —Ein Rohvideo ohne gesprochenen Text — etwa eine Bildschirmaufnahme — mit einer KI-Stimme aus einem geschriebenen Skript vertonen.

Nicht geeignet ist es für alles, wo eine exakte rechtliche oder technische Formulierung im Bild stehen muss — ein Preis, eine Garantiebedingung, eine Sicherheitsangabe. Ein falsch verschrifteter Untertitel an genau dieser Stelle ist kein kosmetischer Fehler, sondern eine falsche Aussage mit Firmenname darunter. Ebenfalls nicht geeignet, ohne Zustimmung der abgebildeten Person: Rohmaterial, in dem ein Kollege oder eine Kollegin erkennbar spricht und dessen Ausschnitt die Automatik allein auswählt.

Ein Ablauf, der den Untertitel nicht falsch lässt

1. 01Sichte das Rohmaterial einmal komplett und markiere selbst, welcher Satz die eigentliche Kernaussage trägt — Auto-Cut wählt nach Bewegung und Lautstärke, nicht nach Bedeutung, und übernimmt diesen Satz nicht zuverlässig.
2. 02Lass die Automatik einen ersten Zuschnitt erzeugen, aber vergleiche ihn direkt mit der eigenen Markierung aus Schritt eins, statt den Vorschlag ungeprüft zu exportieren.
3. 03Lies jeden automatisch erzeugten Untertitel gegen die Tonspur, nicht nur quer — Produktnamen, Fachbegriffe und englische Lehnwörter sind die Stellen, an denen die Spracherkennung am zuverlässigsten danebenliegt.
4. 04Hörst du eine KI-Stimme statt einer echten Aufnahme ein: Prüfe gezielt zusammengesetzte deutsche Wörter und Anglizismen auf falsche Betonung, denn dort klingt eine synthetische Stimme am ehesten unnatürlich.
5. 05Exportiere erst danach — der Zeitgewinn der Automatik entsteht beim Zuschnitt, nicht beim Weglassen der Prüfung.

Ein Beispiel von Anfang bis Ende

Ausgangsmaterial: eine achtminütige Bildschirmaufnahme, in der eine Kollegin eine neue interne Software-Funktion vorführt und dabei den Produktnamen mehrfach nennt. Ziel: ein 45-Sekunden-Clip für den Firmenkanal, mit Untertiteln, da die meisten TikTok-Nutzer ohne Ton scrollen.

Auto-Cut liefert einen technisch sauberen 45-Sekunden-Ausschnitt — schnittfest, mit den lautesten und bewegungsreichsten Sekunden des Rohmaterials. Er beginnt allerdings mitten im Satz, direkt nach der eigentlichen Erklärung, welches Problem die Funktion löst, weil genau diese Erklärung ruhig und leise gesprochen war und die Automatik das nicht als „Highlight" einstuft.

Beim Gegenlesen der automatisch erzeugten Untertitel zeigt sich der zweite typische Fehler: Der Produktname wird an zwei von vier Stellen korrekt geschrieben, an den anderen beiden phonetisch ähnlich, aber falsch — ein Fehler, der bei einer schnellen Sichtprüfung leicht übersehen wird, weil der Rest des Untertitels stimmt.

Ein TikTok-Clip, der beim ersten Ansehen schlüssig wirkt, ist nicht automatisch fertig. Fertig ist er erst, wenn der Ausschnitt die eigentliche Kernaussage enthält und jeder Untertitel mit dem Produktnamen tatsächlich stimmt.

Die Korrektur ist in beiden Fällen klein: den Clip-Anfang manuell um wenige Sekunden zurücksetzen, damit die Problembeschreibung enthalten bleibt, und den Produktnamen in den zwei falschen Untertiteln von Hand ersetzen. Beides dauert zusammen unter zwei Minuten — der Anteil, den keine Automatik übernimmt.

Warum diese Fehler passieren — und warum sie bleiben

Spracherkennung ordnet Lautmuster den wahrscheinlichsten Wörtern eines allgemeinen Sprachmodells zu — ein Produktname oder ein selten benutzter Fachbegriff kommt in diesem allgemeinen Wortschatz kaum vor und wird deshalb durch ein ähnlich klingendes, häufigeres Wort ersetzt. Eine KI-Stimme hat dasselbe Problem umgekehrt: Sie muss die Betonung eines zusammengesetzten Wortes oder Anglizismus aus dessen Schreibweise erraten, ohne den Kontext zu kennen, in dem ein Mensch es aussprechen würde. Wie schnell sich solche Sprachmodelle insgesamt verbessern, verfolgt der Stanford AI Index über mehrere Jahre — bei selten vorkommenden Eigennamen bleibt der Fehler trotzdem am längsten bestehen, weil dafür kaum Trainingsbeispiele existieren.

Bis sich das ändert, gilt für einen Social-Media-Clip derselbe Grundsatz wie für jeden anderen KI-generierten Inhalt im Büro: Ein Mensch prüft das Ergebnis, bevor es veröffentlicht wird. Die OECD-Leitlinien zu KI benennen diese Verantwortung ausdrücklich als Grundsatz, unabhängig vom Medium.

Wie verbreitet solche Werkzeuge im Job bereits sind

Der Bitkom hat zuletzt gemessen, dass 36 Prozent der deutschen Unternehmen generative KI bereits einsetzen — Video- und Bildwerkzeuge für Marketing und Social Media eingeschlossen. Welche Bearbeitungsschritte sich davon technisch überhaupt automatisieren lassen, unabhängig vom einzelnen Anbieter, untersucht laufend das IAB.

Genau diese Prüfroutine ist die Fähigkeit, für die der Arbeitsmarkt laut PwC AI Jobs Barometer einen deutlichen Gehaltsaufschlag zahlt — nicht, ein Schnittwerkzeug bedienen zu können, sondern zuverlässig zu erkennen, an welcher Stelle sein automatischer Vorschlag danebenliegt.

Was du am Montag ausprobierst

1. 01Sichte ein vorhandenes Rohvideo einmal komplett und markiere selbst den Satz mit der Kernaussage, bevor du Auto-Cut überhaupt startest.
2. 02Vergleiche den automatischen Zuschnitt mit dieser Markierung und verschiebe den Clip-Anfang, falls die Automatik die Kernaussage abgeschnitten hat.
3. 03Lies jeden automatisch erzeugten Untertitel gegen die Tonspur, mit besonderem Blick auf Produktnamen und Fachbegriffe.
4. 04Setzt du eine KI-Stimme ein, prüfe gezielt zusammengesetzte Wörter und Anglizismen auf falsche Betonung, bevor du exportierst.

Soll aus einem Foto statt Rohvideo ein bewegter Clip werden, gilt dieselbe Prüflogik in Bild zu Video KI. Steht die KI-Stimme im Vordergrund, etwa als Voiceover aus einer echten Aufnahme, zeigt Stimme klonen denselben Zustimmungs- und Prüfschritt ausführlicher. Für den gesprochenen Text selbst — ob als Skript für die Vertonung oder als Bildunterschrift — hilft KI-Text humanisieren beim letzten Schliff, falls der Entwurf noch generisch klingt.

Soll der Clip zusätzlich eine sprechende Figur statt eines echten Gesichts zeigen, gilt dieselbe Vorgabe-Regel in KI Avatar. Der Grundsatz dahinter — ein Ergebnis prüfen, bevor es veröffentlicht wird, statt sich auf den ersten Eindruck zu verlassen — ist derselbe wie bei jeder anderen KI-Aufgabe im Büro, ausführlicher beschrieben in KI im Büro.

Coursium übt genau diese Prüfgewohnheit in kurzen Lektionen fürs Handy — an echten Büroaufgaben, nicht an Demo-Beispielen. Bleib der KI voraus und fang mit einer Lektion an. Mehr zu diesem Ansatz steht über Coursium.