Untertitel, die den Daumen stoppen: So machen es die besten Creator
Schrift, Größe, Kontur und Timing hinter Untertiteln, die den Daumen stoppen — die echten Zahlen, warum jede einzelne zählt, und wie Sie denselben Premium-Look mit einem Klick bekommen, statt ihn in jedem Video neu zu bauen.
Es gibt Untertitel, und es gibt Untertitel, die den Daumen stoppen. Der Unterschied liegt nicht im Aufwand, sondern in einer Handvoll klarer Entscheidungen, die erfolgreiche Creator einmal treffen und danach für immer wiederverwenden.
Hier ist das komplette Rezept für einen 9:16-Clip auf TikTok, Reels oder Shorts:
- Schrift: eine fette Sans-Serif — Anton, Montserrat Bold oder Archivo Black
- Größe: 7–10% der Bildhöhe
- Farbe: Weiß, oder Gelb für energiegeladene Inhalte
- Kontur: eine 3–4px starke schwarze Kontur oder eine deckende Hinterlegung
- Zeilenlänge: 2–4 Wörter, ein bis zwei Zeilen, niemals drei
- Position: unteres Mitteldrittel, außerhalb der unteren 15%
- Timing: Wort für Wort, nicht Satz für Satz
Genau das trennt einen Premium-Untertitel von einem Standard-Untertitel. Im Rest dieses Beitrags geht es darum, warum jede Zahl so ist, wie sie ist — und warum Sie keine davon jemals von Hand einstellen sollten.
Warum automatische Plattform-Untertitel den Daumen nie stoppen
TikTok, Instagram und YouTube untertiteln Ihr Video kostenlos und sofort. Sie sind auch der Grund dafür, dass so viele Kurzvideos identisch aussehen: dieselbe Schrift, dieselbe Position, derselbe graue Kasten wie bei allen anderen im Feed.
Das ist das eigentliche Problem. Ein Untertitel ist das Erste, was ein scrollender Zuschauer liest — meistens ohne Ton. Sieht er aus wie jeder andere Clip, ist er bereits verloren. Generische Untertitel helfen nicht nur nicht, sie signalisieren aktiv, dass ein Video hochgeladen und nicht gemacht wurde.
Premium-Untertitel machen das Gegenteil. Sie sind die visuelle Signatur, die jemanden anhalten lässt — und spätestens beim dritten Video das, woran man Sie wiedererkennt.
Die Zahlen, und warum es genau diese sind
Größe: 7–10% der Bildhöhe. Bei einem Export in 1080 × 1920 sind das rund 135–190px Versalhöhe. Auf einem Desktop-Monitor wirkt das absurd groß, auf dem Handy genau richtig. Das ist mit Abstand der häufigste Fehler: Untertitel in der Größe zu gestalten, die im Schnittprogramm auf einem 27-Zoll-Bildschirm ausgewogen aussieht — und dann etwas zu veröffentlichen, das auf dem Gerät, für das es gemacht wurde, unlesbar ist.
Kontur: 3–4px schwarze Kontur. Keine Dekoration, sondern Absicherung. Ihr Motiv läuft an einem Fenster vorbei, der Himmel brennt aus, eine weiße Wand füllt das Bild. Reinweißer Text ohne Kontur scheitert in fast jedem Clip irgendwann. Eine Kontur oder eine deckende Hinterlegung garantiert Kontrast gegen einen Hintergrund, den Sie nicht kontrollieren.
Zeilenlänge: 2–4 Wörter. Dahinter steckt echte Leseforschung. Die Wahrnehmungsspanne geübter Leser — also wie viel Text eine einzelne Blickfixierung tatsächlich erfasst — reicht etwa 3–4 Buchstaben nach links und 14–15 Buchstabenbreiten nach rechts (Rayner, Slattery & Bélanger, 2010). Ein Untertitel aus zwei bis vier Wörtern liegt nah an diesem Fenster und wird deshalb in ein bis zwei Fixierungen aufgenommen. Eine lange Zeile nicht: Das Auge muss in mehreren Sprüngen darüber wandern, und jeder Sprung ist Zeit, die gelesen statt geschaut wird.
Die professionelle Untertitelung ist von der anderen Seite bei derselben Grenze gelandet. Netflix' English Timed Text Style Guide begrenzt Untertitel auf 42 Zeichen pro Zeile bei maximal zwei Zeilen, mit einer Lesegeschwindigkeit von höchstens 20 Zeichen pro Sekunde für Erwachsenenprogramme. Im Kurzvideo geht es noch enger zu, weil der Zuschauer gleichzeitig ein Gesicht, einen Schnitt und einen bewegten Hintergrund verfolgt.
Wenn Ihre Untertitel auf drei Zeilen umbrechen, sind sie zu lang — die Lösung sind weniger Wörter pro Einblendung, nicht kleinerer Text.
Position: unteres Mitteldrittel. Hoch genug, um die Bedienoberfläche der Plattform freizuhalten — Nutzernamen, Buttons und Fortschrittsbalken liegen alle im unteren Band — und tief genug, um nicht im Gesicht Ihres Motivs zu landen. Prüfen Sie die Vorschau in einem Rahmen im Handyformat, nicht in einem Desktop-Fenster, sonst sehen Sie die Kollision erst, wenn das Video schon online ist.
Schrift: ein schmales Feld von Überlebenden. Text über Video ist Text über einem unvorhersehbaren, bewegten, schlecht ausgeleuchteten Hintergrund. Dünne Schnitte verschwinden vor hellen Bildern. Serifen verlieren ihre feinen Striche auf dem Handy. Schreibschriften sind im Tempo unlesbar. Was übrig bleibt, sind fette geometrische und grotesk anmutende Sans-Serifs mit großer x-Höhe: Anton, Archivo Black, Montserrat Bold, Poppins Bold, Inter Bold.
Wort-für-Wort-Timing ist das Premium-Signal
Wenn die Typografie sitzt, ist die zeitliche Feinheit der größte verbleibende Unterschied — und derjenige, den Zuschauer spüren, ohne ihn benennen zu können.
Untertitel auf Satzebene werfen einen Textblock ins Bild und lassen ihn dort stehen. Das Auge liest ihn in einer halben Sekunde und hat danach nichts mehr zu tun. Wort-Timing blendet Wörter ungefähr dann ein, wenn sie gesprochen werden — der Untertitel bleibt an der Stimme verankert und das Auge in Bewegung.
Das ist gemeint, wenn von „Karaoke-Untertiteln" die Rede ist. Dafür braucht es Start- und Endzeit pro Wort, nicht pro Zeile. Und es ist die mit Abstand mühsamste Handarbeit überhaupt: einzelne Wörter auf einer Timeline verschieben, pro Einblendung, pro Video, endlos. Genau diese Arbeit sollte automatisch passieren.
Holen Sie sich diesen Look mit einem Klick
Sie sollten nichts davon manuell einstellen müssen. CakeCut fügt Ihrem Video mit nur einem Klick Premium-Ersteller-Untertitel hinzu – Timing auf Wortebene, Stile, die das Scrollen stoppen.
Wie Premium tatsächlich aussieht
Zwei echte CloudCap-Renderings, an den entgegengesetzten Enden der Bandbreite.
Volle Energie. Gelb mit schwarzer Kontur ist die kontraststärkste Kombination überhaupt, und die gemischten Schnitte — ein kleiner Schreibschrift-Auftakt über einem fetten Display-Wort — erzeugen Hierarchie innerhalb eines Untertitels aus zwei Wörtern. Das stoppt den Daumen bei Hooks und Pointen. Über vier Minuten Talking Head wäre es anstrengend.
Zurückhaltend — und im Stillen das technisch Anspruchsvollere von beiden. Klare weiße fette Sans-Serif, keine Farbe — und der Text sitzt hinter dem Motiv, sodass dessen Schulter vor dem Wort vorbeizieht. Dieser Tiefenhinweis lässt den Untertitel wirken, als wäre er in die Szene komponiert statt daraufgeklebt, und hält das Gesicht frei, ohne den Text aus der Mitte zu rücken.
Keines von beiden würden Sie für jeden Upload von Hand zusammenbauen. Beides ist ein Klick.
Zur Energie passen, dann aufhören zu entscheiden
- Schnelle Schnitte oder unruhige Hintergründe — nutzen Sie eine deckende Hinterlegung statt einer Kontur. Eine Kontur reicht nicht, wenn sich der Hintergrund alle 400ms ändert.
- Ruhige, ernste Inhalte — aggressiv animierte Untertitel wirken hier tonal falsch. Zurückhaltung ist auch ein Stil.
- Nicht-lateinische Schriftsysteme — prüfen Sie, ob die Schrift die Glyphen enthält. Viele Display-Schriften sind rein lateinisch, und die Ersatzschrift passt nicht zu Ihrem Schnitt.
- Lange Wörter — Deutsch, Finnisch und Fachvokabular sprengen die 2–4-Wörter-Regel. Weniger Wörter pro Zeile, nicht kleinerer Text.
Jede dieser Entscheidungen sollten Sie genau einmal treffen. Teuer ist nicht die Entscheidung selbst, sondern sie immer wieder neu zu treffen, pro Video, endlos — und am Ende jedes Mal etwas anders auszusehen.
Premium-Untertitel, mit einem Klick
Genau dafür gibt es CloudCap. Sie bringen einen fertigen Clip mit und bekommen mit einem Klick Premium-Untertitel auf Creator-Niveau: Wort-Timing bereits angewendet, ein unverwechselbarer Stil bereits angewendet, bereit zum Posten.
Die Stile sind echte Presets — darunter beide oben gezeigten — sodass das zwanzigste Video aussieht wie das erste. Nichts von alldem muss konfiguriert, gemessen oder neu hergeleitet werden. Und wenn Sie doch Kontrolle wollen: Timing, Layout und die Gestaltung einzelner Wörter sind vollständig editierbar, und der Untertitelrahmen ist ein echter Rahmen — Text kann also nicht unbemerkt aus dem Bild wachsen.
Sie können Untertitel übersetzen, wenn derselbe Clip ein größeres Publikum erreichen soll, und wahlweise ein fertig untertiteltes Video zum Posten oder Untertiteldateien wie SRT, TXT und JSON exportieren, wenn Sie den Text separat brauchen.
Es ist kein Videoeditor. Wenn Sie schneiden, gradieren oder Audio mischen wollen, bleiben Sie dafür bei Ihrem gewohnten Werkzeug. CloudCap übernimmt beim Untertitel-Durchgang — jener Stunde, die Sie sonst damit verlieren, Wörter über eine Timeline zu ziehen, für ein Ergebnis, das aussieht wie das aller anderen.
Quellen
- Rayner, K., Slattery, T. J., & Bélanger, N. J. (2010). Eye movements, the perceptual span, and reading speed. Psychonomic Bulletin & Review, 17(6), 834–839. Die Wahrnehmungsspanne geübter Leser alphabetischer Schriftsysteme umfasst 3–4 Buchstaben links der Fixierung und 14–15 Buchstabenbreiten rechts davon. Die Studie berichtet außerdem mittlere Fixierungsdauern von etwa 205–253ms und Vorwärtssakkaden von 6,2–8,9 Buchstabenbreiten, wobei schnellere Leser längere Sakkaden machen als langsamere.
- Netflix. English Timed Text Style Guide. Legt 42 Zeichen pro Zeile fest, maximal zwei Zeilen und Lesegeschwindigkeiten von bis zu 20 Zeichen pro Sekunde für Erwachsenenprogramme (17 für Kinderprogramme).
Eine Anmerkung zu den Zahlen, die nicht belegt sind: Die Versalhöhe von 7–10%, die 3–4px starke Kontur und die Platzierung im unteren Mitteldrittel sind Konventionen aus dem, was bei vertikalem 9:16-Mobilvideo verlässlich funktioniert — keine veröffentlichten Standards. Insbesondere die sicheren Bereiche der Plattformen verschieben sich mit Oberflächenänderungen und Untertitellänge. Die Plattformen stellen aktuelle Safe-Zone-Vorlagen über ihre eigenen Werbetools bereit, und die sind maßgeblich gegenüber jeder festen Pixelangabe — auch gegenüber denen in diesem Artikel.