Transkription vs. Closed Captions vs. Untertitel: Der Leitfaden 2026

Ein Transkript, eine Caption-Spur und eine Untertiteldatei sind drei verschiedene Dinge. Alle drei gehen aus demselben Audio hervor, aber jedes löst ein anderes Problem, kommt in einem anderen Format daher und enthält andere Inhalte. Wer das falsche wählt, enttäuscht entweder sein Publikum oder fällt durch eine Konformitätsprüfung.

Die drei Artefakte im Überblick

Diese letzte Zeile überrascht die meisten Menschen: Übersetzte Untertitel erfüllen das Barrierefreiheitsrecht nicht. Nur echte Captions tun das.

Transkription: Die Ausgabe ist ein Dokument

Was ist der Unterschied zwischen einem Transkript und Closed Captions?

Ein Transkript ist ein Dokument: keine Zeitcodes, optimiert zum Lesen, mit Absatzstruktur und ohne Zeilenlängenbegrenzung. Closed Captions sind eine zeitgesteuerte Textspur, die mit einem Video synchronisiert und separat vom Video gespeichert wird, sodass Zuschauer sie ein- und ausschalten können. Beide beginnen mit demselben Spracherkennungsdurchlauf, doch Ausgabeformat, Inhalt und Bearbeitungskonventionen unterscheiden sich.

Ein Transkript ist zum Lesen gedacht, nicht zum Anschauen. Das verändert alles an seiner Formatierung.

• Absatzstruktur für gute Lesbarkeit statt Zeilenumbrüche nach 32 Zeichen.
• Sprecherlabels bei mehr als einer Stimme, der Lesbarkeit halber ausgeschrieben.
• Keine Zeitcodes erforderlich (optionale Zeitstempel zur Navigation sind in Ordnung).
• Interpunktion und Formatierung optimiert für Leser, nicht für einen Videoplayer.
• Keine Obergrenze für die Zeilenlänge. Keine Cue-End-Markierungen.

Wenn Sie eine Caption-Datei in ein Dokument einfügen, erhalten Sie etwas, das sich liest wie ein ausgedruckter Tickertext. Ein richtiges Transkript wird dagegen so redigiert, dass es sich liest wie ein sauber ausgearbeitetes Interview oder ein Artikel. Die beiden Dinge sind strukturell verschieden, selbst wenn die Wörter identisch sind.

Häufige Anwendungsfälle: Blogbeiträge aus Interviews, Podcast-Shownotes, Besprechungsprotokolle, wissenschaftliche Arbeiten, schriftliche Zeugenaussagen für Gerichtsverfahren und Inhalte für die Suchmaschinen-Indexierung.

Captions: Die Ausgabe ist eine synchronisierte Barrierefreiheitsspur

Was müssen Closed Captions enthalten, das Untertitel nicht enthalten?

Closed Captions müssen Sprecherkennzeichnungen, Soundeffekte (z. B. [Tür knallt], [Telefon klingelt]), Musikhinweise ([fröhliche Musik], [Applaus des Publikums]), die Kennzeichnung von Sprechern außerhalb des Bildes sowie Hinweise zum Tonfall enthalten, wenn der Text allein mehrdeutig ist. Untertitel tragen nur Dialoge, gelegentlich übersetzt, weil der Zuschauer alles Übrige hören kann.

Captioning ist für Zuschauer konzipiert, die ganz ohne Ton schauen. Alles, was sie hören würden, muss auf dem Bildschirm erscheinen – deshalb enthalten Captions Inhalte, die Transkripte und Untertitel nicht haben.

Erforderliche Elemente:

• Sprecherkennzeichnung. „Alice:“ oder „[Bob]“ vor jeder Äußerung, besonders wenn Sprecher außerhalb des Bildes sind oder visuell nicht erkennbar.
• Soundeffekte. „[Tür knallt]“, „[Telefon klingelt]“, „[Applaus der Menge]“.
• Musikhinweise. „[fröhliche Musik läuft]“, „[unheilvolle Streicher]“, „[Song: Liedtext hier]“.
• Hinweise zum Tonfall, wenn die emotionale Bedeutung nicht allein aus den Worten hervorgeht. „[sarkastisch]“, „[flüsternd]“.

Captions sind außerdem mit Zeitcodes versehen: Jeder Cue hat eine Start- und eine Endzeit, und der Text erscheint synchron zum Audio auf dem Bildschirm. Die Qualität dieser Synchronisation ist rechtlich relevant.

Für Social-Media-Plattformen geht der Beitrag Open vs. Closed Captions auf den Unterschied im Detail ein. Kurz gesagt: Closed Captions lassen sich zu- und abschalten (die CC-Schaltfläche auf YouTube); Open Captions sind fest in die Videopixel eingebrannt und lassen sich nicht entfernen. Kurze Social-Media-Formate (TikTok, Instagram Reels) setzen typischerweise auf Open Captions, weil die meisten Zuschauer ohne Ton schauen und die Unterstützung für Closed Captions auf den Plattformen uneinheitlich ist. Mehr dazu im Leitfaden Captioning für TikTok und Instagram.

Untertitel: Die Ausgabe ist eine Dialogspur für den Sprachzugang

Zählen Untertitel als Captions für die Barrierefreiheits-Konformität?

Nein. Untertitel setzen voraus, dass der Zuschauer hören kann, und lassen daher Soundeffekte, Musikhinweise und Nicht-Sprach-Audio weg. Das Barrierefreiheitsrecht (WCAG SC 1.2.2, ADA Title II, Section 508, EAA) verlangt Captions, die alle Audioinformationen enthalten, die zum Verständnis des Inhalts nötig sind. Eine Untertitelspur, die nur Dialoge enthält, erfüllt diese Anforderungen nicht.

Untertitel setzen voraus, dass der Zuschauer hören kann. Sie enthalten nur das, was nötig ist, um den Dialog in einer anderen Sprache zu folgen (oder gelegentlich in derselben Sprache, für Zuschauer, die Leseunterstützung brauchen).

• Dialogtext, meist in die Sprache des Zuschauers übersetzt.
• Keine Soundeffekte. Der Zuschauer kann hören, wie die Tür knallt.
• Keine Musikhinweise. Der Zuschauer kann die Filmmusik hören.
• Keine Sprecherkennzeichnungen, außer es ist auf dem Bildschirm völlig unklar.

Ein spanisch-englischer Untertitel eines Films übersetzt den Dialog – und mehr nicht. Die Untertitelspur vertraut darauf, dass der Zuschauer den Schuss, das Gelächter und die Stille gehört hat.

Die praktische Folge: Hat Ihr Video eine Untertitelspur, aber keine Caption-Spur, haben Sie damit Zuschauern gedient, die die Sprache des Videos nicht sprechen – aber nicht gehörlosen oder schwerhörigen Zuschauern. Das sind zwei getrennte Lieferobjekte.

Eine Anmerkung zur Terminologie

Diese Begriffe sind nicht überall gleich belegt. In den USA steht „Captions“ meist für die Barrierefreiheitsspur (Soundhinweise, Sprecherkennzeichnungen) und „Subtitles“ meist für die reine Dialogspur. Im Vereinigten Königreich und in weiten Teilen Europas deckt „Untertitel“ beides ab, und „Captions“ wird kaum verwendet. Streaming-Plattformen (Netflix, Disney+, Amazon Prime) führen beide Typen in ihrer Benutzeroberfläche unter dem Wort „Untertitel“, behandeln sie intern jedoch unterschiedlich.

Netflix verwendet für die Barrierefreiheitsspur mit Soundhinweisen beispielsweise den Begriff SDH (Subtitles for the Deaf and Hard of Hearing). Intern verlangt Netflix für seine Auslieferungspipeline alle SDH- und Untertiteldateien im TTML1-Format (.xml oder .ttml), nicht SRT oder VTT. Genau in diesem Umfeld führt die Begriffslücke zu echten Produktionsproblemen.

Dateiformate: Was gehört wohin

Welches Dateiformat sollte ich für Captions bzw. Untertitel verwenden?

SRT ist am portabelsten und funktioniert auf YouTube, Vimeo, Facebook und den meisten Videoplayern. VTT (WebVTT) bietet Styling und Positionierung für HTML5-Player und wird für im Web gehostete Videos bevorzugt. TTML (und sein Profil IMSC1.1) ist für professionelle Broadcast- und OTT-Auslieferung etwa bei Netflix erforderlich. SCC wird in nordamerikanischen Broadcast-Workflows verwendet. Für die meisten unabhängigen Creator und Online-Kurse gilt: zuerst SRT erzeugen und später bei Bedarf konvertieren.

Die praktische Regel: zuerst SRT für maximale Portabilität erzeugen, dann für die professionelle OTT-Auslieferung nachträglich in TTML konvertieren. SRT und VTT eignen sich sowohl für Captions als auch für Untertitel; der Inhalt bestimmt, welcher Typ vorliegt – nicht die Dateiendung.

Wer genauer wissen möchte, was jedes Format enthält und wie Player es verarbeiten, findet Antworten in Wie Sie eine SRT-Datei erstellen.

Spuren in derselben Sprache vs. übersetzte Spuren

Ein englisches YouTube-Video kann eine englische Caption-Spur haben (Barrierefreiheit, mit Soundhinweisen) und eine spanische Untertitelspur (übersetzte Dialoge, keine Soundhinweise). Gleiches Dateiformat, anderer Inhalt:

• **Captions in derselben