সাবটাইটেলিং, ডাবিং এবং অডিওভিজ্যুয়াল অনুবাদ

লাভ:

• সাবটাইটেলের প্রযুক্তিগত নিয়ম (লাইন, অক্ষর, CPS) প্রয়োগ করে অর্থ সংরক্ষণ করার সময় ফিট করার ক্ষমতা
• ASR এর সাথে ট্রান্সক্রিপশন এবং স্বয়ংক্রিয় টাইমকোডিং দ্রুত করার সময় ভয়েস দ্বারা সঠিক নাম এবং নম্বর ত্রুটি যাচাই করার ক্ষমতা
• ডাবিংয়ে ভিজ্যুয়াল প্রসঙ্গ, টোনাল পার্থক্য এবং ঠোঁটের সিঙ্ক বিবেচনা করে কৃত্রিম বুদ্ধিমত্তার সীমা পরিচালনা করার ক্ষমতা

একটি মুভি, টিভি সিরিজ, কর্পোরেট ভিডিও বা অনলাইন কোর্স অনুবাদ করা প্লেইন টেক্সট অনুবাদের থেকে আমূল আলাদা: সময়, পড়ার গতি, অন-স্ক্রিন চিত্র, ভয়েস এবং চরিত্রগুলির ঠোঁটের নড়াচড়াও সীমাবদ্ধতা। এই ইউনিটে, আপনি অডিওভিজ্যুয়াল অনুবাদ (সাবটাইটেলিং, ডাবিং, ভয়েস-ওভার), সাবটাইটেলিংয়ের প্রযুক্তিগত নিয়ম, এআই-সমর্থিত ট্রান্সক্রিপশন এবং টাইম কোডিং এবং এই ক্ষেত্রের গুণমানের সমস্যাগুলি শিখবেন। উদ্দেশ্য হল একজন অডিওভিজ্যুয়াল অনুবাদ বিশেষজ্ঞের মতো কাজ করা যারা "পাঠ্য অনুবাদ করার" পরিবর্তে "শ্রোতাদের চোখ ও কানে ফিট করে"।

মৌলিক ধারণা

অডিওভিজ্যুয়াল ট্রান্সলেশন (AVT) হল অডিও এবং ভিডিও সম্বলিত বিষয়বস্তুর অনুবাদ; প্রধান ফর্মগুলি হল সাবটাইটেলিং, ডাবিং এবং অডিও বর্ণনা। সাবটাইটেলিং হল স্ক্রিনে লিখিত আকারে বক্তৃতার প্রতিফলন। ডাবিং হল টার্গেট ভাষায় আসল কণ্ঠের পুনরায় ডাবিং। ভয়েস-ওভার হল যখন আসল শব্দটি নিঃশব্দ করা হয় এবং এর উপর একটি অনুবাদ পড়া হয় (ডকুমেন্টারিগুলিতে সাধারণ)।

সাবটাইটেলিংয়ের দুটি সমালোচনামূলক প্রযুক্তিগত পদ: CPS (অক্ষর প্রতি সেকেন্ড) সাবটাইটেলিংয়ের গতি সীমিত করে যাতে দর্শক এটি আরামে পড়তে পারে; সাধারণত গৃহীত উপরের সীমা প্রতি সেকেন্ডে প্রায় 17 অক্ষর (বাচ্চাদের বিষয়বস্তুর জন্য কম)। টাইমকোড হল স্টার্ট-এন্ড টাইম যা নির্দেশ করে কখন সাবটাইটেলটি স্ক্রিনে প্রদর্শিত হবে এবং অদৃশ্য হয়ে যাবে (যেমন 00:01:23,400)।

কেন এটা কঠিন? কারণ এর অর্থ সাবটাইটেলে অনুবাদ করা। দুটি লাইন, প্রতি লাইনে ~42টি অক্ষর, সর্বনিম্ন ~1 সেকেন্ড এবং সর্বাধিক ~6 সেকেন্ডের স্ক্রীন টাইম, এবং CPS সীমা — আপনাকে অর্থ এবং স্বর বজায় রেখে এই সবগুলি মেনে চলতে হবে। এই কারণেই সাবটাইটেল অনুবাদ প্রায়ই কম্প্রেশন এবং রিফ্রেসিংয়ের বিষয়, শব্দের জন্য অনুবাদ নয়।

পরামর্শ: সাবটাইটেলে "প্রতিটি শব্দ অনুবাদ করা" এর প্রতিফলন এড়িয়ে চলুন। দর্শক উভয়ই ছবিটি দেখে এবং পড়ে; খুব দীর্ঘ সাবটাইটেল পড়া যাবে না. সংক্ষিপ্ততম প্রাকৃতিক অভিব্যক্তি খুঁজে পাওয়া যা অর্থ সংরক্ষণ করে ক্যাপশনারের প্রকৃত আয়ত্ত।

অডিওভিজ্যুয়াল অনুবাদে এআই-এর ভূমিকা

AI উল্লেখযোগ্যভাবে এই এলাকায় বেশ কয়েকটি পদক্ষেপের গতি বাড়ায়:

1. ট্রান্সক্রিপশন: ASR (স্বয়ংক্রিয় স্পিচ রিকগনিশন) সহ, ভয়েস স্বয়ংক্রিয়ভাবে প্রতিলিপি করা হয়। এটি কয়েক মিনিটের মধ্যে সাবটাইটেলের কাঁচা উৎস বের করে।
2. স্বয়ংক্রিয় সময় কোডিং: সরঞ্জামগুলি কথোপকথনকে সেগমেন্টে ভাগ করে এবং খসড়া সময় কোড তৈরি করে।
3. অনুবাদ খসড়া: প্রতিলিপি পাঠ্য অনুবাদ করা হয়।
4. CPS/দৈর্ঘ্য নিয়ন্ত্রণ: এআই চিহ্নিত করতে পারে কোন সাবটাইটেল পড়ার গতি অতিক্রম করেছে এবং সংক্ষিপ্ত করার পরামর্শ দিতে পারে।

কিন্তু সাবধান: আওয়াজ, উচ্চারণ, ওভারল্যাপিং বক্তৃতা, সঠিক নাম এবং প্রযুক্তিগত পদে ASR ত্রুটি; "অডিও বিবরণ" প্রদান করতে পারে না; কে কথা বলছে বিভ্রান্ত হতে পারে। AI অনুবাদটি ছবিটি দেখতে পায় না - এটি কখন পর্দায় দেখানো একটি বস্তুকে "যে" বলা হয় তা জানতে পারে না। অতএব, মানুষ ভিজ্যুয়াল প্রসঙ্গ এবং পাঠোদ্ধার সঠিকতা যাচাই করে।

সতর্কতা: সবচেয়ে সাধারণ ভুল হল মনে করা যে ASR আউটপুট "ডিকোড"। ASR ঘন ঘন ভুল করে, বিশেষ করে সঠিক নাম, সংখ্যা, ব্র্যান্ডের নাম এবং প্রযুক্তিগত পদে; একটি ভুল ট্রান্সক্রিপশন অনুবাদ এবং সাবটাইটেলকে বহন করে। অডিও শুনে গুরুত্বপূর্ণ এলাকা যাচাই করতে ভুলবেন না।

সাবটাইটেল বিন্যাস নিয়ম

সাধারণ নিয়ম (প্ল্যাটফর্ম অনুসারে পরিবর্তিত হয়):

• প্রতি লাইনে ~37-42 অক্ষর, সর্বোচ্চ 2 লাইন।
• সময়কাল: ~1-6 সেকেন্ড; খুব ছোট "ফ্ল্যাশ" সাবটাইটেল এড়িয়ে চলুন।
• CPS ~17 (প্রাপ্তবয়স্কদের বিষয়বস্তু) ছাড়িয়ে যাবে না।
• বাক্যটি ভাঙ্গুন যেখানে এটি অর্থপূর্ণ হয় (লাইনের শেষে "এবং" বা "কিন্তু" ছেড়ে যাবেন না)।
• যদি সম্ভব হয়, দৃশ্য কাটা (শট পরিবর্তন) এড়িয়ে যাবেন না।
• শপথ, গান, স্ক্রিন লেখার মতো আইটেমগুলির জন্য প্ল্যাটফর্মের নিয়মগুলি অনুসরণ করুন।

তিনটি মিনি কেস

কেস 1 — ASR + পোস্ট-এডিট 60% বৃদ্ধি পেয়েছে। একটি দল প্রথমে ASR-এর সাথে একটি 45-মিনিটের ডকুমেন্টারি প্রতিলিপি এবং সময়-কোড করেছে, তারপর এটি অনুবাদ করে এবং পোস্ট-সম্পাদনা করেছে। স্ক্র্যাচ থেকে ট্রান্সক্রিপিং + টাইম কোডিংয়ের তুলনায় সময় 60% কমেছে। কিন্তু সমস্ত সঠিক নাম এবং সংখ্যা শব্দ তুলনা দ্বারা সংশোধন করা হয়েছে.

কেস 2 — CPS চেক সংরক্ষিত পঠনযোগ্যতা। সাবটাইটেল সহ একটি নির্দেশমূলক ভিডিওর প্রথম অনুবাদটি সঠিক ছিল, কিন্তু CPS গড় ছিল 24 - দর্শকরা তা ধরে রাখতে পারেনি৷ একটি রাউন্ড এআই-চালিত সংক্ষিপ্তকরণ সাবটাইটেলগুলিকে 30% সংক্ষিপ্ত করেছে, CPS কমিয়ে 16 করেছে; অর্থ সংরক্ষিত ছিল, পাঠযোগ্যতা এসেছে।

কেস 3 - ভিজ্যুয়াল প্রসঙ্গ ত্রুটি। এএসআর-ভিত্তিক অনুবাদে, একটি অক্ষর পর্দায় একটি চিহ্নের দিকে নির্দেশ করে এবং বলেছিল যে "পড়ুন"; AI এটিকে "এটি পড়ুন" হিসাবে অনুবাদ করেছে, কিন্তু চিহ্নের পাঠ্যটি অনুবাদ করা হয়নি, তাই দর্শক কী পড়তে হবে তা দেখতে পাচ্ছেন না। ক্যাপশনকারী স্ক্রিন ক্যাপশনের জন্য একটি পৃথক ক্যাপশন যোগ করেছেন; যে ব্যক্তি ছবিটি দেখেছেন তিনি পার্থক্য তৈরি করেছেন।

চারটি অনুলিপিযোগ্য টেমপ্লেট

1) ট্রান্সক্রিপশন (ASR) যাচাইকরণ তালিকা:

নীচে একটি ভিডিওর একটি স্বয়ংক্রিয় ট্রান্সক্রিপশন রয়েছে৷ ট্রান্সক্রিপশনে সম্ভাব্য ত্রুটি চিহ্নিত করুন: সঠিক নাম, ব্র্যান্ডের নাম, সংখ্যা, প্রযুক্তিগত পদ, অস্পষ্ট/অসম্পূর্ণ বাক্য। এইগুলিকে "ভয়েস দ্বারা যাচাই করুন" হিসাবে তালিকাভুক্ত করুন৷ অনুবাদ করবেন না। প্রতিলিপি: [...]

2) সাবটাইটেল অনুবাদ (CPS/দৈর্ঘ্য সীমিত):

নিম্নলিখিত ট্রান্সক্রিপশনটিকে [টার্গেট ভাষা] সাবটাইটেলে অনুবাদ করুন। সীমাবদ্ধতা: প্রতিটি সাবটাইটেল অবশ্যই সর্বাধিক 2 লাইন, লাইন ~42 অক্ষর, CPS ~17 এর বেশি হওয়া উচিত নয়। অর্থ সংরক্ষণ করার সময় সংক্ষিপ্ত করুন এবং স্বাভাবিক করুন; শব্দ দ্বারা শব্দ অনুবাদ করবেন না. সময় কোড সংরক্ষণ করুন. প্রতিলিপি + সময় কোড: [...]

3) CPS/পঠনযোগ্যতা পরীক্ষা:

নিম্নলিখিত প্রতিটি সাবটাইটেলের জন্য সময়কাল এবং অক্ষর গণনার উপর ভিত্তি করে আনুমানিক CPS গণনা করুন। 17-এর বেশি হলে চিহ্নিত করুন এবং একটি সংক্ষিপ্ত বিকল্প প্রস্তাব করুন যা অর্থ সংরক্ষণ করে। সাবটাইটেল (পাঠ্য | সময়কাল সেকেন্ড): [...]

4) স্ক্রীন টেক্সট / ভিজ্যুয়াল প্রসঙ্গ চেক:

নিম্নলিখিত কথোপকথনে, সেই স্থানগুলিকে চিহ্নিত করুন যা চিত্রকে নির্দেশ করতে পারে (স্ক্রীনের পাঠ্য, নির্দেশিত বস্তু, চিহ্ন)। এগুলির জন্য অতিরিক্ত সাবটাইটেল/ব্যাখ্যার প্রয়োজন আছে কিনা বলুন, ধরে নিন যে দর্শক ছবিটি দেখতে পাচ্ছেন না। সংলাপ: [...]

দুর্বল প্রম্পট / শক্তিশালী প্রম্পট

দুর্বল: "এই সাবটাইটেলগুলি অনুবাদ করুন।" (কোন দৈর্ঘ্য, CPS, লাইনের নিয়ম নেই; আউটপুট স্ক্রিনে ফিট হবে না, অপঠনযোগ্য।)

Güçlü: "এই কথোপকথনের প্রতিলিপিটি তুর্কি সাবটাইটেলে অনুবাদ করুন। প্রতিটি সাবটাইটেল অবশ্যই সর্বাধিক 2 লাইনের, প্রতি লাইনে 42টি অক্ষর হতে হবে; পড়ার গতির জন্য প্রয়োজন হলে অর্থ সংরক্ষণ করার সময় এটিকে ছোট করুন। স্বাভাবিক তুর্কি ভাষায় কথ্য ভাষা দিন, অপবাদ নরম করুন। সময় কোডগুলি স্পর্শ করবেন না।"

পার্থক্য: শক্তিশালী প্রম্পট সাবটাইটেলের প্রযুক্তিগত সীমাবদ্ধতা দেয় (লাইন, অক্ষর, সিপিএস, টোন); আউটপুট আসলে ব্যবহারযোগ্য সাবটাইটেলগুলির কাছে পৌঁছেছে।

AVT ফর্ম্যাট তুলনা চার্ট

বিন্যাস

কি করে

এআই অবদান

মানুষের সমালোচনামূলক পয়েন্ট

সাবটাইটেল

বক্তৃতা প্রতিলিপি করে

ASR, অনুবাদ, CPS

মানানসই, চাক্ষুষ প্রসঙ্গ

ডাবিং

টার্গেট ভাষায় ভয়েসওভার

অনুবাদ খসড়া

লিপ সিঙ্ক, অভিনয়

ভয়েস-ওভার

উপরে অনুবাদ পড়ুন

অনুবাদ, সময়

প্রাকৃতিক প্রবাহ, স্বর

অডিও বর্ণনা

শব্দ সহ চিত্র বর্ণনা করে

খসড়া পাঠ্য

চাক্ষুষ ব্যাখ্যা (মানব)

সাধারণ ভুল

• ASR ট্রান্সক্রিপ্ট যাচাই না করেই অনুবাদ করা। সঠিক নাম/সংখ্যার ত্রুটি সাবটাইটেলে নিয়ে যাওয়া হয়।
• শব্দ দ্বারা শব্দ অনুবাদ এবং CPS কাছাকাছি পেতে. দর্শক পড়তে পারে না; ফিট করা আবশ্যক।
• চাক্ষুষ প্রসঙ্গ উপেক্ষা. স্ক্রীন টেক্সট এবং পয়েন্টেড বস্তু অনূদিত থেকে যায়.
• লাইন বিভক্ত করা অর্থহীন। এটি পঠনযোগ্যতা নষ্ট করে।
• টোন/রেজিস্টার সমতল করা। অক্ষরের উপভাষা এবং অপবাদ অদৃশ্য হয়ে যায়।

ডাবিং এবং লিপ সিঙ্ক

সাবটাইটেলিংয়ের সীমাবদ্ধতা পড়ার গতি, ডাবিংয়ের সীমাবদ্ধতা হল সময় এবং ঠোঁট। ভয়েস-ওভার অনুবাদে তিনটি স্বতন্ত্র ধরণের সিঙ্ক রয়েছে: লিপ-সিঙ্ক — যেখানে অনুবাদটি চরিত্রের মুখের গতিবিধির সাথে মেলে, বিশেষ করে ক্লোজ-আপে খোলা স্বর; isochrony - অনুবাদ লাইনটি মূল লাইনের সমান দৈর্ঘ্য, খুব ছোট বা খুব দীর্ঘ নয়; অঙ্গভঙ্গি সিঙ্ক্রোনি - চরিত্রের হাত এবং বাহু নড়াচড়ার সাথে যা বলা হয়েছে তার সাথে মিল। এই কারণেই ডাবিং অনুবাদক প্রায়ই একটি "আকর্ষক" লাইন লেখেন যা অর্থ সংরক্ষণ করে কিন্তু সম্পূর্ণ ভিন্ন শব্দ দিয়ে; শব্দ বিশ্বস্ততা এখানে সাবটাইটেল থেকে এমনকি কম.

এআই একটি কাঁচা অনুবাদের খসড়া এবং ডাবিংয়ের জন্য একটি সময় সতর্কতা প্রদান করতে পারে ("এই লাইনটি আসলটির চেয়ে 40% দীর্ঘ, এটি ছোট করুন")। নতুন প্রযুক্তি এমনকি শব্দ ক্লোন করতে পারে এবং স্বয়ংক্রিয় ডাবিং তৈরি করতে পারে; কিন্তু অভিনয়, আবেগ, চরিত্রের শ্বাস-প্রশ্বাসের ফাইন টিউনিং এবং ঠোঁট-সিঙ্কিং এখনও মানব অনুবাদক এবং কণ্ঠ অভিনেতার কাজ। স্বয়ংক্রিয় ডাবিং একটি রূপরেখা প্রদান করে; শৈল্পিক এবং সিঙ্ক্রোনাস সিদ্ধান্ত মানুষের। উপরন্তু, যার কণ্ঠস্বর ক্লোন করা হয়েছে তার সম্মতি একটি গুরুত্বপূর্ণ নৈতিক এবং আইনি সমস্যা।

সংক্ষেপে

অডিওভিজ্যুয়াল অনুবাদ হল দর্শকের চোখ এবং কানের সীমাবদ্ধতার মধ্যে পাঠ্যকে ফিট করার শিল্প: সাবটাইটেলিংয়ের লাইন/চরিত্র/সিপিএস সীমানা, ডাবিং-এ ঠোঁট-সিঙ্কিং, ভিজ্যুয়াল প্রেক্ষাপট এই সবগুলির মধ্যে নির্ধারক ফ্যাক্টর। AI ট্রান্সক্রিপশন, টাইমকোডিং, ট্রান্সলেশন ড্রাফটিং, এবং ASR এর সাথে CPS চেকিং এর গতি বাড়ায়; কিন্তু ASR সঠিক নাম এবং শব্দে ভুল হয়, এটি চিত্রটি দেখতে পারে না এবং ফিট-টোন সিদ্ধান্তগুলি মানুষের দ্বারা নেওয়া হয়। মাস্টার সাবটাইটার শব্দের জন্য শব্দ অনুবাদ করে না; সংক্ষিপ্ততম, সবচেয়ে প্রাকৃতিক অভিব্যক্তি খুঁজে পায় যা অর্থ সংরক্ষণ করে।

আবেদন টাস্ক

একটি ছোট (2-3 মিনিট) ভিডিও ক্লিপ চয়ন করুন। একটি ASR টুল দিয়ে প্রতিলিপি করুন এবং একটি "ট্রান্সক্রিপশন যাচাইকরণ" টেমপ্লেট সহ অডিওর সাথে ঝুঁকিপূর্ণ এলাকার তুলনা করুন এবং সংশোধন করুন। তারপর "সাবটাইটেল অনুবাদ" টেমপ্লেট সহ CPS ~17 সীমাবদ্ধতার সাথে অনুবাদ করুন এবং "CPS নিয়ন্ত্রণ" দিয়ে সীমা অতিক্রমকারী সাবটাইটেলগুলিকে ছোট করুন। যদি একটি স্ক্রীন টেক্সট বা সাইন থাকে, একটি "ভিজ্যুয়াল প্রসঙ্গ চেক" প্রয়োগ করুন।

চেকলিস্ট

• [] আমি নির্দিষ্ট নাম/নম্বরের জন্য ভয়েসের মাধ্যমে ASR ডিক্রিপশন যাচাই করেছি।
• [ ] আমি সাবটাইটেলগুলিকে লাইন/অক্ষর/CPS নিয়মের মধ্যে মানানসই করেছি।
• [ ] আমি এটিকে সংক্ষিপ্ত এবং স্বাভাবিকীকরণ করেছি, শব্দের জন্য শব্দ নয়, অর্থ সংরক্ষণ করে।
• [ ] আমি ভিজ্যুয়াল প্রসঙ্গ (অনস্ক্রিন টেক্সট, সাইন) বিবেচনায় নিয়েছি।
• আমি স্বর এবং চরিত্রের পার্থক্য রক্ষা করার জন্য এটি অনুবাদ করেছি।