Synstolking med KI

Anbefalte KI-verktøy til synstolking (per våren 2026):

• For utarbeidelse av beskrivelsene: Google AI Studio
• For syntetisk tale (og lydmiksing): ElevenLabs
• For tilnærmet helautomatisering (både beskrivelse og stemme): ViddyScribe

Denne metoden er utarbeidet i forbindelse med prosjektet Intelligent synstolking, der vi har kartlagt og testet eksisterende KI-verktøy med mål om å effektivisere produksjonen av synstolking.

Med KI-teknologiens evne til å lære er utviklingstempoet høyt. Vi vil kontinuerlig teste eksisterende verktøys evner, og skaffe oss oversikt over nye, interessante verktøy som kommer til. Vi tar gjerne imot tips om nye verktøy som kan effektivisere produksjonen av synstolking, på [email protected].

Siste oppdatering for denne metoden: april 2026.

Synstolking er å legge til en beskrivende stemme mellom replikkene i en film eller video, slik at blinde og svaksynte kan følge med på filmens fortelling, budskap og innhold. Synstolking gjøres fremdeles best av mennesker, og det er spesielt tre ting KI-verktøyene sliter med:

• De har en tendens til å ignorere filmreplikkene, med den følge at de legger beskrivelser oppå replikkene, og beskriver ting som allerede er tilstrekkelig beskrevet i originaltalen.
• De har en tendens til å tolke bilde for bilde, og ser dem ikke i sammenheng.
• De mangler evne til å prioritere hva som er de viktigste visuelle hendelsene, og kan henge seg opp i irrelevante detaljer og beskrive for mye.
• Dette medfører ofte at de lager pauser i filmene for å gi plass til alle beskrivelsene sine. Dette kaller vi «utvidet synstolking», og det er ikke ønskelig. Synstolking skal ikke forlenge filmene.

KI-verktøyene vi nevner her er derfor samarbeidsverktøy. De er ment å effektivesere en synstolks eller en videoprodusents arbeid med å synstolke korte filmer eller videoer, for eksempel 10-minuttersfilmer.

Google AI Studio: Med god prompting kan Googles språkmodell Gemini 3.0 (eller nyere) utarbeide gode beskrivelser, med tidskoder, som ikke krever for mye menneskelig bearbeiding. Dette kan gjøres gratis med en privat Google-konto, men vi fraråder sterkt å bruke filmer med streng opphavsrett til dette. Google bruker data fra gratisversjonen av AI Studio til å trene og forbedre modellene sine.

Hva som er god prompting vil variere fra film til film og mellom ulike filmkategorier som informasjonsfilm, demonstrasjonsfilm, fortellende film osv. Men her er et par grunnleggende punkter som stort sett alltid må være med i en prompt for synstolking:

• Bruk presens, alle beskrivelser skal være i nåtid.
• Vær objektiv og beskriv kun det som er synlig.
• Unngå filmtekniske ord som «kamera», «nærbilde» etc.
• Unngå overflødige uttrykk som «vi ser», «vises» eller «kommer til syne».
• Ikke kollider med originallyden, plasser beskrivelsene der det er opphold i replikkene.

ElevenLabs: Et manus med tidskoder kan lastes opp i ElevenLabs som tilbyr flere norske stemmer med OK naturlighet, vel å merke er de beste stemmene tilgjengelig i betalt versjon. Hver setning kan genereres på nytt dersom det for eksempel er dårlig intonasjon på første forsøk. I Voiceover Studio-modulen er det også mulighet for lydmiksing og -redigering. Denne modulen krever et Creator-abonnement til 22 dollar i måneden.

Narakeet: Denne tjenesten har ikke redigeringsverktøy som ElevenLabs, men den kan generere tale fra srt-filer (ElevenLabs trenger csv).

Få tjenester klarer å helautomatisere synstolking selv av de korteste filmene, her er tjenesten(e) vi mener er kommet lengst i løypa.

ViddyScribe: Et Enterprise-abonnement koster 100 dollar i måneden og gir mulighet for å generere og redigere standard synstolking. Beskrivelsene som genereres for korte filmer er et greit startpunkt, men det er helt nødvending å redigere beskrivelsene for et godkjent resultat. ViddyScribes editor er ikke den mest praktiske tross sin ganske stive pris, og gratisversjonen av tjenesten genererer bare utvidet synstolking. Men det er mulig å redigere denne i et eget lydprogram, så enn så lenge er det vår anbefaling: Bruk gratisversjonen til å generere KI-basert synstolking, og rediger denne i et video- eller lydredigeringsverktøy.