Wer Untertitel wirklich liest, und warum das Transkript dazugehört

Wenn du abends durch einen Feed scrollst, läuft das erste Video meistens stumm los. Das ist kein Zufall und auch keine Ausnahme. Die Größenordnungen, die aus Plattform- und Werbeforschung immer wieder auftauchen, liegen zwischen ungefähr zwei Dritteln und gut vier Fünfteln aller Videoabrufe in sozialen Netzwerken, die ohne Ton stattfinden. Eine viel zitierte Digiday-Erhebung nannte für Facebook schon 2016 rund 85 Prozent stumme Wiedergaben, eine Befragung von Verizon Media und Publicis Media kam 2019 darauf, dass etwa 69 Prozent der Teilnehmer Videos in der Öffentlichkeit ohne Ton schauen.

Behandle beide Werte als Größenordnung und nicht als Messwert für deine Website. Sie stammen aus Feeds mit automatischer Wiedergabe, deine Besucher drücken dagegen bewusst auf Play. Trotzdem wandert die Gewohnheit mit. Wer sich daran gewöhnt hat, Videos lesend zu konsumieren, macht das auf deiner Produktseite im Wartezimmer genauso. Untertitel sind damit kein Sonderfall für eine kleine Gruppe mehr, sondern die Standardausgabe deines Videos.

Drei Dinge, die ständig durcheinandergeraten

Untertitel geben das gesprochene Wort wieder, manchmal in derselben Sprache, manchmal übersetzt. Sie sollen dafür sorgen, dass man versteht, was gesagt wird, und sie setzen voraus, dass der Rest der Tonspur verzichtbar ist.

Erweiterte Untertitel nehmen alles Hörbare dazu. Sie markieren, wer gerade spricht, und beschreiben Geräusche, die für das Verständnis zählen, etwa [Tür fällt zu] oder [nachdenkliche Musik]. Trägt in deinem Video ein Ton eine Bedeutung, gehört er hier hinein. So verpasst auch jemand nichts, der die Tonspur gar nicht hört.

Das Transkript ist der gesamte Text als Fließtext neben oder unter dem Video, ohne Zeitcodes und in Absätzen. Es dient nicht dem Mitlesen während der Wiedergabe, sondern dem Lesen statt der Wiedergabe. Man überfliegt es, kopiert eine Passage heraus, springt zur interessanten Stelle.

Wer die Untertitel tatsächlich einschaltet

Gehörlose und schwerhörige Menschen sind der Ausgangspunkt, aber längst nicht die Mehrheit der Nutzung. Dazu kommen:

Ältere Menschen mit nachlassendem Gehör, die das selbst nie so nennen würden und einfach die Untertitel anlassen
Alle, die gerade in der Bahn, im Großraumbüro oder neben einem schlafenden Kind sitzen
Menschen, die Deutsch als zweite Sprache lernen und beim Lesen mehr mitbekommen als beim Hören
Zuschauer, die bei Dialekt, Nuscheln oder hohem Sprechtempo aussteigen
Leute mit Konzentrationsschwierigkeiten, für die zwei Kanäle leichter sind als einer
Jeder, der eine Telefonnummer, einen Preis oder einen Nachnamen noch einmal genau sehen will

Diese Gruppen überschneiden sich, und keine davon meldet sich bei dir, wenn die Untertitel fehlen. Sie klicken einfach weg.

Erzeugen lassen, dann korrigieren

Von Hand tippen musst du heute nichts mehr. Jede größere Videoplattform erzeugt eine automatische Fassung, und wenn du das Video nur auf der eigenen Seite ausspielst, liefert dir ein Spracherkennungswerkzeug in wenigen Minuten eine .vtt-Datei. Diese erste Fassung ist Rohmaterial und noch kein Ergebnis.

Als Faustwert aus der Praxis kannst du mit zwei bis vier Minuten Korrektur pro Minute Video rechnen, sofern die Aufnahme sauber ist und nur eine Person spricht. Ein Erklärvideo von drei Minuten kostet dich also grob zehn Minuten. Bei mehreren Sprechern, Hintergrundgeräuschen oder viel Fachvokabular verdoppelt sich das schnell. Selbst zwanzig kurze Archivvideos bleiben damit ein Projekt für einen Nachmittag und werden keine Woche Arbeit.

Was die Automatik typischerweise verpatzt

Die Fehler sind erstaunlich vorhersehbar, deshalb kannst du gezielt danach suchen, statt Wort für Wort zu prüfen.

Eigennamen und Ortsnamen. Aus Mainz-Kastel wird zuverlässig Mainz Kassel, aus deinem Firmennamen etwas, das ähnlich klingt.
Zahlen. Aus "in vierzehn Tagen" wird "in 40 Tagen", was inhaltlich das Gegenteil deiner Zusage ist.
Satzzeichen. Die Erkennung liefert oft einen Wortstrom ohne Punkt und Komma, der beim Lesen dreimal so anstrengend ist.
Sprecherwechsel. Zwei Personen im Interview werden zu einem einzigen langen Monolog.
Umbrüche. Zeilen brechen mitten in einer Sinneinheit, weil nach Sekunden geschnitten wird und nicht nach Grammatik.
Erfundene Plausibilität. An undeutlichen Stellen rät die Erkennung ein Wort, das passt, statt eine Lücke zu lassen.

Konkret sieht der Unterschied so aus. Zuerst die automatische Fassung, danach das, was nach fünf Minuten Nacharbeit dasteht.

WEBVTT

00:00:04.100 --> 00:00:09.600
also wir sind hier in mainz kassel und
liefern in 40 tagen aus

00:00:09.600 --> 00:00:13.200
hallo ja genau und das kostet dann
neunundzwanzig euro einmalig

WEBVTT

00:00:04.100 --> 00:00:09.600
<v Anna>Wir sitzen hier in Mainz-Kastel
und liefern innerhalb von 14 Tagen aus.

00:00:09.600 --> 00:00:13.200
<v Jörg>Genau, und das kostet
einmalig 29 Euro.

Zwei Zahlen richtiggestellt, ein Ortsname repariert, Satzzeichen gesetzt, Umbrüche an sinnvolle Stellen geschoben. Neu sind außerdem die spitzen Klammern: <v Anna> ist der Sprecher-Tag von WebVTT, der die Zeile einer Person zuordnet, ohne dass der Name als normaler Text mitläuft. Wenn dein Player damit nichts anfangen kann, schreibst du stattdessen schlicht Anna: an den Zeilenanfang. Mehr Aufwand steckt nicht darin, und genau das entscheidet, ob jemand deiner Aussage folgen kann.

Warum das Transkript zusätzlich Sinn ergibt

Untertitel funktionieren nur im laufenden Video. Ein Transkript steht als Text auf der Seite und verhält sich wie jeder andere Text, lässt sich also mit der Browsersuche durchsuchen, kopieren, vorlesen und in Ruhe überfliegen. Wer wissen will, ob dein zwölfminütiges Webinar seine eine Frage beantwortet, liest zehn Sekunden lang quer, statt sich durch die Zeitleiste zu tasten.

Dazu kommt die Auffindbarkeit. Suchmaschinen stützen sich in erster Linie auf den Text einer Seite, nicht auf das, was in der Tonspur gesagt wird. Ein sauberes Transkript macht aus einem Video also eine Seite, die für die Formulierungen gefunden wird, die im Video tatsächlich fallen. Die Arbeit dafür hast du ohnehin erledigt, denn deine korrigierte Untertiteldatei ist die Rohfassung. Du entfernst die Zeitcodes, bildest Absätze und setzt bei längeren Videos ein paar Zwischenüberschriften.

Die Untertiteldatei einbinden

Spielst du das Video selbst aus, hängt alles an einem einzigen zusätzlichen Element. Vorher:

<video src="/videos/rundgang.mp4" controls width="720">
</video>

Nachher:

<video src="/videos/rundgang.mp4" controls width="720">
  <track kind="captions"
         src="/videos/rundgang-de.vtt"
         srclang="de"
         label="Deutsch"
         default>
</video>
<p><a href="/videos/rundgang-transkript">Transkript lesen</a></p>

kind="captions" steht für die erweiterte Fassung mit Geräuschen und Sprecherangaben, kind="subtitles" wäre die reine Sprachfassung. Das Attribut default schaltet die Spur ohne Zutun ein, was bei stummer Wiedergabe genau richtig ist. Zwei Stolpersteine sorgen erfahrungsgemäß für die meisten stillen Fehlschläge: Dein Server muss die Datei als text/vtt ausliefern, sonst ignoriert der Browser sie kommentarlos. Und liegt die Datei auf einer anderen Domain als die Seite, brauchst du dort passende CORS-Header und zusätzlich crossorigin="anonymous" am video-Element. Bettest du stattdessen YouTube oder Vimeo ein, lädst du dieselbe Datei dort im Backend hoch, denn bei einem iframe greift das track-Element nicht.

Zwei Minuten Selbsttest

Öffne am Rechner die Seite mit deinem meistbesuchten Video.
Stelle die Lautstärke auf null und starte die Wiedergabe.
Schau dreißig Sekunden zu und merke dir, was du ohne Ton nicht mitbekommst.
Suche die Untertitel-Schaltfläche im Player, meist beschriftet mit CC oder als Sprechblase dargestellt. Fehlt sie, hast du dein Ergebnis bereits.
Gibt es Untertitel, lies die ersten drei Einblendungen und prüfe darin deinen Firmennamen, den Ortsnamen und die erste Zahl.
Drücke Strg+F, auf dem Mac Cmd+F, und suche ein Wort, das im Video deutlich fällt. Findet die Browsersuche es nicht, gibt es auf der Seite kein Transkript.

Womit du anfängst

Sortiere deine Videos nach Aufrufen und nicht nach Datum, dann nimm dir die oberen drei vor. Ein Archivvideo von 2021 mit vierzig Abrufen kann warten, das Erklärvideo auf der Startseite nicht. Nimm den Schritt danach fest in dein Produktionsrezept auf, solange du beim Schneiden ohnehin am Material sitzt, also Untertitel erzeugen, korrigieren, Transkript ableiten. Dann wächst der Stapel nicht schneller, als du ihn abarbeitest.