Videos barrierefrei: Untertitel, Transkript, Audiodeskription

Das Wichtigste in Kürze

• Fünf Erfolgskriterien betreffen Video und Ton – 1.2.1, 1.2.2 und 1.2.3 auf Stufe A, 1.2.4 und 1.2.5 auf Stufe AA. Ein Ziel auf Stufe AA umfasst alle fünf.
• Das BFSG nimmt alte Videos aus. § 1 Absatz 4 Nummer 1 schließt „aufgezeichnete zeitbasierte Medien, die vor dem 28. Juni 2025 veröffentlicht wurden“ vom Anwendungsbereich aus. Die Ausnahme gilt dem einzelnen Inhalt, nicht der Website.
• Untertitel sind nicht gleich Untertitel. Die WCAG verlangen captions: sie geben nicht nur den Dialog wieder, sondern auch alles andere Hörbare, das zum Verständnis nötig ist. Im HTML ist das kind="captions", nicht kind="subtitles".
• Auf Stufe AA reicht ein Transkript nicht mehr. 1.2.3 lässt die Wahl zwischen Audiodeskription und Textalternative; 1.2.5 verlangt daneben die Audiodeskription selbst.
• Gemessen, was ein Test davon sieht: In axe-core 4.13.0 gibt es zu diesen fünf Kriterien zwei Regeln, davon ist eine abgekündigt und abgeschaltet. Die verbliebene prüft nur, ob ein <video> eine Untertitelspur hat – und meldet das Fehlen als „nicht bestimmbar“, nicht als Verstoß. Am echten Player eines Videodienstes meldet sie gar nichts.
• Unser Bericht führt Video und Ton seit dem 06.09.2026 als eigenen Abschnitt – als Hinweis mit Fundort, nicht als Verstoß. Entscheiden muss ein Mensch; die vier Fragen dafür stehen unten.

Was das BFSG von Videos ausnimmt – und was nicht

Bevor es um Technik geht, lohnt der Blick in den Anwendungsbereich. § 1 Absatz 3 Nummer 5 BFSG erfasst „Dienstleistungen im elektronischen Geschäftsverkehr“ – darunter fällt der Onlineshop, das Buchungsformular, der Terminkalender. Absatz 4 nimmt davon einzelne Inhalte wieder heraus, und die erste Nummer betrifft genau dieses Thema:

Das ist eine echte Entlastung, und sie wird selten genannt. Ein Imagefilm von 2019, ein Produktvideo von 2023, eine aufgezeichnete Schulung von Anfang 2025: Für diese Inhalte verlangt das BFSG keine Untertitel. Drei Grenzen dieser Ausnahme sollten Sie aber kennen, und alle drei stehen im Gesetz selbst.

1. Sie gilt dem Inhalt, nicht der Seite. Der Player, die Seite drumherum, die Überschrift, der Link zum Video – all das bleibt in vollem Umfang erfasst. Ausgenommen ist die Aufzeichnung, nicht ihre Umgebung.
2. „Aufgezeichnet“ heißt: nicht live. Eine Live-Übertragung nach dem Stichtag ist kein aufgezeichnetes Medium. Für sie gilt 1.2.4 Untertitel (Live) auf Stufe AA.
3. Wer ein altes Video neu veröffentlicht, veröffentlicht neu. Ein neuer Schnitt, ein Wechsel des Hosters mit neuem Upload, eine überarbeitete Fassung – das Datum der Veröffentlichung ist dann das neue. Die Ausnahme ist an ein Datum geknüpft, nicht an den Aufnahmezeitpunkt.

Zwei weitere Nummern desselben Absatzes werden in der Praxis oft auf Videos bezogen, und beide tragen weniger, als man hofft:

Nummer 4 meint fremde Inhalte ohne Ihr Zutun. Ein Video, das Sie selbst gedreht, bezahlt oder hochgeladen haben, ist keines davon – auch dann nicht, wenn es auf der Plattform eines Videodienstes liegt. Nummer 5 verlangt, dass der Bereich als Archiv nach dem Stichtag gar nicht mehr angefasst wird; ein „Archiv“, in das weiter etwas eingestellt wird, ist keines.

Und eine Einordnung, die kein Gesetzestext hergibt: Ob eine Ausnahme in Ihrem konkreten Fall greift, ist eine Rechtsfrage. Dieser Artikel benennt Fundstellen und Wortlaut; er ersetzt keine rechtliche Prüfung.

Die fünf Kriterien für Video und Ton

Die EN 301 549 nimmt in Abschnitt 9 die WCAG 2.1 auf den Stufen A und AA in Bezug. Für zeitbasierte Medien sind das diese fünf Zeilen. Der Wortlaut ist der englische Originaltext; die deutschen Wiedergaben daneben sind eigene Übersetzungen.

Alle fünf beziehen sich auf synchronized media. Das Glossar der WCAG 2.1 definiert das vollständig so: „audio or video synchronized with another format for presenting information and/or with time-based interactive components, unless the media is a media alternative for text that is clearly labeled as such“ – Ton oder Bewegtbild, das mit einer anderen Darstellungsform oder mit zeitbasierten interaktiven Bestandteilen zusammenläuft, es sei denn, es ist eine klar gekennzeichnete Medienfassung eines Textes. Ein stummer Hintergrundfilm ohne jede Information ist damit ein anderer Fall als ein Erklärvideo mit Sprecherin.

Der letzte Halbsatz ist die praktisch wichtigste Ausnahme, und sie reicht weiter, als es aussieht. 1.2.1 bis 1.2.3 nennen sie im eigenen Wortlaut; 1.2.4 und 1.2.5 nicht – aber weil beide auf synchronized media verweisen und die Ausnahme in dessen Definition steht, wirkt sie auch dort. Wer sein Video als Zugabe zu einem vollständigen Text anbietet und das kenntlich macht, hat damit einen Weg, den viele nicht kennen – auf Stufe A wie auf Stufe AA.

Untertitel: der Unterschied, an dem es meistens hängt

Im Deutschen heißt beides „Untertitel“. Die WCAG unterscheiden zwei Dinge, und 1.2.2 verlangt nur eines davon. Das Glossar sagt zu captions:

Der Unterschied ist keine Wortklauberei. Wenn im Video eine Türklingel läutet und die Sprecherin daraufhin abbricht, gehört „[Türklingel]“ in die Spur. Wer nur den Dialog überträgt, erfüllt 1.2.2 nicht – und das ist der häufigste Grund, warum vorhandene Untertitel nicht reichen.

Im HTML macht ein Attribut den Unterschied:

<video controls src="film.mp4">
  <track kind="captions" src="film-de.vtt" srclang="de" label="Deutsch">
</video>

kind="captions" statt kind="subtitles": Ersteres kündigt genau das an, was 1.2.2 verlangt. Die Datei selbst ist eine WebVTT-Datei – reiner Text mit Zeitmarken, den jeder Editor schreiben kann:

WEBVTT

00:00:00.000 --> 00:00:03.500
Guten Tag. Ich zeige Ihnen in drei Minuten,

00:00:03.500 --> 00:00:06.200
wie Sie den Filter einsetzen.
[Klicken]

Zu automatisch erzeugten Untertiteln. Videodienste bieten sie an, und sie sind ein guter Ausgangspunkt – aber nur das. 1.2.2 verlangt eine Alternative, die den Inhalt wiedergibt; eine Spur mit falsch erkannten Produktnamen und ohne Satzzeichen tut das nicht. Der belastbare Weg ist derselbe wie überall: automatisch erzeugen, dann durchsehen und korrigieren. Wie viel Nacharbeit nötig ist, hängt an Aufnahmequalität, Sprechtempo und Fachvokabular; das lässt sich nicht pauschal beziffern und wir tun es hier nicht.

Ein Transkript ist etwas anderes als Untertitel. Untertitel laufen synchron mit; ein Transkript steht als Text neben oder unter dem Video. Für 1.2.1 (reine Tonaufnahme) ist das Transkript der richtige Weg, für 1.2.2 nicht. Beides zusammen anzubieten ist trotzdem sinnvoll: Ein Transkript ist durchsuchbar, kopierbar und lesbar ohne Player – und es ist der Text, den eine Suchmaschine findet.

Audiodeskription: wo Stufe AA über Stufe A hinausgeht

Hier liegt die Stelle, an der die meisten Selbsteinschätzungen zu gut ausfallen. Zwei Kriterien betreffen dasselbe Video, und sie verlangen nicht dasselbe.

Auf Stufe A haben Sie die Wahl – aber die Alternative ist mehr, als viele denken. Das Glossar definiert sie als „document including correctly sequenced text descriptions of time-based visual and auditory information“: einen Text, der das Bild und den Ton wiedergibt. Ein Transkript des Gesprochenen ist das nicht.

Auf Stufe AA fällt die Wahl ganz weg. 1.2.5 kennt kein „oder“ – und weil die Stufen aufeinander aufbauen, gilt bei einem Ziel auf AA beides. Wer sagt „wir haben ein Transkript, damit ist das Video erledigt“, hat 1.2.3 nur dann erfüllt, wenn der Text auch das Bild beschreibt – und 1.2.5 in keinem Fall.

Was Audiodeskription ist, sagt das Glossar so: „narration added to the soundtrack to describe important visual details that cannot be understood from the main soundtrack alone“ – eine Erzählstimme, die wichtige Bilddetails beschreibt, die aus dem Ton allein nicht hervorgehen.

Der Ausweg, den viele übersehen, ist die Produktion selbst. Ein Video braucht keine zusätzliche Beschreibungsspur, wenn im Bild nichts Wesentliches steht, das der Ton nicht ohnehin sagt. Wer im Skript „hier sehen Sie“ durch „der Filter sitzt links neben dem Griff“ ersetzt, spart die zweite Tonspur – und das Video wird für alle verständlicher. Das ist keine Umgehung, sondern die im WCAG-Umfeld ausdrücklich vorgesehene Gestaltung.

Für den umgekehrten Fall gilt dieselbe Logik: Ein Video, in dem eine Person in die Kamera spricht und sonst nichts geschieht, hat kaum Bildinhalt, den der Ton nicht trägt.

Der Film, der von selbst startet

Zwei weitere Kriterien treffen Videos, obwohl sie nicht in Richtlinie 1.2 stehen – und beide sind Stufe A.

Der stumme Hintergrundfilm im Kopfbereich einer Startseite fällt unter 2.2.2, nicht unter 1.4.2: kein Ton, aber Bewegung länger als fünf Sekunden neben anderem Inhalt. Es braucht dann eine Pausetaste. Läuft Ton mit, kommt 1.4.2 dazu – und dessen Anmerkung ist ungewöhnlich streng: Weil automatisch startender Ton die Benutzung der ganzen Seite stören kann, muss jeder Inhalt der Seite dieses Kriterium erfüllen.

In der Praxis lösen die meisten Betriebe beides mit einer Entscheidung: Der Film startet nicht von selbst. Ein Standbild mit einer klar beschrifteten Abspieltaste erfüllt 1.4.2 und 2.2.2 ohne weitere Technik – und spart Datenvolumen auf dem Telefon.

Was ein automatischer Test davon wirklich sieht

Wir prüfen Websites maschinell und sagen offen, wo diese Prüfung endet. Für zeitbasierte Medien ist die Antwort ungewöhnlich klar – hier ist sie, gemessen am 06.09.2026 an unserer eigenen Prüfengine (axe-core 4.13.0, Tagset WCAG 2.1 Stufen A und AA):

• Regeln, die überhaupt eines der fünf Kriterien berühren: zwei.
• Davon abgekündigt und im Standardlauf abgeschaltet: eine (die Regel zu 1.2.1).
• Bleibt: eine aktive Regel, und die betrifft ausschließlich 1.2.2.

Was diese eine Regel an vier gebauten Fällen tatsächlich meldet – ebenfalls gemessen, nicht abgeleitet:

Drei Folgerungen. Gemessen haben wir eine Prüfengine; die erste Folgerung ist deshalb eine Aussage über unsere. Die beiden anderen liegen nicht am Werkzeug, sondern an der Sache: Kein Programm kann hören, ob ein Video Ton trägt, und keines kann beurteilen, ob eine vorhandene Spur den Ton wiedergibt.

1. Ein fehlender Untertitel erscheint nicht unter den Verstößen. Die Prüfengine kann nicht entscheiden, ob ein Video überhaupt Ton hat, also stuft sie den Fall als nicht bestimmbar ein. In einem Bericht, der Verstöße zählt, taucht er damit nicht auf. Wer die Zahl der Verstöße als Vollständigkeitsaussage liest, liest sie falsch.
2. Der eingebettete Film fällt durch – aber nicht, weil er in einem Rahmen steckt. Das war unsere erste Vermutung, und sie ist falsch: Ein selbst gebautes <video> in einem Rahmen einer fremden Adresse wird von der Engine sehr wohl gefunden. Beim echten Player eines Videodienstes liegt es am Player selbst. Gemessen an einer Einbettung von youtube-nocookie.com: Das <video>-Element des ungestarteten Players hat keine Quelle, ist 0 × 0 Pixel groß und liegt unter aria-hidden="true" – die Engine nimmt es aus dem Baum. Dass sie im Rahmen war, zeigen die anderen Befunde, die von dort kommen.
3. Vorhanden ist nicht gleich richtig. Die Regel prüft, ob eine Spur da ist. Ob sie den Ton wiedergibt, synchron läuft und die nicht gesprochenen Geräusche enthält, prüft kein Programm.

Für die beiden Kriterien aus dem vorigen Abschnitt sieht es anders aus: Zu automatisch startendem Ton (1.4.2) und zu Bewegung (2.2.2) hat dieselbe Engine drei aktive Regeln, und die melden auch – blink und marquee als Verstoß, automatisch startenden Ton als „nicht bestimmbar“. Die Lücke liegt also nicht bei zeitbasierten Medien insgesamt, sondern genau bei Untertiteln und Audiodeskription.

Aus dieser Messung ist am selben Tag eine Änderung an unserem eigenen Bericht geworden. Er hat seither einen Abschnitt „Video und Ton“, und der zählt, was sich ohne Urteil feststellen lässt: Hat dieses <video> eine Untertitelspur? Startet etwas von selbst, ohne dass es sich anhalten lässt? Steckt hinter diesem Rahmen ein Videodienst, dessen Inhalt wir von außen nicht prüfen können?

Diese Zeilen stehen als Hinweise da, nicht als Verstöße, und der Unterschied ist keine Höflichkeit: 1.2.2 gilt für Bewegtbild mit Ton, der Information trägt – ob ein Video Ton hat, steht in keinem Attribut, und ob der Ton etwas sagt, was nicht daneben steht, ist ein Urteil. Der Bericht stellt die Frage und nennt den Fundort; beantworten muss sie ein Mensch. Die vier Fragen dazu stehen im nächsten Abschnitt.

Vier Fragen je Video

Die Prüfung geht nicht nach Seiten, sondern nach Videos. Für jedes eingebundene Video vier Fragen, in dieser Reihenfolge:

1. Wann wurde es veröffentlicht? Vor dem 28. Juni 2025 und seither unverändert: § 1 Absatz 4 Nummer 1 BFSG greift. Danach oder seither überarbeitet: weiter mit Frage 2. Halten Sie das Datum fest – die Antwort auf diese Frage ist später schwer zu rekonstruieren.
2. Hat es Ton, der Information trägt? Ja: 1.2.2 verlangt Untertitel im Sinne von captions, 1.2.3 und 1.2.5 betreffen den Bildinhalt. Nein, stummer Film: 1.2.1 verlangt eine Textalternative oder eine Tonspur – oder Sie halten fest, dass das Video keine Information trägt, die nicht daneben steht.
3. Steht im Bild etwas, das der Ton nicht sagt? Nein: 1.2.5 ist ohne zusätzliche Spur erfüllt. Ja: entweder das Skript ändern, sodass der Ton es mitträgt, oder eine Audiodeskription.
4. Startet es von selbst? Mit Ton, länger als drei Sekunden: 1.4.2 verlangt eine Möglichkeit zum Anhalten oder eine Lautstärkeregelung unabhängig von der des Systems. Ohne Ton, länger als fünf Sekunden: 2.2.2 verlangt eine Möglichkeit zum Anhalten, Stoppen oder Ausblenden. Am einfachsten: gar nicht automatisch starten.

Und ein Hinweis, der Arbeit spart: Videos sitzen fast immer in einer Vorlage – Produktseite, Blogbeitrag, Startseite. Wer die Einbindung einmal richtig baut (Player mit Bedienelementen, Untertitelspur, Transkript darunter, kein Autostart), hat sie für alle künftigen Videos richtig.

Häufige Fragen

Dieser Artikel ist eine technische Einordnung und keine Rechtsberatung. Quellen: Barrierefreiheitsstärkungsgesetz (BFSG), insbesondere § 1 Absatz 3 und Absatz 4, Wortlaut abgerufen bei gesetze-im-internet.de am 06.09.2026; Web Content Accessibility Guidelines (WCAG) 2.1, englische Originalfassung, Erstfassung vom 05.06.2018, abgerufen am 06.09.2026 unter w3.org/TR/WCAG21/ in der dort veroeffentlichten Revision vom 06.05.2025 – zitiert werden die Erfolgskriterien 1.2.1 bis 1.2.5, 1.4.2 und 2.2.2 sowie die Glossareinträge „synchronized media“, „captions“ und „audio description“; die deutschen Wiedergaben in diesem Artikel sind eigene Übersetzungen und als solche gekennzeichnet, verbindlich ist der englische Text. Eine autorisierte deutsche Fassung besteht nur für WCAG 2.0 vom 29.10.2009. EN 301 549 V3.2.1 (2021-03), Abschnitt 9 „Web“, der die WCAG 2.1 Stufen A und AA in Bezug nimmt – nur als Fundstelle genannt, nicht zitiert. Eigene Messung vom 06.09.2026 mit axe-core 4.13.0 über Playwright, Tagset wcag2a, wcag2aa, wcag21a, wcag21aa.