Hinter Captions steht ein Start-up aus New York, das seit seiner Gründung stark auf generative KI für Video setzt und mit erheblichem Wagniskapital ausgestattet wurde. Das Unternehmen hat seine Produkte in den vergangenen Jahren mehrfach erweitert und neu gebündelt; zeitweise wurden Forschungsmodelle und Teile des Angebots unter anderen Namen kommuniziert, und auch die Unternehmensmarke selbst wurde nach Berichten neu ausgerichtet. Wir sprechen in diesem Artikel durchgängig von Captions als Bezeichnung für die App und ihre Plattform. Welche Produktnamen, Firmierungen und Editionen zum Zeitpunkt Ihrer Entscheidung aktuell sind, sollten Sie unbedingt beim Anbieter prüfen – gerade bei Vertragsabschluss und Auftragsverarbeitung kommt es auf die genaue Vertragspartei an.
Für den Erfolg der App gibt es einen einfachen Grund: Video ist zum wichtigsten Format in sozialen Netzwerken geworden, und die meisten Videos werden ohne Ton angesehen. Untertitel sind deshalb kein Extra mehr, sondern Voraussetzung dafür, dass eine Botschaft überhaupt ankommt. Gleichzeitig fehlt in vielen Unternehmen die Zeit, jedes Video professionell zu schneiden. Captions schließt diese Lücke, indem es die typischen Arbeitsschritte einer Videoproduktion – Rohschnitt, Untertitelung, Tonbearbeitung, Gestaltung – weitgehend automatisiert und auf das Smartphone verlagert.
Der Fachkräftemangel hat das Recruiting im Mittelstand verändert. Stellenanzeigen allein erreichen viele Zielgruppen nicht mehr; authentische Einblicke in den Arbeitsalltag, kurze Vorstellungsvideos von Teams und Ausbildungsbetrieben funktionieren in sozialen Netzwerken oft deutlich besser. Parallel dazu erwarten Kunden im Vertrieb und im Service zunehmend Erklärvideos, Produktdemonstrationen und persönliche Videobotschaften. Wer diese Formate mit klassischer Videoproduktion bedienen will, stößt schnell an Budget- und Zeitgrenzen. KI-Videoeditoren wie Captions versprechen, dass eine Mitarbeiterin aus dem Marketing oder ein Meister in der Werkstatt mit dem eigenen Smartphone Inhalte produziert, die professionell genug wirken, um veröffentlicht zu werden.
Hinzu kommt die Internationalisierung. Viele mittelständische Unternehmen sind exportorientiert, rekrutieren Fachkräfte im Ausland oder beschäftigen mehrsprachige Belegschaften. Die automatische Übersetzung eines Videos mit synchronisierter Stimme und angepassten Lippenbewegungen eröffnet hier Möglichkeiten, die vor wenigen Jahren nur mit aufwendiger Synchronisation erreichbar waren.
Angesprochen sind Geschäftsführung, Marketing- und Personalverantwortliche, IT-Leitung, Datenschutzbeauftragte und Betriebsräte in mittelständischen Unternehmen, die verstehen wollen, was Captions leistet und welche Rahmenbedingungen für einen verantwortungsvollen Einsatz gelten. Technisches Vorwissen ist nicht erforderlich. Nach der Lektüre sollten Sie einschätzen können, für welche Videoformate sich die App eignet, wo ihre Grenzen liegen, wie sie sich von Werkzeugen wie CapCut, Descript, HeyGen oder Synthesia unterscheidet und welche organisatorischen und rechtlichen Fragen vor einem Rollout zu klären sind.
Wir arbeiten herstellerneutral und bewusst zurückhaltend mit Zahlen. Funktionsumfang, Abo-Modelle, Preise, Nutzungskontingente und die Zahl der unterstützten Sprachen ändern sich bei Captions in kurzen Abständen; Funktionen werden umbenannt, zusammengelegt oder in neue Editionen verschoben. Statt Werte zu nennen, die schnell veralten, beschreiben wir Fähigkeiten qualitativ und markieren, wo Sie beim Anbieter prüfen sollten. Unser Ziel ist eine belastbare Orientierung für Entscheidungen, kein Datenblatt.
Die Entwicklung von Captions folgt einem Muster, das man bei vielen erfolgreichen KI-Start-ups beobachten kann. Am Anfang stand eine einzige, sehr gut gelöste Aufgabe: Untertitel für Talking-Head-Videos, also Videos, in denen eine Person direkt in die Kamera spricht. Dieses Format ist in sozialen Netzwerken allgegenwärtig, und die App machte es leicht, dafür ansprechende, wortgenau animierte Untertitel zu erzeugen. Darauf aufbauend kamen Schritt für Schritt Funktionen hinzu, die denselben Nutzern das Leben erleichtern: automatisches Entfernen von Versprechern, ein Teleprompter, Hintergrundmusik, Zooms und B-Roll-Einblendungen.
In einer zweiten Phase hat Captions zunehmend eigene generative KI-Modelle eingesetzt. Funktionen wie die Blickkorrektur, die Übersetzung mit Lip-Dub oder KI-Avatare gehen über klassische Bearbeitung hinaus: Sie verändern oder erzeugen Bild und Ton. Damit verschiebt sich auch die Positionierung der App – vom Werkzeug, das eigene Aufnahmen verbessert, hin zu einer Plattform, die Videos ganz oder teilweise synthetisch herstellen kann. Für Unternehmen ist diese Unterscheidung wichtig, weil sie unmittelbar die rechtlichen Anforderungen beeinflusst, etwa bei der Kennzeichnung synthetischer Inhalte.
Captions richtet sich traditionell an Creator, Selbstständige und kleine Teams, die regelmäßig Inhalte für soziale Netzwerke produzieren. Entsprechend ist die App auf Geschwindigkeit, Trends und eine niedrige Lernkurve optimiert. Erweiterte Funktionen für Teams, Marken und Werbetreibende sind hinzugekommen, doch der Charakter bleibt der eines Creator-Werkzeugs. Das hat Vorteile – die Bedienung ist intuitiv, Ergebnisse entstehen schnell –, aber auch Konsequenzen: Unternehmensfunktionen wie zentrale Benutzerverwaltung, Rollen- und Rechtekonzepte, Single Sign-on, Audit-Protokolle oder vertragliche Zusicherungen zur Datenverarbeitung sind bei Creator-Werkzeugen oft weniger ausgeprägt als bei Plattformen, die von Anfang an für Unternehmen gebaut wurden. Welche dieser Funktionen in welcher Edition verfügbar sind, sollten Sie vor einer Einführung konkret beim Anbieter prüfen.
Die Untertitelung ist das Herzstück der App. Nach der Aufnahme oder dem Upload erzeugt eine Spracherkennung ein Transkript, das wortgenau mit dem Video synchronisiert wird. Daraus entstehen Untertitel, die Wort für Wort eingeblendet, farblich hervorgehoben oder mit kleinen Animationen versehen werden können – der typische Stil, den man aus Reels und Shorts kennt. Deutsch gehört zu den unterstützten Sprachen, und für klar gesprochenes Hochdeutsch ist die Erkennungsqualität nach unserer Erfahrung für Social-Media-Zwecke in der Regel gut. Wie viele Sprachen insgesamt unterstützt werden, ändert sich laufend und sollte beim Anbieter geprüft werden.
Grenzen zeigen sich dort, wo Spracherkennung generell an Grenzen stößt: bei starken Dialekten, bei Fachbegriffen und Produktnamen, bei Firmennamen mit ungewöhnlicher Schreibweise, bei mehreren durcheinander sprechenden Personen und bei lauten Umgebungen wie Werkstätten oder Baustellen. Typische Fehler sind falsch geschriebene Eigennamen, fehlende Groß- und Kleinschreibung bei zusammengesetzten Fachbegriffen oder verschluckte Satzteile. Für Unternehmensvideos gilt deshalb: Jedes Transkript muss vor der Veröffentlichung von einem Menschen gelesen werden. Ein falsch geschriebener Produktname oder ein unbeabsichtigt komischer Erkennungsfehler fällt in sozialen Netzwerken sofort auf.
Neben eingebrannten Untertiteln, die fest im Bild stehen, lassen sich je nach Edition auch Untertiteldateien exportieren. Für die Barrierefreiheit von Videos auf der eigenen Website oder in Schulungsplattformen sind solche separaten Untertitelspuren oft die bessere Wahl, weil sie sich ein- und ausblenden lassen und von Hilfstechnologien gelesen werden können. Prüfen Sie, welche Exportformate in Ihrer Edition verfügbar sind.
Eine der praktischsten Funktionen ist der textbasierte Schnitt. Statt auf einer Zeitleiste nach der richtigen Stelle zu suchen, bearbeitet man das Transkript: Ein gelöschter Satz verschwindet aus dem Video, eine verschobene Passage wandert mit. Ergänzend erkennt die App Füllwörter wie äh und ähm, lange Pausen und Wiederholungen und entfernt sie auf Wunsch automatisch. Für ungeübte Sprecher ist das ein großer Gewinn, weil aus einer holprigen Aufnahme ein flüssiges Statement wird.
Darüber hinaus bietet Captions automatische Bearbeitungsfunktionen, die aus einer Rohaufnahme ein gestaltetes Video machen: Zooms auf Schlüsselstellen, eingeblendete Bilder oder Stock-Clips, Soundeffekte und Hintergrundmusik. Diese Automatiken sind praktisch für den schnellen Entwurf, erzeugen aber oft einen recht ähnlichen, trendgetriebenen Look. Für eine eigenständige Markenwirkung lohnt es sich, eigene Vorlagen zu definieren und die Automatiken gezielt einzusetzen statt alles der KI zu überlassen. Bei eingefügter Musik und Stock-Material sind außerdem die Nutzungsrechte zu prüfen – nicht jede Musik, die in einer Creator-App verfügbar ist, darf ohne Weiteres in Werbung oder auf allen Plattformen verwendet werden.
Captions ist auf das vertikale Format optimiert, unterstützt aber auch quadratische und horizontale Seitenverhältnisse. Vorlagen erleichtern es, wiederkehrende Formate – etwa eine Reihe von Mitarbeiterporträts oder eine wöchentliche Tipp-Serie – einheitlich zu gestalten. Für Unternehmen besonders relevant ist die Möglichkeit, Markenelemente zentral zu hinterlegen, damit nicht jede Person eigene Schriften und Farben wählt. Inwieweit sich solche Markenvorgaben für mehrere Nutzer verbindlich festlegen lassen, hängt von der Edition ab.
Der Export erfolgt als Videodatei in gängigen Formaten oder direkt in soziale Netzwerke. Achten Sie darauf, ob die kostenlose oder günstigste Edition Wasserzeichen einblendet oder die Exportqualität begrenzt; für Unternehmensauftritte ist ein Wasserzeichen des Werkzeugs meist nicht erwünscht. Ebenso wichtig ist die Frage, wie lange Projekte und Rohdaten in der Cloud des Anbieters gespeichert bleiben und wie sie gelöscht werden können – dazu mehr im Kapitel zu Kosten und Datenschutz.
Captions bietet die Möglichkeit, Videos mit KI-Avataren zu erstellen. Dabei gibt es grundsätzlich zwei Varianten: vorgefertigte Avatare, die auf Aufnahmen von Darstellerinnen und Darstellern basieren, die dafür ihre Einwilligung gegeben haben sollen, und personalisierte Avatare, die aus Aufnahmen einer realen Person – etwa einer Geschäftsführerin oder eines Vertriebsmitarbeiters – erstellt werden. Ein solcher digitaler Zwilling kann anschließend beliebige Texte vortragen, ohne dass die Person erneut vor der Kamera stehen muss. Bei vorgefertigten Avataren stellt sich die Frage nach den Nutzungsrechten: Darf ein Stock-Avatar in Ihrer Werbung für Ihr Produkt sprechen, und gibt es Einschränkungen für bestimmte Branchen oder Botschaften? Das regeln die Nutzungsbedingungen, die Sie vorab prüfen sollten.
Bei personalisierten Avataren kommen weitere Fragen hinzu. Ein digitaler Zwilling einer Mitarbeiterin ist eine Nachbildung ihres Gesichts, ihrer Mimik und ihrer Stimme. Was passiert mit dem Avatar, wenn die Person das Unternehmen verlässt? Wer darf welche Texte in ihrem Namen sprechen lassen? Kann die Einwilligung widerrufen werden, und wird der Avatar dann tatsächlich gelöscht? Diese Fragen sollten nicht erst gestellt werden, wenn der Avatar bereits existiert. Wir empfehlen, personalisierte Avatare nur mit einer schriftlichen, freiwilligen und informierten Einwilligung, klaren internen Regeln zur Nutzung und einem definierten Löschprozess zu erstellen.
Die Übersetzungsfunktion verbindet mehrere KI-Schritte: Zunächst wird die gesprochene Sprache erkannt und transkribiert, dann maschinell übersetzt, anschließend in einer nachgebildeten Version der Originalstimme gesprochen, und schließlich werden die Lippenbewegungen im Video an den neuen Text angepasst. Das Ergebnis kann verblüffend natürlich wirken – die Person scheint fließend Spanisch, Polnisch oder Englisch zu sprechen, obwohl sie die Sprache vielleicht gar nicht beherrscht. Welche Sprachen unterstützt werden und in welcher Qualität, sollten Sie beim Anbieter prüfen und an eigenen Beispielen testen.
So attraktiv das ist, so wichtig sind drei Einschränkungen. Erstens ist die maschinelle Übersetzung nicht fehlerfrei; Fachbegriffe, Redewendungen und kulturelle Feinheiten können verloren gehen oder falsch wiedergegeben werden. Eine Prüfung durch eine Person, die die Zielsprache beherrscht, ist für Unternehmensvideos unverzichtbar. Zweitens entsteht durch die Stimmnachbildung und Lippenanpassung ein Video, in dem eine reale Person etwas sagt, das sie so nie gesagt hat. Das ist eine synthetische Veränderung, die gegenüber den Zuschauern transparent gemacht werden sollte. Drittens werden für die Stimmnachbildung Stimmdaten verarbeitet, die eine Person eindeutig identifizieren können – ein Thema, das wir im Datenschutzkapitel vertiefen.
Die Eye-Contact-Funktion korrigiert die Blickrichtung der sprechenden Person, sodass sie direkt in die Kamera zu blicken scheint – auch wenn sie in Wirklichkeit vom Bildschirm oder einem Notizzettel abliest. Für ungeübte Sprecher ist das hilfreich, weil der Blickkontakt eine der wichtigsten Wirkungsgrößen in Videos ist. Technisch handelt es sich um eine generative Veränderung des Gesichts, die bei starken Kopfbewegungen, Brillen oder ungünstigem Licht zu leicht unnatürlichen Ergebnissen führen kann. Ob eine solche Korrektur als kennzeichnungspflichtige Manipulation gilt, hängt vom Einzelfall ab; im Zweifel ist Transparenz die sicherere Wahl.
Die Rauschentfernung ist dagegen weitgehend unproblematisch und für viele Mittelständler einer der größten praktischen Vorteile. Aufnahmen in der Werkstatt, auf dem Hof oder in der Produktionshalle leiden fast immer unter Hintergrundgeräuschen. Eine KI, die Maschinenlärm und Wind reduziert und die Stimme hervorhebt, macht solche Aufnahmen erst veröffentlichungsfähig. Ein externes Mikrofon bleibt trotzdem die beste Investition – keine KI rettet eine Aufnahme, in der die Stimme kaum zu hören ist.
Die Skriptgenerierung nutzt ein Sprachmodell, um aus einem Thema ein Videoskript zu erstellen. Für den Einstieg ist das nützlich, die Ergebnisse klingen aber häufig generisch und folgen bekannten Social-Media-Mustern. Unternehmensspezifisches Wissen, eigene Tonalität und konkrete Beispiele müssen ergänzt werden. Achten Sie außerdem darauf, keine vertraulichen Informationen – etwa interne Zahlen oder Kundennamen – in die Skript-Eingabe zu schreiben, solange nicht geklärt ist, wie diese Daten verarbeitet werden.
Die wichtigste Integration ist der direkte Weg in soziale Netzwerke. Fertige Videos lassen sich aus der App heraus auf gängige Plattformen teilen oder als Datei exportieren und dort hochladen. Für Unternehmen, die ihre Social-Media-Aktivitäten über ein zentrales Planungswerkzeug steuern, ist meist der Weg über den Export sinnvoller: Das Video wird in Captions erstellt, als Datei gespeichert und anschließend im Redaktionsplan mit Text, Hashtags und Veröffentlichungszeitpunkt versehen. So bleiben Freigabeprozesse und die Übersicht über alle Kanäle erhalten.
Wichtig ist dabei die Frage, über welche Konten veröffentlicht wird. Wenn Mitarbeitende Videos über ihre privaten Profile teilen, verschwimmt die Grenze zwischen privater und dienstlicher Kommunikation. Klare Regeln, welche Inhalte über Unternehmenskanäle und welche über persönliche Profile laufen, verhindern Missverständnisse – und sind spätestens dann wichtig, wenn jemand das Unternehmen verlässt.
Captions bietet Zugriff auf Bibliotheken mit Musik, Soundeffekten, Bildern und Videoclips, die sich in Videos einfügen lassen. Zusätzlich können eigene Medien hochgeladen werden, etwa Logos, Produktfotos oder vorhandenes Videomaterial. Für Unternehmen ist hier vor allem die Lizenzfrage relevant: Unter welchen Bedingungen darf Musik aus der App-Bibliothek in Werbung, auf allen Plattformen und dauerhaft genutzt werden? Wer ist verantwortlich, wenn eine Plattform ein Video wegen Urheberrechtsverletzung sperrt? Diese Fragen beantworten die Nutzungsbedingungen des Anbieters, die Sie vor dem kommerziellen Einsatz prüfen sollten. Im Zweifel ist lizenzfreie Musik mit dokumentierter Lizenz oder eigens beauftragte Musik die sicherere Wahl.
Programmierschnittstellen und Automatisierungsmöglichkeiten haben bei Captions eine geringere Bedeutung als bei Plattformen, die gezielt für die automatisierte Videoproduktion in großen Stückzahlen gebaut wurden. Je nach Angebot gibt es Funktionen für die Zusammenarbeit im Team, gemeinsame Arbeitsbereiche oder geteilte Vorlagen; ob und in welchem Umfang eine API verfügbar ist, sollten Sie beim Anbieter prüfen. Für die meisten mittelständischen Szenarien – einige Videos pro Woche, erstellt von wenigen Personen – ist eine tiefe Systemintegration aber auch gar nicht nötig.
Wer dagegen Videos in größerem Umfang automatisiert erstellen möchte, etwa personalisierte Videobotschaften für Hunderte von Kunden oder Schulungsvideos aus Textvorlagen, sollte Plattformen wie Synthesia oder HeyGen in Betracht ziehen, die auf diesen Anwendungsfall ausgerichtet sind. Und wer Untertitel für bestehende Videoarchive, Schulungsinhalte oder Websites benötigt, ist mit einer Spracherkennung wie Whisper, die sich in eigene Abläufe einbinden lässt, oft besser bedient als mit einer Creator-App.
CapCut ist ein sehr verbreiteter, umfangreicher Videoeditor für soziale Netzwerke mit klassischer Zeitleiste, unzähligen Effekten und ebenfalls automatischen Untertiteln. Gegenüber Captions bietet CapCut mehr gestalterische Freiheit für Videos mit vielen Schnitten, Musik und Effekten, ist aber weniger konsequent auf das gesprochene Statement ausgerichtet. Für Unternehmen spielt bei CapCut zudem die Frage nach dem Konzernhintergrund und den Datenflüssen eine besondere Rolle, die viele Datenschutzbeauftragte kritisch bewerten. Captions setzt dagegen stärker auf Automatik: weniger Handarbeit, mehr KI.
Descript hat den textbasierten Schnitt populär gemacht und ist ursprünglich stark im Podcast- und Interviewbereich verankert. Es eignet sich besonders für längere Aufnahmen, Webinare, Podcasts und horizontale Videos, die präzise bearbeitet werden sollen. Captions ist im Vergleich mobiler, schneller und stärker auf vertikale Kurzvideos ausgerichtet; Descript ist das Werkzeug für den Schreibtisch und längere Formate. Beide verarbeiten Daten bei US-Anbietern, beide bieten generative Funktionen für Stimme und Bild – die Datenschutzfragen sind also ähnlich gelagert.
HeyGen und Synthesia setzen ihren Schwerpunkt anders: Bei ihnen steht nicht die Bearbeitung eigener Aufnahmen, sondern die Erzeugung von Videos mit KI-Avataren aus Text im Vordergrund. Typische Anwendungen sind Schulungsvideos, interne Kommunikation, Produkterklärungen und mehrsprachige Inhalte in großer Zahl. Beide Plattformen haben ausgeprägtere Unternehmensfunktionen, etwa für Teamverwaltung, Markenvorgaben und Freigaben, und bieten zum Teil Programmierschnittstellen für die automatisierte Erstellung. Synthesia hat einen europäischen Unternehmenshintergrund, was in der Datenschutzbewertung eine Rolle spielen kann; Details zur Datenverarbeitung sind aber auch hier im Einzelfall zu prüfen.
Captions bietet ebenfalls Avatare und Lip-Dub, bleibt aber im Kern ein Werkzeug für Social-Video mit echten Menschen. Wer vor allem authentische Aufnahmen von Mitarbeitenden aufwerten möchte, ist bei Captions gut aufgehoben. Wer dagegen Schulungsinhalte in großer Zahl ohne Dreh erzeugen will, findet bei den spezialisierten Avatar-Plattformen meist die passendere Lösung.
Eine weitere Gruppe bilden Werkzeuge, die aus langen Videos automatisch kurze Clips schneiden – etwa aus Webinaren, Podcasts oder Vorträgen. Sie analysieren das Transkript, erkennen in sich geschlossene, prägnante Passagen und erzeugen daraus vertikale Kurzvideos mit Untertiteln. Captions bietet vergleichbare Funktionen, spezialisierte Clip-Tools sind aber oft stärker auf diesen einen Arbeitsschritt optimiert. Für Unternehmen, die regelmäßig Webinare oder Vorträge aufzeichnen, kann ein solches Werkzeug eine sinnvolle Ergänzung sein.
Für reine Untertitelung lohnt sich zudem der Blick auf Alternativen mit besserer Datenschutzposition. Spracherkennungsmodelle wie Whisper lassen sich auf eigener Hardware oder bei einem europäischen Hoster betreiben und erzeugen Transkripte und Untertiteldateien, ohne dass Aufnahmen das Unternehmen verlassen. Auch spezialisierte Anbieter aus dem deutschsprachigen Raum mit Hosting in der EU bieten Transkription und Untertitelung für Unternehmens- und Medienarchive an. Die Gestaltung animierter Social-Media-Untertitel ist damit zwar aufwendiger, aber für viele Anwendungsfälle – Schulungsvideos, Website-Videos, Barrierefreiheit – ist eine saubere Untertiteldatei ohnehin das wichtigere Ergebnis.
Am Anfang steht die Frage nach dem Ziel: Welche Videos sollen entstehen, für welche Kanäle, mit welcher Frequenz und wer ist verantwortlich? Darauf folgt eine kurze Richtlinie, die festlegt, welche Funktionen genutzt werden dürfen, welche Inhalte tabu sind und wie Einwilligungen eingeholt und dokumentiert werden. Parallel klären Datenschutzbeauftragte die vertraglichen Grundlagen mit dem Anbieter – insbesondere, ob und in welcher Edition ein Auftragsverarbeitungsvertrag angeboten wird. Bei generativen Funktionen mit Gesichts- und Stimmdaten von Mitarbeitenden ist frühzeitig der Betriebsrat einzubinden, sofern vorhanden.
Erst dann beginnt der Test mit wenigen Personen und unkritischen Inhalten – etwa einem Video über einen Tag der offenen Tür oder einer Produktvorstellung ohne Kundenbezug. In dieser Phase zeigt sich, wie gut die deutsche Untertitelung mit Ihrem Fachvokabular funktioniert, wie viel Nachbearbeitung nötig ist und ob das Ergebnis zu Ihrer Marke passt. Ein Pilot über einige Wochen mit klaren Kennzahlen – Produktionszeit pro Video, Korrekturaufwand, Reichweite, Bewerbungseingang – schafft die Grundlage für die Entscheidung über einen breiteren Einsatz.
Im Betrieb bewährt sich eine klare Rollenverteilung: Wer darf Videos erstellen, wer prüft Inhalte fachlich, wer gibt sie zur Veröffentlichung frei? Für kleinere Unternehmen reicht oft ein einfaches Vier-Augen-Prinzip zwischen der erstellenden Person und einer verantwortlichen Person im Marketing oder in der Personalabteilung. Hilfreich ist eine kurze Checkliste für jedes Video: Transkript geprüft, Namen korrekt, Einwilligungen vorhanden, Musikrechte geklärt, synthetische Anteile gekennzeichnet, Rohdaten nach Abschluss gelöscht.
Ein weiterer Punkt ist die Dynamik des Anbieters. Captions entwickelt sich schnell; Funktionen kommen hinzu, werden umbenannt oder in andere Editionen verschoben, Preise und Kontingente ändern sich, und auch Nutzungs- und Datenschutzbedingungen werden angepasst. Benennen Sie eine Person, die Änderungen verfolgt und prüft, ob sie Auswirkungen auf Ihre Richtlinie haben. Insbesondere neue generative Funktionen sollten nicht automatisch freigegeben sein, nur weil sie in der App erscheinen. Und schließlich: Schulen Sie die Mitarbeitenden nicht nur in der Bedienung, sondern auch in Bildsprache, Ton und dem Umgang mit Kommentaren in sozialen Netzwerken – das entscheidet am Ende mehr über den Erfolg als jede KI-Funktion.
Recruiting ist der Anwendungsfall, bei dem Captions im Mittelstand am häufigsten zum Einsatz kommt – und bei dem der Nutzen am greifbarsten ist. Ein Azubi, der in dreißig Sekunden erzählt, warum ihm die Ausbildung zum Anlagenmechaniker Spaß macht, erreicht junge Zielgruppen oft besser als jede Hochglanzbroschüre. Captions macht aus einer solchen Handyaufnahme mit Untertiteln, Rauschentfernung und sauberem Schnitt ein Video, das in sozialen Netzwerken mithalten kann.
Gerade hier ist aber Zurückhaltung bei den generativen Funktionen angebracht. Bewerberinnen und Bewerber suchen nach echten Einblicken. Ein Video, in dem der Blick künstlich korrigiert, die Stimme nachgebildet oder gar ein Avatar statt eines echten Teammitglieds spricht, kann als unehrlich empfunden werden, wenn es auffällt – und in sozialen Netzwerken fällt so etwas häufig auf. Unsere Empfehlung: Für Recruiting-Videos die Basisfunktionen nutzen und auf synthetische Veränderungen weitgehend verzichten. Zudem ist zu bedenken, dass Mitarbeitende, die in Recruiting-Videos auftreten, eine freiwillige Einwilligung geben müssen – und dass das Abhängigkeitsverhältnis im Arbeitsverhältnis die Freiwilligkeit besonders sorgfältig prüfen lässt.
Für Handwerksbetriebe und technische Dienstleister sind kurze Videos ein starkes Instrument, um Kompetenz sichtbar zu machen. Ein Dachdecker, der erklärt, worauf man bei einer Sturmschadenprüfung achten sollte, eine Heizungsbauerin, die die Funktion einer Wärmepumpe in einer Minute erklärt, ein Tischler, der ein fertiges Möbelstück zeigt – solche Inhalte schaffen Vertrauen und bringen Anfragen. Captions erleichtert die Produktion, weil Aufnahme, Untertitel und Schnitt direkt auf der Baustelle erledigt werden können. Achten Sie dabei darauf, dass keine Kundendaten, Adressen oder Gesichter Dritter ungewollt im Bild sind.
Im Vertrieb eignen sich persönliche Videobotschaften, um nach einem Termin in Erinnerung zu bleiben oder Angebote zu erläutern. Hier ist die Abgrenzung zur Massenpersonalisierung wichtig: Ein individuell aufgenommenes Video wirkt persönlich, ein automatisch mit Avatar erzeugtes Video mit eingesetztem Kundennamen dagegen schnell beliebig. Wer personalisierte Videos in großer Zahl plant, sollte die rechtlichen Rahmenbedingungen – Werbeeinwilligung, Datenschutz, Kennzeichnung – sorgfältig prüfen und Plattformen in Betracht ziehen, die dafür gebaut sind.
KI-Videoeditoren nehmen viel Handarbeit ab, ersetzen aber weder eine Content-Strategie noch die Menschen, die vor der Kamera stehen. Der häufigste Grund, warum Social-Video-Initiativen im Mittelstand nach wenigen Wochen einschlafen, ist nicht die Technik, sondern fehlende Themen, fehlende Zeit und fehlende Verantwortlichkeit. Ein guter Start vereint deshalb einen klar umrissenen Anwendungsfall – etwa eine Recruiting-Serie mit sechs Folgen –, eine verantwortliche Person mit eingeplanter Zeit und einen einfachen Freigabeprozess. Wer nach einigen Wochen sieht, dass Produktionszeit und Wirkung stimmen, kann den Einsatz schrittweise ausweiten.
Die Lizenzkosten für Captions sind im Vergleich zu klassischer Videoproduktion überschaubar. Der größere Kostenblock liegt in der Arbeitszeit: Themen finden, Skripte schreiben, Aufnahmen organisieren, Ergebnisse prüfen, Einwilligungen verwalten und Videos veröffentlichen. Wer das ehrlich einplant, kann den Nutzen realistisch bewerten. Eine einfache Rechnung hilft: Wie lange dauert ein Video heute – mit Agentur oder intern ohne KI – und wie lange mit Captions? Multipliziert mit der geplanten Frequenz ergibt sich ein belastbares Bild.
Bei den generativen Funktionen lohnt ein genauer Blick auf Kontingente. Avatare, Lip-Dub und KI-generierte Werbevarianten sind rechenintensiv und werden häufig über Guthaben oder monatliche Limits abgerechnet. Wer viele Sprachversionen oder Werbevarianten plant, sollte mit einer realistischen Stichprobe kalkulieren. Beachten Sie zudem, dass Abo-Modelle für Creator-Apps oft pro Person abgerechnet werden – bei mehreren Nutzern im Unternehmen kann sich das summieren.
Captions ist ein US-Unternehmen, und nach unserem Kenntnisstand werden die hochgeladenen Videos und daraus erzeugten Daten in einer Cloud-Infrastruktur verarbeitet, die nicht auf die EU beschränkt ist. Den genauen Serverstandort, die eingesetzten Unterauftragsverarbeiter und die Rechtsgrundlage für den Datentransfer in die USA sollten Sie beim Anbieter prüfen – etwa, ob eine Zertifizierung nach dem EU-US-Datenschutzrahmen besteht oder Standardvertragsklauseln vereinbart werden. Auch mit solchen Grundlagen bleibt der Drittlandbezug zu bewerten, einschließlich möglicher Zugriffe durch US-Behörden.
Entscheidend für den Unternehmenseinsatz ist zudem ein Auftragsverarbeitungsvertrag. Creator-Apps bieten einen solchen Vertrag nicht immer standardmäßig an, häufig nur für höhere Editionen oder auf Anfrage. Ohne AVV ist die Verarbeitung personenbezogener Daten von Mitarbeitenden oder Kunden in der Regel nicht sauber abbildbar. Prüfen Sie außerdem, ob und wie der Anbieter hochgeladene Inhalte zur Verbesserung seiner KI-Modelle verwendet. Gerade bei Gesichtern und Stimmen ist das eine zentrale Frage: Wenn Aufnahmen Ihrer Mitarbeitenden in das Training eines Avatar-Modells einfließen, lässt sich das später kaum rückgängig machen.
Wer Mitarbeitende in Videos zeigt, bewegt sich im Spannungsfeld von DSGVO und dem Recht am eigenen Bild nach dem Kunsturhebergesetz. Für die Veröffentlichung von Videos mit erkennbaren Personen ist in der Regel eine Einwilligung erforderlich. Im Arbeitsverhältnis ist deren Freiwilligkeit besonders sorgfältig zu prüfen, weil ein Abhängigkeitsverhältnis besteht. Bewährt haben sich schriftliche Einwilligungen, die Zweck, Kanäle, Dauer und Widerrufsmöglichkeit klar benennen – und die Zusicherung, dass eine Ablehnung keine Nachteile hat. Ebenso sollte geregelt sein, was mit veröffentlichten Videos geschieht, wenn eine Person das Unternehmen verlässt oder ihre Einwilligung widerruft.
Bei generativen Funktionen verschärft sich die Lage. Ein Avatar oder Stimmklon bildet Merkmale ab, die eine Person eindeutig identifizieren, und kann ihr Worte in den Mund legen, die sie nie gesagt hat. Je nach technischer Ausgestaltung kann es sich um biometrische Daten im Sinne der DSGVO handeln, für die besonders strenge Anforderungen gelten. Die Einwilligung muss deshalb ausdrücklich auch diese Nutzung umfassen. Da die Einführung eines Werkzeugs, das Aufnahmen von Beschäftigten verarbeitet, die Mitbestimmungsrechte eines Betriebsrats berühren kann, ist dieser frühzeitig einzubinden. Eine Betriebsvereinbarung oder zumindest eine abgestimmte Richtlinie schafft Klarheit für alle Seiten.
Die europäische KI-Verordnung sieht Transparenzpflichten für bestimmte KI-generierte oder KI-manipulierte Inhalte vor. Wer Bild-, Audio- oder Videoinhalte erzeugt oder verändert, die real existierenden Personen ähneln und fälschlicherweise als echt erscheinen könnten – sogenannte Deepfakes –, muss offenlegen, dass sie künstlich erzeugt oder verändert wurden. Für Avatare, Lip-Dub-Übersetzungen und vollständig generierte Werbevideos ist eine Kennzeichnung deshalb nicht nur eine Frage des Vertrauens, sondern kann rechtlich geboten sein. Ob einfache Bearbeitungen wie Rauschentfernung oder Untertitel darunter fallen, ist eher zu verneinen; bei Eye-Contact und Stimmnachbildung sollte die Bewertung im Einzelfall erfolgen. Konkrete Anwendungsfristen und Ausnahmen klären Sie bitte mit Ihrer Rechtsberatung.
Für viele Unternehmen ist eine Trennung nach Schutzbedarf der pragmatische Weg. Öffentliche Social-Media-Clips, in denen Mitarbeitende mit Einwilligung auftreten, werden mit Captions erstellt – vorzugsweise mit den Basisfunktionen. Für interne Videos, Schulungsinhalte, Besprechungsaufzeichnungen oder Material mit Kundenbezug kommen DSGVO-konformere Lösungen zum Einsatz: eine selbst gehostete Spracherkennung wie Whisper auf eigener Hardware oder bei einem europäischen Hoster, oder spezialisierte Transkriptions- und Untertitelungsdienste mit Hosting in der EU. Für Übersetzungen von Untertiteltexten stehen europäische Übersetzungsdienste zur Verfügung. So bleiben sensible Aufnahmen im eigenen Verantwortungsbereich, während Captions dort eingesetzt wird, wo seine Stärken liegen.
Unabhängig vom Werkzeug bleibt das Unternehmen für die rechtmäßige Verarbeitung verantwortlich. Dazu gehören ein Eintrag im Verzeichnis von Verarbeitungstätigkeiten, gegebenenfalls eine Datenschutz-Folgenabschätzung – bei Avataren und Stimmklonen naheliegend –, Informationspflichten gegenüber den gezeigten Personen, ein Lösch- und Widerrufskonzept und die Schulung der Mitarbeitenden im Sinne der KI-Kompetenzpflichten der europäischen KI-Verordnung. Ein sauber dokumentiertes Vorgehen schützt nicht nur vor Bußgeldern, sondern auch das Vertrauen der Menschen, die vor der Kamera stehen.