Live Subtitles bringt lokale Echtzeit-Untertitel auf Windows – Benchmark bleibt projektintern

Zwei Arbeitsweisen: Live-Overlay und Untertiteldatei

Im Live-Betrieb greift die Anwendung laut Repository über WASAPI Loopback auf das Windows-Systemaudio zu. Die Erkennungsergebnisse erscheinen in einem Overlay, das verschoben und in Größe sowie Darstellung angepasst werden kann. Zu den dokumentierten Optionen gehören Schrift, Farbe, Schatten, Zeilenabstand und Anzeigeverhalten. Im gesperrten Zustand soll das Fenster klickdurchlässig sein, damit Mausklicks weiterhin beim darunterliegenden Player ankommen. [1]

Das Overlay kann nach Projektangaben im Leerlauf vollständig unsichtbar bleiben; bei Bewegung des Mauszeigers werden Bedienelemente eingeblendet. Für Untertiteldateien nennt das Repository die Formate SRT, ASS und WebVTT. Eine vorhandene SRT-Datei soll nicht ohne ausdrückliche Aufforderung überschrieben werden. Für diesen Dateibetrieb müssen ffmpeg und ffprobe im Systempfad vorhanden sein. [1]

Die beiden Betriebsarten verwenden unterschiedliche Abläufe. Die Live-Erkennung muss Text während der Wiedergabe ausgeben; bei der Dateitranskription verarbeitet das Programm laut Dokumentation jeweils 20-Sekunden-Fenster. Dort kommt Parakeet TDT 0.6B v3 zum Einsatz. Die Projektseite sagt zudem, dass ASS-Dateien Gestaltungsmerkmale des Overlays übernehmen können. [1]

GPU für Englisch, CPU-Ausweichlösung für weitere Fälle

Für englische Live-Untertitel ist NVIDIA Parakeet-unified 0.6B auf einer CUDA-GPU als Standard vorgesehen. Nemotron Streaming mit einer angegebenen Latenzoption von 560 Millisekunden läuft auf der CPU, wenn keine nutzbare NVIDIA-GPU verfügbar ist, und übernimmt laut Projekt auch die Erkennung in den übrigen unterstützten Sprachen. Die Dokumentation nennt 30 weitere Sprachen sowie eine automatische Spracherkennung. [1]

Die GPU-Ausführung setzt nach Angaben des Repositorys eine NVIDIA-Grafikkarte mit ungefähr 3,2 GB freiem Grafikspeicher und einen aktuellen Treiber voraus. Das Modell für den GPU-Betrieb wird mit rund 2,5 GB angegeben und beim ersten Einsatz heruntergeladen; das CPU-Modell umfasst laut Installationshinweisen etwa 470 MB. Eine Statuszeile soll anzeigen, welche Erkennungs-Engine gerade aktiv ist. [1]

Technisch beschreibt das Projekt für Parakeet-unified ein gepuffertes Streaming-Verfahren. In Intervallen von 240 Millisekunden werden demnach erneut 5,6 Sekunden vorheriger Sprachkontext und 160 Millisekunden Vorschau verarbeitet; decodiert werden die neuen Frames. Die Projektseite begründet damit den GPU-Bedarf: Auf der CPU sei diese Konfiguration langsamer als Echtzeit. Die GPU-Engine läuft deshalb in einem separaten Worker-Prozess. [1]

Die Prozessaufteilung hängt laut Repository auch mit den Laufzeitbibliotheken zusammen: GPU-Erkennung und CPU-Komponenten verwenden unterschiedliche ONNX-Runtimes, deren DLL-Dateien denselben Namen tragen. Die betroffenen Komponenten werden daher in getrennten Prozessen ausgeführt. Für den Betrieb bedeutet das, dass die Hardwarebeschleunigung nicht nur eine Einstellungsfrage ist, sondern auch eine besondere Softwarearchitektur voraussetzt. [1]

Der Benchmark zeigt keinen einheitlichen Sieger

Das Projekt begründet die Engine-Wahl mit einem eigenen Test über 16 Szenen und rund 80 Minuten Audio. Die Szenen umfassen synthetische Sprachbeispiele und reale Ausschnitte aus Fernsehsendungen, Podcasts, Earnings Calls, TED-Vorträgen sowie dem Film „Tears of Steel“. Laut Dokumentation lief die Caption-Pipeline der Anwendung unter einer simulierten Echtzeit-Uhr. [1]

Für reale Aufnahmen weist die Ergebnistabelle eine Word Error Rate (WER) von 13,8 Prozent für Parakeet-unified und 17,0 Prozent für Nemotron 560 aus. Die WER misst in diesem Zusammenhang Abweichungen vom jeweiligen Referenztranskript; niedrigere Werte bedeuten weniger Fehler in der Auswertung. Bei synthetischen Szenen dreht sich das Verhältnis um: Nemotron erreicht dort laut Tabelle 14,9 Prozent, Parakeet 17,4 Prozent. [1]

Auch bei den weiteren berichteten Kennzahlen liegt Parakeet im zusammengefassten Test vorn. Das Projekt nennt einen Sentence-F1-Wert von 0,60 gegenüber 0,40 für Nemotron. Bis ein Wort auf dem Bildschirm erscheint, vergehen demnach im Median 0,36 Sekunden bei Parakeet und 0,40 Sekunden bei Nemotron; beim 90. Perzentil sind es 0,61 beziehungsweise 0,81 Sekunden. Diese Angaben beschreiben den Testaufbau des Projekts und sind keine allgemeine Leistungszusage für andere Rechner oder Audioquellen. [1]

Bei der CPU-Auslastung nennt die Tabelle 0,8 Kerne für Parakeet. Für Nemotron weist sie 9,4 Kerne bei vier Threads und 1,9 Kerne bei zwei Threads aus. Ein zusätzlicher Test mit laufendem Film auf einer GTX 1070 soll für Parakeet etwa 20 Prozent GPU-Auslastung und 0,3 CPU-Kerne über beide Prozesse ergeben haben. Diese Werte stammen aus unterschiedlichen Messangaben und sollten nicht zu einem einzigen, universellen Ressourcenprofil zusammengezogen werden. [1]

Audioqualität und Testszenario beeinflussen die Ergebnisse

Die Einzelwerte in der Projektdokumentation zeigen, wie stark die Resultate vom Material abhängen. Bei vier Earnings Calls aus Nigeria, China, Brasilien und Australien nennt das Repository für Parakeet WER-Werte von 14,0, 16,2, 22,2 und 18,2 Prozent. Für Nemotron stehen in denselben Szenen 22,7, 33,7, 22,5 und 23,1 Prozent. Das ist ein Vergleich innerhalb des veröffentlichten Testsets, nicht der Nachweis einer entsprechenden Leistung bei beliebigen internationalen Gesprächen. [1]

Die Dokumentation führt auch Szenarien auf, in denen die GPU-Engine schwächer abschneidet: vorgelesene Sprache unter besonders lauten Effekten und sehr leise Sprache. Bei „Tears of Steel“ liegen die angegebenen WER-Werte mit 27,5 Prozent für Parakeet und 28,1 Prozent für Nemotron nahe beieinander. Für leise Dialoge empfiehlt das Projekt, die CPU-Engine als Vergleich auszuprobieren. [1]

In der Beschreibung der Einzelszenen gibt es eine kleine Unstimmigkeit zur zusammenfassenden Aussage, Parakeet habe bei realen Aufnahmen überall gewonnen oder gleichgezogen, abgesehen von zwei TED-Vorträgen. Eine aufgeführte Podcast-Szene weist für Parakeet 9,2 Prozent und für Nemotron 8,8 Prozent WER aus. Das ist ein geringfügig schlechterer Wert für Parakeet in dieser Szene und sollte bei der Interpretation der Detailergebnisse berücksichtigt werden. [1]

Die Dokumentation beschreibt einen konkreten Testaufbau, aber keine unabhängige Reproduktion der Resultate. Auch der Testumfang bleibt auf die dort aufgeführten Szenen beschränkt. Für Unternehmen ist deshalb ein eigener Versuch mit typischen Aufnahmen und der vorgesehenen Hardware aussagekräftiger als eine Übertragung der Mittelwerte auf den späteren Betrieb. [1]

Lesbarkeit hängt auch von der Darstellung ab

Bei Live-Untertiteln zählt neben der Erkennung, wie stabil der Text im Overlay bleibt. Das Programm fixiert laut Projekt die Zeile eines platzierten Wortes; nur noch nicht endgültig erkannte Wörter können sich bewegen. Änderungen an Satzzeichen beschränkt es auf die jüngsten vier Wörter. Im Benchmark zählt das Repository für beide Live-Engines null Zeilensprünge und null Umschreibungen bereits angezeigten Texts pro Minute. [1]

Die Unterschiede hängen auch mit der Ausgabeweise der Modelle zusammen. Nemotron liefert der Dokumentation zufolge nur endgültige Tokens, sodass bereits angezeigte Untertitel nicht nachträglich geändert werden. Bei Parakeet kann ein Satzpunkt erst erscheinen, wenn der nächste Satz beginnt. Die Anwendung hält das jüngste Wort deshalb zunächst offen und fügt den Punkt später hinzu. [1]

Für den betrieblichen Einsatz folgt daraus, dass ein reiner Genauigkeitswert die Nutzererfahrung nicht vollständig beschreibt. Das Projekt misst neben der WER auch Verzögerungen, Textkorrekturen und Zeilensprünge. Wenn Sie die Anwendung für Gespräche, Schulungen oder Videoinhalte prüfen, sollten Sie diese Eigenschaften zusammen mit der Erkennungsqualität bewerten. [1]

Was Unternehmen vor einem Pilotbetrieb prüfen sollten

Die Projektseite beschreibt die Verarbeitung als lokal. Zugleich wird das benötigte Modell beim ersten Einsatz aus dem Internet heruntergeladen; Einstellungen, Modelle und Protokolle werden laut Dokumentation in lokalen Windows-Verzeichnissen abgelegt. Aus diesen Angaben allein lässt sich keine vollständige Aussage über Datenflüsse, Telemetrie oder Sicherheitskontrollen ableiten. Bei vertraulichen Audioinhalten sollten Sie deshalb vorab den tatsächlichen Betrieb und den Umgang mit Protokollen prüfen. [1]

Auch die Genauigkeitsangaben sind für weitere Sprachen begrenzt: Der veröffentlichte Live-Benchmark bezieht sich auf englische Erkennung. Die Dokumentation nennt zwar zusätzliche unterstützte Sprachen, stellt aber keine vergleichbaren Genauigkeitswerte für diese bereit. Sie belegt ebenso wenig, dass die Erkennung mit unternehmensspezifischen Fachbegriffen oder formalen Transkriptionsanforderungen zuverlässig umgeht. [1]

Ein aussagekräftiger Pilot sollte deshalb typische Audioquellen, die konkrete Zielhardware und die benötigte Sprache abbilden. Neben Erkennungsfehlern gehören Verzögerung, CPU- und GPU-Auslastung sowie das Verhalten bei leiser Sprache, Hintergrundgeräuschen und überlappenden Stimmen in die Prüfung. Diese Punkte spiegeln die Unterschiede wider, die das Projekt selbst zwischen seinen Testszenarien dokumentiert. [1]

Beleglage: keine unabhängige Bestätigung in den bereitgestellten Quellen

Die Leistungs- und Funktionsangaben zu Live Subtitles stammen aus dem Repository des Projekts. Die weiteren bereitgestellten Quellen behandeln andere Themen: eine GitHub-Organisation, ein Einzelhandels-Prämienprogramm, einen Mail-Datensatz und ein Verzeichnis für agentenfähige Kommandozeilenwerkzeuge. Sie liefern daher keine thematisch passende unabhängige Bestätigung für Funktionen oder Benchmarkwerte von Live Subtitles. [2] [3] [4] [5]

Damit ist das Repository eine nachvollziehbare Informationsquelle für den beschriebenen Funktionsumfang und den vom Projekt selbst erhobenen Benchmark, aber kein unabhängiger Leistungsnachweis. Für Unternehmen ist Live Subtitles auf Grundlage dieser Informationen vor allem ein Kandidat für einen begrenzten Windows-Pilot, bei dem Genauigkeit, Ressourcenbedarf und Datenschutzanforderungen mit den eigenen Einsatzbedingungen abgeglichen werden. [1]

Quellen

1. [1] GitHub - Nymbo/Live-Subtitles: Live captions for anything Windows is playing: a styleable overlay with local NVIDIA Parakeet (GPU) or Nemotron (CPU) speech recognition, plus SRT/ASS files for videos. · GitHub — https://github.com/Nymbo/Live-Subtitles (abgerufen am 2026-10-18)
2. [2] Franz, Inc. · GitHub — https://github.com/franzinc (abgerufen am 2026-10-18)
3. [3] Rewards Program Overview | Simon+ — https://plus.simon.com/?mallid=874&source=premium-outlets (abgerufen am 2026-10-18)
4. [4] mailscrapper/MailDB.json at master · AveCaesar/mailscrapper · GitHub — https://github.com/AveCaesar/mailscrapper/blob/master/MailDB.json (abgerufen am 2026-10-18)
5. [5] CLI-Anything Hub - Agent-Friendly CLI Registry — https://clianything.cc/ (abgerufen am 2026-10-18)