Best Practices für Untertitel: So werden sie wirklich lesbar

Ein Untertitel funktioniert nur, wenn man ihn in der Zeit lesen kann, in der er eingeblendet ist, und trotzdem noch sieht, was im Bild passiert. Sender und Streamingdienste haben daraus präzise Regeln gemacht. Bei Social-Media-Videos ändern sich einige Bedingungen – der Bildschirm ist hoch und klein, die Gestaltung auffälliger, das Publikum scrollt –, doch diese Regeln bleiben der richtige Ausgangspunkt, und die meisten lassen sich direkt übertragen.

Die Richtlinien, die du kennen solltest

Vier Referenzen tauchen immer wieder auf. Die Zahlen in diesem Ratgeber stammen aus ihren aktuellen Fassungen. Wo sie voneinander abweichen, liegt das meist daran, dass sie für unterschiedliche Bildschirme und Zielgruppen geschrieben wurden.

• Die BBC Subtitle Guidelines (Version 1.2.5, März 2026) gelten für Fernsehen und Onlinevideos und enthalten eigene Vorgaben für Hochformatvideos im Format 9:16.
• Der English (USA) Timed Text Style Guide von Netflix legt die Regeln für Untertitel und SDH-Untertitel fest, die an Netflix geliefert werden.
• Der DCMP Captioning Key des US-amerikanischen Described and Captioned Media Program wurde mit Blick auf Bildungsmedien verfasst.
• WCAG 2.2 verlangt Untertitel für aufgezeichnete Videos (Erfolgskriterium 1.2.2), legt aber weder Zeilenlänge noch Geschwindigkeit oder Stil fest.

Zeilenlänge

Lange Zeilen zwingen das Auge zu weiteren Wegen und verdecken mehr vom Bild. Die BBC begrenzt Fernsehuntertitel auf 37 Zeichen pro Zeile – eine Vorgabe, die noch aus der Zeit des Videotexts stammt. Für Onlinevideos legt sie die Grenze stattdessen über die Breite fest: 68 % der Breite eines 16:9-Videos im Querformat oder 90 % eines 9:16-Videos im Hochformat. Der englische Leitfaden von Netflix erlaubt bis zu 42 Zeichen pro Zeile.

Hochformatvideos sind schmal, deshalb passen dort in lesbarer Größe deutlich weniger Zeichen hinein. Die BBC nennt eine hilfreiche Entsprechung: 37 Zeichen in einem Bereich mit 75 % der Breite eines 16:9-Videos entsprechen 25 Zeichen über 90 % eines 9:16-Bilds. Betrachte für TikTok, Reels und Shorts etwa 25 Zeichen pro Zeile als Obergrenze, und bleib noch kürzer, wenn dein Untertitelstil große, fette Schrift verwendet.

Zeilen pro Untertitel

Netflix erlaubt höchstens zwei Zeilen, und auch der DCMP Captioning Key bevorzugt nicht mehr als zwei. Die BBC empfiehlt zwei Zeilen für Querformat-, 4:3- und quadratische Videos und bis zu drei für Hochformatvideos im Format 9:16, bei denen jede Zeile kürzer ist. Bei einem unruhigen Hochformatvideo bleibt mit einer Zeile – oder zwei kurzen – mehr vom Bild frei, und das Publikum muss weniger auf einmal erfassen.

Lesegeschwindigkeit

Die Lesegeschwindigkeit wird in Wörtern pro Minute (wpm) oder Zeichen pro Sekunde (cps) gemessen. Das erlauben die einzelnen Richtlinien:

Um einen Untertitel zu prüfen, teilst du seine Zeichenzahl durch die Zeit, die er eingeblendet ist. Ein Untertitel mit 38 Zeichen, der 1,5 Sekunden lang steht, kommt auf etwa 25 cps – schneller, als Netflix bei Programmen für Erwachsene erlaubt. Blende ihn länger ein, wenn das Gesprochene Luft lässt, oder teile ihn auf zwei Untertitel auf.

Schnelles Sprechen ist bei Social-Media-Videos der schwierige Fall. Die BBC stellt fest, dass das Publikum wortgetreue Untertitel meist bevorzugt, und in sozialen Medien kommt es oft gerade auf die genaue Formulierung an. Statt umzuschreiben, was jemand gesagt hat, teil es in mehr und kürzere Untertitel auf, die zum Gesprochenen getimt sind. Kürze nur, wenn sich die Worte wirklich nicht rechtzeitig lesen lassen, und nie so, dass sich die Bedeutung ändert.

Timing und Dauer

• Mit dem Gesprochenen beginnen. Laut den Richtlinien der BBC soll ein Untertitel in dem Moment erscheinen, in dem das Sprechen beginnt, und jede Verzögerung gegenüber dem Gesprochenen so gering wie möglich bleiben.
• Minimale Dauer. Netflix legt ein Minimum von fünf Sechsteln einer Sekunde fest (20 Frames bei 24 Frames pro Sekunde). Der DCMP Captioning Key setzt 40 Frames an – 1 Sekunde und 10 Frames. Die BBC empfiehlt, sich an etwa 0,3 Sekunden pro Wort zu orientieren, sodass ein Untertitel mit vier Wörtern rund 1,2 Sekunden stehen bleibt.
• Maximale Dauer. Netflix begrenzt einen Untertitel auf 7 Sekunden, DCMP auf 6. Bleibt ein Untertitel lange stehen, nachdem die Worte verklungen sind, passt er nicht mehr zu dem, was man hört.
• Schnitte. Die BBC rät von Untertiteln ab, die über einen Schnitt hinweg stehen bleiben: Teil den Satz oder lass den neuen Untertitel mit dem Schnitt beginnen. Bei schnell geschnittenen Social-Media-Videos lässt sich das kaum streng einhalten, aber vermeide einen Untertitel, der kurz vor einem Schnitt nur für ein paar Frames aufblitzt.

Wo du Zeilen umbrichst

Brich Zeilen dort um, wo eine sprechende Person natürlich eine Pause machen würde, idealerweise nach einem Satzzeichen. Die BBC nennt Paare, die in derselben Zeile bleiben sollten:

• ein Artikel und sein Nomen (der Tisch, ein Buch);
• eine Präposition und die Wortgruppe danach (auf dem Tisch);
• eine Konjunktion und ihr Satzteil (und diese Bücher);
• ein Pronomen und sein Verb (sie werden kommen);
• die Teile einer mehrteiligen Verbform (hätte kommen können).

Laut dem englischen Leitfaden von Netflix wird nach Satzzeichen und vor Konjunktionen oder Präpositionen umbrochen; ein Name, ein Adjektiv und sein Nomen oder ein Subjekt und sein Verb sollen nicht getrennt werden. Auch der DCMP Captioning Key rät davon ab, den Namen einer Person zu trennen oder einen Titel von dem Namen, zu dem er gehört.

Ungünstig   Im März starten wir die
            neue App.

Besser      Im März starten wir
            die neue App.

Zeilenumbrüche haben allerdings nicht oberste Priorität. Die BBC sagt: Wenn gute Zeilenumbrüche mit gut redigiertem Text und gutem Timing kollidieren, sind Text und Timing wichtiger.

Platzierung im Hochformat

Klassische Untertitel stehen unten in der Bildmitte und werden verschoben, wenn sie etwas Wichtiges verdecken würden. DCMP empfiehlt, Untertitel nach oben zu setzen, wenn sie das Gesicht der sprechenden Person oder wichtigen Text im Bild verdecken würden, und Netflix platziert Untertitel bei Texteinblendungen dort, wo sie besser lesbar sind.

Hochformat-Plattformen bringen ein weiteres Hindernis mit: die Oberfläche der App selbst. Bei TikTok, Reels und Shorts liegen der Name des Creators und der Beitragstext über dem unteren Teil des Videos, und die Buttons für Likes, Kommentare und Teilen ziehen sich am rechten Rand entlang.

• Setz die Untertitel höher. Die BBC merkt an, dass Untertitel in Hochformatvideos häufig etwas weiter oben platziert werden, meist aber noch im unteren Drittel, weil sich Gesichter eher in der oberen Bildhälfte befinden.
• Lass rechts einen Rand frei, damit keine Wörter unter die Buttons rutschen, und richte die Zeilen mittig aus.
• Halte Münder und Texteinblendungen frei. Verschieb einen Untertitel lieber, als ihn über eine Produktaufnahme oder einen Titel zu legen.
• Teste auf dem Smartphone. App-Layouts ändern sich und unterscheiden sich je nach Gerät. Prüf deshalb einen Test-Upload auf einem echten Bildschirm, statt dich auf eine feste Vorlage zu verlassen.

Kontrast, Kontur und Größe

Ein Untertitel muss auf jedem Bild lesbar bleiben, vom dunklen Raum bis zur weißen Wand hinter der sprechenden Person. Dafür gibt es drei verlässliche Wege:

• Eine Hintergrundbox. Standard bei der BBC ist weißer Text auf schwarzem Hintergrund. Der DCMP Captioning Key bevorzugt eine halbtransparente Box, damit der Text auch auf hellem Hintergrund gut lesbar bleibt.
• Eine Kontur oder ein Schatten. DCMP verlangt weiße, serifenlose Zeichen in mittlerer Strichstärke mit Schlagschatten oder umlaufendem Schatten. Bei auffälligen Social-Media-Stilen erfüllt eine kräftige dunkle Kontur denselben Zweck.
• Gemessener Kontrast. Das Mindestkontrastverhältnis der WCAG für Text liegt bei 4,5:1 (Erfolgskriterium 1.4.3). Es wurde für Text auf Webseiten geschrieben und nicht für Text im Video, ist aber ein sinnvoller Maßstab für Untertiteltext vor seiner Box oder Kontur.

Bei der Größe legt die BBC die Zeilenhöhe als Anteil an der Videohöhe fest: 7–8 % für Querformat-, 4:3- und quadratische Videos und 3,9–4,5 % für Hochformatvideos im Format 9:16. Untertitelstile für Social Media sind oft größer und fetter. Das kann funktionieren, solange die Zeilen kurz genug bleiben, um ins Bild zu passen, und der Text das Motiv nicht verdeckt.

Zum Schluss die Groß- und Kleinschreibung. DCMP bevorzugt der Lesbarkeit halber gemischte Schreibung und setzt reine Großbuchstaben nur für Geschrei ein. Stile in Großbuchstaben sind bei Kurzvideos verbreitet; wenn du einen davon nutzt, halte deine Untertitel noch kürzer.

Sprecherwechsel, Geräusche und Musik

Menschen, die den Ton nicht hören – weil sie gehörlos oder schwerhörig sind oder einfach ohne Ton scrollen –, brauchen mehr als nur den Dialog.

• Sprecherwechsel. Mach deutlich, wenn eine neue Person spricht. Die BBC verwendet eine kleine Auswahl an Textfarben auf Schwarz – Weiß, Gelb, Cyan und Grün – und behält die Farbe jeder Person durchgängig bei. Der englische Leitfaden von Netflix ergänzt nur dann eine Sprecherkennung in Klammern, wenn das Publikum nicht sehen kann, wer spricht. DCMP bevorzugt es, den Untertitel unter der sprechenden Person zu platzieren, und setzt den Namen in Klammern, wenn die Platzierung allein nicht ausreicht.
• Geräusche. Untertitle die Geräusche, die für die Geschichte oder die Pointe wichtig sind. Die Konventionen unterscheiden sich: Die BBC schreibt Geräuschhinweise in weißen Großbuchstaben als kurze Wendungen aus Subjekt und Verb, etwa DIELEN KNARREN; Netflix verwendet eckige Klammern und Kleinschreibung, etwa [Tür knallt zu]; DCMP setzt Beschreibungen in Klammern und nennt die Quelle des Geräuschs.
• Musik. DCMP setzt gesungene Liedtexte zwischen Notensymbole (♪). Bei Hintergrundmusik genügt eine kurze Beschreibung der Stimmung in Klammern, wenn sie von Bedeutung ist.
• Entscheide dich für eine Konvention und bleib dabei. Einheitlichkeit innerhalb eines Videos ist wichtiger als die Frage, welches System du wählst.

Genauigkeit: Namen, Zahlen und Fachbegriffe

Die automatische Spracherkennung liefert dir schnell einen ersten Entwurf – und macht dabei vorhersehbare Fehler. Die YouTube-Hilfe warnt, dass automatische Untertitel das Gesagte wegen falscher Aussprache, Akzenten, Dialekten oder Hintergrundgeräuschen falsch wiedergeben können. Prüf diese Punkte jedes Mal von Hand:

• Namen von Personen, Marken, Produkten und Orten, einschließlich ihrer Groß- und Kleinschreibung.
• Zahlen, Preise, Daten und Einheiten. Leg dich auf eine Schreibweise für Zahlen fest und wende sie einheitlich an. DCMP schreibt die Zahlen von eins bis zehn aus und verwendet für alles darüber Ziffern.
• Fachbegriffe und Abkürzungen aus deinem Bereich, die ein allgemeines Modell womöglich nicht kennt.
• Gleich klingende Wörter wie „das“ und „dass“, „seid“ und „seit“, „wieder“ und „wider“.
• Füllwörter und Neuansätze. Entscheide, ob du „äh“ und wiederholte Wörter behältst. Streichst du sie, liest sich der Text schneller; behältst du sie, bleibt der Tonfall der sprechenden Person erhalten. Streiche nie ein Wort, das die Bedeutung verändert.

Die Korrektur sollte schnell gehen. In AutoCap hat jedes Wort eine eigene Start- und Endzeit. So korrigierst du einen falsch erkannten Namen, teilst eine lange Zeile oder verschiebst ein einzelnes Wort, ohne das Timing drumherum neu anpassen zu müssen.

Wort-für-Wort- und Karaoke-Stile

Wort-für-Wort-Untertitel zeigen jeweils ein bis wenige Wörter an oder bauen eine Zeile Wort für Wort auf. Karaoke-Stile zeigen die ganze Zeile und heben jedes Wort hervor, während es gesprochen wird. Beide sind bei Kurzvideos verbreitet, weil Bewegung den Blick anzieht. Sie verändern aber auch, wie gelesen wird:

• Weniger Text auf einmal heißt: kein Vorauslesen. Steht eine ganze Zeile im Bild, kann man die Wortgruppe erfassen und wieder aufs Bild schauen. Kommen die Wörter einzeln, kann man nur im Tempo der sprechenden Person lesen, und der Blick bleibt am Text hängen.
• Rundfunkrichtlinien behandeln das als Ausnahme. Laut BBC sollten kumulative Untertitel – bei denen ein Teil des Untertitels nach dem Rest erscheint – nur verwendet werden, wenn es einen guten Grund gibt, etwa die dramatische Wirkung oder den Rhythmus eines Songs.
• Animation konkurriert mit den Wörtern. Ein Hüpfer oder Farbwechsel bei jedem Wort ist mehr zu verarbeiten als eine ruhige Zeile mit einer einzigen Hervorhebung.

Setz sie für kurze, prägnante Clips ein, für den Hook in den ersten Sekunden und um ein Schlüsselwort zu betonen. Wechsle bei Tutorials, Interviews, langen Erklärungen und schnellem Sprechen zu einem ruhigeren Stil. Die Karaoke-Hervorhebung ist oft der beste Kompromiss: Die ganze Wortgruppe bleibt lesbar, während das aktive Wort markiert wird. Das funktioniert nur, wenn die Hervorhebung genau dann auf dem Wort landet, wenn es gesprochen wird – deshalb kommt es auf wortgenaues Timing an. Eine Hervorhebung, die eine halbe Sekunde zu früh läuft, wirkt wie ein Fehler. Verschiedene Ansätze kannst du in der Galerie der Untertitelstile vergleichen.

Checkliste

1. Ein oder zwei Zeilen pro Untertitel; im Hochformat bis zu drei kurze Zeilen.
2. Im Hochformat höchstens etwa 25 Zeichen pro Zeile, im Querformat nicht mehr als 37–42.
3. Lesegeschwindigkeit nicht höher als etwa 20 Zeichen pro Sekunde (17 bei Kinderinhalten) bzw. 160–180 Wörter pro Minute.
4. Kein Untertitel kürzer als etwa eine Sekunde oder länger als 6–7 Sekunden eingeblendet.
5. Untertitel beginnen mit dem Gesprochenen und laufen nicht über Schnitte hinweg.
6. Zeilen an natürlichen Sinneinheiten umbrochen, ohne Namen oder Artikel und Nomen zu trennen.
7. Untertitel verdecken keine Gesichter, Texteinblendungen oder App-Buttons – geprüft auf dem Smartphone.
8. Hoher Kontrast durch Box, Kontur oder Schatten, getestet auf hellen und dunklen Bildern.
9. Sprecherwechsel und wichtige Geräusche in einem einheitlichen Stil gekennzeichnet.
10. Namen, Zahlen und Fachbegriffe von einem Menschen geprüft.
11. Wort-für-Wort-Animation nur für kurze Clips.

Wann du Untertitel einbrennen und wann du eine Untertiteldatei veröffentlichen solltest, erklärt unser Ratgeber Open Captions vs. Closed Captions.