Textning av video är en av de mest effektiva åtgärderna du kan vidta för att öka räckvidden, förbättra förståelsen och uppfylla lagkrav för ditt videomaterial. Oavsett om du producerar kundvideor, utbildningsfilmer eller webbsändningar behöver du förstå hur processen fungerar, vilka kvalitetskrav som gäller och vad som skiljer en professionell textning från en automatgenererad. Den här guiden ger dig en komplett bild av textning av video, från grundläggande begrepp och filformat till tillgänglighetskrav och praktisk förberedelse inför beställning.
Textning, undertexter och undertextning: vad orden betyder
I svenskan används begreppen textning och undertextning i princip synonymt. Båda syftar på processen att skapa synkroniserad text som visas i bild medan videon spelas upp. Undertexter är resultatet av den processen, alltså de textblock som tittaren ser på skärmen. Det finns ingen etablerad svensk distinktion mellan ”captions” och ”subtitles” på det sätt som finns i amerikansk engelska, där captions inkluderar ljudbeskrivningar och subtitles enbart avser översatt dialog.
Däremot finns en viktig teknisk skillnad som påverkar hur du arbetar med textning. Closed captions är text som tittaren kan slå av och på via videospelarens inställningar. Texten ligger i en separat fil som videospelaren läser in. Inbrända textningar, på engelska open captions, är permanent inbakade i videobilden och kan inte stängas av. Den distinktionen har direkta konsekvenser för hur du planerar och beställer din textning, vilket vi går igenom i nästa avsnitt.
Två grundtyper av textning för video
Separata undertextfiler
Den vanligaste metoden för professionell textning är att leverera texten som en separat fil i SRT- och VTT-format. Filen innehåller textblock med tidkoder som talar om för videospelaren exakt när varje block ska visas och försvinna. Videofilen förblir oförändrad, och du kan koppla flera undertextfiler till samma video, exempelvis en per språk.
En separat undertextfil ger dig flera praktiska fördelar:
- Du kan uppdatera eller korrigera texten utan att rendera om videon.
- Tittaren kan välja att slå av texten helt eller byta språk.
- Skärmläsare och andra hjälpmedel kan komma åt textinnehållet.
- Du kan återanvända samma videofil på olika marknader med olika undertextspår.
Inbränd text i videobilden
Vid inbränd textning renderas texten direkt i videobilden. Resultatet är en enda videofil där texten alltid syns, oavsett vilken plattform eller enhet som spelar upp videon. Det här är vanligt i sociala medier, där videor ofta spelas upp automatiskt utan ljud och där plattformen inte alltid stöder separata textfiler.
Nackdelen är att texten inte går att redigera i efterhand, att du behöver en separat videofil för varje språk och att tittaren inte kan stänga av texten. För längre videor, flerspråkigt material och innehåll som ska uppfylla tillgänglighetskrav är separata undertextfiler nästan alltid det bättre valet. Inbränd text fungerar bäst för korta klipp avsedda för sociala medier där du vill garantera att texten syns i flödet.
Vad textning gör för räckvidd och engagemang
Att texta video är inte bara en tillgänglighetsåtgärd. Det är ett sätt att nå fler tittare och hålla kvar dem längre. En stor del av allt videoinnehåll i sociala medier ses utan ljud, vilket innebär att undertexter ofta är den enda kanal genom vilken ditt budskap når fram.
Forskningen stöder det. Enligt en studie från Verizon och Publicis Media är 80 procent av tittarna mer benägna att se en video till slutet när undertexter finns, och upp till 85 procent av videorna i sociala medier ses utan ljud. Facebooks egen undersökning visar att undertexter ökar tittartiden med i genomsnitt 12 procent. Enligt Discovery Digital Networks fick textade videor i genomsnitt 7 procent fler visningar.
Siffrorna visar att undertexter till video påverkar både räckvidd och engagemang positivt. Effekten är särskilt tydlig i miljöer där ljud inte är tillgängligt, som i kollektivtrafiken, på kontoret eller i sociala medieflöden. För företag som investerar i videoproduktion är textning ett av de mest kostnadseffektiva sätten att öka avkastningen på textning.
Så ser processen ut från video till färdig textfil
Transkribering av ljudet
Det första steget är att omvandla det talade innehållet till text. Transkriberingen kan göras manuellt av en språkprofessionell eller med hjälp av taligenkänning som producerar ett första utkast. I det här skedet skapas en löpande text utan tidkoder, där allt tal återges i skrift. Kvaliteten på transkriberingen avgör kvaliteten på den färdiga textningen.
Komprimering och anpassning
Talat språk går snabbare än normal läshastighet. Därför komprimeras texten: upprepningar och utfyllnadsord utelämnas medan det väsentliga innehållet behålls. Det här är ett av de steg som kräver mest språklig kompetens, eftersom komprimeringen måste bevara talarens avsikt och ton utan att tittaren missar viktig information. Rättesnöret för svensk undertextning är SAOL och Språkrådets Svenska skrivregler.
Tidkodning och radbrytning
Varje textblock tilldelas en starttid och en sluttid som synkroniserar texten med talet i videon. Radbrytningen planeras så att grammatiska enheter hålls ihop, och om det går bör den övre raden vara kortare än den undre. Mellan två textblock ska det vara två till fyra bildrutor, så att tittarens öga registrerar att ett nytt block har dykt upp. Det är i det här steget som undertexter till video får sin rytm och läsbarhet.
Kvalitetskontroll och leverans
Innan leverans granskas textningen mot videon. Kontrollpunkterna inkluderar stavning, synkronisering, läshastighet och att radbrytningar följer etablerade riktlinjer. Den färdiga filen levereras vanligtvis i SRT eller VTT. Om du behöver veta mer om hur du hanterar filerna i praktiken finns en guide om att arbeta med srt-filer.
Kvalitetskrav som avgör om texten går att läsa
En undertext kan vara korrekt stavad och ändå vara omöjlig att läsa. Det som avgör läsbarheten är hur länge texten visas, hur mycket text varje block innehåller och var i bilden den placeras. Medietextarna, en del av Journalistförbundet, publicerade 2020 Riktlinjer för undertextning i Sverige, som beskriver den svenska undertextningstraditionen. De riktlinjerna utgör grunden för professionell svensk textning av video och sammanfattas i tabellen nedan.
| Riktlinje | Rekommendation | Varför det spelar roll |
|---|---|---|
| Antal rader per textblock | En eller två rader | Fler rader täcker för stor del av bilden och gör det svårt att följa handlingen samtidigt som man läser. |
| Exponeringstid en rad | Minst tre sekunder för en fullskriven rad | Kortare tid tvingar tittaren att välja mellan att läsa texten och att titta på bilden. |
| Exponeringstid två rader | Fem till sex sekunder för två fullskrivna rader | Ger tillräckligt med tid för att läsa båda raderna utan stress. |
| Kortaste block | 1,5 till 2 sekunder | Kortare block hinner inte registreras av ögat och skapar en flimrande upplevelse. |
| Längsta block | Sju till åtta sekunder | Längre block får tittaren att tro att texten har frusit, vilket stör läsrytmen. |
| Placering i bild | Längst ner i bild, vänsterställd eller centrerad | Tittarens blick rör sig naturligt mot nederkanten, och konventionen gör att texten inte konkurrerar med visuellt innehåll. |
Utöver exponeringstider och placering finns det ytterligare konventioner som påverkar kvaliteten. Talstreck används i början av varje rad när två personer talar i samma textblock, vilket hjälper tittaren att förstå vem som säger vad. Radbrytningen ska hålla ihop grammatiska enheter så att en mening inte bryts mitt i en fras. Dessa detaljer kan verka små, men de utgör skillnaden mellan en textning som tittaren knappt märker och en som ständigt stör.
Automatiska verktyg genererar text och tidkoder men tillämpar sällan dessa kvalitetskrav. De producerar ett rått utkast som behöver bearbetas av en människa som förstår läshastighet, komprimering och den svenska undertextningstraditionen. Det är i den bearbetningen som texten går från maskinellt transkript till professionell undertext.
Textning på flera språk: från svensk textning till global räckvidd
Flerspråkig textning börjar alltid med en färdig källtext, vanligtvis den svenska transkriberingen. Från den källtexten översätts innehållet till målspråken, och tidkoderna justeras vid behov. Olika språk har olika ordlängd och meningsstruktur, vilket innebär att en tysk undertext ofta blir längre än den svenska originaltexten. Den så kallade teckenexpansionen kan göra att ett textblock som fungerar på svenska blir för långt för att läsas bekvämt på tyska inom samma tidsintervall.
Varje språk har också sin egen läshastighet, och en professionell översättare anpassar komprimeringen efter målspråkets normer. Att hålla terminologin konsekvent över flera språk kräver en ordlista eller termbank, särskilt om videon innehåller branschspecifika begrepp. Utan en sådan lista riskerar du att samma produkt eller tjänst benämns olika i olika språkversioner, vilket förvirrar tittaren. Textning av film för internationell distribution kräver alltså mer än en rak översättning. Det kräver lokalisering, där både språk och kulturell kontext beaktas.
Textning för tillgänglighet och lagkrav
Tillgänglig textning skiljer sig från vanlig undertextning genom att den inte bara återger tal utan också identifierar vem som talar och beskriver meningsbärande ljud. Om en dörr slår igen, en telefon ringer eller musik skapar stämning i en scen ska det framgå av texten. Det gör innehållet begripligt för tittare som inte kan höra ljudet.
Lagkrav på tillgänglig textning finns redan för offentlig sektor genom DOS-lagen, och EU:s tillgänglighetsdirektiv har sedan juni 2025 utvidgat kraven till att omfatta även privata aktörer inom vissa sektorer. I Sverige har direktivet införlivats som lag (2023:254). I praktiken innebär det att allt nytt videoinnehåll som publiceras digitalt bör ha tillgängliga undertexter. Kraven bygger på WCAG, som bland annat specificerar att förinspelad video med ljud ska ha synkroniserad textning.
Att uppfylla dessa krav handlar inte om att lägga till text i efterhand. Det handlar om att redan i planeringsstadiet bestämma att videon ska textas tillgängligt, och att anlita någon som kan skillnaden mellan vanlig och tillgänglig textning.
Automatisk textning: vad den klarar och var den brister
Modern taligenkänning kan producera ett första textutkast på några minuter, även för längre videor. Under goda förhållanden, med tydligt tal och lite bakgrundsljud, når AI-genererade undertexter en träffsäkerhet på ungefär 90 procent. Det innebär att ungefär vart tionde ord kan vara felaktigt, sakna interpunktion eller ha fel radbrytning.
För internt bruk, som mötesanteckningar eller snabba genomgångar, kan det räcka. Men för publicerat material, kundkommunikation eller innehåll som ska uppfylla tillgänglighetskrav krävs betydligt högre precision. Automatiska verktyg missar regelmässigt egennamn, branschtermer och dialektala uttryck. De hanterar inte heller komprimering, det vill säga konsten att korta ner talat språk till läsbar text utan att tappa innehåll.
Den mest effektiva arbetsmodellen kombinerar taligenkänning med mänsklig granskning. Maskinen skapar ett snabbt utkast, och en språkprofessionell korrigerar, komprimerar och tidkodar texten enligt de kvalitetskrav som gäller för svensk textning. På så sätt sparar du tid utan att tumma på kvaliteten.
Så förbereder du materialet före beställning
Hur väl du förbereder ditt material påverkar både kvaliteten på den färdiga textningen och hur snabbt den kan levereras. En tydlig briefing minskar antalet frågor och korrigeringsrundor. Innan du skickar iväg din video bör du gå igenom följande punkter:
- Se till att videon är i sin slutgiltiga version. Textning av en video som sedan redigeras om innebär att hela arbetet måste göras på nytt.
- Bifoga manus eller talarlista om sådant finns. Det förbättrar träffsäkerheten avsevärt, särskilt för egennamn och facktermer.
- Ange vilka språk textningen ska levereras på och om du vill ha samspråkig textning, översatt textning eller bådadera.
- Specificera om du behöver tillgänglig textning med talaridentifiering och ljudbeskrivningar.
- Beskriv var videon ska publiceras, eftersom det påverkar valet av filformat och om texten ska brännas in eller levereras som separat fil.
- Sammanställ en kort ordlista med företagsspecifika termer, produktnamn och förkortningar som textaren behöver känna till.
En enkel förberedelse som tar en kvart kan spara flera dagars väntan på korrigeringar. Tänk på det som en investering i slutresultatet. Om du vill ha mer detaljerad vägledning finns en guide om hur du kan beställa undertextning för företagsvideor.
Vanliga frågor om textning av video
Hur lång tid tar textning av en video?
Det beror på videons längd, antal talare och om texten ska översättas till andra språk. En samspråkig textning av en kortare video kan vara klar inom några arbetsdagar. Flerspråkig textning eller tillgänglig textning med ljudbeskrivningar tar längre tid. Manuell tidkodning är det mest tidskrävande momentet i processen, och det är det steget som avgör den slutliga leveranstiden.
Kan jag texta videon själv?
Ja, det är tekniskt möjligt att göra undertexter själv. Du behöver dock räkna med att det tar betydligt längre tid än du förväntar dig, särskilt om du vill uppnå professionell kvalitet med korrekt komprimering, radbrytning och exponeringstider. För enstaka interna videor kan det fungera, men för publicerat material lönar det sig att anlita en professionell undertextare.
Vilket filformat ska jag be om?
SRT är det vanligaste undertextformatet och innehåller text och tidkoder. Det stöds av i princip alla videospelare och plattformar. VTT är nyare och kan bära information om utseende och placering, vilket gör det mer flexibelt för webbpublicering. Om du är osäker är SRT det säkra valet. Vill du veta mer om skillnaderna finns en fördjupning om SRT- och VTT-format.
Behöver interna videor textas?
Lagkraven gäller i första hand externt publicerat material, men det finns starka skäl att texta även interna videor. Medarbetare tittar ofta på utbildningsfilmer och informationsvideor i miljöer där ljud inte är möjligt. Dessutom kan du ha kollegor med hörselnedsättning eller kollegor som inte har det aktuella språket som modersmål. Textning gör innehållet tillgängligt för alla i organisationen.
Professionell textning av video med Spoken
Spoken är ett nordiskt språk- och medieföretag som kombinerar erfarna språkprofessionella med modern taligenkänning. Alla projekt granskas och färdigställs av människor, även när AI används som verktyg i processen. Vi levererar professionell undertextning i SRT, VTT eller som inbränd text, på svenska, finska, engelska, danska, norska, tyska och nederländska. Våra lingvister är modersmålstalare i respektive språk, vilket säkerställer att textningen inte bara är språkligt korrekt utan också kulturellt anpassad.
Prissättningen baseras på videons längd och innehåller inga dolda kostnader. Vill du veta mer om vad undertextning kostar finns en prisguide. All bearbetning sker i vårt eget slutna system, vilket innebär att dina filer hanteras GDPR-säkert och att alla projekt är konfidentiella. Behöver du textning av video för ditt företag eller din organisation? Kontakta oss så skickar vi en offert inom 24 timmar.
