Altyazı ve kapalı altyazı

Altyazı ve kapalı altyazı aynı şey değildir

Gündelik konuşma ikisini tek şey sayar ve pratikte çoğu kişi tek dosya kurar. Ama HTML standardı iki ayrı tanım taşır ve bu iki tanım iki farklı çıktı üretir.

WHATWG spesifikasyonu, track öğesindeki kind niteliği için şunu söylüyor: altyazı, diyaloğun deşifresi ya da çevirisi demektir ve ses mevcutken ama anlaşılmazken uygundur; örneğin izleyici ses parçasının dilini bilmediği için. Ve kapalı altyazı, diyaloğun deşifresi ya da çevirisine ek olarak ses efektlerini, ilgili müzikal işaretleri ve diğer ilgili ses bilgisini de içerir; ses mevcut değilken uygundur.

Yani fark dilde değil, izleyicinin sese sahip olup olmamasında. Sosyal akışta sessiz oynayan Farsça bir video için gerçekten ihtiyacınız olan şey altyazı değil kapalı altyazıdır, çünkü sesi kapatmış bir izleyicinin bir kapının çarptığını ya da müziğin değiştiğini bilmesi gerekir. Aynı videoyu YouTube'a İngilizce bir izleyici için koyduğunuzda altyazıya ihtiyacınız olur.

Ve çoğu kişinin atladığı pratik bir sonuç: bunlar tek dosya değildir ve olmamalıdır. Tek dosya kurup ondan iki işi de yapmasını isterseniz, çıktı İngilizce izleyici için ses efekti notlarıyla dolar ve sağır izleyici için yetersiz kalır. İki dosya kurun ve onları track öğesinin kendisinde kind ve srclang ile ayırın. Aynı spesifikasyon, srclang değerinin geçerli bir dil etiketi olması gerektiğini ve kind altyazı durumundayken zorunlu olduğunu söylüyor.

SRT mi VTT mi: hangisi nerede

İkisi de düz metin dosyasıdır ve ikisi de tek bir iş yapar: bir zaman aralığı ve bir metin parçası. Farkları tek bir karakter değil, ama tek bir karakterle başlıyor.

1
00:00:11,000 --> 00:00:13,000
İlk satır

WEBVTT

00:00:11.000 --> 00:00:13.000
İlk satır

Üstteki SRT, alttaki VTT. Bu birkaç satırda iki fark görünüyor ve ikisi de W3C spesifikasyonuna yazılı: bir VTT dosyası WEBVTT imzasıyla başlamak zorundadır ve akışta bu imza yoksa ayrıştırıcı işi bırakır; ve VTT zaman damgası, saniyenin binde birlerini gösteren üç rakamdan önce nokta koyarken SRT virgül koyar. Bu tek karakter, vtt olarak yeniden adlandırılmış bir SRT dosyasının tarayıcıda çalışmamasının nedenidir.

Daha önemli fark ise aşağıdaki tabloda ve kararı son satır veriyor.

Yani kural basit: kendi sitenizde oynatma için VTT, başka her yer için SRT. HTML spesifikasyonu açıkça, track adresi bir WebVTT kaynağını gösteriyorsa ve kind bölümler ya da metadata durumunda değilse, dosyanın altyazı ya da kapalı altyazı cue metni kullanan bir WebVTT dosyası olması gerektiğini söylüyor. Yani bir web oynatıcısı için VTT bir tercih değil, standardın istediği şeydir.

Buna karşılık dosyayı bir platform yükleyicisine ya da kendi yazılımında açacak bir kurgucuya verdiğinizde, her yerde açılan biçim SRT'dir. Kendi video projelerimizde ikisini de teslim ediyoruz ve bunun bir maliyeti yok: ikisi arasında dönüştürmek bir ayırıcı değişikliği ve bir imza satırıdır.

Gömülü mü yumuşak mı? İkisi de doğru, iki farklı yer için

Gömülü altyazı, metnin görüntünün piksellerinin bir parçası haline gelmesi ve artık metin olmaması demektir. Yumuşak altyazı ise metnin, oynatıcının görüntünün üstüne serdiği ve izleyicinin kapatabildiği ayrı bir dosya olması demektir.

Gömülünün, bazı yerlerde yumuşağın bütün avantajlarını iptal eden tek bir avantajı var: her yerde çalışır. Hiçbir oynatıcı desteklememezlik edemez, çünkü desteklenecek bir şey yoktur. Yan dosya kabul etmeyen sosyal platformlar ve elden ele dolaşacak bir video için tek seçenek odur.

Ve hepsi sonradan ortaya çıkan üç bedeli var. Birincisi, kapatılamaz; kötü bir yere oturmuşsa sonsuza kadar orada oturur. İkincisi, çevrilemez; İngilizce bir sürüm için videonun tamamını yeniden dışa aktarmanız gerekir. Üçüncüsü, okunamaz; ne bir arama motoru ne bir dil modeli piksellerin içindeki metni okuyabilir, yani o videoda söylenen her şey hiçbir makine için var değildir.

Bu üçüncü bedel, altyazı eğitimlerinin neredeyse hiç anmadığı ve bir site işleten herkes için en önemli olanıdır. Videonuz sıralanması beklenen bir sayfada duruyorsa, yumuşak bir altyazı dosyası artı sayfanın kendisindeki deşifre metni, videonun içeriğini okunabilir kılan şeydir. Gömmek bunu çöpe atar.

Deneyimli kurgucuların öğrendiği teknik bir kısıt da var: gömülü altyazıyı başka bir boyutta asla yeniden dışa aktarmayın. 1080 genişliğindeki bir kare için gömülmüş ve sonra 720'ye küçültülmüş metin, harflerin kenarlarında kırılır ve sıkıştırma altında daha da bozulur, çünkü sıkıştırıcı keskin kenarları pahalıya hesaplar. Her boyut için önceki dışa aktarımdan değil, altyazı dosyasından yeniden gömün. Aynı ilke tüm görüntü için web için video dersinde geçerli.

Otomatik deşifre nerede kırılır

Konuşmadan metne modelleri bugün iyi ve herkesin bastığı düğme, çalışmayı bırakana kadar çalışıyor. Kırıldığı dört yeri, her biri kaynağıyla sayalım.

Birincisi, seçtiğiniz model hiç altyazı dosyası üretmiyor olabilir. OpenAI referansı, response_format anahtarının json, text, srt, verbose_json, vtt ve diarized_json değerlerini kabul ettiğini söylüyor ve hemen ardından gpt-4o-transcribe ile gpt-4o-mini-transcribe için desteklenen tek biçimin json olduğunu ekliyor. Aynı şirketin kılavuzu ise önerilen modelle başlamanızı ve ancak konuşmacı etiketleri, kelime düzeyinde zaman damgaları, altyazı biçimleri ya da İngilizceye çeviri gerektiğinde özel bir modele uzanmanızı söylüyor. Yani size önerilen model, size altyazı dosyası vermeyen modeldir. Bir dışa aktarma düğmesi aramakla bir saat harcamadan önce bilmekte fayda var.

İkincisi, kelime zaman damgaları ile altyazı dosyası tek istekte gelmez. Aynı referans, kelime düzeyindeki zaman damgalarının yalnızca response_format verbose_json iken kullanılabildiğini söylüyor ve kelime zaman damgası üretmenin ek gecikme getirdiğini ekliyor. Yani ya bir srt dosyası alırsınız ya da üzerinde hassas çalışabileceğiniz veri; ikisini de istiyorsanız bu iki istektir.

Üçüncüsü, dosya boyutu tavanı. OpenAI kılavuzu, dosyaların 25 MB'a kadar ve mp3, mp4, mpeg, mpga, m4a, wav ve webm biçimlerinde olduğunu söylüyor. Yarım saatlik bir video bunu aşar, yani sesi ayırıp sıkıştırmanız ve sonra bölmeniz gerekir. Ve zamanlamanın kaydığı yer bölmedir: her parça sıfırdan başlar ve her parçanın kaydırmasını zaman damgalarına elle eklemeniz gerekir. Bunu bilmeyen biri, ortadan sonrasında görüntünün önüne geçen bir altyazı dosyası kurar.

Dördüncüsü, isimler. Farsçanın en ağır darbeyi aldığı ve hiçbir sayının bulunmadığı yer burası. Akıcı Farsçayı deşifre eden bir model bile şehir adlarının, soyadların ve marka adlarının yerine en yakın tanıdık kelimeyi koyar. Burada neredeyse hiç kimsenin kullanmadığı bir yetenek var: ElevenLabs'in Scribe v2 kılavuzu, modelin 1000 terime kadar anahtar terim yönlendirmesi kabul ettiğini; ayrıca kelime düzeyinde hassas zaman damgaları, 65 varlık türünde varlık saptama ve otuz iki konuşmacıya kadar konuşmacı ayrıştırma sunduğunu, doksandan fazla dilde, söylüyor. Yani videonuzdaki isimlerin listesini modele önceden verebilirsiniz. Bu tek satırlık bir iş ve Farsça deşifre kalitesi üzerinde tek başına en büyük etkiyi yapan şey.

Ve çoğu kişi tersini beklediği için açıkça söylenmesi gereken bir şey: OpenAI'ın çeviri uç noktası herhangi bir dile değil, yalnızca İngilizceye çevirir. İngilizce bir videodan Farsça altyazı istiyorsanız, bu ayrı bir çeviri işidir ve yeri altyazı çevirisi dersidir.

Deşifreden sonra bir insanın mutlaka yapması gereken

Otomatik deşifre size altyazı değil metin verir. Bu ikisi arasındaki mesafe dört iştir ve hiçbir makine bunların hiçbirini sizin yerinize yapmaz.

İsimleri ve sayıları denetleyin. Makine hatasının saçmalık olmaktan çıkıp anlamlı ve yanlış olduğu tek yer burasıdır: bir altyazıdaki yanlış isim, kırık bir cümleden kötüdür, çünkü okur onu fark etmez ve ona inanır.

Satırları bölün ve dilbilgisel bir sınırda bölün. Bir tamlamanın ortasında ikiye ayrılan bir cue, okuru iki kez okumaya zorlar. Doğru sınır, cümleyi söylerken duraklayacağınız yerdir.

Cue'ları metne göre değil konuşmaya göre zamanlayın. Bir cue, cümle başlamadan az önce görünmeli ve bitiminden az sonrasına kadar kalmalı. Kesilmiş bir ses dosyasından çalışıyorsanız, her parçanın kaydırmasının eklenmiş olması gereken yer burasıdır.

Ve sağdan sola bir cümlenin içindeki Latin metne bakın. Görüntüleme yönü oynatıcılar arasında aynı değildir ve sağdan sola bir satırın sonundaki Latin bir isim ya da bir sayı bazılarında yanlış yere oturur. Pratik çözüm, dosyayı bir metin düzenleyicide değil, gerçekten kullanılacağı oynatıcıda görüntülemektir. Bu dersin okumakla çözülemeyen tek bölümü budur.

Kendi projelerimizde uyduğumuz basit bir kural: seste olmayan hiçbir şeyi metne eklemeyin. Model bir cümleyi iyileştirdiyse, o cümle artık konuşmacının söylediği şey değildir ve konuşmacının söylediği şey olmayan bir altyazı, bir yazım hatasından çok daha kötü bir hatadır.