Subtítulos que frenan el scroll: así lo hacen los mejores creadores
La tipografía, el tamaño, el contorno y el timing detrás de los subtítulos que frenan el scroll: las cifras reales, por qué importa cada una y cómo conseguir ese mismo acabado premium en un clic en lugar de rehacerlo en cada vídeo.
Hay subtítulos, y hay subtítulos que frenan el scroll. Lo que los separa no es esfuerzo: es un conjunto concreto de decisiones que los creadores con mejores resultados toman una vez y reutilizan para siempre.
Esta es la receta completa, para un clip 9:16 en TikTok, Reels o Shorts:
- Tipografía: una sans-serif de peso alto — Anton, Montserrat Bold o Archivo Black
- Tamaño: 7–10% de la altura del fotograma
- Color: blanco, o amarillo para contenido de mucha energía
- Contorno: un trazo negro de 3–4px, o una caja sólida detrás
- Longitud de línea: 2–4 palabras, una o dos líneas, nunca tres
- Posición: tercio medio-inferior, fuera del 15% inferior
- Timing: palabra a palabra, no frase a frase
Eso es lo que separa un subtítulo premium de uno por defecto. El resto de este artículo explica por qué cada número es el que es, y por qué nunca deberías tener que ajustarlos a mano.
Por qué los subtítulos automáticos de las plataformas nunca frenan el scroll
TikTok, Instagram y YouTube subtitulan tu vídeo gratis y al instante. También son la razón por la que tantísimo vídeo vertical parece exactamente igual: la misma fuente, la misma posición, la misma caja gris que todos los demás en el feed.
Ese es el problema de verdad. El subtítulo es lo primero que lee alguien que está scrolleando, casi siempre con el sonido apagado. Si se ve como cualquier otro clip, ya ha perdido. Los subtítulos genéricos no solo no ayudan: dejan claro que el vídeo se subió, no que se hizo.
Los subtítulos premium hacen justo lo contrario. Son la firma visual que hace que alguien se pare y, para el tercer vídeo, lo que hace que te reconozca.
Las cifras, y por qué son esas cifras
Tamaño: 7–10% de la altura del fotograma. En una exportación de 1080 × 1920 eso son unos 135–190px de altura de mayúsculas. Parece absurdamente grande en un monitor de escritorio y correcto en un móvil. Este es, con diferencia, el error más común: dar estilo a los subtítulos al tamaño que parece equilibrado en tu editor, en una pantalla de 27 pulgadas, y publicar algo ilegible en el dispositivo para el que se hizo.
Contorno: trazo negro de 3–4px. No es decoración: es un seguro. Tu protagonista pasará por delante de una ventana, el cielo se quemará, una pared blanca llenará el encuadre. El texto blanco puro sin trazo falla en algún punto de casi cualquier clip. Un contorno o una caja sólida garantiza contraste sobre un fondo que no controlas.
Longitud de línea: 2–4 palabras. Aquí hay ciencia de la lectura de verdad. El span perceptivo de un lector experto — cuánto texto capta realmente una sola fijación ocular — es de unas 3–4 letras a la izquierda del punto de fijación y 14–15 espacios de letra a la derecha (Rayner, Slattery & Bélanger, 2010). Un subtítulo de dos a cuatro palabras cabe casi entero en esa ventana, así que se absorbe en una o dos fijaciones. Una línea larga, no: el ojo tiene que dar una serie de saltos para recorrerla, y cada salto es tiempo leyendo en lugar de mirando.
El subtitulado profesional llegó a la misma restricción por el otro camino. La English Timed Text Style Guide de Netflix limita los subtítulos a 42 caracteres por línea, con un máximo de dos líneas, y un techo de velocidad de lectura de 20 caracteres por segundo para contenido adulto. El vídeo vertical aprieta todavía más, porque el espectador también está mirando una cara, un corte y un fondo en movimiento.
Si tus subtítulos saltan a tres líneas, son demasiado largos: la solución es menos palabras por cue, no texto más pequeño.
Posición: tercio medio-inferior. Lo bastante arriba para esquivar la interfaz de la plataforma — nombres de usuario, botones y barras de progreso viven en la franja inferior — y lo bastante abajo para no taparle la cara a tu protagonista. Previsualiza en un marco con forma de móvil, no en una ventana de escritorio, o no verás la colisión hasta que ya sea pública.
Tipografía: una franja estrecha de supervivientes. Texto sobre vídeo es texto sobre un fondo impredecible, en movimiento y mal iluminado. Los pesos finos desaparecen sobre fotogramas brillantes. Las serifas pierden sus trazos finos en un móvil. Las tipografías caligráficas son ilegibles a velocidad. Lo que sobrevive son las sans-serif geométricas y grotescas de peso alto con altura de x generosa: Anton, Archivo Black, Montserrat Bold, Poppins Bold, Inter Bold.
El timing palabra a palabra es la señal premium
Cuando la tipografía ya está bien, la granularidad del timing es la mayor diferencia que queda, y es la que el espectador nota sin saber ponerle nombre.
Los subtítulos por frases sueltan un bloque de texto y lo dejan ahí quieto. El ojo lo lee en medio segundo y luego se queda sin nada que hacer. El timing por palabra revela cada palabra más o menos cuando se pronuncia, así que el subtítulo permanece anclado a la voz y el ojo sigue en movimiento.
Es a lo que la gente se refiere con "subtítulos karaoke". Requiere un tiempo de inicio y de fin por palabra, no por línea. Y es también lo más tedioso de hacer a mano: empujar palabras sueltas por una línea de tiempo, cue a cue, vídeo a vídeo, para siempre. Es exactamente el tipo de trabajo que debería ser automático.
Consigue este look en un clic
No debería tener que configurar ninguno de estos a mano. CakeCut aplica subtítulos de creador premium (temporización a nivel de palabra, estilos que detienen el desplazamiento) a su video con un solo clic.
Qué aspecto tiene lo premium de verdad
Dos renders reales de CloudCap, en extremos opuestos del rango.
Mucha energía. El amarillo sobre contorno negro es la combinación de mayor contraste disponible, y la mezcla de pesos — un pequeño remate caligráfico sobre una palabra de display pesada — crea jerarquía dentro de un subtítulo de dos palabras. Esto frena el scroll en ganchos y remates. Sería agotador a lo largo de cuatro minutos de talking head.
Contenido, y en silencio el más técnico de los dos. Sans blanca en negrita, limpia, sin color, y el texto va detrás del protagonista, así que su hombro pasa por delante de la palabra. Esa pista de profundidad hace que el subtítulo parezca integrado en la escena en lugar de pegado encima, y mantiene la cara despejada sin descentrar el texto.
Ninguno de los dos es algo que fueras a montar a mano en cada subida. Los dos son un clic.
Acierta con el tono y deja de decidir
- Cortes rápidos o fondos cargados: usa una caja sólida en lugar de un contorno. Un contorno no basta cuando el fondo cambia cada 400ms.
- Contenido serio y sobrio: los subtítulos animados agresivos suenan a error de tono. La contención también es un estilo.
- Alfabetos no latinos: comprueba que la fuente tenga los glifos. Muchas tipografías de display solo cubren el latino, y la fuente de reserva no va a igualar tu peso.
- Palabras largas: el alemán, el finés y el vocabulario técnico rompen la regla de 2–4 palabras. Menos palabras por línea, no texto más pequeño.
Cada una de estas es una decisión que deberías tomar una sola vez. El coste real no es tomarla: es volver a tomarla, en cada vídeo, para siempre, y acabar con un look ligeramente distinto cada vez.
Subtítulos premium, en un clic
Para esto existe CloudCap. Traes un clip terminado y obtienes subtítulos premium de creador en un clic: el timing por palabra ya aplicado, un estilo con carácter ya aplicado, listo para publicar.
Los estilos son presets reales — incluidos los dos de arriba —, así que el vídeo número veinte se ve como el primero. Nada de lo anterior hay que configurarlo, medirlo ni volver a deducirlo. Y cuando quieras control, el timing, la maquetación y el estilo palabra a palabra son editables, y la caja del subtítulo es una caja de verdad, así que el texto no puede desbordar el encuadre sin avisar.
Puedes traducir los subtítulos cuando quieras que el mismo clip llegue a más público, y exportar tanto un vídeo ya subtitulado y listo para publicar como archivos de subtítulos tipo SRT, TXT y JSON cuando necesites el texto por separado.
No es un editor de vídeo. Si necesitas cortar, etalonar o mezclar audio, sigue haciéndolo donde ya lo haces. CloudCap entra en la fase de subtitulado: esa hora que si no perderías arrastrando palabras por una línea de tiempo, para acabar con un resultado igual al de todos los demás.
Fuentes
- Rayner, K., Slattery, T. J., & Bélanger, N. J. (2010). Eye movements, the perceptual span, and reading speed. Psychonomic Bulletin & Review, 17(6), 834–839. El span perceptivo de los lectores expertos de sistemas de escritura alfabéticos es de 3–4 letras a la izquierda del punto de fijación y 14–15 espacios de letra a la derecha. El artículo también recoge duraciones medias de fijación de aproximadamente 205–253ms y sacadas hacia delante de 6,2–8,9 espacios de letra, con los lectores rápidos haciendo sacadas más largas que los lentos.
- Netflix. English Timed Text Style Guide. Especifica 42 caracteres por línea, un máximo de dos líneas y velocidades de lectura de hasta 20 caracteres por segundo para contenido adulto (17 para contenido infantil).
Una nota sobre las cifras que no están citadas: la altura de mayúsculas del 7–10%, el trazo de 3–4px y la colocación en el tercio medio-inferior son convenciones extraídas de lo que funciona de forma consistente en vídeo móvil 9:16, no estándares publicados. Las zonas seguras de las plataformas, en particular, cambian con las actualizaciones de interfaz y con la longitud del subtítulo: las propias plataformas distribuyen plantillas de zona segura actualizadas a través de sus herramientas de anuncios, y esas son la autoridad por encima de cualquier cifra fija en píxeles, incluidas las de este artículo.