CapCutUndertexter som verkligen går att läsa i stående format: tecken per rad, CPS och minsta varaktighet per cue
Teamet på AiToolsForAppsSkriven med AI-stöd16 min läsningSammanfattning
- AI:n misslyckas inte längre med vad som sägs, den misslyckas med hur det delas upp: transkriptionen får orden rätt och lämnar kilometerlånga rader, cues på en halv sekund och block med tre rader över ansiktet.
- BBC:s Subtitle Guidelines (version 1.2.5, mars 2026) fastställer motsvarigheten i stående format: det som är 37 tecken per rad i 16:9 blir ungefär 25 tecken i 9:16.
- Läshastighet: BBC rekommenderar 160–180 ord per minut och minst 0,3 sekunder per ord; Netflix tillåter upp till 20 CPS för vuxna och 17 CPS för barninnehåll. För stående format är 12–17 CPS det bekväma spannet.
- Varaktighet per cue: Netflix kräver minst 20 bildrutor (4/5 sekund) och ett minsta glapp på 2 bildrutor; BBC ber om att glappet, om det finns en paus, ska vara minst en sekund.
- Sedan den 28 juni 2025 är European Accessibility Act tillämplig, och i Spanien genomförs den genom Ley 11/2023: undertexter har slutat vara ett marknadsföringstillägg.
Redigerar du stående video har 2026 gett dig den enkla delen av textningen och lämnat den svåra orörd. Den automatiska transkriptionen är redan bra; uppdelningen är fortfarande ett hantverk. Den här artikeln samlar läsbarhetsreglerna som broadcasters och plattformar använder, översätter dem till 9:16-formatet och förklarar hur du granskar en .srt innan du importerar den till din redigerare. I slutet ser du var aiCapCut passar in, AiToolsForApps-verktyget för att generera och dela upp SRT-undertexter på nytt för stående video utan att röra tidslinjen.

Automatiska undertexter får orden rätt och uppdelningen fel
Taligenkänningen löser transkriptionen; uppdelningen – var varje cue börjar och slutar, var raden bryts, hur länge den står kvar på skärmen – är ett redaktionellt beslut som ingen motor fattar åt dig. Därför kan en automatisk undertext ha 100 % rätt ord och ändå vara oläslig.
De tre felen som återkommer gång på gång i stående format:
- För långa rader. Motorn delar upp efter ljudpaus, inte efter ruta. I 9:16 flödar en mening som rymdes bekvämt i liggande format över eller krymper till en oläslig teckenstorlek.
- För korta cues. Ett ensamt utfyllnadsord ("alltså", "okej") ger en cue på 300 millisekunder som blinkar förbi och inte ens ger tid att fästa blicken.
- Tre eller fyra staplade rader. Blocket växer uppåt och täcker till slut precis det tittaren behöver se: talarens mun.
BBC:s guide säger det rakt ut i sitt avsnitt om placering: i stående video bör undertexterna flyttas upp något, men hållas i den nedre tredjedelen, "eftersom ansikten oftast befinner sig i den övre halvan av skärmen och att placera undertexterna längst ner gör det svårt att läsa texten och se personen som talar".

I stående format ryms ungefär 25 tecken per rad, inte 37 eller 42
BBC ger den exakta motsvarigheten: "motsvarigheten till 37 tecken i en region på 75 % av bredden i en 16:9-video är 25 tecken i en region på 90 % av bredden i en 9:16-video". Det vill säga att stående format tar bort ungefär en tredjedel av texten per rad jämfört med sändningsstandarden.
Varifrån siffrorna som cirkulerar kommer:
- 37 tecken är en text-tv-gräns: av de 40 byte som finns per rad går minst 3 åt till styrkoder, så 37 användbara positioner återstår. Det är ett infrastrukturtal, inte ett fysiologiskt.
- 42 tecken per rad är taket i Netflix English Timed Text Style Guide, avsett för stor skärm och proportionellt typsnitt.
- 25 tecken är den ärliga översättningen av de taken till 9:16, enligt BBC:s egen guide.
Samma guide varnar för något man bör komma ihåg: att styra längden enbart med en teckenräknare "är en grov metod som inte tar hänsyn till bredden på varje bokstav eller typsnittet". En rad på 30 tecken full av m och w tar mer plats än en på 34 med i och l. Räknaren är ett bra skyddsräcke, inte en garanti: kontrollera resultatet på skärmen.
I praktiken fungerar det bra för stående sociala videor att sätta maxvärdet mellan 28 och 34 tecken per rad och gå ner till 18–22 om du ska använda enradiga undertexter i karaokestil.
Två rader är det praktiska taket i sociala medier, även om BBC tillåter tre i stående format
Här finns en verklig skillnad som är bra att känna till. Avsnitt 3.3 i BBC:s guide rekommenderar högst två rader för liggande eller kvadratisk video (16:9, 4:3, 1:1) och tre rader för stående video (9:16), eftersom bildrutan är högre. I sociala videor blir den tredje raden dock nästan alltid dyr.
Skälet är att den användbara höjden i en 9:16 i sociala medier inte är filens höjd: appens gränssnitt, beskrivningstexten, sidoknapparna och det nedre fältet tar upp en del av bilden, och undertextblocket växer uppåt, mot ansiktet. BBC nyanserar själva sitt tillstånd: extra rader kan användas "om du är säker på att ingen viktig information i bilden döljs", och i avsnittet om kumulativa undertexter insisterar de på att inte använda dem om de skulle täcka munnar eller andra relevanta visuella element.
Den praktiska slutsatsen: sätt taket vid 2 rader och behandla den tredje som ett motiverat undantag, inte som en standardlösning. Om det inte ryms på två rader om 30 tecken är problemet inte antalet rader: den cuen borde vara två cues.
För radbrytningen ber BBC om brytning vid logiska punkter – helst vid ett skiljetecken – och, om det inte går att undvika, att inte skilja artikel och substantiv, preposition och dess fras, konjunktion och frasen den inleder, pronomen och verb eller delarna av ett sammansatt verb. Att dela ett ord på mitten är det värsta du kan göra mot läsningen.
12–17 CPS är det bekväma spannet för läshastighet i stående format
Läshastigheten mäts i tecken per sekund (CPS): du delar tecknen i en cue med dess varaktighet. Om en cue på 45 tecken varar 2 sekunder går den i 22,5 CPS och är för snabb för att läsas helt samtidigt som man tittar på bilden.
De publicerade referenserna:
| Referens | Hastighet | Dokument och datum |
|---|---|---|
| BBC | 160–180 ord/minut; minst ~0,3 s per ord (1,2 s för en undertext på 4 ord) | Subtitle Guidelines v1.2.5, mars 2026 |
| Netflix (vuxna) | Upp till 20 CPS | English Timed Text Style Guide |
| Netflix (barn) | Upp till 17 CPS | English Timed Text Style Guide |
Taken är avsedda för någon som sitter framför en skärm med uppmärksamheten på filmen. Stående video konsumeras stående, i rörelse, med skärmen en halv meter bort och i konkurrens med resten av flödet. Därför är den förnuftiga rekommendationen för 9:16 att ligga tydligt under Netflix tak: mellan 12 och 17 CPS, med 15 som utgångspunkt och 12 om din publik är bred eller ordförrådet tekniskt.
Se upp med hur parametern beter sig: CPS förlänger inte ljudet, den avgör hur mycket text som får rymmas i en cue. Att gå ner från 17 till 12 CPS gör inte videon långsammare; det tvingar dig att skära tidigare och skapa fler cues.
Varje cue behöver ett minimum, ett maximum och ett rent glapp
Tre tidsparametrar avgör om en undertext går att läsa eller bara blinkar: minsta varaktighet per cue, längsta varaktighet och glappet mellan på varandra följande cues. De två mest citerade referenserna stämmer inte överens, och skillnaden har en förklaring.

| Parameter | BBC (Subtitle Guidelines v1.2.5, mars 2026) | Netflix (Subtitle Timing Guidelines) | Utgångsvärde i stående format |
|---|---|---|---|
| Minsta varaktighet per cue | ~0,3 s per ord (1,2 s för 4 ord) | 20 bildrutor, alltså 4/5 sekund | 0,8–1 s |
| Längsta varaktighet per cue | Anger inget numeriskt tak; ber om att undertexten inte ska stå kvar på skärmen efter att talet har slutat, eftersom den då läses om | Anger inget tak; ber om "gott omdöme" så att den inte blir evig | 4–6 s |
| Glapp mellan cues | Om det finns en paus, minst 1 s, helst 1,5 s | Minst 2 bildrutor; glapp på 3 till 11 bildrutor stängs till 2; antingen 2 bildrutor eller en halv sekund eller mer | 0,05–0,1 s mellan sammanlänkade cues |
| Ingång i förhållande till ljudet | Ska sammanfalla med början på talet | På den första bildrutan med ljud eller 1–2 bildrutor från den | Första bildrutan med ljud |
| Utgång i förhållande till ljudet | Sammanfaller ungefär med slutet på talsegmentet | Helst minst en halv sekund efter att ljudet har slutat | Slutet på talet + kort marginal |
Den uppenbara motsägelsen i fråga om glappet förstås när man läser det finstilta. Netflix reglerar det tekniska glappet mellan sammanlänkade cues: två bildrutor, så att ögat märker bytet utan att skärmen blinkar; och förbjuder uttryckligen de mellanliggande glappen (3–11 bildrutor), som är de som ger den nervösa effekten. BBC reglerar det redaktionella glappet: om det finns en verklig paus i talet och du bestämmer dig för att lämna skärmen ren måste den pausen vara minst en sekund, eftersom "allt kortare ger en mycket hackig effekt".
Översatt till din .srt: mellan cues som följer direkt på varandra, lämna ett litet och konstant glapp (i storleksordningen 50–100 ms). Om du ska lämna en synlig tystnad, låt den vara riktigt lång.
BBC lägger till en regel som ofta glöms: håll varaktigheterna konsekventa. Om du ger en undertext av en viss längd 3 sekunder, ge inte nästa av liknande längd 4. Ojämnheten tröttar mer än hastigheten.
I 9:16 hör undertexten hemma i den nedre tredjedelen, inte allra längst ner
Placeringen är den andra läsbarhetsfaktorn, och i stående format skiljer den sig från tv-standarden. BBC:s guide rekommenderar för 9:16 att blocket flyttas något ovanför den nedre kanten men hålls i skärmens nedre tredjedel: längst ner täcks det av gränssnittet, och för högt upp täcker det ansiktet.

Storleken är också annorlunda. BBC fastställer radhöjden till 7–8 % av videons höjd för 16:9, 4:3 och 1:1, och till 3,9–4,5 % för 9:16. Det är logiskt: i stående format är bildrutans höjd proportionellt mycket större, så en lägre procentsats ger en jämförbar teckenstorlek.
Två praktiska följder:
- Lämna sidomarginal och bottenmarginal. BBC:s onlineguide talar om att ta upp till 90 % av bredden i 9:16; de återstående 10 % är din buffert mot kanterna.
- Kontrollera zonen som varje nätverk täcker. Sidoknapparna, beskrivningen och navigeringsfältet i varje app tar olika delar av bilden. Det som läses perfekt i din förhandsvisning kan hamna halvt dolt i flödet.
Så granskar och delar du upp en .srt på nytt innan du importerar den
En .srt är ren text och kan granskas innan du rör redigeraren. Granskningsordningen som fungerar är: först filens giltighet, sedan läsbarheten i varje cue och först sist stilen.
En välformad cue ser ut så här:
12
00:00:21,480 --> 00:00:24,120
Det som AI:n inte avgör åt dig
är var meningen ska brytas.
Formatgranskning (det som stoppar importen):
- Löpande numrering från 1, utan hopp.
- Millisekunder åtskilda med komma, inte med punkt:
00:00:21,480. Punkten tillhör WebVTT, inte SRT. - Konsekventa radbrytningar (CRLF) och en tom rad mellan cues.
- Strikt växande tider och utan överlappning: en cues slut får aldrig ligga efter nästa cues början.
Läsbarhetsgranskning (det som stör läsningen):
- Ingen cue över ditt maximum för tecken per rad.
- Ingen cue med fler än 2 rader.
- Ingen cue över ditt tak för CPS:
tecken ÷ (slut − start). - Ingen cue under minsta varaktighet eller över den längsta.
- Små och konstanta glapp mellan sammanlänkade cues.
- Radbrytningar vid logiska punkter, utan att skilja artikel och substantiv eller dela ord.
Redaktionell granskning (det som skiljer en bra undertext):
- Varje cue helst en mening eller en fullständig betydelseenhet.
- Redigera i stället för att transkribera ordagrant när det inte ryms: bort med utfyllnadsord, upprepningar och felstarter.
- Kontrollera egennamn, siffror och facktermer, som är precis där taligenkänningen tar fel.
Det operativa tricket är att inte skriva om för hand: dela upp på nytt. Om du behåller tidsmarkeringarna ord för ord från transkriptionen tar det sekunder att ändra maximum för tecken eller CPS och generera om filen; att rätta cue för cue tar en eftermiddag.
Vad som förändras (och inte) med CapCuts AI i november 2026
Aktualiteten förstärker argumentet i stället för att montera ner det: AI:n har automatiserat transkriptionen, inte omdömet. Den 11 november 2026 publicerades CapCut-version 20.1.0 för Android, och CapCuts egen sida om den senaste APK-versionen beskriver ett tal-till-text-verktyg med AI som "automatiskt transkriberar tal till exakta undertexter".
Samma dag presenterade ByteDance på México Tech Week 2026 CapCut PC med Omni Agent, en skrivbordsagent som samordnar hela produktionsflöden utifrån en idé, med underagenter som Video Studio och Design Studio och en EditPilot som omvandlar instruktioner på naturligt språk till redigeringar i flera lager på tidslinjen, enligt reportaget från evenemanget som publicerades av La Crónica de Hoy den 11 november 2026. Själva presentationen ramade in AI:n som "skalningsmotor" och det mänskliga omdömet som "strategisk kontroll".
Det är exakt den arbetsfördelning som den här artikeln beskriver. Maskinen ger dig orden och tidsmarkeringarna. Maximum för tecken, antal rader, CPS, minsta varaktighet och glapp avgör du, eftersom de beror på publiken, språket och bildutsnittet. Kort sagt: transkriptionen är redan gratis; uppdelningen är fortfarande din.
Undertexter är numera ett lagkrav, inte bara god praxis
Sedan den 28 juni 2025 är direktiv (EU) 2019/882 tillämpligt, European Accessibility Act, som utvidgar tillgänglighetskrav till digitala konsumentprodukter och konsumenttjänster. I Spanien genomförs det genom Ley 11/2023, av den 8 maj, publicerad i BOE, vars skyldigheter är gällande från samma datum; mikroföretag är undantagna från skyldigheten att följa lagen.
Den tekniska referensramen för att visa överensstämmelse är den harmoniserade standarden EN 301 549, som översätter "tillgänglig" till kontrollerbara krav.
Därtill kommer argumentet om räckvidd, som har varit dokumenterat i flera år: i en studie av Verizon Media och Publicis Media med 5 616 amerikanska vuxna i åldern 18 till 54 år, genomförd i april 2019 och återgiven av Forbes den 31 juli 2019, uppgav 69 % att de tittar på video utan ljud på offentliga platser och 80 % sa att de var mer benägna att se klart en video om den hade undertexter. Det är data från 2019 och från USA, så de bör läsas som en storleksordning, inte som en mätning av din publik.
Följden är dubbel: en oläslig undertext är inte bara störande, den strider också mot regelns anda. Och läsbarhet deklareras inte: den mäts med parametrarna i den här artikeln.
Det finns ingen officiell standard för undertextning av stående video
I dag finns det ingen särskild standard för undertextning i 9:16 som är jämförbar med sändningsguiderna. Det som ligger närmast är BBC:s anpassning av befintliga standarder i version 1.2.5 och lokaliseringsbranschens arbete.
Redan i november 2019 påpekade Belén Agulló García i en analys publicerad av Nimdzi att "det finns ännu ingen standard för tecken per rad i stående videor" och föreslog att man utgår från BBC:s gräns, håller sig till högst en eller två rader, fastställer en säker zon så att texten inte klipps på olika skärmar och redigerar texten – tar bort upprepningar och utfyllnadsord – i stället för att transkribera ordagrant när utrymmet blir trångt.
Sju år senare gäller diagnosen fortfarande, med en skillnad: BBC har nu uttrycklig vägledning för 9:16 (storlek, placering och antal rader). Så länge det inte finns mer är den rimliga praxisen den som den här tabellen sammanfattar:
| Parameter | Arbetsvärde i 9:16 | Ursprung |
|---|---|---|
| Tecken per rad | 28–34 (18–22 på en enda rad) | BBC:s motsvarighet 37 → 25 tecken, justerad till typsnitt i sociala medier |
| Rader per cue | 2 som tak | BBC tillåter 3 i 9:16; minskas till 2 på grund av gränssnittet och ansiktet |
| Läshastighet | 12–17 CPS | Under Netflix 20 CPS för vuxna |
| Minsta varaktighet | 0,8–1 s | BBC ~0,3 s/ord; Netflix 20 bildrutor |
| Längsta varaktighet | 4–6 s | Undvik omläsningen som BBC varnar för |
| Glapp mellan cues | 0,05–0,1 s sammanlänkade; ≥1 s vid verklig paus | Netflix 2 bildrutor; BBC 1 s minimum vid paus |
| Placering | Nedre tredjedelen, uppflyttad från kanten | BBC, avsnittet om vertikal placering |
| Radhöjd | 3,9–4,5 % av videons höjd | BBC, teckenstorlek vid skapande |
Vanliga frågor
Hur många tecken per rad bör en undertext ha i stående video?
Mellan 28 och 34 tecken fungerar bra i 9:16. Referensen är BBC:s motsvarighet: 37 tecken i en 16:9 motsvarar ungefär 25 i en 9:16 med 90 % av bredden. Om du använder stora enradiga undertexter, gå ner till 18–22.
Vad är CPS i undertexter och vilket är rätt värde?
CPS är de tecken per sekund som tittaren måste läsa: cuens tecken delat med dess varaktighet. Netflix tillåter upp till 20 CPS i innehåll för vuxna och 17 i barninnehåll; för stående video i sociala medier är 12–17 CPS det bekväma spannet, med 15 som utgångspunkt.
Hur länge ska en undertext minst vara kvar?
Netflix kräver minst 20 bildrutor, alltså 4/5 sekund. BBC ser det per ord: ungefär 0,3 sekunder per ord, 1,2 sekunder för en undertext på fyra ord. I stående format är 0,8–1 sekund ett förnuftigt minimum.
Kan undertexter ha tre rader i stående video?
BBC tillåter det: de rekommenderar högst två rader i 16:9, 4:3 och 1:1, och tre i 9:16. I sociala videor täcker dock den tredje raden ofta ansiktet eller krockar med appens gränssnitt, så det praktiska taket är två rader.
Vilket glapp ska man lämna mellan två undertexter?
Två olika regler. För sammanlänkade cues ber Netflix om minst två bildrutor och förbjuder de mellanliggande glappen på 3 till 11 bildrutor; i praktiken konstanta 50–100 millisekunder. Om det finns en verklig paus i talet ber BBC om minst en sekund, helst en och en halv.
Varför importeras inte min .srt i redigeraren?
Nästan alltid är det filens format: millisekunder med punkt i stället för komma, numrering med hopp, överlappande cues eller inkonsekventa radbrytningar. Validera numreringen från 1, decimalavgränsaren (komma), de växande tiderna utan överlappning och den tomma raden mellan cues.
Räcker det med de automatiska undertexterna i redigeringsappen?
För orden, oftast ja. För uppdelningen, nej: taligenkänningen klipper vid ljudpauser, inte efter ruta eller läshastighet. Det effektiva är att behålla transkriptionen och dela upp den på nytt med dina egna parametrar.
Är undertexter obligatoriska enligt lag?
För digitala produkter och tjänster som omfattas av tillämpningsområdet, ja sedan den 28 juni 2025, genom European Accessibility Act (direktiv (EU) 2019/882) och, i Spanien, genom Ley 11/2023. Mikroföretag är undantagna från den skyldigheten. Det tekniska kriteriet för överensstämmelse är standarden EN 301 549.
Sätt reglerna före importen, inte efter
Undertexten som går att läsa är inte den med de bästa orden: det är den med rätt uppdelning. Fastställ dina värden – maximum för tecken, två rader, CPS, minsta och längsta varaktighet, glapp – innan du genererar filen, och granska .srt som data, inte som en text.
Det är den del som aiCapCut, från AiToolsForApps, förvandlar till ett formulär: du klistrar in ditt manus eller laddar upp ljudet, väljer uppdelningsparametrarna och får en validerad .srt, med sina .vtt- och .txt-varianter, redo att importeras. Den har förinställningar anpassade för stående format och låter dig dela upp samma material på nytt med andra värden utan att generera om något, vilket är precis det som sparar eftermiddagen med rättelser. Den renderar ingen video och rör inte din tidslinje: den ger dig filen. Du kan prova verktyget för SRT-undertexter och klippplan för stående video utan att registrera dig. aiCapCut är ett fristående verktyg och är inte anslutet till CapCut eller ByteDance.
Skapa din .srt med dina egna regler för uppdelning – tecken per rad, CPS, minsta varaktighet och glapp – och ladda ned den validerad som .srt, .vtt och .txt. Ingen registrering för att komma igång.
Skapa din .srt med dina egna regler för uppdelning – tecken per rad, CPS, minsta varaktighet och glapp – och ladda ned den validerad som .srt, .vtt och .txt. Ingen registrering för att komma igång.Läs vidare
Visa alla inlägg →
Så skriver du klippbriefen som en AI-redigerare faktiskt förstår: klipp, längder och textingångar

Geode trasigt i Geometry Dash 2.2091: vilka mods fungerar inte och hur du fortsätter skapa

DLS 27 i december 2026: vad som är bekräftat, vad som inte är det och vad som händer med din klubb, din trupp och dina matchställ när du uppdaterar
