লাভ:
- স্বয়ংক্রিয় ট্রান্সক্রিপশন এবং স্পিকার পৃথকীকরণের ধারণাগুলি বোঝার এবং কাঁচা রেকর্ডিংকে সময়-কোডেড পাঠ্যে রূপান্তর করার ক্ষমতা
- সাবটাইটেল ফরম্যাট (SRT/VTT), পড়ার গতি এবং লাইন নিয়ম বোঝার এবং বহুভাষিক সাবটাইটেল ড্রাফ্ট তৈরি ও সম্পাদনা করার ক্ষমতা
- প্রকাশের আগে স্বয়ংক্রিয় প্রতিলিপিতে পরিভাষা, সঠিক নাম, বিরাম চিহ্ন এবং অনুবাদের ত্রুটিগুলি যাচাই করা সম্পাদকের দায়িত্ব বোঝা।
পোস্ট-প্রোডাকশনের সবচেয়ে ক্লান্তিকর, সময়সাপেক্ষ কাজটি ছিল ঐতিহ্যগতভাবে ট্রান্সক্রিপশন: একজন সম্পাদক ঘন্টার পর ঘন্টা সাক্ষাত্কারের ফুটেজগুলি অবিরাম শুনতেন, প্রতিটি বাক্য হাত দিয়ে টাইপ করতেন। এক ঘণ্টার রেকর্ডিং ট্রান্সক্রাইব করতে চার থেকে পাঁচ ঘণ্টা সময় লাগবে। কৃত্রিম বুদ্ধিমত্তা এই ব্যবসাকে আমূল পরিবর্তন করেছে: আজ এক ঘণ্টার রেকর্ডিং মিনিটের মধ্যে সময়-কোডেড পাঠ্যে পরিণত হতে পারে। এটি উভয়ই সম্পাদনা পাইপলাইনের গতি বাড়ায় এবং অ্যাক্সেসযোগ্যতা সক্ষম করে (শ্রবণ-প্রতিবন্ধী দর্শকদের জন্য সাবটাইটেল এবং নীরব দেখার জন্য)। কিন্তু স্বয়ংক্রিয় আউটপুট কখনই তার কাঁচা আকারে প্রকাশের জন্য উপযুক্ত নয়; এই ইউনিটে আমরা শক্তি এবং ক্ষতি উভয়ই দেখতে পাব।
এর শর্তাবলী দিয়ে শুরু করা যাক. ট্রান্সক্রিপশন হল বক্তৃতাকে লেখায় স্থাপন করা। স্বয়ংক্রিয় স্পিচ রিকগনিশন (ASR) এমন একটি প্রযুক্তি যা ভয়েসকে পাঠ্যে অনুবাদ করে। টাইমকোড হল একটি চিহ্ন যা দেখায় যে পাঠ্যটি ভিডিওতে কোন সেকেন্ডের সাথে মিলে যায়। স্পীকার ডায়েরাইজেশন হল "কে বলেছে" আলাদা করা এবং পাঠ্যটিকে স্পিকারগুলিতে ভাগ করা। সাবটাইটেল (সাবটাইটেল/ক্যাপশন) হল সময়-কোডেড পাঠ্য যা স্ক্রিনে প্রদর্শিত হয়। SRT এবং VTT হল সবচেয়ে সাধারণ সাবটাইটেল ফাইল ফরম্যাট; এগুলিতে প্রতিটি লাইনের ক্রম, শুরু-শেষের সময় এবং পাঠ্য থাকে। পড়ার গতি (CPS: প্রতি সেকেন্ডে অক্ষর) নির্ধারণ করে যে দর্শকের সাবটাইটেলটি আরামদায়কভাবে পড়ার জন্য লাইনটি স্ক্রিনে কতক্ষণ থাকতে হবে।
স্বয়ংক্রিয় প্রতিলিপির ক্ষমতা এবং সীমা
AI ট্রান্সক্রিপশন খুব উচ্চ নির্ভুলতার সাথে সঠিক তুর্কি ভাষায় রেকর্ড করা একটি স্পষ্ট, একক-স্পিকার ভয়েস প্রতিলিপি করে। কিন্তু এটি নিম্নলিখিত পরিস্থিতিতে ভুল করে, এবং এগুলি জানার ফলে আপনি যাচাইকরণের লক্ষ্য করতে পারবেন: সঠিক নাম (মানুষের নাম, ব্র্যান্ড, স্থানগুলি প্রায়শই ভুল বানান হয়), প্রযুক্তিগত পদ এবং সংক্ষিপ্ত রূপ, অনুরূপ শব্দযুক্ত শব্দ (“কার/কর”, “এখনও/এখনও”), ওভারল্যাপিং বক্তৃতা (একই সময়ে দুই ব্যক্তি), ব্যাকগ্রাউন্ড নয়েজ এবং মিউজিক, উপভাষা/অ্যাকসেন্ট বাক্যাংশের পার্থক্য অতিরিক্তভাবে, মডেলটি এমন একটি শব্দ "শুনে" এবং প্রতিলিপি করতে পারে যা কখনোই কোনো কোলাহলপূর্ণ মুহুর্তে উচ্চারিত হয়নি—এটি ট্রান্সক্রিপশনের হ্যালুসিনেশন।
নিম্নোক্ত সারণী স্বয়ংক্রিয় ট্রান্সক্রিপশনের জন্য শক্তিশালী এবং দুর্বল অবস্থার সংক্ষিপ্ত বিবরণ দেয়:
অবস্থা
নির্ভুলতা
সম্পাদকের ফোকাস
একক স্পিকার, পরিষ্কার শব্দ, শান্ত পরিবেশ
খুব উচ্চ
সঠিক নাম, বিরাম চিহ্ন
মাল্টি স্পিকার প্যানেল
মাঝারি
বক্তা বিচ্ছেদ, ওভারল্যাপিং বক্তৃতা
শোরগোল / বহিরঙ্গন রেকর্ডিং
নিম্ন মাঝারি
তৈরি শব্দ, লাফানো
প্রযুক্তিগত/পরিভাষা বিষয়বস্তু
মাঝারি
শব্দ এবং সংক্ষিপ্ত বিবরণ লেখা
উচ্চারিত বক্তৃতা
পরিবর্তনশীল
শব্দের ত্রুটি, অর্থ
সাবটাইটেল বিন্যাস এবং পঠনযোগ্যতা নিয়ম
একটি ভাল সাবটাইটেল শুধুমাত্র "সঠিক পাঠ্য" নয়; পাঠযোগ্য হতে হবে। আন্তর্জাতিক অনুশীলনে কিছু নিয়ম কানুন রয়েছে: সাবটাইটেলের একটি লাইন সাধারণত দুই লাইনের বেশি হওয়া উচিত নয়; প্রতিটি লাইন একটি যুক্তিসঙ্গত দৈর্ঘ্য রাখা উচিত (প্রায় 37-42 অক্ষর); সাবটাইটেলটি পড়ার জন্য যথেষ্ট সময় স্ক্রিনে থাকতে হবে (সাধারণত 1-6 সেকেন্ড); পড়ার গতি খুব বেশি হওয়া উচিত নয় (বেশিরভাগ গাইড ~15-17 অক্ষর/সেকেন্ডকে সীমা হিসাবে বিবেচনা করে)। AI সরঞ্জামগুলি স্বয়ংক্রিয়ভাবে সাবটাইটেলকে বিভক্ত করে, কিন্তু এই বিভক্তগুলি কখনও কখনও বাক্যকে খারাপ জায়গায় কাটায় ("এবং" দিয়ে শেষ হওয়া লাইনটি অর্থ ভাগ করে)। সম্পাদকের কাজ হল লেখাটিকে নির্ভুল এবং সাবলীল করা।
আপনার ভূমিকা: সাবটাইটেল সম্পাদক সহকারী। নীচে একটি স্বয়ংক্রিয় প্রতিলিপি আছে. কাজ: 1) এসআরটি যুক্তি অনুসারে পাঠ্যটিকে সাবটাইটেল ব্লকে ভাগ করুন। 2) প্রতিটি ব্লক সর্বাধিক 2 লাইনের হওয়া উচিত, প্রতিটি লাইন ~ 40 অক্ষরের বেশি হওয়া উচিত নয়। 3) অর্থপূর্ণ জায়গায় বাক্যটি ভাগ করুন; "এবং", "কিন্তু", "তাই" দিয়ে শেষ হওয়া লাইন। 4) যথাযথ বিশেষ্য এবং পদগুলিকে [চেক] ট্যাগ দিয়ে চিহ্নিত করুন যাতে আমি সেগুলি ম্যানুয়ালি যাচাই করতে পারি। 5) পাঠ্য পরিবর্তন করবেন না, শুধু বিভক্ত করুন এবং চিহ্নিত করুন।
এই প্রম্পটে "[কন্ট্রোল] ট্যাগ" ধারণাটি মূল্যবান: AI চিহ্নের এলাকাগুলি থাকা যেখানে এটি অনিশ্চিত বা ঝুঁকিপূর্ণ (সঠিক নাম, শব্দ) সম্পাদকের চোখকে সঠিক জায়গায় নির্দেশ করে এবং অন্ধ বিশ্বাসকে বাধা দেয়।
বহুভাষিক সাবটাইটেল এবং অনুবাদ
একাধিক ভাষায় একটি ভিডিও খুললে দর্শক বাড়ে। এআই ট্রান্সক্রিপ্ট নিতে পারে, টার্গেট ল্যাঙ্গুয়েজে অনুবাদ করতে পারে এবং একটি সাবটাইটেল ফাইল তৈরি করতে পারে। এটি একটি শক্তিশালী ক্ষমতা, কিন্তু এটি সবচেয়ে দুর্বল: মেশিন অনুবাদ বাগধারা, সাংস্কৃতিক উল্লেখ, হাস্যরস এবং শ্লেষ, পদ এবং প্রসঙ্গ ভুলভাবে উপস্থাপন করতে পারে। "এটি রেইনিং ক্যাটস এন্ড ডগস" বাক্যটিকে শব্দের জন্য অনুবাদ করা একটি বিপর্যয়। সাবটাইটেল অনুবাদে একটি স্থানের সীমাবদ্ধতা রয়েছে: লক্ষ্য ভাষার বাক্যটি দীর্ঘ হতে পারে এবং পড়ার গতি অতিক্রম করতে পারে। এই কারণে বহুভাষিক সাবটাইটেলিংয়ের জন্য এটি অপরিহার্য যে লক্ষ্য ভাষা জানেন এমন একজন ব্যক্তি অনুবাদটি যাচাই করুন — বিশেষ করে সংবেদনশীল সামগ্রী যেমন ব্র্যান্ডিং, আইনি বা স্বাস্থ্যের জন্য, ভুল অনুবাদের গুরুতর পরিণতি হতে পারে৷
নিম্নলিখিত তুর্কি সাবটাইটেল ব্লকগুলিকে ইংরেজিতে অনুবাদ করুন। নিয়ম: - বাগধারা এবং কৌতুক স্থানান্তর, শব্দার্থে নয়, কিন্তু তাদের অর্থ সংরক্ষণ. - ব্র্যান্ডের নাম এবং পণ্যের নাম যেমন আছে তেমনই রেখে দিন, অনুবাদ করবেন না। - প্রতিটি ব্লক তার পড়ার গতি বজায় রাখুন; প্রয়োজনে সংক্ষিপ্ত করুন, তবে অর্থ বিকৃত করবেন না। - যে সাংস্কৃতিক রেফারেন্স বা শব্দটি সম্পর্কে আপনি নিশ্চিত নন তা উল্লেখ করুন [TRANSLATOR'S NOTE]।
তিনটি মিনি কেস
কেস 1 - ত্বরিত লাইন। একটি ডকুমেন্টারি ক্রু তিন সপ্তাহ ধরে সাক্ষাত্কারের একটি 12-ঘন্টা সংরক্ষণাগার প্রতিলিপিতে ব্যয় করেছে। স্বয়ংক্রিয় ট্রান্সক্রিপশন সহ, কাঁচা পাঠ্য একদিনে আউটপুট হয়েছিল; টেক্সট (শব্দ দ্বারা শব্দ) এর মাধ্যমে অনুসন্ধান করে, দলটি সেকেন্ডের মধ্যে তারা যে মুহূর্তগুলি চেয়েছিল তা খুঁজে পেয়েছে৷ তারপর তারা সাবধানতার সাথে শুধুমাত্র 40-মিনিটের এপিসোডটি ব্যবহার করবে তা সম্পাদনা এবং সাবটাইটেল করেছে। তিন সপ্তাহ চার দিনে পরিণত হয়েছে; যাচাইকরণ প্রচেষ্টা ব্যবহৃত বিভাগে নিবদ্ধ।
কেস 2 - তৈরি শব্দ। একটি নিউজ চ্যানেল চেক না করেই স্বয়ংক্রিয় সাবটাইটেল সহ বাজে রাস্তার সাক্ষাৎকার সম্প্রচার করেছে। মডেলটি পটভূমিতে একটি না বলা শব্দ "শুনেছে" এবং ক্যাপশনটি সাক্ষাত্কার গ্রহণকারীর কাছে একটি না বলা শব্দকে অভিহিত করেছে৷ সোশ্যাল মিডিয়ায় প্রতিক্রিয়া হয়েছিল এবং সংশোধন প্রকাশিত হয়েছিল। পাঠ: শোরগোল রেকর্ডিংয়ে, স্বয়ংক্রিয় সাবটাইটেলগুলিকে মূল অডিওর সাথে তুলনা করতে হবে।
কেস 3 - অনুবাদ বিপর্যয়। একটি ব্র্যান্ড মেশিন অনুবাদ সহ এবং নিয়ন্ত্রণ ছাড়াই তার প্রচারমূলক ভিডিওর ইংরেজি সাবটাইটেল প্রকাশ করেছে৷ যখন একটি তুর্কি বাগধারা ("চোখের বাইরে রাখুন") শব্দের জন্য অনুবাদ করা হয়েছিল, তখন এটি ইংরেজ শ্রোতাদের কাছে অর্থহীন এবং এমনকি মজার বলে মনে হয়েছিল, এবং ব্র্যান্ডের গুরুতরতা ক্ষতিগ্রস্ত হয়েছিল। সঠিক উপায়: টার্গেট ভাষা জানেন এমন কারো দ্বারা অনুবাদ যাচাই করা।
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল প্রম্পট:
এই ভিডিওটি সাবটাইটেল করুন এবং এটি ইংরেজিতে অনুবাদ করুন।
কোন বিন্যাস নেই, কোন পঠনযোগ্য নিয়ম নেই, কোন বৈধতা চিহ্ন নেই। আউটপুট অশোধিত এবং ঝুঁকিপূর্ণ হবে.
শক্তিশালী প্রম্পট:
আপনার ভূমিকা: দ্বিভাষিক সাবটাইটেল সম্পাদক।ইনপুট: তুর্কি টাইমকোডেড ট্রান্সক্রিপ্ট। টাস্ক:1) 2 লাইন / ~40 অক্ষর / ভাল বিভাজনের নিয়ম দ্বারা তুর্কি সাবটাইটেল সম্পাদনা করুন। 2) [কন্ট্রোল] দিয়ে সঠিক নাম এবং পদ চিহ্নিত করুন।3) আলাদাভাবে ইংরেজি অনুবাদ তৈরি করুন; শব্দগুচ্ছটি আক্ষরিকভাবে স্থানান্তর করুন, ব্র্যান্ডের নামটি সংরক্ষণ করুন। 4) [লং] দিয়ে পড়ার গতি অতিক্রম করে এমন ব্লক চিহ্নিত করুন। 5) কোনো শব্দ তৈরি করবেন না; অনির্দিষ্ট ধ্বনি লিখুন [UNINDICATED]।
সাধারণ ভুল
- নিয়ন্ত্রণ ছাড়াই স্বয়ংক্রিয় প্রতিলিপি প্রকাশ করা। সঠিক নাম, পদ, বিরাম চিহ্ন এবং তৈরি শব্দে ত্রুটি থেকে যায়।
- খারাপ লাইন বিভাজন। "এবং/কিন্তু/কি" দিয়ে শেষ হওয়া লাইনগুলি পড়া কঠিন করে তোলে।
- পড়ার গতি ছাড়িয়ে গেছে। স্ক্রিনে খুব ছোট লম্বা সাবটাইটেল পড়া যাবে না।
- মেশিন অনুবাদ যাচাই করা হচ্ছে না। যদি একটি বাগধারা, কৌতুক বা শব্দ ভুল হয়, ব্র্যান্ড ক্ষতিগ্রস্ত হয়.
- স্পিকার পার্থক্য বাইপাস. প্যানেলে "কে কি বলল" নিয়ে বিভ্রান্তি থাকলে, সাবটাইটেলটি বিভ্রান্তিকর হবে।
টিপ: ট্রান্সক্রিপ্ট সম্পাদনা করার সময়, ভিডিওটি 1.25-1.5 গতিতে দেখুন এবং এটি সাবটাইটেলগুলির সাথে সিঙ্ক্রোনাইজ করা হয়েছে কিনা তা পরীক্ষা করুন৷ এইভাবে আপনি দ্রুত টাইমকোড ড্রিফট এবং তৈরি/মিস করা শব্দ দুটোই ধরতে পারবেন।
সতর্কতা: স্বাস্থ্যসেবা, আইন, অর্থের মতো ক্ষেত্রে, একটি একক ভুলভাবে প্রতিলিপিকৃত শব্দ (যেমন একটি ডোজ, একটি উপাদান সংখ্যা) গুরুতর পরিণতি হতে পারে৷ এই বিষয়বস্তুতে, প্রতিটি সংখ্যা এবং শব্দ আলাদাভাবে যাচাই করা আবশ্যক।
সংক্ষেপে
স্বয়ংক্রিয় ট্রান্সক্রিপশন এবং সাবটাইটেলিং হল পোস্ট-প্রোডাকশনের সবচেয়ে বড় সময় সাশ্রয়কারী এবং অ্যাক্সেসযোগ্যতা সক্ষম করে। AI প্রতিলিপির ঘন্টাকে মিনিটে কমিয়ে দেয় এবং পাঠ্যের মাধ্যমে অনুসন্ধান সক্ষম করে। কিন্তু আউটপুটটি তার কাঁচা আকারে প্রকাশের জন্য উপযুক্ত নয়: সঠিক নাম, পদ, বিরাম চিহ্ন, তৈরি করা শব্দ এবং খারাপ লাইন বিরতি অবশ্যই সংশোধন করতে হবে। পাঠযোগ্যতার নিয়ম (লাইন দৈর্ঘ্য, সময়কাল, পড়ার গতি) পাঠ্যটিকে দর্শকের জন্য সাবলীল করে তোলে। বহুভাষিক সাবটাইটেলে, মেশিন অনুবাদ অবশ্যই একজন ব্যক্তির দ্বারা যাচাই করা উচিত যিনি লক্ষ্য ভাষা জানেন। এআই ঢেলে দেয় এবং পরামর্শ দেয়; যথার্থতা, পাঠযোগ্যতা এবং অর্থ সম্পাদকের দায়িত্ব।
আবেদন টাস্ক
একটি সংক্ষিপ্ত কথোপকথন রেকর্ডিং নিন (সম্ভবত আপনার নিজের ভয়েস, 2-3 মিনিট) এবং এটি স্বয়ংক্রিয়ভাবে প্রতিলিপি করুন। মূল অডিও এবং ফ্ল্যাগ যথাযথ বিশেষ্য, পদ, এবং বিরাম চিহ্নের ত্রুটির সাথে আউটপুট তুলনা করুন; অন্তত পাঁচটি ত্রুটি খুঁজুন। তারপরে, উপরের নিয়ম অনুসারে পাঠ্যটিকে সাবটাইটেল ব্লকে বিভক্ত করুন, একটি ভাষায় অনুবাদ করুন এবং অনুবাদে কমপক্ষে দুটি ঝুঁকিপূর্ণ পয়েন্ট (বাণী/শব্দ) সংশোধন করুন। প্রক্রিয়া এবং আপনি খুঁজে পেতে কোনো ত্রুটি রিপোর্ট করুন.
চেকলিস্ট
- [ ] আমি কি ট্রান্সক্রিপ্টটিকে মূল অডিওর সাথে তুলনা করেছি এবং কোন সঠিক বিশেষ্য/পদ/বিরাম চিহ্নের ত্রুটি সংশোধন করেছি?
- [ ] আমি কি তৈরি করা বা বাদ দেওয়া শব্দগুলির জন্য পরীক্ষা করেছি?
- [ ] আমি কি লাইনের দৈর্ঘ্য, সময়কাল এবং পড়ার গতির নিয়ম অনুসারে সাবটাইটেলটি সম্পাদনা করেছি?
- [ ] বহুভাষিক সাবটাইটেলগুলির জন্য, আমি কি লক্ষ্য ভাষা জানেন এমন কাউকে দিয়ে অনুবাদটি সাবধানে যাচাই করেছি?
- [ ] আমি কি আলাদাভাবে সংবেদনশীল বিষয়বস্তুর প্রতিটি সংখ্যা এবং পদ যাচাই করেছি?