WCAG & BFSG · WCAG-Referenz: Wahrnehmbar

WCAG 1.2.4: Untertitel (live)

Von Jakob Sommer Zuletzt geändert am 24. Juli 2026

WCAG 1.2.4 verlangt Untertitel in Echtzeit für alle live übertragenen Inhalte, deren Tonspur Information vermittelt – Livestreams, Webinare, hybride Veranstaltungen, Ratssitzungen. Ob die Untertitel von einem Schriftdolmetschdienst oder aus einer Spracherkennung kommen, ist dem Kriterium gleich; gewertet wird das Ergebnis, nicht die Technik.

(Englisch: Captions (Live). Im BIK-BITV-Test heißt der Prüfschritt „1.2.4 Videos (live) mit Untertiteln“.)

Stufe	Prinzip	Teil der WCAG seit	Rechtlich verbindlich?
AA	Wahrnehmbar	2.0 (2008)	Ja – über EN 301 549 in BFSG & BITV, mit einer Ausnahme für öffentliche Stellen (siehe unten)

Das Wichtigste in Kürze

Gemeint ist nur echtes Live. Sobald die Aufzeichnung später online steht, gelten die Regeln für aufgezeichnete Medien nach 1.2.2.
Die EU-Richtlinie 2016/2102 nimmt live übertragene zeitbasierte Medien für öffentliche Stellen ausdrücklich aus – für BFSG-pflichtige Dienste gibt es diese Ausnahme so nicht.
Verlangt sind erweiterte Untertitel: Gesprochenes, Sprecherkennzeichnung und bedeutungstragende Geräusche – dasselbe Qualitätsniveau wie bei aufgezeichneten Videos.
Automatische Spracherkennung ist zulässig, aber das Ergebnis muss lesbar sein. Unverständliche Untertitel erfüllen das Kriterium nicht, egal wie sie entstanden sind.
Namens- und Fachbegriffslisten vorab liefern ist der wirksamste einzelne Handgriff – sowohl für Dolmetschdienste als auch für ASR-Wörterbücher.
Der Untertitelknopf gehört selbst geprüft: sichtbar, tastaturbedienbar, ausreichend kontrastreich, nicht von Bedienelementen verdeckt.
Preisrahmen Stand Juli 2026: professionelle Untertitelung liegt in Deutschland bei etwa 5 bis 15 Euro je Minute Laufzeit; Live-Schriftdolmetschen wird meist nach Einsatzstunden abgerechnet.
Stufe AA – und damit für alles verbindlich, was auf BITV oder BFSG verpflichtet ist.

Brauchen Livestreams Untertitel?

Ja, in Echtzeit. Ob durch Schriftdolmetschung oder automatisch, lässt die Norm offen.

Der Normtext ist kurz: Untertitel werden für alle Live-Audioinhalte in synchronisierten Medien bereitgestellt. „Synchronisiert“ heißt wie überall in der Richtlinie: Bild und Ton laufen zusammen. Eine reine Live-Audioübertragung ohne Bild – ein Radiostream – fällt nicht unter 1.2.4; dort greifen die AAA-Kriterien oder gar nichts.

Der BIK-BITV-Test beschreibt für die Prüfung dieselbe Qualitätsmesslatte wie bei aufgezeichneten Videos: Der Prüfschritt ist erfüllt, wenn die Live-Übertragung erweiterte Untertitel hat, die sämtliche Informationen der Tonspur enthalten – einschließlich Sprecherbezeichnungen und bedeutungstragender Geräusche. Nicht erfüllt ist er, wenn schlicht keine Untertitel da sind. Zwischen diesen beiden Polen liegt in der Praxis fast jede reale Veranstaltung, und genau dort wird es interessant.

Zwei Abgrenzungen entscheiden über die Anwendbarkeit:

Live heißt live. Was nach der Übertragung als Aufzeichnung stehenbleibt, ist kein Live-Inhalt mehr. Der Stream von gestern mit den automatisch erzeugten Untertiteln von gestern erfüllt 1.2.4 – aber 1.2.2 verlangt für die abrufbare Fassung eine korrigierte Spur. Das ist der Übergang, an dem in Audits die meisten Befunde entstehen.

Für öffentliche Stellen gibt es eine echte Ausnahme. Die EU-Richtlinie 2016/2102 nimmt live übertragene zeitbasierte Medien aus dem Anwendungsbereich heraus. Das ist kein Freibrief: Die Ausnahme deckt die Live-Phase, nicht die Aufzeichnung, und sie gilt nicht für Anbieter, die unter das BFSG fallen. Wer als Behörde Ratssitzungen streamt, ist für die Live-Ausstrahlung formal aus dem Schneider und für das Video danach nicht. Mehr dazu unter Pflichten öffentlicher Stellen und Ausnahmen, Fristen, Bußgeld. Das ist keine Rechtsberatung – im Zweifel gehört der Einzelfall geprüft.

Der Normtext steht im Understanding-Dokument des W3C zu 1.2.4, das deutsche Prüfvorgehen im Prüfschritt „1.2.4 Videos (live) mit Untertiteln“.

Oben eine Tabelle mit zwei Wegen zur Live-Untertitelung. Schriftdolmetschen im Zweierteam: Latenz ein bis drei Sekunden, trägt bei Podium, Dialekt, Fachvortrag und Rückfragen aus dem Publikum, bricht ein bei kurzfristigen Terminen ohne Vorlauf, Abrechnung nach Einsatzstunden. Spracherkennung in der Plattform: Latenz unter einer Sekunde, trägt bei klarer Einzelstimme, gutem Mikrofon und geskriptetem Vortrag, bricht ein bei Eigennamen, Komposita, Dialekt und mehreren Sprechenden, meist lizenziert. Darunter zwei Karten mit derselben Passage. Rot, ohne Vorbereitung: der Text lautet fehlerhaft und ohne Satzzeichen „barriere Freiheit stärkungs gesetzt der herr sommer sagt das gilt ab juni“. Grün, mit Begriffsliste vorab: „Jakob Sommer: Das Barrierefreiheitsstärkungsgesetz gilt seit Juni 2025.“ Darunter der Hinweis, dass nach dem Stream 1.2.4 endet und für die Aufzeichnung 1.2.2 mit der höheren Messlatte gilt. — Gewertet wird das Ergebnis, nicht die Technik – und über das Ergebnis entscheidet meist die Vorbereitung.

Wen betrifft es besonders?

Gehörlose und schwerhörige Menschen trifft der Ausfall bei Live-Formaten härter als bei jedem anderen Medium. Bei einem aufgezeichneten Video lässt sich ein fehlendes Transkript nachreichen; wer bei einem Webinar nicht mitlesen kann, kann auch nicht mitdiskutieren, keine Frage stellen und nicht abstimmen. Der Ausschluss passiert in Echtzeit und ist danach nicht mehr reparabel.

Dazu kommt ein sprachlicher Punkt, der bei Live-Formaten schwerer wiegt als sonst: Für viele gehörlose Menschen ist die Deutsche Gebärdensprache die Erstsprache und Deutsch die Zweitsprache. Untertitel, die in Echtzeit entstehen, sind zwangsläufig dichter und weniger geglättet als redigierte Spuren – wer schnell mitliest, hat weniger Zeit zum Übersetzen. Ein moderates Sprechtempo und klar gegliederte Sätze der Vortragenden helfen hier mehr als jede Technik.

Und dann die große Gruppe der situativ Betroffenen: Teilnehmende im Großraumbüro, im Zug, mit schlechter Verbindung, mit Kopfhörern, die nicht zur Hand sind. Bei Online-Veranstaltungen ist der Anteil derer, die Untertitel mitlesen, regelmäßig deutlich höher als der Anteil der Menschen mit Hörbeeinträchtigung – der klassische Curb-Cut-Effekt.

Richtig & falsch im Code

Bei Live-Formaten passiert das meiste außerhalb des Markups. Was im Markup passiert, ist trotzdem prüfrelevant – vor allem, wenn du den Player selbst einbettest:

<!-- Falsch: Livestream ohne jeden Untertitelzugang -->
<iframe src="https://stream.example.org/embed/ratssitzung"
        width="800" height="450"></iframe>

<!-- Richtig: Player mit Untertiteln, benanntem Rahmen und
     einem zweiten Weg zur Mitschrift -->
<iframe src="https://stream.example.org/embed/ratssitzung?cc=de"
        title="Livestream der Ratssitzung vom 12. September, mit Untertiteln"
        width="800" height="450" allowfullscreen></iframe>
<p>
  <a href="https://mitschrift.example.org/ratssitzung-12-09">
    Live-Mitschrift in einem eigenen Fenster öffnen
  </a>
</p>

Das title-Attribut am iframe ist Pflicht aus 4.1.2 Name, Rolle, Wert und kostet nichts. Der zweite Link auf eine getrennte Mitschrift ist der Rettungsanker: Läuft die Untertitelung als eigener Textstream, können Teilnehmende sie auf einem zweiten Gerät oder in größerer Schrift mitlesen – gerade bei mehrstündigen Sitzungen der praktikablere Weg.

Wenn die Untertitel als Textstream in deine eigene Seite laufen, gehört der Bereich als Live-Region ausgezeichnet – aber mit Bedacht:

<!-- Falsch: jede Zeile unterbricht die Sprachausgabe -->
<div aria-live="assertive" role="alert" id="untertitel"></div>

<!-- Richtig: höfliche Region, Zeilen werden angehängt -->
<section aria-labelledby="ut-titel">
  <h2 id="ut-titel">Live-Untertitel</h2>
  <div id="untertitel" aria-live="polite" aria-atomic="false"></div>
</section>

assertive ist hier die falsche Wahl: Es unterbricht die Sprachausgabe bei jeder neuen Zeile. Und ein Hinweis aus der Praxis – Untertitel als Live-Region sind für Screenreader-Nutzende ohnehin selten hilfreich, weil sie den Ton hören. Der Nutzen liegt bei Menschen mit Braillezeile und bei allen, die den Text in eigener Schriftgröße lesen wollen.

Für die Darstellung gelten dieselben Regeln wie für jeden anderen Text: ausreichender Kontrast, keine Verdeckung durch Bedienleisten (2.4.11) und ein Umschaltknopf, der per Tastatur erreichbar ist.

So testest du es

Alle Live-Formate erfassen: Webinare, Streams von Veranstaltungen, Ratssitzungen, Produktvorstellungen, Schulungen, hybride Formate.
Generalprobe mit eingeschalteten Untertiteln – und zwar mindestens einen Tag vorher, nicht fünf Minuten vor Beginn. Plattformen ändern ihre Einstellungen häufiger, als einem lieb ist.
Latenz messen. Ein Verzug von ein bis zwei Sekunden ist normal und verkraftbar; alles darüber macht Diskussionen unmöglich.
Qualität stichprobenartig prüfen: Kommen Namen, Fachbegriffe und Zahlen richtig an? Wird bei mehreren Sprechenden gekennzeichnet, wer spricht?
Aus Teilnehmersicht testen, nicht aus dem Regiewerkzeug. Der Blick der Moderation zeigt nie, was im eingebetteten Player wirklich ankommt.
Den Untertitelknopf per Tastatur bedienen und prüfen, ob er sichtbar, beschriftet und ausreichend kontrastreich ist.
Zuständigkeit klären: Wer greift ein, wenn die Untertitelung mitten in der Veranstaltung ausfällt? Das gehört vorher entschieden, nicht während.
Den Übergang zur Aufzeichnung prüfen. Wird die Spur vor der Veröffentlichung korrigiert? Ohne diesen Schritt entsteht ein Befund nach 1.2.2.

Häufiger Fehler in der Praxis

Der teuerste Fehler ist die Live-Untertitelung, die als Einstellung existiert und nicht als Ablauf. Die Plattform kann es, jemand hat es einmal aktiviert – und beim nächsten Termin legt ein anderes Konto den Raum an, ohne die Einstellung. Untertitel sind bei Live-Formaten keine Funktion, sondern ein Punkt in der Ablaufplanung, mit Namen dahinter. Ich hab mir angewöhnt, die Untertitel zum festen Bestandteil des Technik-Checks zu machen, gleich neben Mikrofon und Kamera.

Der zweite ist die unkorrigierte Aufzeichnung. Der Stream lief mit automatischen Untertiteln, das ist für die Live-Phase vertretbar – und dann bleibt genau diese Rohfassung als Video online. Für den abrufbaren Inhalt gilt aber 1.2.2, und dort ist die Messlatte höher. Für ein zweistündiges Webinar bedeutet das ein bis zwei Stunden Korrektur; wer das nicht einplant, veröffentlicht besser gar keine Aufzeichnung.

Der dritte ist das Fachvokabular, das niemand vorbereitet hat. Spracherkennung scheitert in deutschen Fachvorträgen zuverlässig an drei Dingen: Eigennamen, Produktbezeichnungen und Komposita. Eine Liste mit dreißig Begriffen, vorab an den Dienst oder ins Wörterbuch der Plattform gegeben, hebt die Trefferquote spürbar – und kostet zwanzig Minuten Vorbereitung.

Der vierte ist das Untertitelfenster, das die Folien verdeckt. Bei Bildschirmfreigaben legt sich die Untertitelleiste in vielen Werkzeugen über den unteren Rand – genau dort, wo Quellenangaben und Fußnoten stehen. Das ist kein Problem der Untertitel, sondern des Folienlayouts: unten zwei Zentimeter frei lassen, und die Sache ist erledigt.

Häufige Fragen

Gilt 1.2.4 auch für Webinare und Videokonferenzen?

Ja, sobald sie öffentlich angeboten werden und Bild und Ton zusammen laufen. Eine interne Teambesprechung ist kein Webangebot; ein Webinar, zu dem du auf deiner Website einlädst, sehr wohl. Bei Behörden greift zusätzlich die Sonderregel für live übertragene Medien – die Aufzeichnung danach ist davon nicht gedeckt.

Reichen automatische Untertitel aus?

Sie können ausreichen, wenn das Ergebnis stimmt. Der Prüfschritt bewertet, ob die Untertitel die Toninhalte akkurat abbilden, nicht wie sie entstanden sind. Bei klarer Einzelstimme und gutem Mikrofon erreichen aktuelle Systeme brauchbare Qualität; bei Podiumsdiskussionen, Dialekt oder Fachvokabular reicht es regelmäßig nicht.

Was kostet Live-Untertitelung?

Professionelle Untertitelung liegt in Deutschland Stand Juli 2026 bei etwa 5 bis 15 Euro je Minute Laufzeit; Schriftdolmetschende rechnen für Live-Einsätze meist nach Stunden ab und arbeiten bei längeren Veranstaltungen im Zweierteam. Plattformseitige Spracherkennung ist in vielen Lizenzen bereits enthalten und kostet nur Vorbereitungszeit.

Muss ich die Aufzeichnung noch einmal untertiteln?

Ja, wenn du sie veröffentlichst. Dann ist es kein Live-Inhalt mehr, sondern ein aufgezeichnetes Video nach 1.2.2 – mit der höheren Qualitätsanforderung. Die Live-Spur ist dafür ein guter Ausgangspunkt: Sie muss korrigiert werden, nicht neu erstellt.

Brauche ich zusätzlich Gebärdensprachdolmetschung?

Auf Stufe AA nicht. Gebärdensprache für aufgezeichnete Medien ist ein AAA-Kriterium und damit weder von BITV noch von BFSG gefordert. Bei Veranstaltungen mit vielen gehörlosen Teilnehmenden ist sie trotzdem oft die bessere Wahl – ein Angebot in Erstsprache ist mehr wert als jede Textzeile.