Vad gör en bra undertext? Läshastighet, radbrytning och timing förklarat

Alla textningsverktyg på marknaden ger samma två löften: snabbhet och korrekthet. Undertexter på sekunder. Nittionågot procent ordkorrekthet.

De bästa undertexterna är de du aldrig lägger märke till. Den här guiden går igenom hantverksstandarderna som gör det möjligt: läshastighet, radlängd, radbrytning, timing — och bedömningarna däremellan. Det är samma standarder som streamingtjänster och programföretag använder, och de gäller lika mycket för ett 40 sekunder långt socialt klipp som för en långfilm.

De tre egenskaperna hos en undertext som fungerar

En bra undertext är:

1. Korrekt — den säger det som sades.
2. Synkroniserad — den visas när orden uttalas och försvinner när de är slut.
3. Läsbar — tittaren hinner läsa klart den i lugn och ro innan den försvinner, utan att tappa bilden.

Automatisk taligenkänning har i allt väsentligt löst den första egenskapen. Timingmotorer hanterar den andra hyfsat väl. Den tredje — läsbarheten — är där nästan all automatisk textning fortfarande faller, eftersom läsbarhet inte är ett transkriptionsproblem. Det är ett typografi- och tidsproblem. Resten av den här guiden handlar om att lösa det.

Läshastighet: siffran som styr allt

Läshastighet är ett av de viktigaste måtten på undertextkvalitet. Den uttrycks vanligen som tecken per sekund (CPS) och räknas fram genom att dela antalet tecken i en undertext, inklusive blanksteg och skiljetecken, med den tid den ligger kvar på skärmen. I praktiken hålls professionella undertexter oftast kring 15–17 CPS, medan 20 CPS vanligen behandlas som en övre gräns för vuxna tittare. Traditionell europeisk textning har ofta använt ett lugnare tempo på omkring 12 CPS, medan riktlinjer från programföretag som BBC typiskt motsvarar ungefär 15–17 CPS. En enkel tumregel: multiplicerar du CPS med 10,5 får du ungefär antalet ord per minut. 12 CPS är cirka 125 ord i minuten, 17 CPS ungefär 180, och 20 CPS är ett krävande tempo som bör användas sparsamt.

Den viktiga poängen är att den maximala läshastigheten inte får bli standardmålet. Att konsekvent lägga sig nära den övre gränsen är tröttande och tvingar tittaren att lägga mer uppmärksamhet på att läsa än på videon. Att sikta mot omkring 15–17 CPS lämnar utrymme för snabbare partier i dialogen utan att göra hela upplevelsen onödigt ansträngande. Att läsa undertexter skiljer sig dessutom från att läsa vanlig text: tittaren kan inte sänka tempot, gå tillbaka eller skumma i egen takt, eftersom varje undertext försvinner vid en fast tidpunkt. När undertexterna går för fort hinner tittaren helt enkelt inte läsa klart dem — och då är för hög läshastighet ett funktionellt tillgänglighetsproblem, inte bara en stilfråga.

Formen: två rader, ~42 tecken, inga strandade ord

Den fysiska formen på en undertext är anmärkningsvärt standardiserad:

• Högst två rader per undertext. Undertexter på tre rader täcker för mycket av bilden och tvingar blicken att skanna vertikalt på nytt.
• Högst ~42 tecken per rad för språk med latinsk skrift — Netflix siffra, numera de facto branschnorm. Sändningstraditioner byggda på text-tv använde 37, och många programföretag gör det fortfarande.
• Håll dig till en rad när texten får plats. En andra rad är en nödvändighet, inte ett förval.
• Balansera raderna. När du måste bryta i två rader, sikta på ungefär lika längd. Undvik det ”strandade” ordet — en lång rad med ett ensamt ord under. Där en helt jämn delning inte är möjlig föredras i regel en något kortare övre rad: den håller blocket kompakt och täcker mindre av bilden.

De här gränserna finns av samma skäl som hastighetsgränsen: ögat måste hinna med både texten och bilden under samma sekunder. Korta, förutsägbara former gör den resan snabb.

Radbrytning: följ grammatiken, inte linjalen

Här skiljer sig god textning tydligast från automatisk output. Var en rad bryts betyder lika mycket som hur lång den är, eftersom vi läser text i grammatiska enheter. En brytning mitt i en enhet tvingar hjärnan att hålla en ofullständig struktur öppen över hoppet — en pytteliten ansträngning, multiplicerad med varje undertext i videon.

Regeln: skilj aldrig ord som hör till samma grammatiska enhet.

Håll ihop:

• Artikel + substantiv (en / rapport ✗)
• Preposition + rektion (till / kommitténs ordförande ✗)
• Verb + hjälpverb eller partikel (har / avslutat, ge / upp ✗)
• Förnamn + efternamn, tal + enhet, datum

Dålig brytning (delar prepositionsfrasen):

Hon lämnade rapporten till kommitténs ordförande före omröstningen.

Bra brytning (varje rad är en hel enhet):

Hon lämnade rapporten till kommitténs ordförande före omröstningen.

Dålig brytning (river verbet från objektet):

Efter mötet beslutade vi att skjuta upp lanseringen till våren.

Bra brytning:

Efter mötet beslutade vi att skjuta upp lanseringen till våren.

Lägg märke till att de bra versionerna inte är kortare — de är bara brutna där meningen själv andas. Det är hela principen. När en mening erbjuder ett kommatecken, en satsgräns eller en naturlig paus, bryt där. Linjalen är en begränsning, inte en vägledning.

Timing: när undertexten lever, och luckorna däremellan

Fyra siffror styr undertexternas timing:

• Minsta varaktighet: ~0,8–1 sekund. Även en undertext som bara säger ”Ja.” behöver tid för att upptäckas, fixeras och läsas. Netflix golv är ⅚ sekund (ungefär 833 ms); något kortare registreras som en blinkning.
• Längsta varaktighet: 6–7 sekunder. Därutöver läser tittaren klart, läser om och börjar undra om spelaren har hängt sig. Håller talet på längre, dela upp undertexten.
• Synka mot talets början. Undertexten bör visas när orden inleds — en bråkdel tidigt tolereras, märkbart sent gör det inte, eftersom tittaren hör rösten och tittar ner efter text som ännu inte finns där.
• Lucka mellan på varandra följande undertexter: ~2 bildrutor (80–120 ms). Den här är osynlig och nödvändig. När en undertext byts ut direkt mot nästa utan lucka missar ögat ofta att texten över huvud taget ändrades — särskilt om de två blocken liknar varandra till formen. En blinkning på två bildrutor säger till läsaren: ny text, börja om. Professionell textning lägger in dessa mikroluckor överallt; rå automattextning gör det nästan aldrig.

Och en finess som skiljer arbete av sändningskvalitet från resten: respektera klippen. En undertext som hänger kvar över ett klipp brukar bli omläst — scenen bytte, så hjärnan antar att texten gjorde det också. Där timingen tillåter, avsluta undertexten vid klippet eller låt den löpa en bra bit förbi; låt den inte ligga några enstaka bildrutor tvärs över klippet.

En tanke per undertext

Bortom mekaniken finns segmenteringen: vad som ska ligga i varje block. Principen är att varje undertext ska vara en självständig betydelseenhet — en mening, eller en fullständig sats i en.

• Föredra hela meningar per block. När en mening måste sträcka sig över två block, dela vid en satsgräns och låt det första blocket sluta vid en naturlig paus.
• Dra inte med två eller tre strandade ord in i en ny undertext. Är slutet på en mening så kort, balansera om delningen.
• I dialog: blanda inte slutet på en talares mening med början på en annans i samma block, om du inte medvetet formar en undertext med två talare (med tankstreck).

Dålig segmentering är skälet till att vissa textspår känns oförklarligt tröttsamma även när varje enskilt block är kort: snitten hamnar mitt i tanken, så varje block lämnar läsaren hängande.

Ordagrant eller redigerat? Ett ärligt svar

Verkligt tal är fullt av felstarter, utfyllnadsord och upprepningar: ”Så, öh, jag tror – jag tror att det vi förmodligen borde göra är …” Ska undertexten bära allt det?

Det professionella svaret är: det beror på vad videon ska göra, och det finns en verklig avvägning åt båda håll.

Argumentet för lätt redigering. När talet springer ifrån läshastigheten måste något ge vika, och att trimma bort ”öh”, ”liksom”, felstarter och omedelbara självupprepningar är standardgreppet i professionell textning. Det gör oläsbart tal på 24 CPS till läsbar text på 16 CPS samtidigt som varje ord som bär betydelse står kvar. För marknadsinnehåll, kurser och sociala klipp är detta nästan alltid rätt.

Argumentet för ordagrant. Många döva och hörselskadade tittare föredrar uttryckligen ordagranna undertexter — tvekandet, utfyllnadsorden, sättet någon talar på är en del av det alla andra får genom öronen, och att redigera bort det är en liten grindvaktshandling. För intervjuer där talarens sätt betyder något, för juridiska och arkivmässiga upptagningar, och som tillgänglighetsförval när läshastigheten tillåter, är ordagrant det mer respektfulla valet.

Den oärliga positionen är att låtsas att spänningen inte finns. Det ärliga arbetsflödet är: ordagrant där läshastigheten tillåter, komprimera bara när alternativet är en undertext ingen hinner läsa klart — och ”förbättra” aldrig det någon faktiskt sa.

För döva och hörselskadade tittare: SDH-tilläggen

Vanliga undertexter förutsätter att tittaren hör allt utom språket. SDH (undertexter för döva och hörselskadade) förutsätter att tittaren inte hör något alls, och lägger till:

• Talaridentifiering när den inte är visuellt uppenbar — en röst utanför bild, ett telefonsamtal, överlappande talare: DAVID: Vi måste prata.
• Ljudmarkeringar som betyder något för handlingen: [dörr slår igen], [dämpat gräl i rummet intill], [telefon vibrerar]. Testet är narrativ relevans — texta ljudet handlingen behöver, inte varje omgivande ljud.
• Musiknotation: ♪ för sångtext som sjungs, eller en beskrivning — [spända stråkar byggs upp] — när musiken gör berättande arbete.

Är tillgänglighet en del av skälet till att ni textar — och juridiskt sett är det i allt högre grad det — är SDH-konventionerna miniminivån, inte bonusen. (För den juridiska sidan, se vår guide till tillgänglighetsdirektivet och vad det kräver för video.)

Varför rå automattextning faller på dessa standarder

Inget av ovanstående är exotisk kunskap — så varför bortser de flesta automatiska textningssystem från det? För att taligenkänningsmotorer segmenterar efter pausdetektering, inte efter grammatik eller läshastighet. Motorn hör en sträcka tal, transkriberar den och stämplar hela sträckan som ett block. En trygg talare som inte pausar producerar en vägg på fem sekunder och 120 tecken. Blockgränserna hamnar där talaren andades — mitt i en sats, mitt i ett namn, mitt i ett tal. På varandra följande block stöter rakt in i varandra utan en enda bildrutas lucka. Varje enskilt ord kan vara rätt samtidigt som spåret som helhet i praktiken är oläsbart.

Det är den exakta innebörden av ”korrekt och oanvändbart” — och därför säger ett textspårs procentsats för ordkorrekthet mycket lite om huruvida det fungerar.

Specifikationen i korthet

Professionella undertexter bör normalt hålla sig inom en läshastighet på 15–17 tecken per sekund (CPS), ungefär motsvarande 160–180 ord per minut, med 20 CPS som absolut tak. Varje undertext bör använda en rad där det går och högst två, med maximalt omkring 42 tecken per rad för latinsk skrift. Radbrytningar bör följa naturliga grammatiska gränser, medan varje undertext i regel bör ligga kvar på skärmen i minst 0,8–1 sekund och inte längre än 6–7 sekunder. På varandra följande undertexter bör skiljas av en liten lucka på ungefär två bildrutor, eller 80–120 millisekunder, och undertexter bör undvika att ligga några enstaka bildrutor tvärs över klipp. Segmenteringen bör följa hela meningar eller betydelsebärande satser i stället för att lämna korta, strandade fragment, medan undertexter för döva och hörselskadade (SDH) dessutom bör innehålla talaridentifiering och ljudmarkeringar som är relevanta för att förstå handlingen.

Var Inwista kommer in

Allt ovanstående går att göra för hand. Professionella undertextare har gjort det för hand i decennier — till en verklig kostnad i timmar.

Inwista automatiserar det. Transkriptionen ger dig den korrekta texten, editorn ger dig full manuell kontroll, och Enhance tillämpar den här artikeln med ett klick: den delar upp alltför långa block i läsbara, bryter rader vid grammatiska gränser, lägger in de branschstandardiserade mikroluckorna mellan undertexterna och sänker läshastigheten mot professionell nivå — samtidigt som du behåller sista ordet om varje block. Förinställningar justerar resultatet mot sändnings- eller socialt format.

Med Inwistas gratisplan kan du köra hela arbetsflödet på ditt eget material — ladda upp, transkribera, strukturera, redigera och exportera. Aktuella gränser och plandetaljer hittar du på prissidan.

Testa det på din nästa video →

Vanliga frågor

Vad är CPS i textning? Tecken per sekund — antalet tecken i en undertext (inklusive blanksteg och skiljetecken) delat med hur länge den visas. Det är standardmåttet på läshastighet i undertexter. Professionellt arbete siktar på 15–17 CPS; Netflix tillåter upp till 20 CPS för engelskt vuxeninnehåll.

Hur många tecken bör en undertextrad ha? Högst omkring 42 tecken per rad för språk med latinsk skrift, med maximalt två rader per undertext. Sändningstraditioner med rötter i text-tv använder ofta 37.

Vad är sexsekundersregeln? En klassisk europeisk riktlinje: två fulla undertextrader ska ligga kvar på skärmen i ungefär sex sekunder — vilket motsvarar omkring 12 CPS. Moderna plattformsstandarder tillåter snabbare tempo, men regeln lever vidare som en påminnelse om att bekvämt är långsammare än möjligt.

Bör undertexter vara ordagranna eller redigerade? Båda är legitima. Ordagrant bevarar exakt det som sades och föredras av många döva och hörselskadade tittare; lätt redigering (borttagning av utfyllnadsord och felstarter) är standard när talet annars går för fort för att läsas. Komprimera bara när läshastigheten tvingar fram det, och ändra aldrig innebörden.

Varför känns automatgenererade undertexter svårlästa även när orden är rätt? För att taligenkänningsmotorer segmenterar efter pauser, inte efter grammatik eller läshastighet — vilket ger alltför långa block, brytningar mitt i satser och inga luckor mellan undertexterna. Ordkorrekthet och läsbarhet är två skilda problem.

Vad är den kortaste tid en undertext bör ligga kvar? Omkring 0,8–1 sekund, även för ett enda ord. Netflix golv är ⅚ sekund. Kortare än så läses som en blinkning snarare än som text.

De standarder som anges är de publicerade eller allmänt dokumenterade riktlinjerna från de nämnda plattformarna och programföretagen vid tiden för skrivandet; enskilda stilguider utvecklas, och specifika produktioner kan ställa egna krav.