In diesem Artikel
ElevenLabs beschreibt im Forschungsbeitrag vom 28. Oktober 2026 Cue als Forced-Alignment-Modell, das Transkriptzeichen einer Audiozeitleiste zuordnet. Laut Unternehmen unterstützt es die Scribe-Familie und ist über die Forced Alignment API verfügbar.
Für Videokreative sind zwei Fragen zu trennen: Wann werden Wörter gesprochen, und wie sollten sie auf dem Bildschirm erscheinen? Die Zuordnung hilft beim Timing. Lesbare Untertitel verlangen weiterhin Aufmerksamkeit für Text, Bild und Publikum.
Transkription und Timing trennen
Die Transkription liefert die Wörter. Forced Alignment verknüpft einen vorgegebenen Text mit der Aufnahme. Korrigiere zuerst Namen, fehlende Wörter und Satzzeichen, damit der Text der später veröffentlichten Darbietung entspricht.
Präzisere Zeitmarken korrigieren nicht den Sinn eines falschen Satzes. Höre unsichere Stellen an, statt ein ordentliches Transkript als Genauigkeitsbeweis zu betrachten. Bewahre den korrigierten Text zusammen mit seiner konkreten Audiodatei auf.
Die endgültige Audiofassung zuordnen
Nutze den Kommentar oder Dialog, der im Schnitt erscheint. Eine später entfernte Anfangspause, ersetzte Zeile oder geänderte Abspielgeschwindigkeit kann die Verbindung von Wörtern und Zeitmarken verschieben.
Eine sinnvolle Übergabe enthält Audiofassung, passenden Text, Zuordnung und Untertitelexport. Ändert sich die Aufnahme, prüfe die Gültigkeit der Zeitdateien. Diese kleine Versionsdisziplin verhindert alte Verschiebungen im neuen Schnitt.
Drei Sätze gezielt prüfen
Ein eigener Übungstext lautet: „Warte hier. Hör dem Regen zu. Öffne jetzt die Tür.“ Nimm eine Fassung mit bewussten Pausen auf oder wähle sie aus und vergleiche Anfang und Ende jedes Satzes mit dem Ton.
Sieh einmal hörend und einmal mit Fokus auf die Untertitel zu. Verrät ein Satz die nächste Handlung vor dem gesprochenen Wort? Bleibt er nach einem Bildwechsel stehen? Das ist eine vorgeschlagene Schnittübung, kein getestetes Cue-Ergebnis.
Lesbare Sinneinheiten gestalten
Timing auf Zeichenebene verlangt nicht, jeden Buchstaben einzeln einzublenden. Gruppiere den Text sinnvoll, wähle geeignete Zeilenumbrüche und prüfe die spätere Playergröße.