WCAG & BFSG · WCAG-Referenz: Wahrnehmbar

WCAG 1.2.3: Audiodeskription oder Medienalternative

Von Jakob Sommer Zuletzt geändert am 10. Juli 2026

WCAG 1.2.3 verlangt, dass bei aufgezeichneten Videos mit Ton auch das rein Sichtbare zugänglich wird – wahlweise als Audiodeskription in den Sprechpausen oder als Volltext-Alternative, die das gesamte Video in Text abbildet. Das Wahlrecht gilt allerdings nur auf Stufe A; wer AA anpeilt, landet über 1.2.5 doch wieder bei der Audiodeskription.

(Englisch: Audio Description or Media Alternative (Prerecorded). Im BIK-BITV-Test heißt der Prüfschritt „1.2.3 Audiodeskription oder Volltext-Alternative für Videos“.)

Stufe	Prinzip	Teil der WCAG seit	Rechtlich verbindlich?
A	Wahrnehmbar	2.0 (2008)	Ja – über EN 301 549 in BFSG & BITV

Das Wichtigste in Kürze

Das Kriterium schließt die Gegenrichtung zu den Untertiteln: 1.2.2 macht den Ton lesbar, 1.2.3 macht das Bild hörbar oder lesbar.
Zwei Wege, freie Wahl – aber nur auf Stufe A. Der BIK-BITV-Test prüft nach AA-Maßstab; dort erfüllt die reine Volltext-Alternative das Kriterium nicht mehr.
Die Volltext-Alternative ist mehr als ein Transkript. Sie enthält zusätzlich eine fortlaufende Beschreibung des Geschehens, des visuellen Kontexts und der Handlungen.
Die günstigste Lösung ist keine Nachrüstung, sondern ein Drehbuch, das alles Sichtbare mitspricht – dann gibt es schlicht nichts mehr zu beschreiben.
Nicht anwendbar bei Videos ohne Tonspur (dort greift 1.2.1), bei Gebärdensprachvideos und bei Videos, die selbst nur die Alternative zu einem Text sind.
Eingeblendete Texte sind die häufigste Lücke: Namensinserts, Preise, Diagrammbeschriftungen, Kapitelangaben. Sie stehen fast nie in der Tonspur.
Interaktive Elemente müssen in der Volltext-Alternative funktional bleiben – ein Link im Video wird zum Link im Text, nicht zu einer Bildbeschreibung.
Stufe A, seit WCAG 2.0 unverändert und über die EN 301 549 verbindlich.

Was ist eine Medienalternative?

1.2.3 setzt an einer Stelle an, die im Video leicht untergeht: an dem, was man nur sehen kann. Ein Screencast zeigt, wo geklickt wird. Eine Reportage zeigt, wer im Bild ist. Ein Erklärvideo blendet die Zahl ein, über die gerade gesprochen wird – und spricht sie nicht aus. Für alle, die das Bild nicht sehen, fehlt damit genau der Teil, der die Aussage enthält.

Das Kriterium bietet auf Stufe A zwei Wege an:

Audiodeskription. Eine zusätzliche Tonspur beschreibt in den natürlichen Sprechpausen, was zu sehen ist: „Sie öffnet den Vertrag und streicht eine Klausel an.“ Die Deskription läuft synchron zum Video, niemand muss zwei Medien parallel verfolgen.

Volltext-Alternative. Ein Dokument, das das ganze Video ersetzt. Der BIK-BITV-Test listet auf, was hineingehört: eine fortlaufende Beschreibung des Geschehens, alle visuellen Informationen einschließlich des visuellen Kontexts, der Handlungen und des Ausdrucks der handelnden Personen, dazu Geräusche und Dialoge – und das in der Abfolge des Videos. Ein Transkript der Tonspur ist damit noch keine Volltext-Alternative; es fehlt die ganze Bildebene.

Zwei Punkte, an denen Selbsteinschätzungen regelmäßig kippen:

Die Volltext-Alternative reicht weiter, als viele denken. Wenn im Video ein Formular ausgefüllt und ein Link angeklickt wird, muss die Textfassung das funktional abbilden – der Link gehört als Link hinein, nicht als Satz „Er klickt auf den Link“. Das ist der Punkt, an dem aus einer Textwüste ein brauchbares Dokument wird.

Das Wahlrecht ist eine Stufe-A-Angelegenheit. Sobald AA im Raum steht – und das ist über BFSG und BITV praktisch immer der Fall – verlangt 1.2.5 die Audiodeskription. Wer heute nur die Textfassung plant, plant die Nachrüstung gleich mit. Ich würd deshalb bei jedem neuen Video direkt auf AA-Niveau kalkulieren; das spart die zweite Runde.

Der Normtext steht im Understanding-Dokument des W3C zu 1.2.3, das deutsche Prüfvorgehen im Prüfschritt „1.2.3 Audiodeskription oder Volltext-Alternative für Videos“.

Zwei Karten nebeneinander. Links Weg 1, Audiodeskription: ein Videostandbild mit einer eingeblendeten Sprechzeile „Sie öffnet den Vertrag und streicht eine Klausel an“. Darunter drei Punkte: läuft synchron in den Sprechpausen mit, kein zweites Medium nebenher nötig, kostenlos, wenn das Skript mitspricht. Markiert als Stufe A und Stufe AA erfüllt. Rechts Weg 2, Volltext-Alternative: ein Textdokument mit Zeitmarken 0:00 und 0:18 und Beschreibungen des Bildschirms. Darunter drei Punkte: beschreibt Geschehen, Kontext und Handlungen, durchsuchbar und im eigenen Tempo lesbar, aber nicht neben laufendem Ton nutzbar. Markiert als Stufe A erfüllt, Stufe AA offen. Darunter der Hinweis, dass ein Transkript keine Volltext-Alternative ist, weil ihm die Beschreibung des Geschehens, der visuelle Kontext und die Handlungen fehlen. — Beide Wege erfüllen Stufe A – auf AA bleibt nur der linke übrig.

Wen betrifft es besonders?

Blinde und sehbehinderte Menschen sind die Zielgruppe, und der Ausfall ist bei ihnen selten total, sondern selektiv: Der Ton läuft, die Stimme erklärt etwas – und mittendrin fehlt die Zahl, die eingeblendet wurde. Genau diese Lücken sind das Ärgerliche, weil sie nicht auffallen. Man merkt nicht, dass man etwas verpasst hat.

Für Menschen, die mit starker Bildschirmvergrößerung arbeiten, ist ein Video ein besonders unfreundliches Medium: Der Ausschnitt zeigt einen Bruchteil des Bildes, und schwenken lässt sich schlecht, während das Video läuft. Eine Beschreibung des Geschehens hilft hier genauso wie bei völliger Blindheit.

Die Volltext-Alternative hat außerdem eine Gruppe auf ihrer Seite, die selten genannt wird: alle, die in ihrem eigenen Tempo arbeiten müssen. Ein Video zwingt sein Tempo auf; ein Text lässt sich anhalten, zurückspringen, überfliegen. Und weil er Text ist, findet ihn auch die Suche auf deiner Website und die Suchmaschine – ein Video bleibt für beide eine Blackbox.

Richtig & falsch im Code

Der wirksamste Eingriff passiert nicht im Markup, sondern im Skript. Die sogenannte integrierte Deskription kostet nichts außer Sorgfalt beim Texten:

Falsch (Screencast-Skript):
  „Hier klicken wir, dann öffnet sich das, und dort tragt ihr das ein.“

Richtig (dasselbe Skript, mitgesprochen):
  „Ich klicke oben rechts auf ‚Konto anlegen‘. Es öffnet sich ein Dialog
   mit drei Feldern: E-Mail, Passwort, Passwort wiederholen. In das erste
   Feld trage ich meine Adresse ein.“

Wo eine separate Spur nötig ist, bietet HTML zwei Wege an. Der eine ist die alternative Videodatei, der andere die zusätzliche Spur im Player:

<!-- Falsch: Video mit Untertiteln, aber ohne Zugang zum Bildinhalt -->
<video controls>
  <source src="/video/demo.mp4" type="video/mp4" />
  <track kind="captions" src="/video/demo.de.vtt" srclang="de" default />
</video>

<!-- Richtig: Untertitel plus benannter Zugang zur Deskription
     und zur Volltext-Alternative -->
<video controls poster="/video/demo-poster.jpg">
  <source src="/video/demo.mp4" type="video/mp4" />
  <track kind="captions" src="/video/demo.de.vtt"
         srclang="de" label="Deutsch" default />
  <track kind="descriptions" src="/video/demo.ad.vtt"
         srclang="de" label="Audiodeskription" />
</video>
<p>
  <a href="/video/demo-mit-audiodeskription.mp4">Fassung mit Audiodeskription abspielen</a> ·
  <a href="/video/demo-volltext.html">Volltext-Alternative zum Video lesen</a>
</p>

Ein Hinweis zu kind="descriptions": Die Browserunterstützung dafür ist Stand Juli 2026 uneinheitlich – manche Player werten die Spur aus, viele ignorieren sie. Verlass dich nicht darauf als einzigen Weg. Die belastbare Variante bleibt die alternative Videodatei mit eingemischter Deskription oder ein Player, der die Umschaltung selbst umsetzt.

Die Volltext-Alternative ist ein normales HTML-Dokument – und genau darin liegt ihre Stärke:

<h1>Volltext-Alternative: Konto anlegen (Video, 2:40 Min.)</h1>

<h2>0:00 – Startbildschirm</h2>
<p>Die Übersichtsseite zeigt oben rechts den Knopf „Konto anlegen“.
   Im Hintergrund läuft eine Liste offener Vorgänge.</p>

<h2>0:18 – Dialog</h2>
<p>Ein Dialog öffnet sich mit drei Feldern: E-Mail, Passwort und
   Passwort wiederholen. Unter dem letzten Feld steht der Hinweis
   „mindestens zwölf Zeichen“.</p>
<p>Die im Video gezeigte Hilfeseite:
   <a href="/hilfe/passwort.html">Passwortregeln</a>.</p>

Die Zeitmarken als Überschriften sind kein Formalismus: Sie machen das Dokument navigierbar, gliedern es semantisch und erlauben es, gezielt an die Stelle zu springen, die gerade fehlt.

So testest du es

Videoinventur anlegen und alle Videos mit Tonspur herausfiltern. Stumme Videos gehören zu 1.2.1, nicht hierher.
Den Bildschirm-aus-Test machen. Video nur hören, den Monitor dabei abschalten oder wegdrehen. Verstehst du alles Wesentliche? Wenn nein, fehlt etwas.
Gezielt auf die klassischen Lücken achten: eingeblendete Namen und Titel, Zahlen und Preise, Diagrammachsen, Bedienschritte, Ortswechsel, Reaktionen von Personen.
Die Art der Einbindung feststellen. Ist die Deskription in die normale Tonspur integriert, gibt es eine separate Fassung, oder eine zuschaltbare Spur? Der Prüfschritt beginnt genau mit dieser Frage.
Bei separater Fassung: Ist sie im Player auffindbar, per Tastatur erreichbar und benannt – oder versteckt sie sich in einem Untermenü?
Bei Volltext-Alternative: Stimmt die Abfolge mit dem Video überein? Sind Bildinhalte beschrieben und nicht nur Dialoge abgetippt? Bleiben interaktive Elemente funktional?
Das Ergebnis nach AA gegenprüfen. Wenn nur eine Textfassung existiert, ist 1.2.3 erfüllt, 1.2.5 aber offen – das gehört so in den Bericht.

Häufiger Fehler in der Praxis

Der häufigste Fehler ist das Transkript, das als Volltext-Alternative verbucht wird. Unter dem Video steht der abgetippte Ton, sauber formatiert, und im Selbstcheck ist der Haken gesetzt. Nur beschreibt dieses Dokument kein einziges Bild. Der Prüfschritt verlangt ausdrücklich die fortlaufende Beschreibung des Geschehens samt visuellem Kontext – ein Transkript liefert davon nichts. Die Probe aufs Exempel: Lies das Dokument jemandem vor, der das Video nicht kennt. Weiß die Person danach, was zu sehen war?

Der zweite Fehler ist das Namensinsert. In fast jedem Interviewvideo werden unten links Name und Funktion der sprechenden Person eingeblendet – und in keiner Tonspur genannt. Das ist eine informationstragende Bildeinblendung im Sinne des Prüfschritts. Der Aufwand für die Behebung ist lächerlich klein: Die Moderation nennt den Namen einmal, oder er steht im Text neben dem Video. Der Aufwand für die Feststellung im Audit ist es nicht.

Der dritte ist die Deskription, die niemand findet. Es gibt eine Audiodeskriptionsfassung, sie ist gut gemacht – und sie liegt als zweiter Eintrag in einem Playlist-Menü, das sich nur per Maus öffnet. Aus Sicht des Prüfschritts existiert sie damit nicht. Der Zugang gehört sichtbar neben das Video, mit einer Beschriftung, die sagt, was einen erwartet.

Und ein Denkfehler, der Geld kostet: Deskription hinterher statt Skript vorher. Ein fertig produziertes Video nachträglich zu beschreiben, kostet in Deutschland Stand Juli 2026 bei spezialisierten Anbietern für einen typischen Unternehmensfilm mehrere hundert Euro. Dasselbe Video mit einem Drehbuch, das das Sichtbare mitspricht, kostet nichts extra – es muss nur jemand beim Texten daran denken.

Häufige Fragen

Was ist der Unterschied zwischen Transkript und Volltext-Alternative?

Ein Transkript gibt den Ton wieder. Eine Volltext-Alternative gibt zusätzlich alles wieder, was man nur sehen kann: Handlungen, Ortswechsel, eingeblendete Texte, Mimik, den visuellen Kontext – und zwar in der Reihenfolge des Videos. Für 1.2.3 zählt nur die zweite Variante; ein reines Transkript erfüllt das Kriterium nicht.

Reicht die Volltext-Alternative wirklich aus?

Auf Stufe A ja, auf Stufe AA nein. Da BFSG und BITV auf AA verweisen, ist das Wahlrecht in der Praxis meist theoretisch: Über 1.2.5 wird die Audiodeskription zur Pflicht. Der BIK-BITV-Test prüft nach AA-Maßstab und bewertet eine reine Textfassung entsprechend.

Wann braucht ein Video gar keine Audiodeskription?

Wenn die Tonspur schon alles Wesentliche transportiert. Bei einem Interview, das nur aus sprechenden Menschen besteht, oder bei einem Screencast, dessen Kommentar jeden Schritt benennt, gibt es nichts zu beschreiben. Auch Gebärdensprachvideos und Videos, die selbst nur die Alternative zu einem Text sind, fallen heraus.

Muss ich eine zweite Videodatei hochladen?

Nicht zwingend. Drei Wege sind anerkannt: die Deskription in die normale Tonspur integrieren, eine zuschaltbare Deskriptionsspur anbieten oder eine separate Fassung verlinken. Die integrierte Variante ist am robustesten, weil sie in jedem Player funktioniert und keine Umschaltung braucht, die jemand erst finden muss.

Wie beschreibe ich ein Diagramm im Video?

Wie außerhalb des Videos auch: Aussage zuerst, Details danach. Nicht „ein Balkendiagramm mit fünf Balken“, sondern „die Beschwerden steigen von 12 im Januar auf 47 im Mai“. Wenn die Sprechpausen für die vollständige Beschreibung nicht reichen, gehört das Diagramm zusätzlich als Datentabelle oder Textfassung neben das Video.