Transkription für gehörlose und schwerhörige Nutzer

Für gehörlose und schwerhörige (DHH) Nutzer ist die Qualität einer Transkription oder Untertiteldatei keine Frage der Ästhetik. Sie entscheidet darüber, ob der Inhalt überhaupt nutzbar ist. Der praktische Standard ist 99% Wortgenauigkeit, klare Sprecherkennung bei jedem Wechsel und eingeklammerte nichtsprachliche Geräusche. Die meisten KI-Transkriptionen erreichen diese Messlatte ohne menschliche Überprüfung nicht. Dieser Beitrag erklärt, was DHH-Nutzer tatsächlich brauchen, wo KI hilft und was weiterhin menschliche Aufmerksamkeit erfordert.

(Praktische Orientierung, keine Rechtsberatung.)

Die Vielfalt hinter „DHH"

„Gehörlos und schwerhörig" umfasst ein breites Spektrum an Erfahrungen, und was jedem hilft, variiert.

Kulturell gehörlose Nutzer, insbesondere jene, für die Amerikanische Gebärdensprache (ASL) oder Britische Gebärdensprache (BSL) die Erstsprache ist, lesen Englisch oft als Zweitsprache. Lange, dichte Transkripte können schwerer zu verfolgen sein als gesprochene ASL. Für dieses Publikum zählt einfache Sprache genauso viel wie Genauigkeit: kürzere Sätze, alltäglicher Wortschatz und klare Absatzumbrüche. Gebärdensprachdolmetschung ist bei längeren Inhalten oft zugänglicher als Untertitel.

Schwerhörige Nutzer lesen in der Regel muttersprachlich fließend, verlieren aber den Zugang zu Audio in lauten Umgebungen, bei minderwertigen Aufnahmen oder wenn Sprecher starke Akzente oder überlappende Sprache haben. Untertitel und Transkripte geben ihnen denselben Inhaltszugang, den klare Audioqualität anderen bietet.

Spätertaubte Erwachsene bevorzugen oft Untertitel gegenüber Gebärdensprache, weil sie starke englische Lese- und Schreibfähigkeiten haben, aber keine Gebärdensprachkompetenz.

Die terminologische Anmerkung aus der bestehenden Community: „Deaf" mit großem D bezieht sich auf kulturelle Identität; „deaf" klein geschrieben auf den audiologischen Zustand. „Hearing impaired" wird von der Gehörlosen-Community allgemein als negativ betrachtet und sollte vermieden werden.

Was KI-Transkription tatsächlich liefert

Bevor wir darauf eingehen, was DHH-Nutzer brauchen, lohnt es sich, ehrlich zu sein, was KI-Transkription bietet, denn das Marketing entspricht nicht immer der Erfahrung.

Von Anbietern gemeldete Genauigkeitsraten für KI-Transkription liegen in guten Bedingungen typischerweise zwischen 90 und 97 %. Die begutachtete Forschung erzählt eine kompliziertere Geschichte. Eine Studie aus dem Jahr 2024, die 11 ASR-Dienste mit echten Universitätsvorlesungsaufnahmen maß, fand große Leistungsunterschiede zwischen Anbietern und einzelnen Audiodateien, wobei Streaming-ASR, die Technologie hinter Live-Untertiteln, deutlich schlechter abschnitt als die Transkription in der Nachbearbeitung. Die Forscher kamen zu dem Schluss, dass „gängige Dienste in der Genauigkeit unzuverlässig sind“ und dokumentierten eine klare Diskrepanz zwischen veröffentlichten Branchenangaben und den Erfahrungen, die DHH-Nutzer tatsächlich berichten.

Das ist kein Argument gegen den Einsatz von KI-Transkription. Es ist ein Argument dafür, ihre Rolle zu verstehen: KI verarbeitet die Masse der Wörter in hoher Geschwindigkeit, Menschen schließen die Genauigkeitslücke und ergänzen, was KI nicht kann.

Für eine 90-minütige Vorlesung dauert ein KI-Durchlauf etwa zwei bis drei Minuten. Manuelle Transkription von Grund auf nimmt sechs bis neun Stunden in Anspruch. Ein Mensch, der einen KI-Entwurf überprüft, ist typischerweise in zwei bis drei Stunden fertig. Der KI-Durchlauf bleibt der richtige Ausgangspunkt.

Die vier Dinge, die DHH-Nutzer tatsächlich brauchen

Die Genauigkeitsuntergrenze, die DHH-Nutzern wirklich dient

Bei 97 % Genauigkeit auf 1.500 Wörtern sind etwa 45 Wörter falsch. Bei 95 % sind es 75 Fehler. Für allgemeine Inhalte kann ein Leser die richtige Bedeutung oft aus dem Kontext ableiten. Bei technischen Vorlesungen, medizinischen Inhalten, juristischen Verfahren oder schnellen Dialogen brechen 5 % Fehler das Verständnis.

Sowohl DCMP als auch FCC setzen 99 % Wortgenauigkeit als veröffentlichten Standard für Untertitel in der Nachbearbeitung fest, mit 98,5 % für Echtzeit. Diese Lücke zwischen Standard und typischer KI-Ausgabe ist der Grund, warum es menschliche Überprüfung gibt.

Für einen tieferen Einblick in die Messung von Genauigkeit und was die Wortfehlerrate tatsächlich bedeutet, siehe Transkriptionsgenauigkeit erklärt.

Sprecheridentifikation bei jedem Wechsel

Beschriftungskonventionen verlangen eine Sprecherkennzeichnung bei jedem Sprecherwechsel, nicht nur beim ersten Auftreten eines Sprechers. Übliche Formate: „SARAH:" am Zeilenanfang oder „[Sarah]" als Inline-Markierung. KI-gestützte Diarisierung kommt bei Zwei-Sprecher-Interviews in sauberem Audio einigermaßen gut zurecht. Sie scheitert jedoch bei drei oder mehr Sprechern, überlappender Sprache, ähnlichen Stimmen und Audio, das mit einem einzelnen Fernfeldmikrofon aufgenommen wurde.

Fehlende Sprecherkennzeichnungen in einem Drei-Personen-Gespräch machen das Transkript nahezu unbrauchbar. Ein Leser kann nicht nachvollziehen, wer wem widerspricht, und genau darum geht es bei vielen dialoglastigen Aufnahmen.

Eine vollständige Erklärung, wie Sprecherdiarisierung funktioniert und wo sie an ihre Grenzen stößt, finden Sie unter Sprecherdiarisierung erklärt.

Die Nicht-Sprach-Geräusche, die beschriftet werden müssen

Beschriftungen gehen davon aus, dass der Zuschauer nicht hören kann. Das bedeutet, dass alle bedeutungsvollen Audiosignale eine Textentsprechung benötigen, nicht nur Sprache.

Die Qualitätsrichtlinien des DCMP für Beschriftungen verlangen eine vollständige textliche Darstellung des Audios, einschließlich nicht-sprachlicher Informationen. In der Praxis:

• Umgebungsgeräusche, die das Verständnis beeinflussen: „[Tür knallt]", „[Alarm ertönt]", „[Menge jubelt]"
• Musik mit Text: Tatsächlicher Liedtext, wenn er für die Szene zentral ist, nicht „[Musik spielt]"
• Instrumentalmusik: „[angespannte Streichermusik]" oder „[lebhaftes Klavier]", wenn die Stimmung erzählerisch relevant ist
• Tonfall und Art: „[sarkastischer Ton]" oder „[geflüstert]", wenn das Lesen der Worte ohne Tonkontext die Bedeutung verändert

KI-Transkription erzeugt fast nie Nicht-Sprach-Anmerkungen. Das ist eine der deutlichsten Lücken zwischen KI-Ausgabe und barrierefreien Beschriftungen in Zugangsqualität. Jedes Nicht-Sprach-Geräusch in einer Datei muss während der Überprüfung manuell ergänzt werden.

Lesbare Zeitsteuerung und Zeilenumbrüche

Untertitel, die vor oder nach der gesprochenen Passage erscheinen, wirken verwirrend. Das Timing sollte den Text während der Rede platzieren und etwa innerhalb einer Sekunde nach dem Ende des Sprechers ausblenden.

Die Lesegeschwindigkeit ist entscheidend: Die DCMP legt für Erwachseneninhalte 150 bis 160 Wörter pro Minute fest, mit einer harten Obergrenze von 225 Wörtern pro Minute als absolutem Maximum. Die FCC empfiehlt, dass Untertitel nicht schneller laufen sollten, als die Zuschauer lesen können. Wenn Audio schneller als 160 Wörter pro Minute ist (schnelle Sprecher, überlappende Gespräche, dichte juristische oder medizinische Sprache), müssen Untertitel gekürzt werden, statt sie wortwörtlich in einem Tempo anzuzeigen, dem niemand folgen kann.

Zeilenlänge: maximal 32 Zeichen pro Zeile, höchstens zwei Zeilen gleichzeitig auf dem Bildschirm. An natürlichen Satzgrenzen umbrechen, niemals mitten in einer Phrase.

Zusätzliche Fragen, die DHH-Nutzer und Produzenten stellen

Wo KI-Ausgabe menschliche Bearbeitung braucht

Um ein KI-Transkript in eine barrierefreie Untertiteldatei zu verwandeln:

1. Transkript mit einem Tool wie Audio zu Text erstellen. Als TXT oder VTT exportieren.
2. In einem Untertitel-Editor öffnen (Subtitle Edit, Aegisub oder ein browserbasiertes Untertitelungstool).
3. Audio anhören und dabei mitlesen. Falsch verstandene Wörter korrigieren. Besonders auf Eigennamen, Fachbegriffe und Namen achten.
4. Bei jedem Sprecherwechsel Sprecherkennzeichnungen hinzufügen.
5. Nichtsprachliche Geräusche in eckigen Klammern ergänzen, wo sie Bedeutung tragen.
6. Zeilenlänge prüfen und an Satzgrenzen umbrechen.
7. Lesegeschwindigkeit überprüfen. Wenn ein Untertitelblock zu lang für sein Zeitfenster ist, kürzen oder aufteilen.
8. Finale VTT- oder SRT-Datei exportieren.

Für eine Stunde Audio oder Video dauert die menschliche Bearbeitung in der Regel zwei bis drei Stunden. Das ist viel schneller als von Grund auf zu starten (sechs bis neun Stunden für manuelle Untertitelung), und der KI-Entwurf bewältigt zuverlässig die Menge an gesprochenen Wörtern. Der menschliche Durchgang kümmert sich um alles, was die KI übersieht.

Wenn Sie nur ein sauberes Transkript brauchen, ohne eine Untertiteldatei zu erstellen, liefert Ihnen ConvertAudioToText den KI-Entwurf und exportiert SRT- und VTT-Dateien, die Sie in einen Untertitel-Editor übernehmen können.

Wie die Untertitelgenerierung in diesem Workflow aussieht, zeigt das Untertitelgenerator-Tool, das sowohl SRT als auch VTT exportiert.

Über einzelne Untertiteldateien hinaus

Für Live-Veranstaltungen und Echtzeit-Situationen ist CART (Communication Access Realtime Translation) der professionelle Standard. Ein geschulter CART-Anbieter nutzt eine Stenotypiermaschine, um Wort für Wort Untertitel in Echtzeit zu erzeugen. CART erreicht eine Genauigkeit von etwa 98,5 %, was dem Echtzeitstandard entspricht, den die FCC zitiert. KI-Autountertitelung für Live-Events hat sich verbessert, bleibt aber weniger zuverlässig, besonders in lauten Räumen, bei Akzenten oder wenn mehrere Sprecher sich überschneiden.

Für Situationen mit hohem Risiko (Gerichtsverfahren, medizinische Konsultationen, behördliche Verfahren) sind KI-Untertitel kein Ersatz für CART oder einen qualifizierten Gebärdensprachdolmetscher.

Versionen in einfacher Sprache helfen gehörlosen Nutzern, für die Englisch eine Zweitsprache ist. Zusammengefasste Transkripte mit alltäglichem Wortschatz und kürzeren Sätzen dienen diesem Publikum oft besser als wörtliche Untertitel. Viele Inhaltsproduzenten bieten beides an.

Was die Standards kodieren

Die Compliance-Anforderungen (WCAG 2.1 AA, ADA, Section 508, European Accessibility Act) sind es wert, verstanden zu werden, aber die Standards kodieren, was gehörlose und schwerhörige Nutzer brauchen, statt willkürliche Schwellenwerte zu erfinden. Das Ziel von 99 % Genauigkeit existiert, weil Forschung zum Leseverständnis gehörloser und schwerhöriger Menschen zeigt, dass Fehlerraten über 1 % das Verständnis von Inhalten mit technischem Vokabular messbar verschlechtern. Die Anforderungen an Nicht-Sprachliches existieren, weil narrative Inhalte ohne akustische Hinweise für Zuschauer, die nicht hören können, unvollständig sind.

Der European Accessibility Act trat am 28. Juni 2025 in Kraft und erweitert die Untertitelungspflicht auf private Dienste in EU-Mitgliedstaaten für neue Inhalte. Für Bestandsinhalte gibt es eine Übergangsfrist bis 2030. Das ist eine deutliche Ausweitung gegenüber dem bisherigen Fokus auf den öffentlichen Sektor.

Eine vollständige Übersicht der WCAG-2.1-Kriterien und ihrer Anforderungen finden Sie unter WCAG-Konformität mit Transkripten. Wie die ADA auf bestimmte Einrichtungstypen anzuwenden ist, lesen Sie unter ADA-Konformität für Audioinhalte. Für das größere internationale Bild siehe Barrierefreiheitsgesetze nach Ländern.

Meine Einschätzung: Der häufigste Barrierefreiheitsfehler ist nicht rechtliche Unkenntnis. Es ist die Annahme, dass automatisch erzeugte Untertitel „gut genug“ sind, weil sie die meisten Wörter erfassen. Für gehörlose und schwerhörige Nutzer, die auf Text als primären Zugang zu Audioinhalten angewiesen sind, ist „die meisten Wörter“ nicht die Messlatte. Die gesamte Bedeutung ist die Messlatte. Der menschliche Prüfschritt ist nicht optional. Er ist der eigentliche Kern.

FAQ

Welche Genauigkeit müssen Untertitel erreichen, um gehörlosen und schwerhörigen Nutzern wirklich zu dienen?

DCMP und FCC legen beide 99 % Wortgenauigkeit als Standard für Untertitel in der Postproduktion fest, bei Live-Untertiteln 98,5 %. Bei 95 % Genauigkeit enthält ein Vortrag mit 1.500 Wörtern rund 75 Fehler, was ausreicht, um das Verständnis technischer Inhalte zu brechen. KI-Transkription erreicht unter guten Bedingungen typischerweise 90 bis 97 %, aber veröffentlichte Forschung zeigt, dass die reale Leistung, besonders bei Streaming-Untertiteln, deutlich hinter den Herstellerangaben zurückbleibt. Die menschliche Überprüfung nach einem KI-Entwurf ist der verlässliche Weg zu 99 %.

Welche nicht-sprachlichen Geräusche müssen in Untertiteln enthalten sein?

Jegliche Audiodaten, die für das Verständnis des Inhalts von Bedeutung sind: Hintergrundgeräusche, die die Handlung beeinflussen („[Tür schlägt zu]“, „[Telefon klingelt]“), Musik mit Text, Instrumentalmusik, wenn sie emotional oder erzählerisch relevant ist („[angespannte Geigenmusik]“), sowie die Sprecherkennung bei jedem Sprecherwechsel. KI-Tools erfassen Nicht-Sprachgeräusche fast nie. Diese müssen während der manuellen Prüfung von Menschen ergänzt werden.

Was ist der Unterschied zwischen Untertiteln und Untertitelungen für Barrierefreiheitszwecke?

Untertitelungen sind für Zuschauer geschrieben, die nicht hören können, und umfassen alle bedeutungsvollen Audiodaten: Dialog, Sprecherkennung, relevante Geräuscheffekte und Musikhinweise. Untertitel sind Übersetzungen des Dialogs für Zuschauer, die hören können, aber die Sprache nicht verstehen, daher lassen sie Nicht-Sprachgeräusche weg. Für Barrierefreiheit sind Untertitelungen das, was du brauchst. Ausblendbare Untertitel können ein- und ausgeschaltet werden. Eingebrannte Untertitel sind dauerhaft im Video enthalten.

Bevorzugen gehörlose Nutzer Untertitelungen oder Gebärdensprachdolmetschung?

Die Präferenzen variieren je nach Person und Kontext. Viele kulturell gehörlose Nutzer, insbesondere solche, für die ASL oder BSL die Erstsprache ist, empfinden Gebärdensprache als natürlicher und weniger ermüdend als das Lesen von Untertitelungen bei langen Inhalten. In Situationen mit hohem Einsatz, wie Gerichtsverfahren oder medizinischen Konsultationen, bieten Gebärdensprachdolmetscher einen besseren Zugang für fließende Gebärdensprachler. Untertitelungen erreichen ein breiteres Publikum, einschließlich spät ertaubter Erwachsener und schwerhöriger Nutzer, die sich mit Text wohler fühlen. Wenn möglich, ist das Anbieten beides die inklusivste Option.

Ist ein KI-generiertes Transkript gut genug für die WCAG-2.1-AA-Untertitelungsanforderung?

Nicht von allein. WCAG 2.1 SC 1.2.2 (Level A) verlangt synchronisierte Untertitel für vorab aufgezeichnete Videos, und SC 1.2.4 (Level AA) verlangt Echtzeit-Untertitel für Live-Videos. Die Richtlinien legen fest, dass Untertitel dem Audio entsprechen müssen, einschließlich nicht-sprachlicher Informationen. Ein rohes KI-Transkript, das in VTT umgewandelt wird, mag das technische Format erfüllen, verfehlt aber meist Sprecherkennung, nicht-sprachliche Geräusche und Timing-Präzision. Menschliche Überprüfung schließt diese Lücke. Für eine detaillierte Aufschlüsselung der Compliance-Pflichten nach Organisationstyp, siehe unseren Beitrag zu WCAG-Compliance mit Transkripten.

Quellen

• WHO-Faktenblatt: Taubheit und Hörverlust
• DCMP-Richtlinien für Untertitel
• Messung der Genauigkeit von Lösungen zur automatischen Spracherkennung (ACM / arXiv 2408.16287)
• W3C WCAG 2.1 Erfolgskriterium 1.2.2: Untertitel (vorab aufgezeichnet)
• W3C WCAG 2.1 Erfolgskriterium 1.2.4: Untertitel (live)
• Qualitätsstandards der FCC für geschlossene Untertitel
• Europäischer Rechtsakt zur Barrierefreiheit: Zusammenfassung zur digitalen Barrierefreiheit, Davis Wright Tremaine
• NAD: Echtzeitübersetzung für Kommunikationszugang
• DO-IT: Wie werden die Begriffe taub, ertaubt, schwerhörig und hörgeschädigt üblicherweise verwendet
• National Deaf Center: Qualitätsstandards für Untertitel