WCAG 1.2.2: Untertitel (aufgezeichnet)

WCAG 1.2.2 verlangt Untertitel für jedes aufgezeichnete Video mit Tonspur – und zwar vollständige: Dialog, Sprecherwechsel und bedeutungstragende Geräusche. Die einzige Ausnahme ist ein Video, das selbst nur die Alternative zu einem Text ist und klar als solche gekennzeichnet wird.

(Englisch: Captions (Prerecorded).)

Das Wichtigste in Kürze

• Gemeint sind erweiterte Untertitel, nicht Übersetzungsuntertitel. Sie geben alles Hörbare mit Bedeutung wieder – auch „[Telefon klingelt]“ und Sprecherwechsel.
• Ein Transkript ersetzt Untertitel bei Videos nicht. Bei reinen Audiodateien genügt es (1.2.1), bei Video mit Ton nicht.
• kind="captions" statt kind="subtitles" – die beiden Werte im <track>-Element bedeuten Unterschiedliches, und nur der erste meint das, was 1.2.2 verlangt.
• Automatische Untertitel sind eine Rohfassung, kein Ergebnis. Namen, Fachbegriffe und deutsche Komposita gehen dabei regelmäßig schief.
• Videos ganz ohne Tonspur brauchen keine Untertitel – dort greift stattdessen 1.2.1 mit einer Textalternative.
• Stumm gestartete Werbe- und Hintergrundvideos sind der häufigste vergessene Fall: Sobald sie Ton haben, gilt das Kriterium.
• Stufe A und über die EN 301 549 verbindlich; im BIK-BITV-Test heißt der Prüfschritt „1.2.2 Aufgezeichnete Videos mit Untertiteln“.

Muss ich meine Videos untertiteln?

Ja, jedes aufgezeichnete Video mit Tonspur – und zwar vollständig: Dialog, Sprecherwechsel und bedeutungstragende Geräusche.

Der Normtext verlangt Untertitel für alle aufgezeichneten Audioinhalte in synchronisierten Medien. „Synchronisierte Medien“ heißt: Bild und Ton laufen zusammen – also das klassische Video. Die Ausnahme ist eng gefasst und wird oft falsch verstanden: Sie greift nur, wenn das Video selbst die Alternative zu einem bereits vorhandenen Text ist und auch so gekennzeichnet wird, etwa ein Gebärdensprachvideo zu einem Artikel.

Untertitel im Sinne der WCAG sind erweiterte Untertitel (im Englischen captions, in der deutschen Fernsehpraxis oft „Untertitel für Hörgeschädigte“). Sie enthalten:

• den gesprochenen Dialog, sinngemäß und lesbar gekürzt,
• die Kennzeichnung der sprechenden Person, wenn mehrere zu Wort kommen,
• nicht-sprachliche Toninhalte mit Bedeutung: „[Tür fällt zu]“, „[Applaus]“, „[spöttisch]“, Musik, wenn sie etwas aussagt.

Nicht gemeint sind Übersetzungsuntertitel, die nur den Dialog in einer anderen Sprache wiedergeben. Genau dafür gibt es im HTML zwei getrennte Werte: captions und subtitles. Wer eine deutsche Untertitelspur als kind="subtitles" auszeichnet, liefert technisch eine Übersetzung – und das ist nicht, was 1.2.2 verlangt.

Für die Qualität gibt es im deutschsprachigen Raum eine gute Orientierung: die gemeinsamen Untertitel-Standards von ARD, ORF, SRF und ZDF, veröffentlicht auf untertitelrichtlinien.de. Sie regeln Sprecherfarben, die Kennzeichnung von Geräuschen in eckigen Klammern und die Frage, wie stark gekürzt werden darf. Als Faustregel aus der Praxis: höchstens zwei Zeilen gleichzeitig, und lieber sinnvoll kürzen als wortgetreu über den Bildschirm hetzen.

Der Normtext steht im Understanding-Dokument des W3C zu 1.2.2, das deutsche Prüfvorgehen im Prüfschritt „1.2.2 Aufgezeichnete Videos mit Untertiteln“ des BIK-BITV-Tests.

Wen betrifft es besonders?

Gehörlose und schwerhörige Menschen sind die primäre Zielgruppe – in Deutschland leben nach Angaben des Deutschen Schwerhörigenbundes mehrere Millionen Menschen mit relevanter Hörminderung, und die Zahl steigt mit dem Altersdurchschnitt. Für sie entscheidet die Untertitelspur darüber, ob ein Video Information oder Dekoration ist.

Wichtig ist dabei ein Punkt, der gern übersehen wird: Für viele gehörlose Menschen ist die Deutsche Gebärdensprache die Erstsprache, Deutsch die Zweitsprache. Zu stark verdichtete oder mit Fachbegriffen überladene Untertitel sind deshalb nicht automatisch verständlich. Einfache Satzstrukturen helfen mehr als jede zusätzliche Zeile.

Und dann ist da die große Gruppe der situativ Betroffenen: das Video im Großraumbüro, im Zug ohne Kopfhörer, neben dem schlafenden Kind, in der lauten Werkstatt. Untertitel sind ein klassisches Beispiel für den Curb-Cut-Effekt: für Gehörlose gedacht, im Alltag von viel mehr Leuten genutzt. Als Nebeneffekt liefern sie Suchmaschinen und KI-Systemen den Text, der im Video sonst unsichtbar bleibt.

Richtig & falsch im Code

<!-- Falsch: Video mit Ton, keine Untertitelspur -->
<video controls src="/video/produkt-demo.mp4"></video>

<!-- Falsch: Übersetzungsspur statt erweiterter Untertitel -->
<track kind="subtitles" src="/video/demo.de.vtt" srclang="de" />

<!-- Richtig: WebVTT-Untertitel über das track-Element -->
<video controls width="800" poster="/video/demo-poster.jpg">
  <source src="/video/produkt-demo.mp4" type="video/mp4" />
  <track kind="captions" src="/video/produkt-demo.de.vtt"
         srclang="de" label="Deutsch" default />
  <track kind="descriptions" src="/video/produkt-demo.ad.vtt"
         srclang="de" label="Audiodeskription" />
</video>

Die zugehörige .vtt-Datei ist reiner Text und lässt sich in jedem Editor pflegen:

WEBVTT

00:00:01.000 --> 00:00:04.000
[Intro-Musik]

00:00:04.500 --> 00:00:08.000
Jakob: Heute zeige ich, wie ein Checkout
barrierefrei wird.

00:00:08.200 --> 00:00:10.500
[Telefon klingelt]

Eine Stolperfalle, die viel Zeit kostet: Liegt die VTT-Datei auf einer anderen Domain als die Seite – etwa auf einem CDN –, blockiert der Browser sie stillschweigend, solange am <video> kein crossorigin-Attribut steht und der Server keine CORS-Header schickt. Der Untertitel-Knopf erscheint dann zwar, bleibt aber leer.

Bei Plattform-Playern wie YouTube oder Vimeo gilt: Die Spur dort pflegen, automatische Untertitel als Rohfassung nutzen und durchgehen. Die Muster für den Player selbst stehen unter Barrierefreier Media-Player, die technischen Grundlagen unter Semantische Medien.

So testest du es

1. Videoinventur anlegen. Jedes Video auf der Website erfassen, auch eingebettete, auch Hintergrundvideos im Kopfbereich und Werbeclips.
2. Tonspur prüfen: Hat das Video überhaupt Ton mit Bedeutung? Wenn nein, ist 1.2.1 zuständig, nicht 1.2.2.
3. Untertitel einschalten und den Knopf per Tastatur bedienen. Existiert eine Spur? Lässt sie sich ohne Maus aktivieren?
4. Qualität stichprobenartig prüfen: Stimmen Namen, Zahlen und Fachbegriffe? Sind Sprecherwechsel gekennzeichnet? Stehen bedeutungstragende Geräusche in eckigen Klammern? Läuft die Spur synchron zum Bild?
5. Lesbarkeit prüfen: Bleiben die Einblendungen lang genug stehen, um sie zu Ende zu lesen? Mehr als zwei Zeilen gleichzeitig sind ein Warnsignal.
6. Im Markup nachsehen, ob kind="captions" gesetzt ist und die VTT-Datei tatsächlich geladen wird – in den DevTools im Netzwerk-Tab sichtbar.

Häufiger Fehler in der Praxis

Der teuerste Fehler ist der Verlass auf die Automatik. Deutsche Spracherkennung ist inzwischen gut, aber sie scheitert genau dort, wo es zählt: bei Eigennamen, Produktbezeichnungen und langen Komposita. Aus „Barrierefreiheitsstärkungsgesetz“ wird „Barriere Freiheit stärkungs gesetzt“, aus einem Kundennamen wird Kauderwelsch. Und weil die Automatik keine Satzzeichen setzt, laufen ganze Absätze ohne Punkt durch. Für ein Video von fünf Minuten braucht die Korrektur etwa eine halbe Stunde – das ist der realistische Aufwand, mit dem man planen sollte.

Der zweite ist das eingebrannte Untertitel (open captions). Sie sind formal zulässig und in sozialen Netzwerken üblich, haben aber zwei Nachteile: Sie lassen sich nicht abschalten, und sie lassen sich nicht vergrößern – wer starken Zoom braucht, bekommt die Schrift nicht größer. Für die eigene Website ist die zuschaltbare Spur die bessere Wahl.

Der dritte ist das Hintergrundvideo mit Ton. Im Kopfbereich läuft eine Stimmungssequenz, stumm gestartet, aber mit Tonspur und Ton-Knopf. Sobald jemand den Ton einschaltet, gilt 1.2.2 – und niemand hat daran gedacht. Ich würd bei solchen Videos einfach die Tonspur ganz entfernen; das erledigt gleichzeitig 1.4.2 Audio-Steuerelement.

Häufige Fragen

Reicht ein Transkript statt Untertiteln?

Bei Videos nicht. Ein Transkript liefert den Inhalt, aber nicht die Synchronität – man kann nicht gleichzeitig das Bild verfolgen und daneben einen Text lesen. Bei reinen Audiodateien genügt ein Transkript dagegen sehr wohl, dort greift 1.2.1. Ein zusätzliches Transkript zum Video ist trotzdem sinnvoll und auf Stufe AAA sogar gefordert.

Was ist der Unterschied zwischen captions und subtitles?

captions sind erweiterte Untertitel für Menschen, die den Ton nicht hören: mit Geräuschen und Sprecherkennzeichnung. subtitles sind Übersetzungsuntertitel für Menschen, die den Ton hören, aber die Sprache nicht verstehen. WCAG 1.2.2 verlangt captions. Im <track>-Element ist das der Wert des kind-Attributs.

Brauchen Videos ohne Ton Untertitel?

Nein. Ein Video ohne Tonspur ist kein synchronisiertes Medium im Sinne von 1.2.2. Es braucht stattdessen eine Textalternative oder eine Audiodeskription nach 1.2.1 – schließlich sind die gezeigten Informationen für blinde Nutzer sonst nicht zugänglich.

Gilt 1.2.2 auch für YouTube-Videos, die ich nur einbette?

Ja. Maßgeblich ist, was auf deiner Seite ausgeliefert wird, nicht wo es liegt. Bei eigenen Kanälen pflegst du die Spur direkt in YouTube. Bei fremden Videos, deren Untertitel du nicht beeinflussen kannst, bleibt nur, ein anderes Video zu wählen oder eine eigene Textfassung daneben anzubieten.

Wie viel Aufwand ist eine Untertitelung realistisch?

Für eine automatische Rohfassung wenige Minuten, für die Korrektur etwa die fünf- bis sechsfache Videolaufzeit, wenn Namen und Fachbegriffe vorkommen. Dienstleister rechnen in Deutschland üblicherweise pro Minute Videolaufzeit ab. Wer regelmäßig Videos veröffentlicht, sollte die Untertitelung von Anfang an im Produktionsablauf einplanen statt hinterher nachzurüsten.

Verwandte Themen

• Untertitel, Transkripte & Audiodeskription – der Praxis-Leitfaden zum Thema
• 1.2.4 Untertitel (live) – dasselbe für Livestreams auf Stufe AA
• 1.2.3 Audiodeskription oder Medienalternative – die umgekehrte Richtung
• Barrierefreier Media-Player – der Player drumherum
• Semantische Medien – video, source und track im Detail