youtube_abschrift_korrigieren

Korrigiert automatische Abschriften gesprochener Beiträge – Reden, Vorträge, Interviews, Videos, auf Deutsch oder Englisch (z. B. YouTube-Untertitel als Text) – mit einem lokalen Sprachmodell über Ollama: Rechtschreibung, Satzzeichen, Hörfehler, Absätze – möglichst wortgetreu, ohne Zusammenfassung oder Glättung. Das Hauptprogramm ist abschrift_korrigieren.py.

Eine ausführliche Anleitung für die Benutzung Schritt für Schritt, mit Arbeitsablauf, Glossar-Pflege, Prüfung der Ergebnisse und Fehlerbehebung, steht in der BEDIENUNGSANLEITUNG.md. Diese README ist die knappe technische Übersicht.

Die Werkzeuge sind einzeln oder hintereinander nutzbar:

Skript	Aufgabe
extract_text.py	YouTube-URL → Textdatei in einem Schritt (die beiden folgenden zusammen)
yt_untertitel.py	Untertitel eines YouTube-Videos als VTT herunterladen
vtt2txt.py	VTT in eine Rohabschrift (Text) umwandeln
abschrift_korrigieren.py	Rohabschrift (oder VTT direkt) mit dem Sprachmodell korrigieren
aenderungen.py	Änderungsbericht: was hat das Modell gegenüber dem Rohtext geändert?
glossar_vorschlag.py	Glossar-Entwurf: vermutete Hörfehler bei Namen und Begriffen

Voraussetzungen

• Python 3.9+ (nur Standardbibliothek)
• für den Download: yt-dlp (pip install yt-dlp)
• Ollama auf 127.0.0.1:11434 mit dem Modell qwen3:32b (ollama pull qwen3:32b) abschrift_korrigieren.py und glossar_vorschlag.py prüfen beides vor dem Start und brechen sonst mit einem Hinweis ab (sudo systemctl start ollama bzw. ollama pull …)
• für den Änderungsbericht eine Wortliste: /usr/share/dict/ngerman (Paket wngerman), für englische Beiträge /usr/share/dict/american-english (Paket wamerican). Fehlt sie, gibt es einen Hinweis und die Prüfung „gültiges Wort ersetzt“ entfällt

Für gute Geschwindigkeit muss das Modell komplett in den Grafikspeicher passen. Mit OLLAMA_NUM_PARALLEL=1 braucht qwen3:32b bei 16k Kontext rund 24 GB (eine RTX 3090). Bei OLLAMA_NUM_PARALLEL=4 landet ein Drittel auf der CPU und der Lauf wird etwa 12-mal langsamer.

Aufruf

Von der YouTube-URL zum korrigierten Text in einem Befehl:

./abschrift_korrigieren.py -u 'https://www.youtube.com/watch?v=rm6lADgf6GQ' -o lahnstein.korrigiert.txt
# → lahnstein.korrigiert.txt, lahnstein.txt (Rohtext), lahnstein.aenderungen.html

Oder in zwei Schritten, um den Rohtext vorher anzusehen:

./extract_text.py -u 'https://www.youtube.com/watch?v=rm6lADgf6GQ' -o lahnstein.txt
./abschrift_korrigieren.py -i lahnstein.txt          # → lahnstein.korrigiert.txt

Dasselbe in Einzelschritten, wenn die VTT-Datei erhalten bleiben soll:

./yt_untertitel.py -u 'https://www.youtube.com/watch?v=rm6lADgf6GQ' -n Lahnstein -d testdaten
./vtt2txt.py -i testdaten/Lahnstein.de-orig.vtt
./abschrift_korrigieren.py -i testdaten/Lahnstein.de-orig.txt

Der Schritt über vtt2txt.py ist optional: abschrift_korrigieren.py nimmt auch die .vtt direkt. Die .txt lohnt sich, um den Rohtext anzusehen oder ein Glossar daraus zu erstellen.

URL → Text in einem Schritt: extract_text.py

Lädt die Untertitel und speichert nur den Text; die VTT-Datei bleibt ein Zwischenschritt im temporären Verzeichnis. Die Spurwahl ist dieselbe wie bei yt_untertitel.py, nur ist die Standardsprache die des Original-Audios.

./extract_text.py -u 'https://www.youtube.com/watch?v=0LmCveTM788'
# → John_Mearsheimer_Offensive_Realism_Episode_1_Origins_of_the_War_In_Ukraine_2026-07-30.txt
./extract_text.py -u URL -l de -o testdaten/rede.txt                      # Sprache und Ziel
./extract_text.py -u URL -f -o rede.txt                                   # lesbarer Fließtext
./extract_text.py -u URL -z 0:03:17-0:05:25                              # nur ein Ausschnitt
./extract_text.py -u URL -z 00:05-00:06 00:10-00:12 00:25                 # mehrere Bereiche
./abschrift_korrigieren.py -i rede.txt                                         # → rede.korrigiert.txt

Option	Bedeutung
-u, --url	YouTube-URL, Pflicht
-l, --lang	Sprache; Standard: Sprache des Original-Audios (<sprache>-orig)
-o, --output	Ausgabedatei (Verzeichnisse werden angelegt, vorhandene Datei überschrieben); Standard: <Kanal>_<Titel>_<Datum>.txt, siehe unten
-z, --zeitraeume	nur Untertitel in diesen Bereichen, siehe Zeitauswahl
--exakt	genau an den Zeiten schneiden statt an Satzgrenzen
-f, --fliesstext	Fließtext, auf 80 Zeichen umbrochen (Wörter werden nie getrennt), statt der kurzen Untertitelzeilen; beides versteht abschrift_korrigieren.py

Standard-Dateinamen für YouTube-Videos

Ohne -o bzw. -n bilden extract_text.py, yt_untertitel.py und abschrift_korrigieren.py -u den Namen aus Kanal, Titel und Hochladedatum:

Video	Name
John Mearsheimer, „Episode 1: Origins of the War In Ukraine“	John_Mearsheimer_Offensive_Realism_Episode_1_Origins_of_the_War_In_Ukraine_2026-07-30
GGBLahnstein, „Prof. Gabriele Krone-Schmalz – Respekt geht anders – …“	GGBLahnstein_Prof_Gabriele_Krone-Schmalz_Respekt_geht_anders_2026-07-30

Wörter werden mit _ verbunden. Bindestriche und Punkte im Wort bleiben („Krone-Schmalz“), andere Zeichen fallen weg. Der Kanal wird auf 40, der Titel auf 60 Zeichen an einer Wortgrenze gekürzt. Ohne verwertbaren Kanal und Titel gilt die Video-ID. Mit -z kommen die Bereiche dazu, z. B. …_2026-07-30_00-03-17_bis_00-05-25 (-z A: _ab_…, -z 0-B bzw. -z -B: _bis_…; mehrere Bereiche mit + verbunden: …_00-05-00_bis_00-06-00+ab_00-25-00). Gleiches Video ergibt immer denselben Namen; eine vorhandene Datei wird überschrieben (ein mit -u gespeicherter, abweichender Rohtext aber nie).

Untertitel herunterladen: yt_untertitel.py

Lädt die Untertitel eines YouTube-Videos über yt-dlp als VTT-Datei, ohne das Video selbst. Gewählt wird:

1. manuelle Untertitel in der gewünschten Sprache, sonst
2. automatische Untertitel in der Originalsprache des Videos (de-orig).

Automatische Untertitel ohne -orig sind Maschinenübersetzungen aus einer anderen Sprache und werden nie genommen. Gibt es keine passende Spur, nennt das Skript die vorhandenen Sprachen.

Videos mit KI-synchronisierten Tonspuren haben für jede Synchronsprache eine -orig-Spur. Die Originalsprache kommt deshalb aus den Video-Infos (language, sonst die Tonspur mit dem Vermerk „original“); automatische Untertitel anderer Sprachen gehören zur Synchronisation und werden nicht genommen. Sprachen werden auch mit Region gefunden: -l en findet manuelle Untertitel en-US.

./yt_untertitel.py -u URL                          # → <Kanal>_<Titel>_<Datum>.de-orig.vtt
./yt_untertitel.py -u URL -n Lahnstein -d testdaten # → testdaten/Lahnstein.de-orig.vtt

Option	Bedeutung
-u, --url	YouTube-URL, Pflicht
-n, --name	Dateiname ohne Endung; Standard: <Kanal>_<Titel>_<Datum>
-l, --lang	Sprache; Standard: de
-d, --dir	Zielverzeichnis (wird angelegt); Standard: aktuelles Verzeichnis

Eine vorhandene Datei gleichen Namens wird überschrieben.

Untertitel umwandeln: vtt2txt.py

Macht aus VTT-Untertiteln (z. B. von yt-dlp --write-auto-subs) die Rohabschrift für abschrift_korrigieren.py: Zeitstempel und Tags werden entfernt. YouTube-Auto-Untertitel zeigen ein rollendes Fenster, jeder Block wiederholt das Ende des vorigen. Übernommen wird nur, was nach dieser Überlappung neu ist; sagt der Redner eine Zeile wirklich zweimal, bleibt sie zweimal erhalten. Ob eine Datei rollt, wird pro Datei bestimmt: Wiederholt mindestens die Hälfte der Blöcke das Ende des vorigen (Auto-Untertitel: über 95 %), gilt sie als rollend. Sonst, etwa bei manuell erstellten Untertiteln, wird jeder Block vollständig übernommen.

./vtt2txt.py -i rede.de.vtt                  # → rede.de.txt
./vtt2txt.py -i ramstein.de*.vtt             # mehrere Dateien, je → *.txt
./vtt2txt.py -i "ramstein.de*.vtt"           # Muster löst das Programm auf (Windows)
./vtt2txt.py -i rede.de.vtt -o out/rede.txt  # eigene Ausgabedatei
./vtt2txt.py -i *.vtt -o out/                # alle in ein Verzeichnis
./vtt2txt.py -i rede.de.vtt -z 0:03:17-0:05:25   # Ausschnitt → rede.de_00-03-17_bis_00-05-25.txt
./vtt2txt.py -i rede.de.vtt -z 00:05-00:06 00:25  # mehrere Bereiche in einer Datei

Option	Bedeutung
-i, --input	eine oder mehrere VTT-Dateien oder Muster, Pflicht
-o, --output	Ausgabedatei (nur bei einer Eingabedatei) oder Verzeichnis (vorhanden oder mit / am Ende); Standard: <Eingabe ohne Endung>.txt neben der Eingabe, mit -z zusätzlich die Bereiche im Namen
-z, --zeitraeume	nur Untertitel in diesen Bereichen, siehe unten
--exakt	genau an den Zeiten schneiden, auch mitten im Satz

Zeitauswahl (-z)

Gilt gleich für vtt2txt.py, extract_text.py und abschrift_korrigieren.py.

Zeit	Bedeutung
00:05:10	Stunden:Minuten:Sekunden (auch 00:5:10, Sekunden mit Nachkommastellen)
00:20	Stunden:Minuten, also Minute 20
25	Minute 25

Achtung: Zwei Zahlen sind Stunden:Minuten, 05:00 ist also Stunde 5, nicht Minute 5 (dafür 00:05 oder 5). Reicht ein Bereich über die letzte Untertitelzeile hinaus, nennt ein Hinweis das Ende der Untertitel, bei Bereichen ab einer Stunde mit diesem Tipp.

Aufruf	Text
-z 00:05:10	ab 5:10 bis zum Ende des Videos
-z 0-00:20 oder -z -00:20	vom Anfang bis Minute 20
-z 00:05-00:06	von Minute 5 bis Minute 6
-z 00:5:00-00:6:00 00:10-00:12:00 00:25	Minute 5–6, Minute 10–12 und alles ab Minute 25

Ein Bereich ist A-B, A (ab A bis zum Ende) oder 0-B bzw. kurz -B (vom Anfang bis B). Mehrere Bereiche werden durch Leerzeichen getrennt, mit oder ohne Anführungszeichen (-z "00:05-00:06 00:25" ist dasselbe). Sie dürfen sich nicht überschneiden und werden nach der Zeit sortiert.

Alle Bereiche landen in einer Datei. Vor jedem Bereich steht eine Überschrift mit seinen tatsächlichen Zeiten:

[00:04:57 - 00:06:04]
Ihr seht, es gibt keinen einzigen Dialog …

[00:09:58 - 00:12:03]
Also, wenn ihr Programme baut mit Claude Code, …

Angeschnittene Sätze werden an beiden Enden vollständig aufgenommen. Der Ausschnitt beginnt nach dem letzten Satzende vor dem Start und endet mit dem ersten Satzende nach dem Ende, höchstens 30 Sekunden darüber hinaus (MAX_SNAP_SECONDS). Liegt kein Satzende in Reichweite, wird an dieser Seite genau geschnitten (--exakt schneidet immer genau).

Die Zeiten der Überschrift sind die Start- und Endzeit der ersten bzw. letzten Untertitelzeile, also auf wenige Sekunden genau. Überschneiden sich zwei Bereiche erst durch die Satz-Erweiterung, werden sie zu einem Block zusammengefasst. Bereiche ohne Untertitel werden mit einem Hinweis übersprungen. Der Dateiname enthält immer die angegebenen Zeiten.

Eine fehlerhafte Datei (keine Untertitel, nicht UTF-8) wird gemeldet, die übrigen werden trotzdem umgewandelt; der Exit-Code ist dann 1.

Abschrift korrigieren: abschrift_korrigieren.py

./abschrift_korrigieren.py -i rede.txt                       # → rede.korrigiert.txt
./abschrift_korrigieren.py -i rede.txt -o out/rede.txt       # eigene Ausgabedatei
./abschrift_korrigieren.py -i rede.txt -g rede.glossar.txt   # mit Glossar
./abschrift_korrigieren.py -i rede.txt -g allgemein.glossar.txt -g rede.glossar.txt   # kombiniert
./abschrift_korrigieren.py -i rede.de.vtt                    # VTT direkt → rede.de.korrigiert.txt
./abschrift_korrigieren.py -u URL                            # YouTube → <Kanal>_<Titel>_<Datum>.korrigiert.txt
./abschrift_korrigieren.py -i talk.txt -l en                 # englischer Beitrag
./abschrift_korrigieren.py -u URL -z 0:03:17-0:05:25        # nur ein Ausschnitt des Videos
./abschrift_korrigieren.py -u URL -z 00:05-00:06 00:25       # mehrere Bereiche, eine Datei

Option	Bedeutung
-i, --input	Eingabedatei: Rohabschrift (.txt) oder Untertitel (.vtt, wird wie mit vtt2txt.py umgewandelt)
-u, --url	statt -i: YouTube-URL; Untertitel wie bei extract_text.py. Der Rohtext wird neben der Ausgabe gespeichert (rede.korrigiert.txt → rede.txt, sonst <Name>.roh.txt), eine vorhandene, abweichende Datei aber nie überschrieben
-l, --lang	Sprache des Beitrags: de oder en (auch mit Region, z. B. en-US); wählt Prompts und Prüfmarke. Mit -u zugleich die Sprache der Untertitel. Standard: de, mit -u die Sprache des Original-Audios
-o, --output	Ausgabedatei; Standard: <Eingabe ohne Endung>.korrigiert.txt neben der Eingabe, mit -u <Kanal>_<Titel>_<Datum>.korrigiert.txt; mit -z zusätzlich die Bereiche im Namen
-z, --zeitraeume	nur diese Bereiche korrigieren, siehe Zeitauswahl; nur mit .vtt-Eingabe oder -u, da reiner Text keine Zeitstempel hat
--exakt	genau an den Zeiten schneiden statt an Satzgrenzen
-g, --glossar	Glossar mit festen Ersetzungen und Schreibweisen; mehrfach angeben zum Kombinieren (Ersetzungen in Reihenfolge der Angabe)
-m, --model	Ollama-Modell; Standard: qwen3:32b (Konstante MODEL)
--kein-bericht	keinen Änderungsbericht schreiben
--ueberschreiben	Ausgabedatei auch ersetzen, wenn sie seit dem letzten Lauf von Hand geändert wurde

Eine von Hand nachbearbeitete Ausgabedatei überschreibt ein erneuter Lauf nicht: Das Ergebnis kommt dann nach <Name>.neu.korrigiert.txt, mit Warnung. Erkannt wird das an der Prüfsumme der zuletzt geschriebenen Ausgabe in <Ausgabe>.parts/ausgabe.sha256; ohne Prüfsumme gilt jede abweichende vorhandene Datei als von Hand geändert.

Mit Zeitauswahl wird jeder Bereich als eigener Block korrigiert und gegliedert; die Überschriften [00:04:57 - 00:06:04] bekommt das Modell nicht zu sehen, sie stehen unverändert als eigene Zeilen im Ergebnis. Zusätzlich weist der Prompt das Modell an, an den Rändern der Ausschnitte nichts zu ergänzen. Eine Rohabschrift (.txt) mit solchen Überschriften, etwa von vtt2txt.py -z, wird ebenso in Blöcken korrigiert.

Ablauf

0. Vorprüfung: Läuft Ollama, ist das Modell installiert? Sonst Abbruch mit Hinweis, noch vor jedem Download.
1. Fließtext: Untertitel-Zeilenumbrüche werden entfernt. Zeit-Überschriften (-z) teilen den Text in Blöcke, die einzeln bearbeitet werden.
2. Feste Ersetzungen aus dem Glossar (falsch => richtig) werden im Rohtext angewendet, bevor das Modell ihn sieht.
3. Korrektur: Der Text wird in Abschnitte von ca. 1200 Wörtern geteilt (immer am Satzende; Abkürzungen wie „z. B.“, „Dr.“, „bzw.“ und Ordnungszahlen wie „2. Weltkrieg“ zählen nicht als Satzende) und abschnittsweise vom Modell korrigiert. Fortschritt wird live angezeigt.
4. Wortzahl-Prüfung: Weicht die Wortzahl eines Abschnitts um mehr als 5 % ab, gibt es eine Warnung (mögliche Auslassungen oder Ergänzungen).
5. Absätze: Das Modell nennt nur Satznummern, an denen ein Absatz beginnt; der Text selbst wird dabei nicht verändert. Absätze über 10 Sätze werden nochmals geteilt, Absätze unter 3 Sätzen mit einem Nachbarn verbunden. Passt der kurze Absatz an beide Nachbarn, entscheidet das Modell nach dem Inhalt, ob er den vorherigen Gedanken abschließt oder den folgenden einleitet.
6. Änderungsbericht: Rohtext (vor dem Glossar) und Ergebnis werden Wort für Wort verglichen; eigenmächtige Änderungen des Modells kommen in die Liste „Zu prüfen“, siehe unten.

Zweifelhafte Stellen markiert das Modell als Lesart [prüfen: Originalwortlaut], in englischen Reden als reading [check: original wording].

Englische Reden bekommen eigene, englische Prompts für Korrektur und Absätze (SYSTEM_EN usw. in abschrift_korrigieren.py); dort entfernt das Modell auch die Sprecherwechsel-Marken >> der YouTube-Auto-Untertitel. Weitere Sprachen lassen sich über das Wörterbuch PROMPTS ergänzen.

Änderungsbericht

Jeder Lauf von abschrift_korrigieren.py schreibt neben die Ausgabe <Name>.aenderungen.html (aus rede.korrigiert.txt wird rede.aenderungen.html) und zeigt die häufigsten Änderungen in der Konsole. Der Bericht enthält:

• Zu prüfen: eigenmächtige Änderungen des Modells, die den Sinn ändern können, mit Grund und Zusammenhang (siehe unten),
• alle Änderungen nach Häufigkeit (gedeiliche → gedeihliche, ∅ → ist für Einfügungen),
• den korrigierten Text mit seinen Absätzen: ersetzte Wörter gelb mit dem Original dahinter, Einfügungen grün, Streichungen rot durchgestrichen, [prüfen: …] orange, Stellen „zu prüfen“ rot umrahmt (gestrichene als ⚠, Grund beim Darüberfahren).

Nicht markiert werden Groß-/Kleinschreibung, Satzzeichen (auch eingefügte Gedankenstriche) und Schreibweisen wie „z.B.“ → „z. B.“. So bleiben die Wortänderungen übrig, die man prüfen sollte, gerade eigenmächtige wie „gedeiliche“ → „geregelte“.

Zu prüfen

Verglichen wird hier der Text, den das Modell bekommen hat (nach den festen Ersetzungen des Glossars), mit seinem Ergebnis. Gemeldet werden:

Grund	Beispiel
gültiges Wort ersetzt	„Professor“ → „Professorin“, „unterschreiben“ → „unterscheiden“ (das alte Wort steht in der Wortliste, war also kein Hörfehler)
stark verändert	„CT1“ → „ZDF“ (Ähnlichkeit unter 60 %)
eingefügt	„∅“ → „ist“
gestrichen	„Sicherungskonzepte geht“ → „∅“ (Füllwörter wie „äh“ nicht)

Nicht gemeldet werden Hörfehler-Korrekturen, die ähnlich bleiben („Gradwanderung“ → „Gratwanderung“), reine Zusammen-, Getrennt- und Bindestrich-Schreibung („Clan Kriminalität“ → „Clankriminalität“) und Schreibweisen aus dem Glossar („Bar“ → „Bahr“ bei „Egon Bahr“ im Glossar): Die neuen Wörter müssen zusammenhängend in einem Glossareintrag stehen und dem alten Text ähneln. Einzelne Allerweltswörter aus längeren Einträgen („Sie“ aus „finden Sie“) und eingefügte Wörter (ein ergänzter Vorname „Alexander“) erklärt das Glossar nicht. Die Liste erscheint auch in der Konsole. Kleine Grammatik-Korrekturen wie „das“ → „dass“ tauchen ebenfalls auf; ein Blick genügt.

Für vorhandene Dateien gibt es das eigene Skript. Mit denselben Glossaren wie bei der Korrektur gelten deren Ersetzungen und Begriffe nicht als verdächtig:

./aenderungen.py -a rede.txt -b rede.korrigiert.txt        # → rede.aenderungen.html
./aenderungen.py -a rede.de.vtt -b rede.korrigiert.txt -o bericht.html
./aenderungen.py -a rede.txt -b rede.korrigiert.txt -g krone-schmalz.glossar.txt -g rede.glossar.txt
./aenderungen.py -a talk.txt -b talk.korrigiert.txt -l en  # englische Wortliste

Glossar

Eine Zeile pro Eintrag, # leitet Kommentare ein:

# feste Ersetzung (ganze Wörter, Groß-/Kleinschreibung zählt, Reihenfolge = Datei)
Willly Brand => Willy Brandt
Kremmel => Kreml

# Hinweis fürs Modell (korrekte Schreibweise, optional mit Erläuterung)
Multi-Domain Task Force
Michael Gorbatschow (Vorname so belassen)

Ersetzungen ohne Treffer werden gesammelt gemeldet. Bei einem Glossar für einen einzelnen Beitrag deutet das auf einen Tippfehler hin, bei einem gemeinsamen Glossar ist es normal.

Mehrere Glossare lassen sich kombinieren: ein gemeinsames für wiederkehrende Namen und Hörfehler eines Redners oder Kanals und eines je Beitrag. Beispiel zu den Testdaten: krone-schmalz.glossar.txt (gemeinsam) plus ramstein.glossar.txt, magdeburg.glossar.txt bzw. lahnstein.glossar.txt. Das gemeinsame Glossar zuerst angeben, damit seine Ersetzungen vor den speziellen greifen. Ein weiteres Kanal-Glossar: iamfabian.glossar.txt für Videos über KI-Coding-Tools (Claude Code, Codex, OpenCode …).

Glossar-Entwurf: glossar_vorschlag.py

Ein Glossar von Hand zu erstellen heißt, den ganzen Rohtext zu lesen. Den ersten Entwurf liefert das Skript:

1. Das Modell sucht abschnittsweise vermutete Hörfehler: Namen, Orte, Fremdwörter, Fachbegriffe und falsch zusammen- oder getrennt geschriebene Wörter. Behalten werden nur Funde, die wörtlich im Rohtext stehen; was das Modell für sicher hält, steht zuerst.
2. Mit -k kommen die Wörter dazu, die ein Korrekturlauf geändert hat, ohne das, was die Glossare ohnehin erledigen. Vieles davon hängt vom Zusammenhang ab (das → dass), anderes zeigt Fehlgriffe des Modells (Kremmel → Kremml).

Alle Einträge sind als # ? falsch => richtig auskommentiert: Auch „sichere“ Funde des Modells sind oft falsch (Lahnstein: Deckmäntelchen → Deckmäntel), und eine falsche feste Ersetzung verdirbt den Text unbemerkt. Zum Übernehmen # ? entfernen.

Einträge aus den mit -g angegebenen Glossaren werden vorher angewendet und nicht erneut vorgeschlagen. Zeit-Überschriften von Ausschnitten ([00:04:57 - 00:06:04], siehe Zeitauswahl) werden aus Roh- und korrigiertem Text entfernt; das Modell bekommt sie nicht zu sehen.

./glossar_vorschlag.py -i testdaten/Lahnstein.de-orig.txt \
    -k testdaten/Lahnstein.de-orig.korrigiert.txt -g krone-schmalz.glossar.txt
# → testdaten/Lahnstein.de-orig.glossar.entwurf.txt

Option	Bedeutung
-i, --input	Rohabschrift (.txt oder .vtt), Pflicht
-k, --korrigiert	korrigierter Text eines Laufs (optional)
-g, --glossar	vorhandene Glossare, mehrfach möglich
-o, --output	Entwurf; Standard: <Eingabe ohne Endung>.glossar.entwurf.txt
-m, --model	Ollama-Modell; Standard: qwen3:32b

Der Entwurf ist ein Ausgangspunkt, kein fertiges Glossar: jeden Eintrag prüfen, Brauchbares ins Glossar des Beitrags (oder ins gemeinsame) übernehmen. Die Modellantworten werden in <Entwurf>.parts/ zwischengespeichert.

Testdaten

testdaten/ enthält drei Reden, jeweils als automatische YouTube-Untertitel (.vtt, Original) und daraus mit vtt2txt.py gewonnener Rohtext (.txt, Eingabe für das Programm):

• ramstein.de.*: Rede über die US Air Base Ramstein (Glossar ramstein.glossar.txt)
• magdeburg.de-orig.*: Rede in Magdeburg (Glossar magdeburg.glossar.txt)
• Lahnstein.de-orig.*: Rede „Respekt geht anders“ in Lahnstein (Glossar lahnstein.glossar.txt, erstellt mit Hilfe von glossar_vorschlag.py)

Alle drei mit dem gemeinsamen krone-schmalz.glossar.txt davor.

./vtt2txt.py -i "testdaten/*.vtt"           # erzeugt alle .txt neu
./abschrift_korrigieren.py -i testdaten/ramstein.de.txt -g krone-schmalz.glossar.txt -g ramstein.glossar.txt
# → testdaten/ramstein.de.korrigiert.txt (nicht versioniert)

Ein Lauf dauert mit qwen3:32b vollständig auf einer RTX 3090 etwa 6 Minuten.

Tests

python3 -m pytest

Die Tests (291) brauchen weder Ollama noch Netz: Modellaufrufe und yt-dlp werden durch Fakes ersetzt. tests/test_abschrift_korrigieren.py prüft Abschnittsbildung, Satzgrenzen (Abkürzungen und Ordnungszahlen sind kein Satzende), Glossar (inkl. „jede Ersetzung im Glossar einer Rede trifft diese Rede, jede im gemeinsamen Glossar trifft mindestens eine“), Streaming-Auswertung, Absatzgliederung (Text bleibt unverändert, 3–10 Sätze), Verbinden kurzer Absätze (Modell wird nur gefragt, wenn beide Nachbarn passen), Zwischenspeicher/Fortsetzen, Zeitauswahl, Sprachen und die Kommandozeile. tests/test_glossar_vorschlag.py prüft Filter (nur Funde im Text, keine bekannten), Ausgabeformat (gültiges Glossar, Unsicheres auskommentiert) und Zwischenspeicher. tests/test_aenderungen.py prüft den Wortvergleich (Satzzeichen, Groß-/Kleinschreibung und „z. B.“ zählen nicht), die Liste „Zu prüfen“ (Gründe, Ausnahmen, Glossar, fehlende Wortliste) und den HTML-Bericht (vollständiger Text, Absätze, Escaping). Die Tests nutzen eine kleine eigene Wortliste statt der des Systems. tests/test_extract_text.py prüft den Gesamtablauf URL → Text, Sprachwahl (Original-Audio, manuell vor automatisch) und Fehlerfälle. tests/test_yt_untertitel.py prüft Spurauswahl, Aufruf von yt-dlp und Fehlerfälle (ohne Netz, yt-dlp wird durch Fakes ersetzt). tests/test_vtt2txt.py prüft die VTT-Umwandlung: jede .vtt in testdaten/ ergibt genau die zugehörige .txt, echte Wiederholungen bleiben erhalten, auch bei Untertiteln ohne rollendes Fenster, dazu Zeitauswahl, Muster, Ausgabeverzeichnis und Fehlerfälle.

Zwischenstände

Jeder fertige Abschnitt, jede Absatzgliederung und jede Entscheidung beim Verbinden kurzer Absätze wird in <Ausgabe>.parts/ gespeichert. Ein erneuter Lauf überspringt alles, was schon berechnet ist. Ändern sich Modell (auch per -m), Prompt, Glossar oder Text eines Abschnitts, wird genau dieser Teil neu berechnet. Glossar-Begriffe stehen im Prompt; ein neuer Begriff lässt deshalb alle Abschnitte neu korrigieren. Den Ordner kann man jederzeit löschen. glossar_vorschlag.py speichert seine Modellantworten ebenso in <Entwurf>.parts/.

Einstellungen

Oben in abschrift_korrigieren.py:

Konstante	Standard	Bedeutung
MODEL	qwen3:32b	Ollama-Modell (Standard für -m)
CHUNK_SIZE	1200	Wörter pro Korrekturabschnitt
MAX_EXTRA_WORDS	300	so weit darf ein Abschnitt bis zum nächsten Satzende wachsen
MAX_WORD_DEVIATION	0.05	Warnschwelle Wortzahl
PARAGRAPH_WINDOW	150	Sätze pro Anfrage bei der Absatzgliederung
MAX_PARAGRAPH_SENTENCES	10	längster erlaubter Absatz
MIN_PARAGRAPH_SENTENCES	3	kürzester gewünschter Absatz
NO_SENTENCE_END	Muster	Abkürzungen, die kein Satzende sind

In aenderungen.py:

Konstante	Standard	Bedeutung
WORDLISTS	/usr/share/dict/ngerman, …/american-english	Wortlisten je Sprache
MIN_SIMILARITY	0.6	darunter gilt eine Ersetzung als „stark verändert“
FILLERS	je Sprache: äh, ähm, …; uh, um, er, …	Füllwörter, deren Streichung nicht gemeldet wird

In vtt2txt.py:

Konstante	Standard	Bedeutung
MAX_SNAP_SECONDS	30	so weit darf ein Zeitbereich bis zur nächsten Satzgrenze wachsen
ROLLING_SHARE	0.5	ab diesem Anteil sich überlappender Blöcke gilt eine Datei als rollend

Bekannte Grenzen

• Das Modell ändert gelegentlich Wörter eigenmächtig, auch sinnverändernd (Magdeburg-Rede ohne Glossar: „Professor“ → „Professorin“, „gedeiliche“ → „geregelte“ statt „gedeihliche“). Die Liste „Zu prüfen“ im Bericht findet die meisten solcher Fälle, aber nicht alle: Ein falsch erkanntes Wort, das das Modell durch ein ähnliches, aber falsches ersetzt, fällt nicht auf. Gefundene Fälle gehören ins Glossar.
• qwen3:32b ohne Denkmodus erkennt Hörfehler ohne Glossar nur teilweise und setzt kaum [prüfen: …]-Marken. Bekannte Fehler gehören deshalb ins Glossar.
• Einzelbuchstaben und ein- bis zweistellige Zahlen mit Punkt gelten nie als Satzende („Plan B.“, „Es waren 12.“); das beeinflusst nur mögliche Absatzgrenzen, nicht den Text.