Die Kunst der Filmbeschreibung: Wie ein Audiodeskriptions-Skript entsteht

Im ersten Teil haben wir beleuchtet, was Audiodeskription (AD) im Kern ausmacht und warum die rein manuelle Produktion aufgrund von Zeit- und Kostenaufwänden an ihren Grenzen stößt. Wer sich der Herausforderung stellen möchte, die Produktion zu automatisieren oder zu optimieren, muss zunächst verstehen, wie der menschliche Erstellungsprozess im Detail funktioniert.

Denn ein gutes Skript für Filme mit Audiodeskription zu schreiben, ist kein einfaches Abtippen von Bildschirminhalten. Es ist ein redaktionelles und filigranes Puzzle. Doch wie entsteht ein solches Skript, welche Regeln gelten, und vor allem: Warum ist das der schwierigste Teil der Automatisierung?

Die Kernaufgabe: Selektion statt Vollständigkeit

Wer zum ersten Mal versucht, eine Filmszene für blinde Menschen zu beschreiben, neigt fast immer zu einem Fehler: Er will alles erzählen. Jedes Detail im Hintergrund, jede Farbnuance, jede minimale Kopfbewegung.

Das führt jedoch unweigerlich zu einer Reizüberflutung. Ein Film läuft in Echtzeit und die Tonspur darf nicht überladen werden. Die oberste Kunst beim Audiodeskription erstellen heißt deshalb Reduktion und Selektion!

Handlungsrelevant vs. Dekorativ: Ist es für die Geschichte wichtig, dass die Tasse auf dem Tisch blau ist? Nur dann, wenn sie zwei Szenen später eine Rolle spielt. Wenn sie bloße Hintergrunddekoration ist, bleibt sie unerwähnt. Objektivität vor Interpretation: Eine Audiodeskription wertet nicht ("Ein boshafter Blick"), sondern beschreibt die sichtbaren Fakten ("Die Augenbrauen verengen sich, die Mundwinkel verziehen sich nach unten"). Die emotionale Einordnung überlässt das Skript der schauspielerischen Leistung und der Filmmusik.

Das Timing-Geheimnis: Die Jagd nach den Dialogpausen

Das wohl größte handwerkliche Nadelöhr ist das Timing. Eine Audiodeskription darf niemals in laufende Dialoge oder prägnante, handlungstragende Soundeffekte hineingrätschen. Autoren arbeiten deshalb mit sekundengenauen Zeitstempeln.

Die Lücken finden: Zwischen zwei gesprochenen Sätzen oder in dramatischen Szenen ohne Sprache bleiben oft nur Zeitfenster von ein bis drei Sekunden. Um hier exakt zu arbeiten, ist eine präzise Analyse des Originaltons unerlässlich. 
Genau an dieser Stelle setzen wir mit unserer Audiotranskriptionssoftware an: Durch automatisierte Wort-Zeitstempel (exakte Zeitstempel für jedes gesprochene Wort) lassen sich Dialogpausen und Sprechströme im Videomaterial sekundengenau identifizieren und strukturieren. Ein unverzichtbarer technischer Baustein, um die Lücken für die Bildbeschreibung auf die Millisekunde genau zu vermessen. Auch die Sprechergeschwindigkeit muss kalkuliert werden und hier gilt als Faustregel: Eine professionelle Sprecherin oder ein Sprecher schafft etwa 120 bis 150 Wörter pro Minute. In eine knappe Dialogpause von zwei Sekunden passt also lediglich ein prägnanter Halbsatz und nicht mehr.

Das Vier-Augen-Prinzip: Die Praxis im Redaktionsalltag

Klassische Audiodeskription-Regeln wie der öffentlich rechtlichen Sender aus Deutschland, Österreich und der Schweiz sowie der Deutschen Hörfilm Vereinigung fordern im Idealfall ein kollaboratives Arbeiten:

Der sehende Autor sichtet das Material, erstellt das erste Strukturskript und analysiert die visuelle Dramaturgie. Der blinde oder sehbehinderte Fachberater (Audiodeskriptor) prüft das Skript auf Verständnislücke, blinde Flecken und logische Nachvollziehbarkeit. Denn was für Sehende "logisch" aus dem Bild hervorgeht, ist es für Blinde oft keineswegs. Ein konkretes Audiodeskriptions-Beispiel: Eine Person rennt panisch durch den Wald. Ein Sehender sieht im Hintergrund undeutlich ein Monster. Wenn die AD nun wiedergibt: "Ein Monster verfolgt ihn", bricht der Spannungsbogen des Thrillers zusammen. Eine gelungene AD beschreibt stattdessen neutral: "Ein schweres Astknacken hinter ihm. Er blickt panisch über die Schulter, beschleunigt die Schritte."

Warum das Skriptschreiben die größte Hürde für KI ist

Betrachtet man diesen redaktionellen Prozess, wird schnell klar, warum die Automatisierung von Audiodeskriptionen so komplex ist. Aktuelle Video-KI-Tools können zwar Objekte erkennen ("Auto", "Baum", "Person lächelt"). Aber sie verstehen den Kontext und die Dramaturgie nicht:

Welches Detail ist jetzt für die Story relevant? Wie lang ist die exakte Dialogpause in diesem spezifischen Frame? Welcher Ton liegt im Original an und muss freigehalten werden?

Ausblick: Wie wir bei purple.audio an Lösungen forschen

Genau an dieser Schnittstelle aus Bilderkennung, präziser Audio-Analyse und Kontextanalyse setzen wir bei purple.audio an. Unser Ziel ist es, mit unseren eigenen datengetriebenen Modellen Algorithmen zu entwickeln, die diese redaktionelle Vorarbeit sinnvoll unterstützen und einen ersten Schritt zur Teilautomatisierung gehen.

Begleiten Sie uns auf dem Weg zum Prototypen

Sie kommen aus der Medienbranche, der Filmproduktion oder der Forschung und beschäftigen sich mit automatisierten Audio- und Video-Workflows? Wir suchen den engen Austausch, um unsere Modelle praxisnah zu testen und weiterzuentwickeln. Kontaktieren Sie uns gerne und werden Sie Teil unserer Testphase.