Sprache in Text auf Twitch, ehrlich gesagt

Sprache zu Text, nicht Text zu Sprache – kurze Begriffsklärung

Kurze Begriffsklärung – STT vs. TTS. Wenn du nach der roboterhaften Stimme suchst, die Spendennachrichten während deines Streams vorliest, ist das Text-to-Speech, nicht Speech-to-Text. Anderes Kaninchenloch. Schau dir SoundAlerts an – TTS für Bits, Tips, Channel Points, Subs, Raids und Hype Trains, mit KI-Stimmen im Premium-Tarif. Oder nutze StreamElements, das AlertBox-TTS mit über 1000 Stimmen von Polly, Google, Azure und TikTok bietet, plus Spam-Moderation. Der Rest dieses Artikels geht um die andere Richtung: deine Stimme zu Text.

Speech-to-Text ist deine Stimme, die zu Buchstaben auf dem Bildschirm wird: Untertitel, Transkripte, diktierte Nachrichten. Text-to-Speech ist die entgegengesetzte Richtung: getippte Nachrichten, die von einer synthetischen Stimme vorgelesen werden – meist ein Spendenalarm.

Die Hälfte der Twitch-Nutzer, die diesen Begriff sucht, will eigentlich das Zweite. Google kann nicht erkennen, was gemeint ist – deshalb gibt es für diese Suchanfrage keine KI-Übersicht. Die TTS-Tools oben übernehmen Spendennachrichten. Der Rest dieses Artikels behandelt deine Stimme als Text.

Wofür Streamer Sprache-zu-Text wirklich nutzen

Vier Anwendungsfälle, die immer wieder auftauchen. Die meisten Streamer nutzen einen davon. Die guten nutzen alle vier.

Live-Untertitel für Barrierefreiheit

Eine Textzeile am unteren Bildschirmrand für Zuschauer, die gehörlos oder schwerhörig sind, bei der Arbeit ohne Ton schauen oder Nicht-Muttersprachler, die mitlesen. Twitch zeigt einen CC-Button auf Streams, die bereits Untertitel im RTMP-Feed enthalten – und gar nichts bei Streams ohne. Das liegt also bei dir.

VOD-Transkripte für Shorts und SEO

Du hast drei Stunden gestreamt, der Boss-Fight war irgendwo um die zweite Stunde, und du willst einen 60-Sekunden-TikTok davon mit Text im Bild. Das Transkript bedeutet: du suchst den Moment per Ctrl+F, statt endlos zu scrubben.

Diktat zwischen Szenen

Der Teil, über den niemand redet – und für den ich bezahlen würde. Mitten im Stream, Hände an der Tastatur: Dein Mod pingt dich in Discord und fragt, ob du den Sub-only-Modus für den Raid verlängern willst. Du kannst entweder umständlich Alt+Tab drücken, während der Boss-Fight eskaliert – oder eine Taste drücken, den Satz sagen, und er landet bei 145 Wörtern pro Minute in Discord.

Der Standard-Hotkey von Whisper ist Ctrl+Space auf Windows und Linux sowie der nur-Modifier-Push-to-Talk-Shortcut command+option auf macOS. Beides funktioniert überall, wo Texteingabe möglich ist: Chat, Discord, OBS-Szenenname-Felder, eine Entschuldigungs-DM um 1 Uhr nachts an den Zuschauer, dessen Namen du falsch ausgesprochen hast. Zwei streamer-spezifische Stolpersteine: Wenn dein Szenen-Wechsel-Hotkey Ctrl+Space ist, schnappt OBS ihn sich, bevor Whisper ihn hört. Bind einen um. Und manche Vollbildspiele (alles mit Unreal Engine im exklusiven Vollbildmodus) schlucken den globalen Hotkey – starte das Spiel im randlosen Fenstermodus, und das Problem verschwindet.

Notizen nach dem Stream

Ein kurzes Memo an dein zukünftiges Ich: was gut lief, was nicht funktioniert hat und welcher Clip es wert ist, bearbeitet zu werden. Die meisten Streamer überspringen das. Die meisten fragen sich auch, warum ihr Kanal nicht wächst.

Der erste Punkt ist OBS. Der zweite ist ein Transkriptionstool. Der dritte ist eine Diktat-App wie unsere. Der vierte ist die Kombination, die dich vor zwei Uhr morgens ins Bett bringt.

Live-Untertitel in OBS: Das 10-Minuten-Setup

Ehrliche Vorrede: Das Standard-Setup für Live-Untertitel auf Twitch wird nicht von Whisper betrieben. Es ist das OBS Closed Captions Plugin von ratwithacompiler, das standardmäßig Google Speech Recognition als Backend nutzt. Version 0.33 wurde am 15. Oktober 2025 veröffentlicht, hat 1.300 GitHub-Sterne und läuft auf Windows, macOS und Linux. Es funktioniert nicht mit Streamlabs OBS, da SLOBS keine Drittanbieter-Plugins akzeptiert.

Hier ist das 10-Minuten-Setup. Kein Schritt erfordert Code.

1. Installiere OBS Studio, falls noch nicht vorhanden. Das Plugin funktioniert nur mit OBS, nicht mit SLOBS.
2. Lade das Plugin von der GitHub-Releases-Seite von ratwithacompiler/OBS-captions-plugin herunter. Wähle das Installationsprogramm für dein Betriebssystem, schließe OBS zuerst, dann starte es.
3. Öffne OBS, gehe zu Tools → Closed Captions. Wähle deine Mikrofonquelle – in der Regel Mic/Aux oder wie auch immer du sie umbenannt hast.
4. Lege die Quellsprache fest. Standard ist Englisch. Das Plugin streamt an Googles kostenlosen Endpunkt; die Genauigkeit ist bei sauberem Mikrofonaudio gut und verschlechtert sich bei starker Hintergrundmusik.
5. Aktiviere Untertitel in deinem Twitch-Dashboard: Stream Manager → Einstellungen → Stream → Closed Captions umschalten. Twitchs Leitfaden zu Closed Captions erklärt die Broadcaster-Seite, falls du ihn brauchst.
6. Teste auf einem privaten Stream. Setze den Broadcast auf nicht gelistet, sprich 30 Sekunden lang, und prüfe, ob der CC-Button erscheint.

Fertig. Der Kompromiss: Das Audio verlässt deinen Rechner und geht zu Google. Falls das deinen Vertrag mit deinem Publikum bricht, springe weiter zu Cloud vs. lokal. Whisper selbst passt hier nicht rein – wir sind die Diktat-und-VOD-Schicht daneben. OBS übernimmt die Untertitel, Whisper übernimmt den Hotkey-basierten Text. Zwei Tools, zwei Aufgaben.

VODs und Clips für Shorts transkribieren (die echte Zeitersparnis)

Ein dreistündiger Stream ist ein dreistündiges Suchproblem. Du weißt, dass der lustige Moment irgendwo beim zweiten Sub-Train war – aber du findest ihn nicht, ohne endlos zu scrubben. Ein Transkript löst das in zehn Sekunden.

Zweite ehrliche Aussage. Whisper by Remskill akzeptiert heute keine Video- oder Audiodatei-Uploads in der Desktop-App. Die Transkription läuft Hotkey-gesteuert über das Live-Mikrofon, ohne Drag-and-Drop und ohne „VOD öffnen“-Button. Wenn dein Workflow „MP4 ablegen, Transkript erhalten“ ist, sind wir nicht das richtige Tool – noch nicht. Zwei ehrliche Optionen:

Option A – VOD per Loopback durch das Mikrofon leiten. Nutze VB-CABLE auf Windows oder BlackHole auf dem Mac, um das Audio deines VODs als Mikrofonsignal an Whisper zu leiten, und halte dann den Hotkey während der Wiedergabe. Freihändig – aber du sitzt die Wiedergabe durch. Wähle large-v3 für mehrsprachige Streams oder distil-large-v3 (Turbo) für Englisch: 6× schneller als large-v3 bei 99 % der Genauigkeit.

Option B – nutze Open-Source whisper.cpp oder faster-whisper. Beide akzeptieren .mp4- und .wav-Dateien per Kommandozeile. Aufwändigeres Setup, aber sie verarbeiten Jobs im Hintergrund, während du schläfst. Das ist der legitime „Whisper für diesen Zweck überspringen“-Zug: whisper.cpp und openai/whisper sind kostenlos und gut gepflegt.

Der echte Gewinn liegt im Anschluss. Wirf das Transkript in ChatGPT und frag nach den drei besten clipbaren Momenten, füge es als Untertitelspur in deinen Videoeditor ein, und nutze es als YouTube-Beschreibung – die Zeitstempel sind bereits vorhanden.

Cloud vs. lokal: Wo dein Stream-Audio landet

Stream-Audio ist heikel. Auch wenn du live vor Tausenden sendest, ist der Unterschied zwischen „wir wissen, dass wir aufgenommen werden“ und „ein unbekanntes US-Unternehmen hat eine Kopie meines Off-Stream-Gesprächs mit einem Mod“ sehr real.

Whisper bietet drei Transkriptionswege und lässt dich wählen. Es gibt keine Voreinstellung.

Cloud (OpenAI, BYOK)

Beste Genauigkeit, Websuche integriert, KI-Textverbesserung via GPT-5. Die Transkription läuft standardmäßig über gpt-4o-mini-transcribe oder gpt-4o-transcribe für höhere Genauigkeit. Du bringst deinen eigenen OpenAI-Schlüssel mit und zahlst OpenAI pro Minute Audio. Das Audio verlässt dein Gerät.

Lokal – NVIDIA Parakeet

Schnelle lokale Option. Etwa 600 MB auf der Festplatte, 5–10× schneller als Whisper auf der CPU, Englisch plus 24 europäische Sprachen ohne Übersetzung ins Englische. Keine asiatischen Sprachen: Japanische, koreanische oder chinesische Streamer können Parakeet nicht verwenden.

Lokal – Whisper

Langsamer als Parakeet, in acht Modellgrößen von Base (~140 MB) bis Large v3 (~3 GB). Mehrsprachige Varianten unterstützen 99 Sprachen und Übersetzung ins Englische; die .en-Builds sind nur für Englisch – der Sprachselektor ist gesperrt.

Wenn du von einem Desktop mit moderner CPU oder einem Mac mit M-Serie streamst, probiere zuerst den lokalen Modus. Cloud ist der Ausweg, wenn du eine Sprache brauchst, die Parakeet nicht abdeckt, oder du OpenAIs Websuche direkt im selben Hotkey willst. Dein Rechner hat bereits ein Mikrofon und eine CPU – er braucht keinen Server für einen einzigen Satz Mod-Notiz.

Ich habe einmal versucht, meinen eigenen Coding-Stream mit Untertiteln zu versehen, und das Modell hat jeden git commit in ein falsches Gartengerät autocorrigiert. Das war der Moment, in dem ich aufgehört habe, Live-Untertitel für Clips zu nutzen, und begann, Transkripte manuell nachzubearbeiten. Der Diktat-zwischen-Szenen-Flow hat über Hunderte von Mod-Notizen ohne nennenswerten Ausfall gehalten. Verschiedene Aufgaben, verschiedene Zuverlässigkeitsansprüche.

Wann du Whisper dafür überspringen solltest

Die ehrliche Entscheidungsmatrix:

• Du willst nur Live-Untertitel direkt im Broadcast. Nutze das OBS Closed Captions Plugin und fertig. Whisper ist keine Live-Untertitel-Engine für OBS – wir sind das Diktat-Tool daneben.
• Du willst eine Roboterstimme, die Spendennachrichten vorliest. Nutze SoundAlerts oder StreamElements – das ist TTS, die entgegengesetzte Richtung.
• Du brauchst die Batch-Transkription jahrelanger VOD-Dateien. Open-Source whisper.cpp oder faster-whisper nehmen Dateien direkt entgegen und kosten nichts. Wir haben noch keine Datei-Upload-Oberfläche.
• Du streamst von einem Intel Mac. Whisper by Remskill wird nur für Windows x86_64 und macOS Apple Silicon ausgeliefert; Intel Mac wird nicht unterstützt. Cloud-only-Dienste funktionieren unabhängig davon im Browser.

Wenn dein Anwendungsfall Diktat zwischen Szenen, VOD-Transkripte per Loopback oder Notizen nach dem Stream ist – das ist unser Feld. Alles andere auf dieser Liste: nimm, was passt.

Der Großteil des Speech-to-Text-Setups für Twitch ist Handwerk: ein OBS-Plugin, das man einmal installiert, ein Loopback-Treiber, den man danach vergisst, ein Hotkey, den man einmal bindet. Die eigentliche Arbeit passiert danach. Wann sind Untertitel das Risiko wert, dass das Audio das Gerät verlässt? Welcher 60-Sekunden-Clip aus einem dreistündigen Stream ist die Extraktion wert? Tippen oder diktieren, wenn die Mods schreiben? Nimm das Tool, das dir in Stunde drei des Streams nicht im Weg steht – denn genau dann kommt es drauf an.