Ratgeber · August 2026 · Lesezeit 12 Minuten
Thomas Bruckmeier ist Installateur in Rosenheim, 18 Mitarbeiter, guter Ruf im Landkreis. Im Herbst 2024 lässt er ein Firmenvideo drehen. Fünf Minuten lang, ordentlich produziert, mit echten Mitarbeitern vor der Kamera, einem erklärenden Voiceover und einem freundlichen Abschlussappell. Das Video kostet ihn um die 4.000 Euro. Er stellt es auf die Website, postet es auf LinkedIn und Facebook und wartet.
Was er nicht weiß: Fast niemand, der das Video aufruft, hört auch zu. Die meisten schauen kurz hin, sehen Männer in Arbeitskleidung, die sich bewegen und reden, und scrollen weiter. Kein Text im Bild, keine Untertitel, kein Hinweis darauf, was eigentlich gesagt wird. Wer gerade im Büro sitzt, in der S-Bahn steht oder das Handy auf dem Küchentisch liegen hat, bleibt buchstäblich außen vor. Das Video hat 340 Aufrufe in drei Monaten, davon laut Analytics-Tool eine mittlere Wiedergabezeit von 14 Sekunden.
Bruckmeier ist kein Einzelfall. Er hat in ein Video investiert und vergessen, dass Videos heute anders konsumiert werden als noch vor zehn Jahren. Den Ton aufdrehen ist die Ausnahme, nicht die Regel.
In fast jeder Diskussion über Video-Marketing taucht eine Zahl auf: 85 Prozent aller Social-Media-Videos werden ohne Ton geschaut. Sie wird so häufig zitiert, dass kaum jemand noch fragt, woher sie eigentlich kommt.
Die ehrliche Antwort ist etwas unbequem. Die 85 Prozent stammen aus einem Digiday-Artikel vom Mai 2016 (Digiday, "Silent World", 17. Mai 2016). Der Artikel sammelte damals Selbstauskünfte einzelner Publisher wie LittleThings, Mic und PopSugar, die berichteten, wie viele ihrer eigenen Facebook-Aufrufe lautlos abliefen. Das waren keine kontrollierten Studien, keine repräsentativen Stichproben und keine von Facebook selbst erhobenen Zahlen. Facebook hat den Wert nie offiziell bestätigt und Einblick in plattformweite Ton-Metriken nie gewährt.
Seitdem wird die Zahl von Marketingblog zu Marketingblog weitergereicht, ohne dass jemand nachfragt, ob eine Selbstauskunft von drei US-Medienunternehmen aus dem Jahr 2016 noch trägt. Eine Google-Consumer-Umfrage aus Kanada mit rund 100 Teilnehmern kam auf etwa 47 bis 74 Prozent, je nachdem, wie man die Nicht-Nutzer rechnet (st4.ca, 2023).
Was bedeutet das für die Praxis? Die genaue Zahl ist weniger wichtig als die Richtung: Ein sehr großer Teil der Zuschauer schaut Videos ohne Ton, und dieser Anteil ist in B2B-Kontexten noch höher als im rein privaten Konsum. Wer am Arbeitsplatz sitzt, dreht den Ton für ein LinkedIn-Video nicht auf. Wer in der Werkstatt steht, hört das Handy sowieso nicht. Wer im Großraumbüro auf ein Video stößt, das ein Lieferant gepostet hat, klickt auf keinen Fall auf Lautsprecher.
Die andere Zahl, die etwas solider belegt ist: 92 Prozent der mobilen Video-Nutzer schauen laut einer Studie von VcdStudio mindestens zeitweise ohne Ton (VcdStudio Blog, 2024). Das deckt sich mit dem, was die meisten Videoproduktionen bei eigenen Analytics sehen, wenn sie die Metriken überhaupt auswerten.
Kurze Zusammenfassung: Die 85-Prozent-Zahl ist alt und nicht gut belegt. Die Grundaussage ist trotzdem richtig. Wer Videos ohne Untertitel produziert, verliert einen sehr großen Teil des Publikums, noch bevor das erste Argument gefallen ist.
Stummes Schauen verändert nicht nur die Frage, ob man Untertitel braucht. Es verändert, wie das gesamte Video gebaut sein muss.
Wenn jemand ohne Ton zuschaut, stellt sich in den ersten drei Sekunden eine einzige Frage: Was ist hier zu sehen und lohnt es sich, dran zu bleiben? Wer in dieser Zeit kein visuelles Signal gibt, hat den Zuschauer verloren. Ein sprechender Kopf ohne Kontext, ein Betriebsgelände ohne Beschriftung, ein Produktvideo ohne eingeblendeten Produktnamen, all das funktioniert im lautlosen Modus deutlich schlechter als mit Ton.
In der Praxis heißt das: Jeder wichtige Inhalt muss doppelt kommuniziert werden, einmal im Bild und einmal als Text. Wer im Video erklärt, dass er seit 35 Jahren Metallbau macht, sollte das auch einblenden. Wer einen Preis nennt, sollte ihn zeigen. Wer am Ende einen Call-to-Action ausspricht, sollte ihn gleichzeitig als Texttafel zeigen.
Das ist kein Designproblem, das man am Ende schnell lösen kann. Es ist eine Entscheidung, die beim Dreh getroffen werden muss. Ein Kamera-Team, das weiß, dass das Video primär lautlos konsumiert wird, dreht anders als eines, das Ton als selbstverständlich voraussetzt.
Untertitel sind nicht einfach Abschriften. Wer sie so behandelt, hat den Punkt verfehlt.
Gute Untertitel für Social Media und Website-Videos haben vier Funktionen: Sie machen den Inhalt für alle zugänglich, die ohne Ton schauen. Sie halten den Blick der Zuschauer im Bild, statt ihn zu verlieren. Sie verbessern messbar die Durchschaurate. Und seit Juni 2025 sind sie für bestimmte Video-Formate in Deutschland gesetzlich vorgeschrieben.
Was die Durchschaurate angeht, gibt es einen oft zitierten Wert: Untertitel sollen die Wiedergabezeit um bis zu 80 Prozent erhöhen. Die genaue Zahl variiert je nach Plattform und Studie, aber die Richtung ist konsistent. Wer Videos mit und ohne Untertitel veröffentlicht und beide vergleicht, sieht in fast allen Fällen eine deutliche Verbesserung mit Untertiteln (Verbit.ai/Marketingstudie, 2023).
Die meisten automatisch generierten Untertitel sind lesbar, aber nicht gut. Lesbar heißt, man kann sie entziffern. Gut heißt, sie stören nicht und helfen wirklich.
Länge pro Zeile. Die Faustregel lautet: maximal 42 Zeichen pro Zeile, maximal zwei Zeilen gleichzeitig im Bild. Das sind Richtwerte, die auf Studien zur Lesegeschwindigkeit zurückgehen und von der Untertitel-Fachorganisation DCMP (Described and Captioned Media Program) empfohlen werden. Wer mehr Text auf einmal zeigt, zwingt den Zuschauer zu wählen: lesen oder schauen. Das Ergebnis ist meist keines von beidem.
Anzeigedauer. Ein Untertitel-Block sollte mindestens 1,3 Sekunden sichtbar sein, in der Praxis besser 3 bis 5 Sekunden für einen kurzen Satz. Wer schnell spricht und die Untertitel im gleichen Tempo einblendet, macht das Video für Normalleser faktisch unzugänglich. Hier darf man ruhig kürzen und zusammenfassen statt wörtlich zu transkribieren.
Position. Untertitel gehören ins untere Bilddrittel, aber nicht ans absolute Ende des Frames. Auf Hochformat-Videos für Instagram, TikTok und LinkedIn muss man beachten, dass die Plattformen im unteren Bereich Interface-Elemente einblenden, Like-Button, Kommentar-Icon, Nutzername. Wer Untertitel ganz unten setzt, hat sie halb verdeckt. Die sichere Zone liegt je nach Plattform bei etwa 15 bis 25 Prozent vom unteren Bildrand aufwärts.
Kontrast und Lesbarkeit. Heller Text auf dunklem Hintergrund ist die klassische Lösung, weil er auf den meisten Bildschirmen unter allen Lichtverhältnissen funktioniert. Wer sich für weißen Text ohne Hintergrundbox entscheidet, verliert die Leserlichkeit auf hellen Bildsequenzen. Eine dezente halbtransparente schwarze Box hinter dem Text kostet kaum etwas an Ästhetik und sichert die Lesbarkeit auf jedem Bildschirm ab. Die WCAG-Barrierefreiheitsstandards, auf die auch das BFSG verweist, fordern ein Kontrastverhältnis von mindestens 4,5:1 zwischen Text und Hintergrund.
Timing. Untertitel müssen auf die Silbe genau mit dem Gesagten synchron laufen, also weder eine halbe Sekunde früher noch spät nachklappen. Ein Versatz von mehr als 200 Millisekunden ist für geübte Zuschauer wahrnehmbar und wirkt unprofessionell. Die meisten modernen Tools treffen das gut, aber bei Schnitten, Musikunterbrechungen und Überblendungen muss man manuell nachkorrigieren.
Es gibt 2026 keine Ausrede mehr, Videos ohne Untertitel zu veröffentlichen. Die Werkzeuge sind gut genug, schnell genug und günstig genug, dass selbst ein kleines Unternehmen mit zwei Stunden Aufwand pro Video ordentliche Untertitel hinbekommt. Die Frage ist weniger, ob man ein Tool nutzt, sondern welches für welchen Zweck.
CapCut ist das am weitesten verbreitete Tool für Short-Form-Videos. Die automatische Untertitel-Funktion unterstützt über 55 Sprachen, darunter Deutsch, und liefert in Tests eine Genauigkeit von etwa 92 bis 95 Prozent bei sauberem Ton und Standardaussprache (Pixflow.net, 2026). Damit kommt man bei einem 60-Sekunden-Video auf vier bis sechs Fehler, die man manuell korrigieren muss. Der größte Vorteil: Man kann direkt in CapCut schneiden, Untertitel generieren und das Video exportieren. Alles in einer App, auf dem Telefon oder im Browser. Die Auto-Caption-Funktion ist seit 2025 kostenpflichtig (Pro-Abo), was etwas ärgerlich ist, weil sie bis dahin kostenlos war.
Adobe Premiere Pro hat eine Speech-to-Text-Funktion, die laut unabhängigen Tests auf 95 Prozent Genauigkeit bei allgemeinem Sprachinhalt kommt (Cutback Video, 2024). Der Unterschied zu CapCut liegt in der Granularität der Nachbearbeitung: Man kann Untertitel auf Wort-Level editieren und das Timing sehr präzise steuern. Für Teams, die ohnehin in Premiere arbeiten, ist das der natürlichste Weg. Für jemanden, der Premiere nicht kennt, ist die Lernkurve erheblich.
DaVinci Resolve in der Studio-Version (einmalig rund 295 US-Dollar) liefert die technisch präziseste Lösung, mit frame-genauer Steuerung und seit Version 20 auch animierten Untertiteln. Für Produktionen, die auf Broadcast-Niveau poliert sein müssen, ist das die professionellste Option. Für das kurze Social-Media-Reel eines Handwerksbetriebs ist es Overkill.
OpenAI Whisper ist das Open-Source-Modell, auf dem viele andere Tools aufbauen. Es läuft lokal auf dem eigenen Rechner, kostet nichts, unterstützt über 100 Sprachen und ist für Entwickler, die eigene Pipelines bauen wollen, die flexibelste Option. Schwachpunkte: Es braucht eine GPU für sinnvolle Verarbeitungsgeschwindigkeit und neigt bei längeren Aufnahmen zu gelegentlichen Halluzinationen, also Wörtern, die im Original nicht gesprochen wurden.
Wo alle Tools gemeinsam scheitern, das ist interessanter als die Stärken.
Fachbegriffe sind das größte Problem. Wer im Video über eine Pelletheizung, einen Frequenzumrichter oder eine Kaltwalzanlage spricht, bekommt vom Spracherkennungsmodell oft etwas Ähnlich Klingendes zurück. Das Modell hat keine Ahnung von deiner Branche. Es rät. Und bei technischen Begriffen rät es falsch.
Eigennamen sind ähnlich anfällig. Firmenname Bruckmeier wird zu Bruckmaier. Modellbezeichnungen werden falsch geschrieben. Orte aus dem Landkreis, die überregional kaum bekannt sind, werden phonetisch rekonstruiert mit oft komischen Ergebnissen.
Dialekt ist die dritte Schwachstelle. Wer bayerischen, sächsischen oder hamburgischen Dialekt hat, senkt die Erkennungsgenauigkeit spürbar. Nicht auf null, aber von 93 Prozent auf vielleicht 78 Prozent, was bei einem dreiminütigen Video dutzende Fehler bedeutet.
Die Konsequenz daraus: Automatische Untertitel sind ein sehr guter Ausgangspunkt und kein fertiges Ergebnis. Jedes Video muss nach der automatischen Transkription einmal von einem Menschen durchgegangen werden, der die Branche kennt. Bei einem dreiminütigen Video mit 400 Wörtern dauert das Korrekturlesen 10 bis 15 Minuten. Den Aufwand einzusparen, und das Video mit den Originalfehlern zu veröffentlichen, kostet mehr als diese 15 Minuten. Es kostet Glaubwürdigkeit.
Seit dem 28. Juni 2025 gilt das Barrierefreiheitsstärkungsgesetz (BFSG) für Deutschland. Es setzt die EU-Richtlinie 2019/882 um und schreibt vor, dass digitale Produkte und Dienstleistungen für alle Nutzer zugänglich sein müssen, auch für Menschen mit eingeschränktem Hörvermögen.
Für Videos auf B2C-Websites bedeutet das konkret: Produktvideos, Erklärvideos, Testimonials, Anleitungen und eingebettete Videos müssen Untertitel haben, die dem gesprochen Inhalt entsprechen, WCAG-Level A (Kriterium 1.2.2). Automatisch generierte YouTube-Untertitel, die man einfach aktiviert, gelten laut Barrierefreiheitsexperten nicht als ausreichend, weil ihre Qualität nicht kontrolliert und dokumentiert werden kann.
Was ausgenommen ist: dekorative Videos ohne Sprache, also reine Hintergrundanimationen oder Musik-Clips ohne Wortinhalt.
Für kleine Unternehmen gibt es keine pauschale Größen-Ausnahme. Das Gesetz richtet sich an alle, die digitale Dienstleistungen im B2C-Bereich anbieten, unabhängig von der Mitarbeiterzahl. Bei Verstößen drohen Nachbesserungsanordnungen und Bußgelder, in schwerwiegenden Fällen bis zu 100.000 Euro. In der Praxis läuft die Durchsetzung bisher über Beschwerden und Verbandsklagerecht, nicht über flächendeckende Kontrollen. Aber das kann sich ändern, und wer heute nicht nachrüstet, hat einen wachsenden Compliance-Rückstand.
Der interessante Nebeneffekt: Untertitel für Barrierefreiheit und Untertitel für stummes Schauen auf Social Media sind weitgehend identisch. Wer sauber untertitelt, erfüllt beides auf einmal. Das ist kein kleiner Vorteil, denn viele Unternehmen haben das BFSG noch gar nicht auf dem Schirm.
Rund 16 Prozent der Weltbevölkerung leben mit einer Form von Behinderung (WHO, 2023). In Deutschland sind nach Angaben des Statistischen Bundesamts etwa 13 Millionen Menschen schwerbehindert, und das Hörvermögen nimmt mit dem Alter ab, was bedeutet, dass ein nennenswerter Teil auch älterer Zielgruppen von Untertiteln profitiert, ohne als offiziell hörgeschädigt zu gelten.
Im B2B-Kontext, und das wird gerne übersehen, schaut eine technische Fachkraft ein Video über eine neue Maschine oft in einer lauten Werkstatthalle. Kein Ton, weil er ihn nicht hört. Ein Einkäufer schaut das Video in einem Open-Space-Büro. Kein Ton, weil er niemanden stört. Ein Geschäftsführer schaut es auf dem Handy im Hotel, bevor er schlafen geht. Kein Ton, weil die Familie schläft. Das sind keine Randgruppen. Das ist der Alltag von B2B-Entscheidern.
Barrierefreiheit ist in diesem Kontext kein Sozialprojekt. Es ist Usability für alle.
Zurück nach Rosenheim. Bruckmeier hat sein fünfminütiges Video inzwischen überarbeitet, in drei kürzere Clips aufgeteilt und alle drei mit Untertiteln versehen. Den einen davon hat ein Dienstleister transkribiert und die Fachbegriffe korrigiert, die das automatische Tool falsch hatte. Darunter war auch sein eigener Firmenname, den CapCut beim ersten Durchlauf in "Brücken Maier" verwandelt hatte.
Die Ergebnisse nach zwei Monaten: Die mittlere Wiedergabezeit stieg von 14 auf 48 Sekunden. Die Zahl der Anfragen über die Website hat sich nicht verdreifacht, aber es gab zwei konkrete Rückrufe, bei denen Interessenten sagten, sie hätten "das kurze Video" gesehen.
Das ist kein dramatisches Wachstum. Aber es ist der Unterschied zwischen einem Video, das funktioniert, und einem, das ein teures Standbild im Feed ist.
Wer das hier liest und ein bestehendes Video hat, das gerade ohne Untertitel läuft, hat fünf konkrete nächste Schritte.
Erstens: Bestehendes Videomaterial in CapCut oder Premiere hochladen und die automatische Transkription laufen lassen. Das dauert je nach Länge zwischen einer und fünf Minuten.
Zweitens: Die Transkription einmal komplett lesen und dabei auf drei Dinge achten: Eigennamen, Fachbegriffe und Ortsbezeichnungen. Diese drei Kategorien haben die höchste Fehlerquote bei allen automatischen Tools.
Drittens: Untertitelfarbe und Hintergrundbox anpassen, damit sie auf hellem wie auf dunklem Bildmaterial lesbar sind. Weiß auf schwarz-halbtransparentem Hintergrund funktioniert auf den meisten Plattformen zuverlässig.
Viertens: Die Anzeigedauer prüfen. Wenn einzelne Blöcke unter zwei Sekunden stehen, verlängern. Besonders bei schnellen Schnitten oder wenn zwei Personen abwechselnd sprechen.
Fünftens: Das fertige Video einmal ohne Ton anschauen. Nicht als technischer Test, sondern als echter Zuschauer. Wenn man in 30 Sekunden noch kein Bild vom Inhalt hat, ist das Problem größer als schlechte Untertitel.
Es gibt einen Unterschied zwischen Untertiteln, die man nachträglich draufklebt, und Videos, die von vornherein für das stumme Schauen produziert werden.
Bei einem professionellen Drehtag denkt man von Anfang an daran, was im Bild steht, wenn der Ton fehlt. Wichtige Aussagen werden eingeblendet. Bildausschnitte werden so gewählt, dass Text-Overlays Platz haben. Die Sprachführung im Video ist ruhig und klar, weil das sowohl dem Ton als auch der automatischen Transkription nützt.
Das ist kein Hexenwerk. Es kostet auch kaum Mehraufwand auf dem Drehtag. Aber man muss es wissen und daran denken. Wer das nächste Video produziert, sollte diese Frage ganz am Anfang stellen: Funktioniert dieses Video auch für jemanden, der keinen Ton anhat?
Wenn die Antwort ja ist, hat man ein Video, das tatsächlich die Arbeit macht, für die man es produziert hat.
Unverbindlich kennenlernen → WhatsApp Astrid
Quellen und Weiterlesen: Digiday (17.05.2016) "Silent World: Facebook Video" — Ursprungsartikel zur 85-Prozent-Zahl mit Publisher-Selbstauskünften; st4.ca (2023) "Is it true that 85% of people watch videos without sound on Facebook?" — kritische Einordnung der Zahl; VcdStudio Blog (2024) "The Rise of Silent Videos: 92% of Mobile Users Watch Without Sound"; Verbit.ai Marketingstudie (2023) "Sound On? Sound Off? Marketers Using Video See Benefit of Captions"; Pixflow.net (2026) "AI Automatic Captions in 2026: Premiere, CapCut, and Resolve" — Werkzeugvergleich; Barrierefix.de (2025) "Barrierefreie Videos: BFSG-Anforderungen für Untertitel und Audiodeskription"; Smartspokes (2025) "BFSG Untertitel-Pflicht 2025"; DCMP (Described and Captioned Media Program) — Richtlinien zu Länge und Anzeigedauer von Untertiteln; WHO World Disability Report 2023; Statistisches Bundesamt Deutschland, Schwerbehindertenstatistik 2023.