Der zeitaufwendigste Teil einer Sprechvideo-Produktion ist selten das Schneiden. Es ist das Suchen. Um einen drei Sekunden langen Versprecher zu entfernen, zieht man die Wellenform hin und her, hört immer wieder dieselbe Stelle und versucht herauszufinden, an welcher Silbe der Satz gekippt ist. Bei einem Podcast wird es schlimmer: Eine vierzigminütige Folge kostet vierzig Minuten, nur um sie einmal zu hören.

Descript setzt am anderen Ende an. Statt im Wellenbild suchen zu lassen, wird die Stimme zuerst zu Text, und das Transkript wird zur Fläche, auf der geschnitten wird.

Erst wird die Aufnahme zum Text

Zieht man ein Video oder eine Audiodatei in Descript, transkribiert die Plattform sie und liefert binnen Sekunden ein Transkript mit Zeitachse. Die offizielle Angabe liegt bei bis zu 95 Prozent Genauigkeit über 25 Sprachen. Danach ist nicht mehr die Timeline die Hauptfläche der Oberfläche, sondern dieser Text.

Dann kommt der Kern: Wörter ändern heißt Bild ändern. Löscht man ein Wort aus dem Transkript, verschwindet genau dieser Moment im Video. Verschiebt man einen Satz, wandert das Material mit. Kopiert man eine Passage, wird auch das Material darunter dupliziert. Die Formulierung des Herstellers ist nüchtern: Video bearbeiten wie ein Dokument.

Die Timeline ist nicht abgeschafft, nur nach hinten gerückt. Die meisten kommen ohne einen einzigen Griff dorthin durch und wechseln erst zurück, wenn es auf das einzelne Bild ankommt.

Versprecher, Füllwörter, tote Takes in einem Durchgang

Der zweite Gewinn eines Transkripts ist, dass sich die mechanische Aufräumarbeit automatisieren lässt. Die Fülllaute, die in gesprochener Sprache nun einmal stecken, werden erkannt und markiert, ein Klick räumt alle weg. Wurde dieselbe Zeile fünfmal aufgenommen, behält Remove Retakes die beste Fassung. Edit for Clarity geht weiter und entfernt Füllwörter, Abschweifungen und offensichtlich überflüssige Stellen in einem Zug.

Bild und Ton bekommen dieselbe Behandlung. Studio Sound ist eine Sache von einem Klick: Rauschen raus, Stimme hoch, sodass Material aus einem normalen Zimmer fast nach Kabine klingt. Wer beim Aufnehmen einen Teleprompter oder ein Skript gelesen hat, bekommt per Eye Contact den Blick mit KI so gerichtet, dass die Aufnahme wie ein direkter Blick in die Linse wirkt, was eine zweite Aufnahme spart. Eine Grünwand-Funktion macht den Aufbau eines echten Hintergrunds überflüssig.

Falsch gesagt? Eine Zeile tippen und neu sprechen

Die überraschendste Funktion heißt Regenerate. Ist ein Satz danebengegangen oder ein Name falsch ausgesprochen, wird nicht nachaufgenommen. Man korrigiert die Zeile im Transkript, und Regenerate erzeugt diese Passage in der eigenen geklonten Stimme neu und passt die Mundbewegung im Bild dazu an.

Dahinter steht das Klonen der Stimme. Existiert der Klon, wird eine Nachaufnahme zur Tipparbeit. Früher blieb nur, den Versprecher zu behalten oder den Abschnitt komplett neu aufzunehmen; heute reicht ein korrigierter Satz. Diese Fähigkeit hat ihre Risiken, deshalb bietet die Business-Stufe Schalter, um dem Training mit eigenen Daten zu widersprechen und Aufbewahrungsfristen selbst zu setzen.

Underlord, ein Assistent, der Anweisungen versteht

Im vergangenen Jahr hat Descript seinen KI-Assistenten Underlord in die Mitte des Produkts gerückt. Er ist kein Chatfenster, sondern arbeitet direkt am Projekt: Man sagt ihm, es solle daraus ein einminütiger Kurzclip werden, oder fragt, wie eine Überleitung funktionieren könnte, und bekommt einen fertigen Schnitt oder einen Vorschlag. Laut Hersteller macht er aus Rohmaterial in Minuten eine dichte Fassung.

Underlord übernimmt auch die Wiederverwertung: die teilbaren Momente aus einem langen Video ziehen, die Episodenbeschreibung und die Texte für soziale Netze schreiben, Vorschaubild und Beschreibung für YouTube erzeugen. Aus einem langen Stück wird so automatisch eine Reihe kurzer.

Aufnahme, Fernaufnahme und andere Sprachen

Descript ist nicht nur ein Editor, die Aufnahme steckt mit drin. Bildschirmaufnahme erfasst Bildschirm, Kamera und Mikrofon gleichzeitig, Bild im Bild, Systemton und Mikrofonspur getrennt, und das Ergebnis landet direkt im selben Projekt — ein Export weniger für alle, die Demos oder Anleitungen bauen.

Für Ferninterviews gibt es Rooms: Wer interviewt wird, muss nichts installieren, die Aufnahme wird automatisch in Spuren getrennt und transkribiert, und bricht die Verbindung ab, lässt sie sich innerhalb von sieben Tagen fortsetzen. Bei Gesprächen mit mehreren Personen wählt Automatic Multicam Perspektive und Aufteilung.

Bei den Sprachen kommt zur Transkription in 25 Sprachen die Möglichkeit, ein fertiges Stück in mehr als 30 Sprachen zu übersetzen und zu synchronisieren, mit Untertiteln dazu. Die Business-Stufe ergänzt eine Liste, die von der Übersetzung ausgenommen ist, damit Markennamen und Eigennamen nicht wörtlich übertragen werden.

Preise und der tatsächliche Einstieg

Descript läuft im Abonnement, und das Kontingent hängt an zwei Größen: Medienstunden für importiertes oder aufgenommenes Material und KI-Credits für die KI-Funktionen. Beides lässt sich einzeln nachkaufen.

Die kostenlose Stufe gibt eine Stunde im Monat und 100 Credits einmalig, Export in 720p ohne Wasserzeichen. Hobbyist kostet bei jährlicher Zahlung 16 Dollar im Monat für 10 Stunden und 400 Credits monatlich, Export in 1080p. Creator liegt bei 35 Dollar für 30 Stunden und 800 Credits und öffnet 4K. Business kostet 50 Dollar für 40 Stunden und 1500 Credits, ebenfalls 4K, dazu ein Brand Studio. Enterprise wird individuell angeboten, mit anpassbarem Volumen und Credits sowie SSO und Audit-Protokoll.

Zwei Punkte sind vorher zu beachten. Ein gewerblich belastbares Kontingent beginnt erst bei Hobbyist, die kostenlose Stunde reicht praktisch zum Testen. Und Hobbyist wie Creator sind monatlich teurer als jährlich, bei stetem Bedarf lohnt der Jahresplan. In jeder Stufe kommt der Export ohne Wasserzeichen, was unter vergleichbaren Werkzeugen nicht selbstverständlich ist.

Auf der Unternehmensseite ist Descript nach SOC 2 Type II zertifiziert, unterstützt SAML Single Sign-on und SCIM und bietet eine DSGVO-konforme Datenverarbeitung; die Business-Stufe erlaubt es, dem Modelltraining zu widersprechen, eigene Aufbewahrungsfristen zu setzen und ein Brand Studio für einheitliche Vorlagen und Bildregeln zu nutzen.

Für wen es passt

Wenn das Ergebnis vor allem aus Sprechen besteht — Podcast, Interview, Kommentar, Anleitung, Produktdemo —, ist Descript praktisch um genau diese Inhalte herum gebaut, und der Gewinn ist deutlich. Bei G2 stehen 837 Bewertungen mit einem Durchschnitt von vier Komma sechs von fünf; die Nutzer reichen von einzelnen Machern bis zu Teams bei Amazon, Canva und Salesforce.

Weniger passt es zu Projekten mit komplexer Bildsprache: Erzählen über mehrere Kameras, feine Farbkorrektur, aufwendige Bewegung gehören weiter in eine klassische Schnittsoftware. Descripts eigener Anspruch ist, die Kosten für das Schneiden sprechorientierter Inhalte so niedrig wie möglich zu halten, nicht die gesamte Postproduktion zu ersetzen.

Eines sollte man vorher klären: Je tiefer KI Bild und Stimme umschreibt, desto mehr braucht es eine interne Linie. Was geändert werden darf und wie weit, gehört als Teamregel festgelegt und nicht von Fall zu Fall entschieden.

Ob ein solches Werkzeug seinen Platz verdient, misst sich nicht daran, wie viel schneller ein Schnitt geht. Es misst sich daran, ob der Teil des Materials, den man nicht anzufassen wagte, nicht anfassen wollte oder sich nicht leisten konnte, zu etwas geworden ist, das man beiläufig immer wieder überarbeitet.