Viktigast att veta
Tillgänglig textning är inte bara textning som finns. Den innehåller dialogen plus de ljud utan tal som har betydelse, den markerar varje talarbyte, och den dyker upp och försvinner i takt med talet. Undertexter är en annan sak, oftast bara dialog och ofta översatta. Ett transkript är texten utan tidsangivelser, och det riktar sig till personer som inte kan använda spelaren alls, så det är en separat leverans snarare än en ersättning. Automatisk textning utan korrekturläsning är det vanligaste sättet det går fel.
Någon har sagt åt dig att textningen måste vara tillgänglig. Du har textning. Nu försöker du lista ut vad gapet mellan de två påståendena egentligen är, och ingen har varit särskilt tydlig om det.
Gapet handlar nästan aldrig om att en video helt saknar textningsspår. Det handlar om att textningsspåret är oanvändbart på ett sätt som inte syns förrän en döv eller hörselskadad tittare faktiskt försöker följa videon med hjälp av det. Här är vad det innebär i praktiken, i den ordning du kommer att stöta på det.
Tre ord, tre leveranser, tre målgrupper
Textning, undertexter och transkript används slarvigt om vartannat i vardagligt tal, och kravet du har fått använder knappast dem så. Om det nämner två av dem vill det ha två olika saker.
Textning innehåller dialogen plus de ljud utan tal som har betydelse. Den skrivs utifrån antagandet att tittaren inte hör något alls, så allt ljudspåret gör som bilden inte visar måste finnas med i texten.
Undertexter innehåller vanligtvis bara dialog, och är ofta en översättning. De förutsätter att du hör videon utmärkt, du bara inte förstår språket som talas. Ett undertextspår talar inte om att larmet gick, eftersom en hörande tittare på målspråket inte behöver få det förklarat.
Ett transkript är texten för sig själv, utan tidsangivelser. Inga signaler, ingen synkning, ingen spelare inblandad. Det riktar sig till personer som använder skärmläsare, personer som inte kan hantera videospelaren, och personer som helt enkelt hellre läser texten än sitter igenom videon.
Det sista är den distinktion som oftast försvinner. Ett transkript publicerat bredvid videon uppfyller inte ett krav på textning, och en textningsfil uppfyller inte ett krav på transkript, eftersom de når olika personer på olika sätt. Om du producerar en av dem och kallar den båda, har du bara producerat en.
Värt att säga rakt ut: tillgänglighetskrav skiljer sig mellan länder, branscher och organisationer. Det finns ingen enda global standard du kan stämma av mot och vara klar. Den regel som gäller är den din organisation faktiskt är bunden av, och någon i din organisation vet vilken det är även om de inte har berättat det för dig. Fråga innan du bygger en process kring en gissning.
Textning förmedlar ljudet, inte bara talet
Det här är den del som förvånar de som bara har tänkt på textning som tal omvandlat till text. En dörr som stängs. Ett larm. Skratt utanför bild. En telefon som ringer och gör att personen i bild avbryter sig mitt i en mening. Inget av det är dialog, och inget av det syns.
Om en tittare som inte kan höra ljudspåret ser din video och något händer som de inte kan förklara, har textningen misslyckats med precis det den finns till för. Personen i bild som reagerar på ett ljud du aldrig nämnde beter sig nu obegripligt.
Testet är inte ”fanns det ett ljud” utan ”har ljudet betydelse”. Rumsklang behöver ingen textrad. Bakgrundsmusik som ingen reagerar på behöver det oftast inte heller. Larmet som gör att alla lämnar rummet behöver det. Det gör även skratt, när det visar hur en replik landade. Bedömningen är din, och det är en verklig bedömning snarare än en regel du kan automatisera, vilket är en av anledningarna till att en mänsklig genomgång av filen spelar roll. Vill du ha den längre versionen av hur detta hanteras i praktiken tar guiden om textning för hörselskadade upp mekaniken.
Överdriv inte heller. Ett textningsspår som markerar varje litet prassel konkurrerar med dialogen om tittarens lästid och gör att tittaren hamnar efter videon. Ta med det som förändrar scenens betydelse. Lämna resten.
Att visa vem som talar
Ett textningsspår som kör tre personers dialog rakt igenom utan att visa var den ena slutar och nästa börjar finns tekniskt sett, men går inte att använda i praktiken. Det här är ett av de vanligaste felen i en fil som klarat varenda kryssruta i en kontroll, eftersom kontrollen frågar om textning finns, inte om den går att följa.
Tänk på vad en hörande tittare får gratis. Röster låter olika. Du vet att svaret kom från en annan person eftersom det kom från en annan strupe, och ofta hör du från vilken sida av rummet det kom. Ta bort ljudet och allt det försvinner. I bild kan en reaktionsbild eller en tajt inramning lämna talaren helt utanför bild under en hel replik.
Konventionerna för att markera en byte varierar mellan olika utgivare och plattformar, och vilken vanlig metod du väljer fungerar så länge du använder den konsekvent inom en fil. Det som inte fungerar är att inte markera alls. En intervju, en panel, en mötesinspelning, allt med mer än en röst, behöver ha bytet markerat varje enda gång det sker, även när samma två personer snabbt byter korta repliker. Särskilt då, faktiskt, eftersom det är där en läsare tappar tråden snabbast.
Tajming som följer talet
Textningen måste dyka upp när orden sägs och försvinna när de tar slut. En textrad som kommer en aning sent innebär att tittaren läser repliken efter att ha sett reaktionen på den. En textrad som ligger kvar över nästa bildklipp innebär att de läser en scen medan de tittar på en annan.
Inget av det är avgörande vid en enstaka textrad. Över tio minuter blir det tröttsamt, och videon blir svårare att följa med textningen än en tittare kanske hade klarat utan den. Glidning är den vanliga boven: en fil som börjar synkroniserad och halkar allt mer efter, ofta eftersom den skapades mot en version av videon och sedan applicerades på en annan som har en extra sekund i början eller slutet.
Kontrollera slutet av filen, inte början. Alla kontrollerar början. Om den sista textraden i en lång video fortfarande stämmer med orden är mitten förmodligen okej. Om den har glidit behöver hela filen tajmas om snarare än lagas i efterhand. En strukturell kontroll med en SRT-validator fångar överlappande eller felformade textrader innan du laddar upp, även om den inte kan avgöra om orden är de rätta orden.
Automatisk textning och korrekturläsningen som gör den användbar
Automatisk textning utan korrekturläsning är det vanligaste sättet en organisation hamnar med textning som inte lever upp till dess eget krav. Den kommer vanligtvis med skiljetecken du inte skulle lita på, inga talarbyten alls, och inga ljud utan tal, eftersom modellen ombads transkribera tal och det är precis vad den gjorde.
Inget av det gör automatisk textning värdelös. Den är ett bra första utkast och sparar verklig tid på den del av jobbet som är rent skrivarbete. Misstaget är att behandla resultatet som slutprodukten i stället för som råmaterial. Det som förvandlar det ena till det andra är att en person läser filen mot videon och fixar fyra saker: orden som blev fel, meningsgränserna, talarbytena och ljuden som har betydelse.
För själva första utkastet transkriberar SozAI ljud- och videofiler, inspelningar och YouTube-länkar till text med talaretiketter på 99+ språk i sin app för iOS, Android och macOS, och sajten har också gratis verktyg för undertexter och texträkning som körs helt i webbläsaren utan att något laddas upp. Talaretiketter ger dig ett försprång på bytena; ljudsignalerna och den slutliga tajmingen är fortfarande dina att lägga till.
Räkna med tid för genomgången. Den är kortare än att transkribera från grunden och längre än ingenting, och den är hela skillnaden mellan en fil som finns och en fil som fungerar.
Vad som fortfarande går fel efter allt detta
En hel del, och det är bättre att veta var.
- Namn, fackuttryck och produktnamn blir fel i den automatiska transkriberingen och förblir fel, eftersom en granskare som inte är insatt i ämnet inte märker att en term är lite fel.
- Textningsfilen kopplas till fel klippversion av videon efter en redigering, och synkroniseringen följer med. Ingen kontrollerar på nytt efter en beskärning.
- Transkriptet blir tyst och stilla aldrig gjort, eftersom det är den leverans som saknar en självklar plats i publiceringsflödet och inget felmeddelande dyker upp när det saknas.
- Ett översatt undertextspår laddas upp som om det var ett textningsspår, vilket lämnar döva tittare på originalspråket med bara dialog och inga ljudsignaler.
Inget av det syns i en stickprovskontroll av de första trettio sekunderna, vilket är den kontroll de flesta videor faktiskt får. Om du bygger en process, bygg kontrollen mot slutet av filen och efter den slutliga redigeringen, inte innan.
Det andra man ska räkna med är att ingen mängd omsorg i textningsfilen avgör vad din skyldighet faktiskt är. Det avgörs av den regel din organisation är bunden av, och den praktiska detaljen om hur sådana krav brukar vara formulerade tas upp i artikeln om transkribering och tillgänglighetskrav. Skaffa det svaret först, och tillämpa sedan hantverket ovan på vad det visar sig krävas.
