WCAG 1.2.1: Nur-Audio & Nur-Video (aufgezeichnet)

WCAG 1.2.1 verlangt für aufgezeichnete Medien, die nur aus Ton bestehen, ein vollständiges Transkript – und für aufgezeichnete Medien, die nur aus Bild bestehen, eine Textalternative oder eine zusätzliche Tonspur. Ausgenommen ist allein der Fall, dass das Medium selbst schon die Alternative zu einem vorhandenen Text ist und auch so gekennzeichnet wird.

(Englisch: Audio-only and Video-only (Prerecorded). Im BIK-BITV-Test heißt der Prüfschritt „1.2.1 Alternativen für Audiodateien und stumme Videos“.)

Das Wichtigste in Kürze

• Zwei getrennte Fälle in einem Kriterium: Ton ohne Bild braucht Text, Bild ohne Ton braucht Text oder Ton. Beides gilt nur für aufgezeichnete Medien.
• Sobald Bild und Ton zusammen laufen, ist 1.2.1 nicht mehr zuständig – dann greifen 1.2.2 und 1.2.3.
• Eine Zusammenfassung ist kein Transkript. Der Prüfschritt bewertet „nicht erfüllt“, wenn Inhalte unvollständig wiedergegeben sind.
• Sprecherwechsel gehören ins Transkript. Bei Dialogen muss erkennbar sein, wer gerade spricht – das prüft der BIK-BITV-Test ausdrücklich.
• Der Bezug muss klar sein. Ein Transkript, das irgendwo im Archiv liegt und nicht erkennbar zur Datei gehört, gilt als nicht erfüllt.
• Stumme Videos werden am häufigsten übersehen: GIF-Animationen, Loop-Videos im Kopfbereich, animierte Erklärgrafiken, Zeitraffer.
• Ein Transkript ist der billigste Zugewinn im ganzen Medienbereich – es kostet wenig, ist durchsuchbar und liefert Suchmaschinen und KI-Systemen Text, den eine Audiodatei nie hergibt.
• Stufe A, seit WCAG 2.0 unverändert und über die EN 301 549 in Deutschland verbindlich.

Braucht ein Podcast ein Transkript?

Ja. Aufgezeichnete Nur-Audio-Inhalte brauchen ein vollständiges Transkript, Nur-Video-Inhalte eine Textalternative oder eine zusätzliche Tonspur.

Der Normtext behandelt zwei Medienformen, die im Alltag wenig miteinander zu tun haben, technisch aber dasselbe Problem teilen: Es fehlt genau ein Sinneskanal.

Nur-Audio ist alles, was ohne Bild auskommt – der Podcast, die eingebettete Sprachnachricht, die Audiodatei mit einer Rede, der vertonte Meditationstext. Hier verlangt das Kriterium ein Transkript in Textform. Vollständig heißt: das Gesprochene, die Kennzeichnung der Sprechenden bei Dialogen und die Geräusche, die Bedeutung haben. Ein Ergebnisprotokoll oder eine Zusammenfassung der Folge erfüllt das Kriterium nicht.

Nur-Video ist alles, was ohne Ton auskommt – die stumme Bildschirmaufnahme, das animierte Diagramm, der Zeitraffer einer Baustelle, das GIF, das einen Bedienschritt zeigt. Hier hast du die Wahl: eine Textalternative, die alles Sichtbare beschreibt, oder eine Tonspur, die dasselbe tut. In der Praxis ist der Text fast immer der schnellere Weg.

Die Ausnahme ist eng gefasst und wird regelmäßig zu weit ausgelegt. Sie greift nur, wenn das Medium selbst schon die Alternative zu einem vorhandenen Text ist: etwa die Audiofassung eines Artikels, die als solche gekennzeichnet neben dem Artikel steht. Der BIK-BITV-Test hält dazu fest, dass der Bezug zum Text in diesem Fall deutlich sein muss – ein unbeschrifteter Player unter der Überschrift genügt nicht.

Für die Abgrenzung gibt es eine Frage, die im Audit alles entscheidet: Laufen Bild und Ton gleichzeitig und tragen beide Bedeutung? Wenn ja, ist es ein synchronisiertes Medium und 1.2.1 ist gar nicht anwendbar. Ein Video mit Hintergrundmusik ohne Sprache bleibt dagegen ein stummes Video im Sinne des Kriteriums, solange die Musik nichts erklärt.

Der Normtext steht im Understanding-Dokument des W3C zu 1.2.1, das deutsche Prüfvorgehen im Prüfschritt „1.2.1 Alternativen für Audiodateien und stumme Videos“.

Wen betrifft es besonders?

Beim reinen Ton sind es gehörlose und schwerhörige Menschen. Für sie existiert eine Audiodatei ohne Transkript schlicht nicht: kein Zugang, kein Nachlesen später. Dazu kommen taubblinde Menschen, die über eine Braillezeile lesen: Für sie ist Text die einzige Form, in der Inhalt überhaupt ankommt. Eine Tonspur als Alternative hilft ihnen nicht, ein Transkript schon.

Beim stummen Video sind es blinde und sehbehinderte Menschen. Ein animiertes Diagramm ohne Beschreibung ist für sie nicht „unklar“, sondern gar nicht vorhanden – der Screenreader sagt bestenfalls „Video“ und geht weiter.

Und dann ist da die Gruppe, an die beim Transkript selten jemand denkt: Menschen mit Konzentrations- und Verarbeitungsschwierigkeiten, die einen Text in ihrem Tempo lesen können, während ein Podcast unerbittlich weiterläuft. Dazu jeder, der im Großraumbüro sitzt, im Zug ohne Kopfhörer, in einer Wohnung mit schlafendem Kind – der Curb-Cut-Effekt in Reinform.

Richtig & falsch im Code

Bei Audio ist das aufklappbare Transkript direkt unter dem Player die robusteste Lösung. Es steht im selben Kontext, ist auffindbar und braucht keine zweite Seite:

<!-- Falsch: Player ohne jede Textfassung -->
<h2>Folge 12: BFSG für Shops</h2>
<audio controls src="/podcast/folge-12.mp3"></audio>

<!-- Falsch: nur eine Zusammenfassung statt eines Transkripts -->
<p>In dieser Folge geht es um die Pflichten von Onlineshops.</p>

<!-- Richtig: vollständiges Transkript im unmittelbaren Kontext -->
<h2>Folge 12: BFSG für Shops</h2>
<audio controls src="/podcast/folge-12.mp3"></audio>

<details>
  <summary>Vollständiges Transkript der Folge lesen</summary>
  <p><strong>Jakob:</strong> Willkommen zur zwölften Folge. Heute
     sprechen wir über die Pflichten von Onlineshops.</p>
  <p><strong>Miriam:</strong> Und über die Ausnahme für
     Kleinstunternehmen, die dabei ständig falsch zitiert wird.</p>
  <p>[Türklingel]</p>
</details>

Das details-Element ist hier bewusst gewählt: Es funktioniert ohne JavaScript, ist tastaturbedienbar und macht das Transkript für Suchmaschinen sichtbar. Bei sehr langen Folgen darf das Transkript auch auf einer eigenen Seite liegen – dann muss der Link aber danebenstehen und den Bezug benennen („Transkript zu Folge 12“), nicht bloß „Transkript“.

Beim stummen Video hängt die Lösung an der Länge. Kurze Animationen bekommen eine Beschreibung direkt daneben:

<!-- Falsch: stummes Erklärvideo ohne Alternative -->
<video autoplay muted loop src="/video/upload-schritte.mp4"></video>

<!-- Richtig: Beschreibung im Kontext, Video als Zugabe -->
<figure>
  <video controls muted src="/video/upload-schritte.mp4"></video>
  <figcaption>
    Der Upload in drei Schritten: Datei auswählen, Kategorie setzen,
    „Veröffentlichen“ drücken. Nach dem Absenden erscheint oben eine
    grüne Bestätigung mit der Vorgangsnummer.
  </figcaption>
</figure>

Ein Sonderfall, der in Audits regelmäßig auftaucht: das animierte GIF. Technisch ist es ein Bild, inhaltlich ein stummes Video. Vermittelt es Information, braucht es eine Alternative – und zwar eine, die den Ablauf beschreibt, nicht nur den ersten Frame. Ein alt-Text mit drei Wörtern reicht dafür meist nicht; die Regeln dafür stehen unter Alt-Texte schreiben und in 1.1.1 Nicht-Text-Inhalte.

So testest du es

1. Medieninventur anlegen. Jede Audiodatei und jedes stumme Video erfassen – auch eingebettete Player, auch GIFs, auch Videos im Kopfbereich, auch die Sprachnachricht in der Fallstudie.
2. Jedes Medium einordnen. Nur Ton? Nur Bild? Beides zusammen? Nur die ersten beiden Fälle gehören zu 1.2.1, der dritte zu 1.2.2 und 1.2.3.
3. Alternative suchen – und zwar dort, wo das Medium steht. Findest du sie nicht innerhalb weniger Sekunden im unmittelbaren Kontext, findet sie ein Prüfer auch nicht.
4. Auf Vollständigkeit prüfen. Transkript neben die Datei legen und stichprobenartig gegenhören: Fehlen Sprecherkennzeichnungen, Zahlen, Eigennamen, bedeutungstragende Geräusche?
5. Beim stummen Video den Ton-aus-Gegentest machen: Reicht die Beschreibung, um zu verstehen, was passiert – ohne das Video zu sehen?
6. Den Bezug prüfen. Ist erkennbar, zu welcher Datei die Alternative gehört? Ein Link mit dem Wort „Transkript“ ohne Bezugsnennung ist zugleich ein Fall für 2.4.4 Linkzweck im Kontext.
7. In die Redaktionscheckliste aufnehmen. Automatische Tools finden hier nichts; das ist ein rein redaktioneller Prüfschritt und gehört in den Launch-Check.

Häufiger Fehler in der Praxis

Der mit Abstand häufigste Fehler ist die Zusammenfassung, die sich Transkript nennt. Unter dem Podcast stehen fünf Zeilen Inhaltsangabe, überschrieben mit „Zusammenfassung der Folge“ – und im Selbstcheck wird das Kriterium abgehakt. Der BIK-BITV-Test ist an dieser Stelle deutlich: Eine Medienalternative, deren Inhalte unvollständig wiedergegeben sind, gilt als nicht erfüllt. Der Unterschied ist keine Formalie. Wer nicht hören kann, bekommt bei einer Zusammenfassung das Ergebnis serviert, nicht den Weg dorthin – und damit weniger als alle anderen.

Der zweite Fehler ist das stumme Loop-Video im Kopfbereich, das Information trägt. Ein Zeitraffer, der eine Produktmontage zeigt; eine Animation, die drei Schritte durchspielt. Weil kein Ton dabei ist und es „nur Deko“ sein soll, denkt niemand an eine Alternative. Die Prüffrage ist einfach: Stünde die Information sonst irgendwo im Text? Wenn nein, ist es keine Deko.

Der dritte ist das verwaiste Transkript. Es existiert, sauber gepflegt, aber es liegt in einem Downloadbereich, drei Klicks entfernt, ohne erkennbaren Bezug zur Folge. Ich würd das Transkript in solchen Fällen einfach direkt unter den Player holen – aufklappbar, damit es die Seite nicht sprengt. Das kostet zehn Minuten Umbau und beseitigt gleich zwei Befunde.

Und ein Missverständnis, das immer wieder kommt: „Wir haben doch automatische Untertitel auf YouTube.“ Bei einer reinen Audiodatei nützt das nichts, und selbst beim Video ersetzen Untertitel kein Transkript – sie beantworten 1.2.2, nicht 1.2.1. Die beiden Kriterien greifen an unterschiedlichen Stellen.

Häufige Fragen

Reicht eine Zusammenfassung als Transkript?

Nein. Verlangt ist eine vollständige Wiedergabe des Gesprochenen inklusive Sprecherkennzeichnung bei Dialogen und bedeutungstragender Geräusche. Der BIK-BITV-Test bewertet unvollständige Alternativen ausdrücklich als nicht erfüllt. Eine Zusammenfassung darf zusätzlich danebenstehen – sie ist für viele Leser praktisch, ersetzt das Transkript aber nicht.

Braucht ein stummes Hintergrundvideo eine Alternative?

Nur, wenn es Information vermittelt. Eine reine Stimmungssequenz ohne Aussage ist dekorativ und braucht keine Textfassung. Sobald das Video etwas zeigt, das sonst nirgends steht – Bedienschritte, Zahlen, einen Ablauf –, ist es informationstragend und fällt unter 1.2.1. Im Zweifel gilt: Steht es nicht im Text daneben, braucht es eine Alternative.

Gilt 1.2.1 auch für Videos mit Hintergrundmusik?

Ja, solange die Musik nichts erklärt. Ein Video, dessen Tonspur nur aus Musik besteht, bleibt im Sinne des Kriteriums ein stummes Video – es braucht also eine Beschreibung des Sichtbaren. Erst wenn die Tonspur eigene Information vermittelt, etwa gesprochene Erläuterungen, wird daraus ein synchronisiertes Medium mit Untertitelpflicht nach 1.2.2.

Wo muss das Transkript stehen?

Im unmittelbaren Kontext des Mediums oder über einen Link erreichbar, der den Bezug benennt. Ein aufklappbares details-Element direkt unter dem Player ist die sicherste Variante. Eine eigene Transkriptseite ist zulässig, wenn der Link danebensteht und klar sagt, wozu das Transkript gehört – „Transkript zu Folge 12“ statt bloß „Transkript“.

Wie viel kostet ein Transkript?

Als Richtwert für professionelle Dienstleister in Deutschland liegen reine Transkriptionen Stand Juli 2026 bei etwa 2 Euro je Minute Laufzeit, redigierte Untertitel deutlich darüber. Wer selbst arbeitet, lässt eine automatische Rohfassung erzeugen und korrigiert sie – für eine Stunde Podcast sind ein bis zwei Stunden Nacharbeit realistisch, vor allem für Eigennamen und Fachbegriffe.

Verwandte Themen

• Untertitel, Transkripte & Audiodeskription – der Praxis-Leitfaden zum ganzen Medienbereich
• 1.2.2 Untertitel (aufgezeichnet) – sobald Ton auf Video trifft
• 1.2.3 Audiodeskription oder Medienalternative – die Gegenrichtung für Videos mit Ton
• 1.1.1 Nicht-Text-Inhalte – die allgemeine Regel für Alternativen
• Semantische Medien – audio, video und track korrekt einbinden
• Barrierefreier Media-Player – der Player drumherum