SBV in VTT umwandeln

Seit Juni 2025 gilt in Deutschland das Barrierefreiheitsstärkungsgesetz, das Anforderungen an digitale Barrierefreiheit erstmals auf große Teile der Privatwirtschaft ausdehnt — Online-Shops, digitale Dienstleistungen und viele Websites, nicht mehr nur öffentliche Stellen. Untertitel bei vorab aufgezeichnetem Video gehören zu den Punkten, die dabei regelmäßig auffallen, sobald ein Video das eigene Haus verlässt und nicht mehr eingebettet, sondern selbst gehostet wird.

Ein häufiger Anlass ist genau das: Ein Schulungsvideo oder ein Produkterklärfilm soll nicht länger als YouTube-Einbettung, sondern über ein eigenes Videoelement laufen — aus Datenschutzgründen, wegen des Corporate Designs oder weil YouTube schlicht nicht zur Marke passen soll. Das Video lässt sich problemlos neu kodieren; die aus YouTube Studio heruntergeladene SBV-Untertiteldatei dagegen liest kein Browser.

Eine WebVTT-Datei muss mit dem Wort WEBVTT in der ersten Zeile beginnen, bevor irgendetwas anderes folgt. Das ist keine Formsache — ein Parser, der diese Zeile nicht findet, lehnt die Datei ab, ohne weiterzulesen. SBV kennt so einen Kopf gar nicht; die erste Zeile der Datei ist dort bereits die erste Zeitangabe.

Es gibt also nichts anzupassen, nur etwas hinzuzufügen. Die Umwandlung schreibt den Kopf und eine Leerzeile, dann die Untertitelblöcke. Genau das macht ein bloßes Umbenennen der Datei unmöglich und ist der Teil, den eine manuelle Bearbeitung am ehesten übersieht, weil er im Original keine Entsprechung hat.

SBV trennt die beiden Zeitangaben durch ein Komma, WebVTT durch einen Pfeil, mit auf zwei Stellen aufgefüllten Stunden. Beide Formate schreiben die Millisekunden bereits mit Punkt statt Komma, dieser Teil bleibt also unverändert.

Die Zeiten selbst sind exakt. Jeder Wert wird während der Umwandlung in Millisekunden geführt, nichts wird gerundet oder verschoben — die beiden Formate messen dasselbe mit derselben Genauigkeit und unterscheiden sich nur in der Schreibweise.

Ein großer Teil der SBV-Dateien sind automatische Transkripte, und die Umwandlung selbst verbessert an den Wörtern nichts. Spracherkennung ist bei alltäglicher Umgangssprache verlässlich und bei Namen, Fachbegriffen und Produktnamen unzuverlässig — also genau bei den Wörtern, die den eigentlichen Inhalt eines Satzes tragen.

Wo Barrierefreiheit gesetzlich gefordert ist, reicht ein ungeprüftes Maschinentranskript dafür nicht aus. Hinzu kommt, dass echte Untertitel auch Nicht-Sprachinformation transportieren sollen — wer außerhalb des Bildes spricht, wann Musik einsetzt —, und ein automatischer Transkriptionsdienst liefert davon nichts.

Jeder WebVTT-Untertitel kann nach seiner Endzeit Einstellungen tragen: eine Zeile, die ihn vertikal verschiebt, eine Ausrichtung, die ihn horizontal verschiebt, Position und Größe. SBV kennt nichts davon, weshalb die umgewandelte Datei zunächst ganz ohne solche Einstellungen ankommt und alles am unteren Rand sitzt.

Das nachzutragen ist die naheliegendste Verbesserung für ein selbst gehostetes Video. Am unteren Bildrand liegen üblicherweise die eigenen Player-Bedienelemente und eingeblendete Bauchbinden, und ein Untertitel, der sich damit überlagert, ist die häufigste Beschwerde bei selbst gehosteten Videos. Zwei Worte in der Zeitzeile verschieben ihn für diese Sekunden, ohne dass CSS dasselbe leisten könnte.

SBV hat keine eigene Konstruktion, um eine Zeile einer sprechenden Person zuzuordnen, deshalb behelfen sich Untertiteldateien, die das brauchen, mit einer Konvention: ein Name mit Doppelpunkt, oder ein Gedankenstrich am Zeilenanfang, wie es aus dem Fernsehen bekannt ist. Diese Zeichen werden unverändert in das WebVTT übernommen und erscheinen dort genauso wie im Original getippt.

WebVTT hat dafür einen eigenen Mechanismus — einen Voice-Tag, der die sprechende Person benennt, den ein Browser je nach Sprecher unterschiedlich darstellen kann und den ein Screenreader als Zuordnung statt als reinen Text vorliest. Die getippte Konvention in Voice-Tags umzuwandeln ist eine Suchen-und-Ersetzen-Aufgabe, die sich bei einer Barrierefreiheitsprüfung schnell auszahlt.

Eine WebVTT-Datei, die von einer anderen Herkunft geladen wird als die Seite selbst, wird ohne die passenden CORS-Header stillschweigend abgelehnt. Das Video spielt, das Untertitelmenü bleibt leer, und in der Konsole steht nichts, was auf den Grund hinweist. Das ist der teuerste einzelne Fehler beim Selbsthosten von Untertiteln, weil er wie jede andere Ursache aussieht.

Die .vtt-Datei von derselben Herkunft wie die HTML-Seite auszuliefern umgeht das Problem vollständig, was ein guter Grund ist, Untertiteldateien neben der Seite statt auf einer separaten Asset-Domain zu hosten. Muss die Datei woanders liegen, müssen sowohl die CORS-Header als auch das crossorigin-Attribut am Videoelement stimmen, und nur ein Test im echten Browser klärt das zuverlässig. Auch der Medientyp wird häufig falsch ausgeliefert — eine WebVTT-Datei sollte als text/vtt kommen, nicht als generisches Binärformat oder text/plain.

Bleibt das Video zusätzlich auf YouTube, gibt es jetzt zwei Untertiteldateien. Sie starten identisch und laufen auseinander, sobald jemand einen Tippfehler in der einen korrigiert, ohne dass eine der beiden Dateien festhält, welche gerade die aktuelle ist.

Sinnvoll ist es, eine Fassung als Master zu behandeln und die andere daraus zu erzeugen. Auf YouTube zu bearbeiten und neu herunterzuladen funktioniert, solange Korrekturen selten sind und das Team dort ohnehin arbeitet. Die WebVTT-Datei zu pflegen und bei YouTube hochzuladen ist die bessere Wahl, wenn die eigene Seite die Hauptquelle ist, weil dann genau die Datei gepflegt wird, die auch die Positionierung und die Voice-Tags trägt.

Das kind-Attribut kennt weitere Werte, die dieselbe WebVTT-Syntax nutzen. Chapters erzeugt eine navigierbare Kapitelliste in Playern, die das unterstützen. Descriptions trägt Audiodeskriptionstext für Screenreader. Metadata trägt beliebige, nicht angezeigte Zeitmarken, auf die JavaScript reagieren kann, sobald die Wiedergabeposition sie erreicht.

Das ist die Grundlage für interaktive Transkripte, synchronisierte Folien und zeitgesteuerte Anmerkungen, und es lohnt sich, bei einem selbst gehosteten Video daran zu denken — die Plattform, die man gerade verlässt, konnte das, und die eigene Seite bisher nicht. Eine zweite Datei mit kind gleich chapters kostet ein paar Zeilen WebVTT und gibt einer längeren Aufzeichnung genau das, was Zuschauer sich meist wünschen: direkt zu dem Abschnitt zu springen, wegen dem sie gekommen sind.

Die Frage ist berechtigt, denn ein eingebetteter YouTube-Player bringt seine Untertitelspur, deren Darstellung, die Sprachumschaltung und die dazugehörige Barrierefreiheit ohne eigenen Aufwand mit. Ist der Grund für den Umzug rein gestalterisch, ist das Einbetten meist der kürzere Weg mit weniger Fehlerquellen.

Tragfähig wird die eigene Lösung dort, wo es um Kontrolle und Datenschutz geht: Inhalte, die nicht auf einer öffentlichen Plattform liegen sollen, ein Player ohne Tracking durch Dritte, oder eine Untertitelspur mit Positionierung und Gestaltung, die die Plattform nicht anbietet. Trifft nichts davon zu, lohnt sich der kürzere Weg, bevor die Arbeit beginnt.