Tillgängliga undertexter gör mer än att återge vad som sägs i en video. De förmedlar vem som talar, vilka ljud som hörs och hur allt hänger ihop med det visuella. För personer med hörselnedsättning, och för alla som tittar utan ljud, är dessa detaljer avgörande för att förstå innehållet fullt ut.
I den här artikeln går vi igenom vad tillgängliga undertexter behöver innehålla utöver dialog, hur talaridentifiering och ljudeffekter stärker förståelsen, och varför synkronisering spelar en central roll. Du får också en praktisk checklista för kvalitetskontroll och svar på vanliga frågor. Om du vill ha en bredare bakgrund kan du börja med vår guide till digital tillgänglighet.
Vad tillgängliga undertexter måste förmedla utöver dialog
Tillgänglig textning, ibland kallad captions eller textning för hörselskadade, skiljer sig från vanliga undertexter genom att den inkluderar information som en hörande tittare tar till sig via ljudspåret. Enligt WCAG 2 (kriterium 1.2.2) ska captions inte bara återge dialog utan även identifiera talare och beskriva icke-verbal ljudinformation som är betydelsebärande för innehållet.
I praktiken innebär det att undertexterna behöver förmedla flera typer av information utöver det talade ordet:
- Vem som talar, när det inte framgår av bilden
- Relevant musik eller musikaliska stämningar som påverkar scenen
- Larm, varningssignaler och andra ljud som driver handlingen framåt
- Skratt, applåder och publikreaktioner
- Tal som kommer från en person utanför bild
- Miljöljud som bär betydelse, exempelvis en dörr som slås igen eller fotsteg som närmar sig
- Byte av talat språk
En vanlig missuppfattning är att varje bakgrundsljud måste beskrivas. Så är det inte. Principen är att undertexterna ska innehålla den icke-verbala information som bidrar till förståelsen av innehållet. Om ett ljud varken påverkar handlingen eller stämningen behöver det inte finnas med. En fågel som kvittrar i bakgrunden i en kontorsscen tillför sällan något, men en brandlarmsignal mitt i ett möte förändrar hela sammanhanget.
Här är ett exempel som visar skillnaden. En bristfällig undertext kan se ut så här:
”Vi måste evakuera.”
En förbättrad, tillgänglig version förmedlar mer:
[Brandlarm ljuder] [Maria] Vi måste evakuera.
Den förbättrade versionen ger tittaren samma förutsättningar att förstå situationens allvar, oavsett om ljudet hörs eller inte.
Hur talaridentifiering och ljudeffekter stärker förståelsen
Talaridentifiering är en av de mest grundläggande delarna i tillgängliga undertexter. När flera personer samtalar, eller när någon talar utanför bild, behöver tittaren veta vem som säger vad. Utan den informationen blir dialogen svår att följa, särskilt i scener med snabba replikskiften.
Så fungerar talaridentifiering i praktiken
Det finns flera etablerade metoder för att identifiera talare. Den vanligaste är att ange talarens namn inom hakparentes före repliken. Om talarens namn ännu inte har avslöjats i handlingen använder man en neutral beskrivning, exempelvis [kvinna] eller [manlig röst], för att inte avslöja information som tittaren inte ska ha.
Jämför dessa två versioner av samma scen i en dokumentärfilm med intervjuer:
Bristfällig: ”Projektet tog tre år.” ”Nej, det var närmare fem.”
Förbättrad: [Erik] Projektet tog tre år. [Sara, utanför bild] Nej, det var närmare fem.
I den förbättrade versionen förstår tittaren omedelbart att det rör sig om två olika personer och att Sara inte syns i bild. Denna typ av tydlighet gör stor skillnad i längre videor med flera deltagare.
Ljudeffekter som bär betydelse
Ljudeffekter i undertexter beskrivs vanligtvis inom hakparentes. Beskrivningen ska vara kort och i presens, exempelvis [dörr slår igen] eller [telefon ringer]. Branschriktlinjer, bland annat från DCMP och BBC, betonar att ljudet ska beskrivas specifikt snarare än vagt. Skriv [glas krossas] i stället för [högt ljud].
Ljud som kommer från en källa utanför bild bör markeras tydligt, till exempel genom kursiv stil, så att tittaren förstår att ljudkällan inte syns. Om ljudkällan däremot är tydligt synlig i bild behöver den inte beskrivas separat.
Tänk på denna scen i en utbildningsvideo:
Bristfällig: ”Öppna ventilen försiktigt.”
Förbättrad: [Instruktör] Öppna ventilen försiktigt. [väsande ljud från rör]
Det väsande ljudet signalerar att något händer med röret, vilket kan vara avgörande för att förstå nästa steg i instruktionen.
Synkronisering: när undertexten visas och försvinner
Synkroniserade undertexter innebär att texten visas i samma ögonblick som motsvarande ljud hörs och försvinner när ljudet upphör. Om undertexten kommer för sent skapas förvirring. Om den visas för tidigt avslöjas information innan talaren hinner säga den. Båda fallen försämrar tittarupplevelsen avsevärt.
Tidsgränser och läshastighet
Etablerade riktlinjer anger att varje textblock bör visas i minst en sekund och högst sex sekunder, med två till tre sekunder som en bra utgångspunkt för de flesta innehållstyper. Läshastigheten bör ligga runt 160 till 180 ord per minut för vuxna tittare, och lägre, omkring 120 till 130 ord per minut, för innehåll riktat till barn eller pedagogiska sammanhang.
Enligt Mediemyndigheten i Sverige ska tillgänglighetstjänster som undertexter vara synkroniserade med ljud och video. Det innebär att texten ska följa talet med en avvikelse på högst ett par hundra millisekunder.
Mellanrummet mellan två på varandra följande textblock bör vara minst 1,5 sekunder. Kortare mellanrum skapar ett flimrande intryck som stör läsningen och gör det svårare att uppfatta när ett nytt textblock börjar.
Vanliga synkroniseringsproblem
Tre typiska fel att vara uppmärksam på:
- Fördröjd text som visas efter att talet redan har passerat, vilket skapar en känsla av att undertexten ”halkar efter”
- Förtidig text som avslöjar repliker innan de uttalas och bryter innehållets naturliga flöde
- Snabbt flimmer där textblock byter för fort, vilket orsakar visuell stress och försvårar läsningen
Alla dessa problem kan undvikas genom noggrann tidskodning och kvalitetskontroll, något som kräver mänsklig granskning även när AI-verktyg används för att skapa ett första utkast. Vill du testa hur automatisk textning fungerar som utgångspunkt kan du prova våra AI-undertexter, som alltid kan kompletteras med manuell granskning av språkproffs.
Checklista för kvalitetskontroll av tillgängliga undertexter
Kvalitetskontroll av tillgängliga undertexter handlar om att systematiskt granska fyra områden: korrekthet, synkronisering, fullständighet och placering. Dessa fyra pelare återkommer i internationella riktlinjer, bland annat från DCMP:s Captioning Key, och fungerar som en praktisk ram för granskning.
Använd följande checklista innan du publicerar:
- Kontrollera att all dialog återges korrekt, inklusive namn, facktermer och siffror
- Verifiera att alla talare identifieras tydligt när det inte framgår av bilden
- Granska att betydelsebärande ljudeffekter, musik och miljöljud finns med
- Testa synkroniseringen genom att spela upp videon och kontrollera att text och ljud följs åt
- Säkerställ att textblocken visas tillräckligt länge för att läsas i sin helhet
- Kontrollera att undertexterna inte skymmer viktigt visuellt innehåll som ansikten eller annan text
- Verifiera att formateringen är konsekvent genom hela videon, med enhetlig stil för hakparenteser, kursiv och talarnamn
Automatiska valideringsverktyg kan fånga tekniska fel som felaktiga tidskoder eller överlappande textblock. Men innehållsmässig granskning, som att bedöma om rätt ljudeffekter har inkluderats eller om talaridentifieringen är korrekt, kräver mänsklig bedömning. Det mest tillförlitliga resultatet uppnås genom att kombinera automatisk validering med manuell granskning av en erfaren undertextare.
Dokumentera också din kvalitetsprocess. Om din organisation omfattas av det europeiska tillgänglighetsdirektivet, som trädde i kraft i Sverige den 28 juni 2025, kan tillsynsmyndigheter vilja se att ni har tillämpat en medveten och konsekvent standard.
Vanliga frågor om tillgängliga undertexter
Vilka krav ställer lagen på tillgängliga undertexter i Sverige?
Det europeiska tillgänglighetsdirektivet, implementerat i svensk lag (lag 2023:254), kräver att digitala tjänster och produkter ska vara tillgängliga. Undertexter ska vara korrekta och synkroniserade med ljud och video. Standarden EN 301 549, som i stor utsträckning bygger på WCAG 2.1, är den tekniska referenspunkten. Mikroföretag med färre än tio anställda och en omsättning under två miljoner euro är undantagna.
Måste varje ljud beskrivas i undertexterna?
Nej. Bara ljud som bidrar till förståelsen av innehållet behöver inkluderas. Om ett bakgrundsljud varken påverkar handlingen eller stämningen kan det utelämnas. Fokusera på ljud som en hörande tittare skulle reagera på och som påverkar hur scenen uppfattas.
Vad är skillnaden mellan vanliga undertexter och tillgängliga undertexter?
Vanliga undertexter återger enbart det talade ordet, ofta som en översättning till ett annat språk. Tillgängliga undertexter, eller captions, inkluderar dessutom talaridentifiering, beskrivningar av betydelsebärande ljud, musikbeskrivningar och andra icke-verbala element som behövs för att förstå innehållet utan att höra ljudet.
Räcker automatiskt genererade undertexter för att uppfylla tillgänglighetskraven?
Automatiska undertexter kan vara en bra utgångspunkt, men de saknar ofta talaridentifiering och beskrivningar av ljudeffekter. De kan också innehålla fel, särskilt vid namn, facktermer och dialekt. Mänsklig granskning och redigering behövs för att uppnå den korrekthet och fullständighet som tillgänglighetskraven förutsätter.
Vilken läshastighet bör tillgängliga undertexter ha?
Riktlinjer från flera internationella organisationer anger 160 till 180 ord per minut som lämplig hastighet för vuxna tittare. För barn och pedagogiskt innehåll rekommenderas 120 till 130 ord per minut. Varje textblock bör visas i minst en sekund och mellanrummet mellan blocken bör vara minst 1,5 sekunder.
Behöver du professionell undertextning som uppfyller tillgänglighetskraven? Kontakta oss så skickar vi en offert inom 24 timmar.
