Captioning ist das englische Wort für das Erstellen von zeitsynchronem Text zu einem Video. Im Deutschen sagen wir dazu Untertitelung. Das Wort Caption hat allerdings zwei Bedeutungen, die nichts miteinander zu tun haben: Auf Instagram, TikTok und LinkedIn ist die Caption der Text, den Sie selbst unter Ihr Video schreiben. In Video und Barrierefreiheit sind Captions die Textfassung dessen, was zu hören ist.
Ging es Ihnen um den Text unter dem Reel, ist der zweite Abschnitt Ihre ganze Antwort. Ging es Ihnen um Untertitel, überspringen Sie ihn und lesen ab „Captions oder Subtitles" weiter. Dort stehen die Unterscheidungen, die in Exportmenüs und Barrierefreiheits-Richtlinien tatsächlich vorkommen.
Offen vorweg: Ich betreibe Subanana, ein Browser-Tool für Untertitel und Transkription. Die Begriffe unten sind unabhängig davon gültig. Wo unser Tool einen Schritt ausfüllt, sage ich es dazu.
Was heißt Captioning auf Deutsch?
Die kurze Antwort: Untertitelung. Eine wörtliche deutsche Entsprechung für „Caption" im Videosinn gibt es nicht, weil das Deutsche mit „Untertitel" ein einziges Wort für etwas hat, wofür das Englische zwei benutzt.
Inhaltlich ist Captioning gut umrissen. Die Web Accessibility Initiative des W3C beschreibt Captions als Textfassung der gesprochenen und der nicht gesprochenen Toninformationen, die man braucht, um den Inhalt zu verstehen; sie laufen synchron zum Ton und werden im Player angezeigt. Der zweite Teil ist der wichtige: Eine Tür, die zufällt, Musik, die Spannung aufbaut, jemand, der außerhalb des Bildes lacht. Wer den Ton nicht hört, bekommt diese Information sonst nicht.
Adressiert sind laut W3C gehörlose Menschen und andere, die den Ton nicht hören können, außerdem Menschen, die geschriebene Information besser verarbeiten als gesprochene. Wer je ein Video ohne Ton in der Bahn geschaut hat, gehört an diesem Tag praktisch dazu.
Wie Untertitelung als Arbeitsprozess abläuft, was automatisch und was manuell geht und welche Kostenmodelle es gibt, steht ausführlich im Beitrag Untertitelung. Hier geht es um die Begriffe.
Die andere Bedeutung: die Caption bei Reels
Auf Instagram, TikTok oder LinkedIn ist die Caption der Text, der unter oder neben Ihrem Beitrag steht. Auf Deutsch: die Bildunterschrift oder schlicht der Beitragstext. Sie tippen ihn selbst, es ist keine Technik im Spiel, und mit Untertiteln hat er nichts zu tun.
Dass sich das englische Wort gehalten hat, liegt vermutlich daran, dass die Schaltfläche in der App englisch heißt. Mehr ist zu dieser Bedeutung nicht zu sagen: Was eine gute Caption ausmacht, ist eine Schreibfrage, keine Definitionsfrage.
Verwirrend wird es nur, weil dieselben Apps auch Untertitel anbieten, und die heißen dort ebenfalls Captions. Wenn Sie Text ins Bild eines Reels bekommen wollen, ist das die zweite Sache, und dafür gibt es eine eigene Anleitung: Untertitel zu Instagram Reels hinzufügen.
Captions oder Subtitles: warum das Englische zwei Wörter hat
Hier sitzt die Verwirrung, auf die Sie stoßen, sobald Sie mit englischsprachigen Werkzeugen arbeiten. Die W3C-Initiative hält zunächst fest, dass beide Begriffe je nach Weltregion für dasselbe benutzt werden. Für ihre eigenen Materialien trifft sie dann diese Unterscheidung: Captions stehen in derselben Sprache wie der Ton, Subtitles sind die Übersetzung des Gesprochenen in eine andere Sprache. Fachlich heißt das intralingual (gleiche Sprache) und interlingual (andere Sprache).
Ein Unterschied hat praktische Folgen. Übersetzte Untertitel geben laut W3C üblicherweise nur das Gesprochene wieder, weil sie für Menschen gedacht sind, die den Ton hören, aber die Sprache nicht verstehen. Und die Initiative zieht daraus eine klare Grenze: Captions sind eine Maßnahme der Barrierefreiheit, fremdsprachige Untertitel sind es nicht unmittelbar.
Im Deutschen heißt beides Untertitel. Das ist keine Nachlässigkeit, erklärt aber, warum ein Werkzeug Sie manchmal zwischen zwei Dingen wählen lässt, die in Ihrem Kopf eines sind.
| Englischer Begriff | Sprache | Geräusche und Sprecher enthalten? | Wofür gedacht |
|---|---|---|---|
| Captions | wie der Ton | ja | Barrierefreiheit |
| Subtitles | übersetzt | in der Regel nicht | Sprachverständnis |
| SDH | wie der Ton | ja | Barrierefreiheit |
Closed Captions, Open Captions und SDH
Drei weitere englische Begriffe, denen Sie im Exportmenü begegnen. Zwei davon beschreiben die Auslieferung, einer den Inhalt.
Closed Captions liegen in einer eigenen Datei neben dem Video, üblicherweise SRT oder VTT. Laut W3C sind das die meisten Captions: Der Zuschauer kann sie ein- und ausschalten. Das ist auch die Variante, deren Text Suchmaschinen lesen können.
Open Captions sind fest ins Bild gerendert. Sie sind laut W3C immer sichtbar und lassen sich nicht abschalten. Für Social-Feeds, die Videos standardmäßig stumm abspielen, ist das oft die einzige Variante, die zuverlässig funktioniert, und für Bildschirme ohne Player-Einstellungen ebenfalls.
SDH steht für Subtitles for the Deaf and Hard of Hearing. Netflix führt SDH in seinem Timed-Text-Style-Guide als eigenen Dateityp und beschreibt ihn dort als intralingual, also in der Sprache des Tons. Inhaltlich ist SDH damit das, was das W3C Captions nennt; der Begriff hat sich vor allem im Streaming-Umfeld durchgesetzt, wo „Subtitles" bereits für die übersetzte Fassung vergeben war.
Die Entscheidung zwischen Closed und Open ist rein praktisch. Läuft Ihr Video in einem Player, der Untertiteldateien versteht, nehmen Sie die Datei. Posten Sie in einen Feed, brennen Sie ein.
Timing und Lesegeschwindigkeit
Ein Untertitel kann inhaltlich völlig richtig sein und trotzdem unbrauchbar, wenn er zu schnell durchläuft. Deshalb arbeiten professionelle Vorgaben mit harten Grenzen für Zeilenlänge und Standzeit.
Netflix verlangt in seinem Style-Guide für englische SDH-Dateien höchstens 42 Zeichen pro Zeile. Das ist die Hausregel einer Plattform und keine Norm, aber sie zeigt die Größenordnung, in der sich solche Vorgaben bewegen. Ebenfalls dort geregelt: Nicht gesprochene Toninformationen stehen in eckigen Klammern im Untertiteltext, in Netflix' eigenen Beispielen etwa [bomb explodes] oder [coughs, sniffs]. Und zur Genauigkeit hält der Guide fest, dass Dialog in SDH nicht paraphrasiert werden soll, sondern so nah wie möglich am Ton bleibt.
Bei automatisch erzeugten Untertiteln ist genau das der Punkt, an dem Nacharbeit anfällt. Die Spracherkennung liefert Text und Zeitmarken; ob eine Zeile in der zur Verfügung stehenden Zeit lesbar ist, ist eine zweite Frage. In Subanana übernimmt das eine regelbasierte Prüfung: Der Editor markiert Untertitel, die zu dicht oder zu dünn für bequemes Lesen sind. Das ist eine feste Regel, keine KI-Bewertung und keine Aussage darüber, wie sicher sich das Modell bei einem Wort war.
Barrierefreiheit: wo Captions verbindlich werden
Dieser Abschnitt ist beschreibend. Er ist keine Rechtsberatung, und ob und wie Sie betroffen sind, klärt die Rechtsgrundlage, die für Sie gilt.
Auf der fachlichen Seite ist die Lage eindeutig. Das W3C ordnet Untertitel für aufgezeichnete Inhalte in den WCAG-Richtlinien der Stufe A zu (Erfolgskriterium 1.2.2) und Untertitel für Live-Inhalte der Stufe AA (1.2.4). Stufe A ist die unterste Konformitätsstufe, das Kriterium gehört also nicht zur Kür.
In Deutschland regelt die BITV 2.0 die barrierefreie Informationstechnik. Sie gilt nach § 2 für Websites, mobile Anwendungen, elektronisch unterstützte Verwaltungsabläufe und grafische Programmoberflächen. § 3 formuliert die Anforderung so: Diese Angebote „sind barrierefrei zu gestalten. Dies erfordert, dass sie wahrnehmbar, bedienbar, verständlich und robust sind." Die Erfüllung wird nach § 3 Absatz 2 vermutet, wenn die Angebote harmonisierten Normen entsprechen, die im Amtsblatt der Europäischen Union genannt sind. Die Verordnung nennt in diesen Paragrafen keine Untertitel; sie verweist für die Details auf diese Normen.
Für die Praxis bleibt eine Einordnung wichtig, die das W3C selbst deutlich macht: Automatische Untertitel reichen nicht aus. Die Initiative führt dazu einen eigenen Abschnitt. Live-Untertitelung wird laut W3C üblicherweise von professionellen Echtzeit-Untertitlern oder CART-Anbietern erbracht (CART steht für Communication Access Realtime Translation). Automatische Untertitelung ist ein guter und günstiger erster Entwurf. Wenn Sie eine geprüfte barrierefreie Fassung brauchen, gehört eine fachliche Prüfung ans Ende des Weges. Die Automatik verkürzt ihn, sie ersetzt sie nicht.
Captions selbst erstellen
Der praktische Weg ist in jedem Werkzeug derselbe: Ton in Text umwandeln, Zeitmarken setzen, korrigieren, ausspielen.
In Subanana laden Sie das Video hoch oder fügen eine öffentliche URL von YouTube, Instagram oder Facebook ein. Sie stellen die gesprochene Sprache ein, zur Auswahl stehen über 95 Sprachen. Danach entsteht ein zeitcodierter Entwurf, den Sie im Editor prüfen. Dort schlägt eine LLM-Prüfung Korrekturen für verhörte und gleich klingende Wörter vor, und Sie bestätigen oder verwerfen jeden Vorschlag einzeln. Still im Hintergrund wird nichts geändert.
Am Ende entscheidet sich, welche der oben sortierten Varianten Sie bekommen:
- Closed Captions: Export als SRT oder VTT. Insgesamt stehen sechs Formate zur Wahl, neben SRT und VTT noch TXT, DOCX, XLSX und Markdown, wahlweise alle sechs zusammen als ZIP.
- Open Captions: Export als Video mit fest eingebrannten Untertiteln, auf Wunsch auch zweisprachig.
- Übersetzte Untertitel: eine einzelne SRT-Datei, die Originaltext und Übersetzung zusammen enthält.
Wenn Sie dasselbe Aussehen über viele Videos hinweg brauchen, speichern Sie die Untertitel-Gestaltung einmal als Vorlage im Arbeitsbereich und wenden sie auf jedes weitere Projekt an. Die Dateigrenze liegt bei 30 GB und 8 Stunden pro Datei, und zwar in jedem Tarif, ein abendfüllender Mitschnitt ist also kein Sonderfall.
Ausprobieren können Sie den Ablauf im AI Subtitle Generator. Für den letzten Schritt kommt es auf Ihre Plattform an: Wie das Hochladen einer Untertiteldatei bei YouTube abläuft, steht in YouTube-Videos untertiteln.
Häufige Fragen
Was ist ein Beispiel für eine Caption?
Ein Eintrag in einer Untertiteldatei, der neben dem Gesprochenen auch die Toninformation mitliefert. In der Schreibweise, die Netflix in seinem Style-Guide verwendet, sieht das etwa so aus: [coughs, sniffs] vor dem nächsten Satz einer Person. Genau diese Klammern unterscheiden eine Caption von einer bloß abgetippten Dialogzeile. Wie eine solche Datei technisch aufgebaut ist, zeigt der Beitrag SRT-Datei öffnen.
Was bedeutet „closed caption"?
Untertitel, die in einer eigenen Datei neben dem Video liegen und die der Zuschauer ein- und ausschalten kann. Das Gegenstück sind Open Captions, die fest ins Bild gerendert und laut W3C immer sichtbar sind. „Closed" bezieht sich also auf die Schaltbarkeit, nicht auf den Inhalt.
Wie mache ich eine Caption?
Sie brauchen Text und Zeitmarken. Automatisch geht das, indem eine Spracherkennung aus dem Ton einen zeitcodierten Entwurf erzeugt, den Sie anschließend korrigieren und als SRT oder VTT exportieren oder direkt ins Bild einbrennen. Manuell tippen Sie den Text ab und setzen die Zeitmarken selbst. Der Vergleich beider Wege steht in Untertitelung.
Was ist die Caption bei Reels?
Der Text, den Sie selbst zu Ihrem Reel schreiben und der unter dem Video erscheint, auf Deutsch die Bildunterschrift. Mit Untertiteln hat sie nichts zu tun, auch wenn Instagram für beides das Wort Caption verwendet.
Kurz zusammengefasst
- Captioning heißt auf Deutsch Untertitelung. Das Wort Caption meint auf Social Media dagegen den selbst geschriebenen Beitragstext.
- Das W3C benutzt Captions für Text in der Sprache des Tons einschließlich Geräuschen und Sprechern, Subtitles für die Übersetzung. Im Deutschen heißt beides Untertitel.
- Closed Captions liegen als Datei daneben und sind schaltbar, Open Captions sind ins Bild gebrannt. SDH ist die im Streaming übliche Bezeichnung für Captions.
- Untertitel für aufgezeichnete Inhalte sind in den WCAG-Richtlinien auf Stufe A eingeordnet, für Live-Inhalte auf Stufe AA. Automatische Untertitel sind laut W3C dafür nicht ausreichend.