زیرنویس و کپشن

زیرنویس و کپشن یکی نیستند

در فارسی هر دو را زیرنویس صدا می زنیم و در عمل هم اغلب یکی می سازیم. ولی استاندارد HTML دو تعریف جدا دارد و این دو تعریف دو خروجی متفاوت می سازند.

مشخصات WHATWG برای صفت kind روی عنصر track می نویسد: زیرنویس یعنی رونویسی یا ترجمه گفتار، مناسب برای وقتی که صدا در دسترس است ولی فهمیده نمی شود، مثلا چون بیننده زبان صوت را نمی داند. و کپشن یعنی رونویسی یا ترجمه گفتار به اضافه افکت های صوتی، اشاره های موسیقایی مرتبط، و بقیه اطلاعات صوتی مربوط، مناسب برای وقتی که صدا در دسترس نیست.

یعنی تفاوتشان در زبان نیست، در این است که بیننده صدا را دارد یا ندارد. برای یک ویدیوی فارسی که در اینستاگرام بی صدا پخش می شود، آنچه واقعا لازم دارید کپشن است و نه زیرنویس، چون بیننده ای که صدا را خاموش کرده باید بفهمد که یک در بسته شد یا موسیقی عوض شد. برای همان ویدیو وقتی روی یوتیوب برای مخاطب انگلیسی می گذاریدش، زیرنویس لازم دارید.

و یک نتیجه عملی که بیشتر آدم ها جا می اندازند: این دو فایل یکی نیستند و نباید یکی باشند. اگر یک فایل بسازید و هر دو کار را از آن بخواهید، خروجی برای مخاطب انگلیسی پر از توضیح افکت صوتی می شود و برای مخاطب ناشنوا کم است. دو فایل بسازید و در همان عنصر track با kind و srclang از هم جدایشان کنید. همان مشخصات می گوید srclang باید یک برچسب زبان معتبر باشد و وقتی kind روی زیرنویس است، حضورش اجباری است.

SRT یا VTT؛ کدام را کجا

هر دو فایل متنی ساده اند و هر دو یک کار می کنند: یک بازه زمانی و یک تکه متن. تفاوتشان یک کاراکتر نیست، ولی از یک کاراکتر شروع می شود.

1
00:00:11,000 --> 00:00:13,000
اولین جمله

WEBVTT

00:00:11.000 --> 00:00:13.000
اولین جمله

بالا SRT است و پایین VTT. دو تفاوتی که در همین چند خط دیده می شود، هر دو در مشخصات W3C نوشته شده اند: فایل VTT باید با امضای WEBVTT شروع شود و تجزیه کننده، اگر این امضا نباشد، کار را رها می کند؛ و مهر زمانی VTT پیش از سه رقم هزارم ثانیه یک نقطه می گذارد، در حالی که SRT ویرگول می گذارد. همین یک کاراکتر است که باعث می شود فایل SRT تغییر نام داده شده به vtt در مرورگر کار نکند.

تفاوت مهم تر اما در جدول زیر است و ستون آخرش تصمیم را می گیرد.

پس قاعده ساده است: برای پخش روی سایت خودتان VTT، و برای هر جای دیگری SRT. مشخصات HTML صریح می گوید اگر آدرس فایل به یک منبع WebVTT اشاره کند و kind در حالت فصل ها یا متادیتا نباشد، آن فایل باید یک فایل WebVTT با متن کیوی زیرنویس یا کپشن باشد. یعنی برای پخش کننده وب، VTT انتخاب نیست، همان چیزی است که استاندارد می خواهد.

و در مقابل، وقتی فایل را به یک آپلودر پلتفرم یا به تدوینگری می دهید که آن را در نرم افزار خودش باز می کند، SRT همان چیزی است که همه جا باز می شود. ما هم برای پروژه های ویدیویی خودمان هر دو را تحویل می دهیم و این هزینه ای ندارد: تبدیل بین این دو یک تغییر جداکننده و یک خط امضاست.

سوخته یا نرم؟ هر دو درست اند، برای دو جای متفاوت

زیرنویس سوخته یعنی متن جزئی از پیکسل های تصویر شده و دیگر متن نیست. زیرنویس نرم یعنی متن یک فایل جداست که پخش کننده روی تصویر می نشاند و بیننده می تواند خاموشش کند.

سوخته یک مزیت دارد که همه مزیت های نرم را در بعضی جاها بی اثر می کند: همه جا کار می کند. هیچ پخش کننده ای نمی تواند پشتیبانی نکند، چون چیزی برای پشتیبانی کردن نیست. برای شبکه های اجتماعی که فایل جدا نمی گیرند و برای ویدیویی که قرار است دست به دست بچرخد، این تنها گزینه است.

و سه ضرر دارد که هر سه بعدا معلوم می شوند. اول، خاموش نمی شود؛ اگر جای بدی نشسته باشد تا ابد همان جاست. دوم، ترجمه نمی شود؛ برای نسخه انگلیسی باید کل ویدیو را دوباره خروجی بگیرید. سوم، خوانده نمی شود؛ نه موتور جستجو و نه یک مدل زبانی نمی تواند متن داخل پیکسل را بخواند، پس همه آن حرف هایی که در ویدیو زده اید، برای هیچ ماشینی وجود ندارند.

آن ضرر سوم چیزی است که در آموزش های زیرنویس تقریبا هیچ وقت گفته نمی شود و برای کسی که سایت دارد مهم ترین است. اگر ویدیوی شما روی صفحه ای نشسته که قرار است رتبه بگیرد، فایل زیرنویس نرم به اضافه متن پیاده شده در خود صفحه، همان چیزی است که محتوای ویدیو را قابل خواندن می کند. سوختن، آن را دور می ریزد.

یک قید فنی هم هست که تدوینگرها با تجربه یاد می گیرند: زیرنویس سوخته را دوباره در اندازه دیگری خروجی نگیرید. متنی که برای عرض ۱۰۸۰ سوزانده شده و بعد به ۷۲۰ کوچک شده، لبه های حروفش می شکند و در فشرده سازی بیشتر خراب می شود، چون فشرده ساز لبه های تیز را گران حساب می کند. برای هر اندازه، از فایل زیرنویس دوباره بسوزانید و نه از خروجی قبلی. همین اصل در درس ویدیو برای وب برای کل تصویر هم صدق می کند.

رونویسی خودکار کجا می شکند

مدل های گفتار به متن امروز خوب اند و همان دکمه ای که همه می زنند، درست کار می کند تا جایی که نمی کند. چهار جای شکستن را با منبع می شماریم.

اول، مدلی که انتخاب می کنید ممکن است اصلا فایل زیرنویس ندهد. مرجع خود اوپن ای آی می نویسد کلید response_format مقدارهای json و text و srt و verbose_json و vtt و diarized_json را می پذیرد، و بلافاصله می گوید برای دو مدل gpt-4o-transcribe و gpt-4o-mini-transcribe تنها فرمت پشتیبانی شده json است. راهنمای همان شرکت هم می نویسد با مدل پیشنهادی شروع کنید و فقط وقتی سراغ مدل تخصصی بروید که برچسب گوینده یا مهر زمانی کلمه ای یا فرمت زیرنویس یا ترجمه به انگلیسی لازم دارید. یعنی مدلی که به شما پیشنهاد می شود، همان مدلی است که فایل زیرنویس نمی دهد. این را باید بدانید پیش از اینکه یک ساعت دنبال دکمه خروجی بگردید.

دوم، مهر زمانی کلمه ای و فایل زیرنویس در یک درخواست جمع نمی شوند. همان مرجع می گوید مهر زمانی سطح کلمه فقط وقتی در دسترس است که response_format روی verbose_json باشد، و اضافه می کند که ساخت مهر زمانی کلمه ای تاخیر اضافه دارد. پس یا فایل srt می گیرید یا داده ای که بشود دقیق تر با آن کار کرد، و اگر هر دو را می خواهید دو درخواست است.

سوم، سقف حجم فایل. راهنمای اوپن ای آی می نویسد فایل تا ۲۵ مگابایت، با فرمت های mp3، mp4، mpeg، mpga، m4a، wav و webm. یک ویدیوی نیم ساعته از این سقف رد می شود، پس باید صدا را جدا و فشرده کنید و بعد ببرید. و برش، همان جایی است که زمان بندی می لغزد: هر تکه از صفر شروع می شود و شما باید افست هر تکه را دستی به مهرهای زمانی اضافه کنید. کسی که این را نداند، فایل زیرنویسی می سازد که از وسط ویدیو به بعد جلو می افتد.

چهارم، اسم ها. این همان جایی است که فارسی بیشترین ضربه را می خورد و هیچ عددی هم برایش وجود ندارد. مدلی که یک متن فارسی را روان پیاده می کند، معمولا اسم شهرها و اسم های خانوادگی و نام برندها را از خودش نزدیک ترین کلمه آشنا را می گذارد. اینجا یک قابلیت هست که تقریبا هیچ کس استفاده نمی کند: راهنمای الون لبز برای اسکرایب نسخه ۲ می نویسد این مدل پرامپت کلیدواژه تا هزار عبارت می پذیرد، به اضافه مهر زمانی دقیق در سطح کلمه، تشخیص موجودیت در ۶۵ نوع، و جداسازی گوینده تا سی و دو نفر، در بیش از نود زبان. یعنی می توانید فهرست اسم های ویدیو را از قبل به مدل بدهید. این یک خط کار است و بیشترین اثر را روی کیفیت پیاده سازی فارسی دارد.

و یک نکته که باید صریح گفت چون خیلی ها انتظار دیگری دارند: نقطه پایانی ترجمه اوپن ای آی فقط به انگلیسی ترجمه می کند و نه به هر زبانی. اگر زیرنویس فارسی از یک ویدیوی انگلیسی می خواهید، آن یک کار ترجمه جداست و درس ترجمه زیرنویس جایش است.

کاری که بعد از رونویسی حتما یک آدم باید بکند

پیاده سازی خودکار متن می دهد و نه زیرنویس. فاصله بین این دو، چهار کار است که هیچ کدامشان را ماشین برایتان نمی کند.

اسم ها و عددها را چک کنید. این تنها جایی است که خطای ماشین به جای بی معنی بودن، معنی دار و غلط می شود: یک اسم اشتباه در زیرنویس، از یک جمله شکسته بدتر است، چون خواننده متوجهش نمی شود و باورش می کند.

خط ها را بشکنید، آن هم روی مرز دستوری. یک کیو که وسط ترکیب اضافی می شکند، خواننده را وادار می کند دو بار بخواند. مرز درست جایی است که در گفتار هم مکث می کنید.

زمان بندی را با گفتار جور کنید و نه با متن. کیو باید کمی پیش از شروع جمله ظاهر شود و تا کمی بعد از پایانش بماند. اگر بعد از برش فایل صوتی کار می کنید، همین جاست که باید افست هر تکه را اضافه کرده باشید.

و متن انگلیسی داخل جمله فارسی را نگاه کنید. جهت نمایش در پخش کننده ها یکسان نیست و یک نام لاتین یا یک عدد در انتهای یک خط راست به چپ، در بعضی پخش کننده ها جای اشتباه می نشیند. راه حل عملی این است که فایل را در همان پخش کننده ای که قرار است استفاده شود ببینید و نه در ویرایشگر متن. این تنها قسمت این درس است که با خواندن حل نمی شود.

یک قاعده ساده هم که ما در پروژه های خودمان رعایت می کنیم: هیچ چیزی به متن اضافه نکنید که در صدا نیست. اگر مدل جمله ای را «بهتر» کرده، آن جمله دیگر حرف گوینده نیست، و زیرنویسی که حرف گوینده نیست، خطای خیلی بدتری از یک غلط املایی است.