Untertitel, Transkripte & Audiodeskription

Video und Audio sind erst dann für alle zugänglich, wenn ihr Inhalt auch ohne Ton und auch ohne Bild vollständig erfassbar ist – dafür verlangt die WCAG in Richtlinie 1.2 drei Werkzeuge: Untertitel für den Ton, Transkripte als Volltextfassung und Audiodeskription für rein visuelle Informationen. Welches davon Pflicht ist, hängt davon ab, ob dein Medium Ton, Bild oder beides transportiert und ob es aufgezeichnet oder live ist.

Medien sind der Bereich, in dem Barrierefreiheit am sichtbarsten scheitert – und gleichzeitig der, in dem am meisten Halbwissen kursiert. „Wir haben Untertitel“ heißt oft: automatisch erzeugt, ungeprüft, ins Bild gebrannt. Das erfüllt weder die Norm noch den Zweck. Diese Seite ordnet die Anforderungen sauber zu, nennt die konkreten Qualitätsmaßstäbe aus der deutschsprachigen Untertitelpraxis und zeigt, wie die Textspuren technisch aussehen.

Das Wichtigste in Kürze

• Untertitel geben Sprache und bedeutungstragende Geräusche wieder – Pflicht ab Stufe A für jedes vertonte Video.
• Transkripte sind die vollständige Textfassung, für reines Audio der Kern der Barrierefreiheit und für Video eine sehr sinnvolle Ergänzung.
• Audiodeskription beschreibt, was zu sehen ist – nötig, sobald ein Video Informationen rein visuell transportiert.
• Echte Textspuren statt eingebrannter Pixel: <track> mit WebVTT-Datei ist abschaltbar, skalierbar, durchsuchbar und übersetzbar.
• Automatische Untertitel sind eine Rohfassung, kein Endprodukt.
• Für das BFSG maßgeblich sind 1.2.1 bis 1.2.5 – also alles auf Stufe A und AA. Die AAA-Kriterien (Gebärdensprache, erweiterte Audiodeskription) sind Kür.

Welches Medium braucht welche Alternative?

Die häufigste Verwirrung entsteht, weil Richtlinie 1.2 nicht nach „Video“ sortiert, sondern nach der Frage, welche Sinneskanäle ein Medium überhaupt bespielt. Diese Tabelle löst das auf:

Der Denkweg dahinter ist simpel: Für jeden Kanal, über den dein Medium Bedeutung transportiert, muss es einen zweiten Weg zu derselben Bedeutung geben.

Untertitel (Captions)

Untertitel geben Sprache und relevante Geräusche als Text wieder – für gehörlose und schwerhörige Menschen, aber längst nicht nur: In der Bahn ohne Kopfhörer, im lauten Büro oder beim Mitlesen einer Fremdsprache profitiert praktisch jeder. Ein Musterbeispiel für den Curb-Cut-Effekt.

Captions sind nicht Subtitles

Im Deutschen sagen wir zu beidem „Untertitel“, technisch sind es zwei Dinge – und <track> unterscheidet sie über kind:

• captions richten sich an Menschen, die den Ton nicht hören. Sie enthalten zusätzlich Sprecherkennzeichnung und nichtsprachliche Audio-Informationen: [Türklingel], [nachdenkliche Musik], [lacht].
• subtitles sind Übersetzungsuntertitel für Menschen, die den Ton hören, aber die Sprache nicht verstehen. Geräusche fehlen hier bewusst.

Für Barrierefreiheit brauchst du captions. Wer nur subtitles liefert, erfüllt 1.2.2 nicht vollständig, weil die Geräuschebene fehlt.

Was in gute Untertitel gehört

• Alles Gesprochene, sinnvoll gekürzt statt wortwörtlich, wenn das Tempo es verlangt.
• Wer spricht, sobald es nicht aus dem Bild hervorgeht – etwa Moderatorin:.
• Bedeutungstragende Geräusche in eckigen Klammern. Nicht jedes Rascheln, aber alles, was für das Verständnis zählt.
• Musik, wenn sie Bedeutung trägt (Stimmung, Liedtext).

Die Zahlen aus der Praxis

ARD, ZDF, ORF und SRF haben sich auf gemeinsame Untertitel-Standards für den deutschsprachigen Raum geeinigt. Diese Werte sind kein WCAG-Bestandteil, aber sie sind der brauchbarste Qualitätsmaßstab, den es auf Deutsch gibt:

Dazu kommen zwei Faustregeln, die den Unterschied zwischen „technisch vorhanden“ und „wirklich lesbar“ ausmachen: Bei einem Sprecherwechsel innerhalb eines Untertitels bekommt möglichst jede Person eine eigene Zeile. Und der Zeilenumbruch folgt der Satzstruktur – Sinneinheiten bleiben zusammen, statt mitten im Genitiv zu brechen.

Wer diese Werte reißt, produziert Untertitel, die formal existieren, aber praktisch nicht mitzulesen sind. Genau das passiert bei ungeprüft übernommenen KI-Transkriptionen fast immer: Sie brechen nach Sprechpausen statt nach Sinn und bleiben oft nur Sekundenbruchteile stehen.

Technisch: die <track>-Spur

Im HTML liefert das die Textspur des Video-Elements:

<video controls width="800" height="450">
  <source src="/video/einfuehrung.mp4" type="video/mp4" />
  <track kind="captions" src="/video/einfuehrung.de.vtt" srclang="de" label="Deutsch" default />
  <track kind="subtitles" src="/video/einfuehrung.en.vtt" srclang="en" label="English" />
</video>

Wichtig: echte Untertitel als Textspur, keine fest ins Bild gebrannten Pixel. Der Unterschied ist nicht kosmetisch – eine Textspur ist abschaltbar, in der Größe verstellbar, per CSS kontrastreicher zu machen, durchsuchbar und maschinenlesbar. Eingebrannte Untertitel sind nichts davon; sie skalieren nicht mit der Zoomeinstellung und lassen sich nicht gegen eine andere Sprache tauschen.

Randnotiz – <track> und die gleiche Herkunft. Untertiteldateien unterliegen der Same-Origin-Policy. Liegt die .vtt-Datei auf einer anderen Domain als die Seite, lädt der Browser sie nur, wenn der Server passende CORS-Header schickt und das <video>-Element crossorigin="anonymous" trägt. Wer Untertitel von einem CDN holt und sich wundert, warum sie stumm bleiben, sucht meistens hier zu lange.

WebVTT von innen

Untertitel liegen als WebVTT-Datei (.vtt) vor – ein reines Textformat, das du in jedem Editor bearbeiten kannst. Der Aufbau ist bewusst schlicht:

WEBVTT

STYLE
::cue {
  background: rgba(0, 0, 0, 0.85);
  color: #fff;
}

1
00:00:02.400 --> 00:00:05.100
Moderatorin: Willkommen zu unserer
kurzen Einführung in HTML.

2
00:00:05.400 --> 00:00:07.900
[Tastaturgeräusche]

3
00:00:08.200 --> 00:00:12.000 line:0
Wir starten mit der Struktur
eines Dokuments.

Drei Dinge, die man wissen sollte: Die erste Zeile muss exakt WEBVTT lauten, sonst verweigert der Browser die Datei. Zeitstempel verwenden einen Punkt vor den Millisekunden (00:00:02.400) – das SRT-Format nutzt ein Komma, weshalb umbenannte SRT-Dateien nicht funktionieren. Und über den optionalen STYLE-Block lassen sich die Untertitel per ::cue gestalten, etwa für besseren Kontrast über bewegten Bildern.

Transkripte

Ein Transkript ist die vollständige Textfassung des Mediums. Für reines Audio – Podcast, Interview, Hörbeitrag – ist es nach 1.2.1 die eigentliche Alternative auf Stufe A.

Dabei lohnt die Unterscheidung zweier Ausbaustufen:

• Einfaches Transkript: alles Gesprochene als Text, mit Sprecherkennzeichnung. Für Podcasts ausreichend.
• Beschreibendes Transkript (Volltext-Alternative): zusätzlich die visuellen Informationen – was gezeigt wird, welche Grafik erscheint, was auf dem Bildschirm steht. Diese Variante bedient gehörlose und blinde Nutzer in einem Dokument und kann bei 1.2.3 die Audiodeskription ersetzen.

Ein gutes Transkript ist nicht bloß ein Textblock. Es hat Überschriften, die den Beitrag gliedern, Zeitmarken zum Springen und ausgeschriebene Namen. Damit wird es zu einem eigenständigen Dokument, das man auch liest, wenn man hören könnte.

Genau darin liegt der praktische Nebeneffekt: Transkripte sind durchsuchbar, von Suchmaschinen und KI-Systemen auswertbar und verwandeln ein für Crawler undurchdringliches Medium in indexierbaren Text. Barrierefreiheit und Auffindbarkeit fallen hier vollständig zusammen – ein Video ohne Transkript ist für Google und für ChatGPT ungefähr gleich unsichtbar wie für einen Screenreader.

Audiodeskription

Die Audiodeskription beschreibt in den Sprechpausen, was zu sehen ist – für blinde und stark sehbehinderte Menschen. Sie ist die am häufigsten übersehene Anforderung, weil man als Sehender gar nicht bemerkt, wie viel Information rein visuell läuft: die eingeblendete Zahl, die Geste, der Wechsel des Schauplatzes, der Name unter dem Interviewpartner.

• 1.2.3 (Stufe A): Audiodeskription oder eine Volltext-Alternative.
• 1.2.5 (Stufe AA): Audiodeskription verpflichtend – die Alternative fällt weg.

Wenn die Pausen nicht reichen

Standard-Audiodeskription funktioniert nur, wenn die Tonspur genug Lücken lässt. Bei dicht kommentierten Erklärvideos ist das oft nicht der Fall. Dafür gibt es die erweiterte Audiodeskription, bei der das Video kurz anhält, während die Beschreibung läuft, und danach weiterspielt. Sie ist allerdings ein AAA-Kriterium und in der Praxis aufwendig.

Der pragmatische Ausweg ist fast immer besser: Beschreibe im Skript mit. Wenn die Sprecherin ohnehin sagt „Im Diagramm links steigt die Kurve ab 2024 deutlich an“, brauchst du gar keine separate Deskriptionsspur. Diese Technik heißt „integrierte Beschreibung“ und ist der einzige Weg, der nachträglich nichts kostet – vorausgesetzt, man denkt vor der Aufnahme daran.

Live-Inhalte

Livestreams brauchen nach 1.2.4 (Stufe AA) ebenfalls Untertitel. Das ist die technisch anspruchsvollste Anforderung der ganzen Richtlinie, weil sie in Echtzeit erfüllt werden muss – klassisch durch Schriftdolmetschen, heute zunehmend durch Spracherkennung mit menschlicher Korrektur.

Zwei Erleichterungen, die viele nicht kennen: Ein Live-Stream, den du hinterher als Aufzeichnung anbietest, fällt für die Aufzeichnung unter 1.2.2 – dort hast du Zeit für saubere Untertitel. Und rein interne Formate ohne öffentliches Publikum sind meist gar nicht vom Geltungsbereich erfasst.

Was das BFSG konkret verlangt

Für privatwirtschaftliche Angebote im Anwendungsbereich des BFSG gilt über die europäische Norm EN 301 549 der Maßstab WCAG 2.1 auf Stufe AA. Für Medien heißt das konkret: Die Kriterien 1.2.1 bis 1.2.5 sind verbindlich, die AAA-Kriterien 1.2.6 bis 1.2.9 (Gebärdensprache, erweiterte Audiodeskription, Volltextalternative, Live-Audio) nicht.

Praktisch bedeutet das für ein typisches Produktvideo im Onlineshop: geprüfte Untertitel und eine Antwort auf die Frage, ob das Video visuelle Informationen transportiert, die im Ton nicht vorkommen. Wenn ja, brauchst du Audiodeskription oder eine Volltext-Alternative.

Randnotiz – kein Rechtsrat. Ich bin Webdesigner, kein Jurist. Was hier steht, ist mein Verständnis der Normen aus der Umsetzungspraxis. Ob und wie das BFSG auf dein konkretes Angebot anzuwenden ist, klärst du im Zweifel anwaltlich – oder du gehst zunächst durch die BFSG-Prüfung auf dieser Seite.

Automatische Untertitel: wo die Grenze liegt

Spracherkennung ist in den letzten Jahren gut geworden – gut genug für eine Rohfassung, nicht gut genug für die Veröffentlichung. Die typischen Fehlerquellen sind stabil geblieben:

• Eigennamen und Fachbegriffe werden geraten, oft mit komischen bis sinnentstellenden Ergebnissen.
• Zahlen, Einheiten und Schreibweisen stimmen häufig nicht („zwei Tausend“ statt „2000“).
• Sprecherwechsel werden nicht markiert.
• Geräusche fehlen vollständig – automatische Untertitel sind nie captions im eigentlichen Sinn.
• Segmentierung und Standzeit folgen der Atempause, nicht dem Sinn.

Der realistische Ablauf ist deshalb: automatisch erzeugen, herunterladen, korrigieren, neu hochladen. Das dauert bei einem Zehn-Minuten-Video erfahrungsgemäß 20 bis 40 Minuten – deutlich weniger als reines Abtippen, aber eben nicht null.

Eingebettete Videos (YouTube, Vimeo & Co.)

Die Verantwortung bleibt bei dir. Dass die Plattform automatische Untertitel anbietet, entlastet dich nicht – du bist der Anbieter des Angebots, in dem das Video erscheint.

Konkret heißt das: eigene, korrigierte Untertitelspur hochladen; das Transkript auf deiner eigenen Seite unter dem Video bereitstellen (das nützt auch der Auffindbarkeit); und den <iframe> der Einbettung mit einem aussagekräftigen title versehen, damit er in der Elementliste eines Screenreaders erkennbar ist.

Häufige Fehler

• Automatische Untertitel ungeprüft veröffentlichen.
• Untertitel ins Bild brennen statt als abschaltbare <track>-Spur.
• kind="subtitles" statt kind="captions" – ohne Geräuschebene.
• SRT in .vtt umbenennen – das Komma in den Zeitstempeln macht die Datei unbrauchbar.
• WEBVTT in Zeile 1 vergessen – die Spur bleibt komplett stumm.
• Transkript vergessen bei reinen Podcasts.
• Audiodeskription ignorieren, obwohl das Video rein visuelle Infos zeigt.
• Kein srclang/label, sodass die Sprachauswahl im Player unbrauchbar wird.
• Untertitel zu schnell – unter etwa einer Sekunde Standzeit ist nichts lesbar.

Häufige Fragen

Reichen automatisch erzeugte Untertitel?

Als Rohfassung ja, als Endprodukt nein. Sie müssen korrigiert werden – falsche Untertitel sind teils schlimmer als keine, weil sie Vertrauen erzeugen, das sie nicht verdienen.

Brauche ich Untertitel und Transkript?

Für Video sind Untertitel Pflicht; ein Transkript ist zusätzlich sinnvoll und für reines Audio der Kern. Ein beschreibendes Transkript kann auf Stufe A sogar die Audiodeskription ersetzen – auf Stufe AA nicht mehr.

Was ist mit stummen Videos und GIF-artigen Animationen?

Auch die fallen unter 1.2.1: Ein Video ohne Ton braucht eine Textalternative oder eine Tonspur, die dasselbe vermittelt. Bei kurzen dekorativen Animationen ohne Informationsgehalt reicht die Behandlung als schmückendes Element – dann gilt aber 2.2.2 „Pausieren, beenden, ausblenden“ für alles, was länger als fünf Sekunden automatisch läuft.

Muss ich Gebärdensprache anbieten?

Nach WCAG erst auf Stufe AAA (1.2.6), und das BFSG verlangt AA. Öffentliche Stellen haben über die BITV 2.0 eine eigene, davon unabhängige Pflicht zu Erklärungen in Deutscher Gebärdensprache – das betrifft aber bestimmte Seiteninhalte, nicht jedes Video.

Wie teste ich, ob meine Untertitel taugen?

Ton aus, Video ansehen, Notizen machen. Wenn du dem Inhalt ohne Ton folgen kannst, sind die Untertitel gut. Danach das Gegenstück: Bildschirm abdecken und nur zuhören – was dir jetzt fehlt, gehört in die Audiodeskription. Mehr Verfahren dazu unter Barrierefreiheit selbst testen.

Fazit

Für Medien verlangt die WCAG konsequent Alternativen: Untertitel für Ton (1.2.2/1.2.4), Transkripte für reines Audio (1.2.1) und Audiodeskription für rein Visuelles (1.2.3/1.2.5). Für das BFSG ist damit alles auf A und AA verbindlich.

Entscheidend ist weniger die Kür als die Sorgfalt im Standard: echte Textspuren statt eingebrannter Pixel, geprüft statt roh-automatisch, 45 Zeichen pro Zeile statt Bleiwüste, Geräusche und Sprecher benannt. Technisch liefert das die <track>-Spur mit einer sauberen WebVTT-Datei, bedienbar gemacht vom barrierefreien Media-Player. Und das Transkript, das du ohnehin für die Untertitel geschrieben hast, stellst du am besten gleich mit auf die Seite – es kostet nichts mehr und ist das einzige Format, das alle lesen können.

Quellen

• Understanding SC 1.2.2: Captions (Prerecorded) (W3C – Anforderung an Untertitel inklusive Geräusch- und Sprecherkennzeichnung)
• WebVTT: Das Web Video Text Tracks Format (MDN Web Docs – Dateiaufbau, Cue-Syntax, STYLE-Block und ::cue)
• Untertitel und Audiodeskription (barrierefreies-webdesign.de – Zuordnung der Kriterien 1.2.1 bis 1.2.9 und erweiterte Audiodeskription)