Hagnaður:
- Hæfni til að passa og varðveita merkinguna með því að beita tæknireglum undirtitilsins (lína, stafur, CPS)
- Geta til að sannreyna réttnafn og númeravillur með rödd á meðan flýta fyrir umritun og sjálfvirkri tímakóðun með ASR
- Geta til að stjórna takmörkum gervigreindar með því að taka tillit til sjónræns samhengis, tónmun og varasamstillingar í talsetningu
Að þýða kvikmynd, sjónvarpsþætti, fyrirtækjamyndband eða netnámskeið er gjörólíkt því að þýða venjulegan texta: tími, lestrarhraði, skjámynd, rödd og varahreyfingar persónanna eru líka takmarkanir. Í þessari einingu munt þú læra hljóð- og myndþýðingu (texta, talsetningu, raddsetningu), tæknilegar reglur texta, AI-studd uppskrift og tímakóðun og gæðagildrur þessa sviðs. Markmiðið er að vinna eins og hljóð- og myndmiðlunarþýðingarfræðingur sem „passar að augum og eyrum áhorfenda“ frekar en að „þýða textann“.
Grunnhugtök
Audiovisual translation (AVT) er þýðing á efni sem inniheldur hljóð og mynd; Helstu form eru textun, talsetning og hljóðlýsing. Textun er spegilmynd ræðunnar í rituðu formi á skjánum. Talsetning er endurtalsetning upprunalegu raddarinnar á markmálinu. Talsetning er þegar hljóðið er slökkt og þýðing lesin yfir það (algengt í heimildarmyndum).
Tvö mikilvæg tæknileg hugtök texta: CPS (stafir á sekúndu) takmarkar hraða texta þannig að áhorfandinn geti lesið hann á þægilegan hátt; Almennt viðurkennd efri mörk eru um 17 stafir á sekúndu (lægri fyrir barnaefni). Tímakóði er upphafslokatíminn sem gefur til kynna hvenær textinn mun birtast og hverfa á skjánum (svo sem 00:01:23,400).
Af hverju er það erfitt? Vegna þess að það þýðir að passa þýðingu yfir í texta. Tvær línur, ~42 stafir í hverri línu, að lágmarki ~1 sekúnda og að hámarki ~6 sekúndur af skjátíma, og CPS-takmarkið - þú þarft að fara eftir þessu öllu en viðhalda merkingu og tóni. Þess vegna er textaþýðing oft spurning um þjöppun og umorðun, ekki þýðingu orð fyrir orð.
Ábending: Forðastu viðbragðið að „þýða hvert orð“ í texta. Áhorfandinn bæði horfir á og les myndina; Ekki er hægt að lesa of langa texta. Að finna stystu náttúrulegu tjáninguna sem varðveitir merkingu er hið sanna vald skjátextans.
Hlutverk gervigreindar í hljóð- og myndrænum þýðingum
AI flýtir verulega fyrir nokkrum skrefum á þessu sviði:
- Umritun: Með ASR (Automatic Speech Recognition) er röddin sjálfkrafa umrituð. Þetta dregur út hráuppsprettu undirtitilsins á nokkrum mínútum.
- Sjálfvirk tímakóðun: Verkfæri skipta samtalinu í hluta og búa til drög að tímakóða.
- Þýðingardrög: Uppskriftartextinn er þýddur.
- CPS/lengdarstýring: Gervigreind getur merkt hvaða texti fer yfir lestrarhraða og stungið upp á styttingu.
En varist: ASR villur um hávaða, hreim, skarast tal, sérnöfn og tæknileg hugtök; getur ekki gefið upp "hljóðlýsingu"; Hver er að tala gæti ruglast. AI þýðingin sér ekki myndina - hún getur ekki vitað hvenær hlutur sem sýndur er á skjánum er kallaður „það“. Þess vegna sannreynir manneskjan sjónrænt samhengi og ráðleggingarnákvæmni.
Varúð: Algengustu mistökin eru að halda að ASR úttakið sé "afkóða". ASR gerir oft mistök, sérstaklega í eiginnöfnum, númerum, vörumerkjum og tæknilegum orðum; röng umritun færist yfir í þýðingar og textun. Vertu viss um að staðfesta mikilvæg svæði með því að hlusta á hljóðið.
Reglur um textasnið
Algengar reglur (mismunandi eftir vettvangi):
- ~37-42 stafir í hverri línu, 2 línur að hámarki.
- Lengd: ~1-6 sekúndur; Forðastu mjög stutta „flash“ texta.
- CPS má ekki fara yfir ~17 (efni fyrir fullorðna).
- Brjóttu setninguna þar sem það er skynsamlegt (ekki skilja „og“ eða „en“ eftir í lok línunnar).
- Ef mögulegt er, slepptu ekki senuklippunni (skotbreyting).
- Fylgdu vettvangsreglunum fyrir hluti eins og blótsyrði, lög, skjáskrif.
þrjú smámál
Tilfelli 1 — ASR + eftirbreytingu flýtt um 60%. Hópur skrifaði fyrst upp og tímakóðaði 45 mínútna heimildarmynd með ASR, þýddi hana síðan og eftirbreytti henni. Tími styttur um 60% miðað við umritun + tímakóðun frá grunni. En öll eiginnöfn og númer voru leiðrétt með hljóðsamanburði.
Tilfelli 2 — CPS athuga vistuð læsileika. Fyrsta þýðing á kennslumyndbandi með texta var nákvæm, en CPS var að meðaltali 24 — áhorfendur gátu ekki fylgst með. Umferð af gervigreindarknúnum styttingu stytti texta um 30% og lækkar CPS niður í 16; merking varðveitt, læsileiki kom.
Tilvik 3 — Sjónræn samhengisvilla. Í þýðingunni sem byggir á ASR benti persóna á skilti á skjánum og sagði „lestu það“; Gervigreindin þýddi það sem "lesa það", en textinn á skiltinu var ekki þýddur, þannig að áhorfandinn gat ekki séð hvað hann átti að lesa. Skjátextinn bætti við sérstökum yfirskrift fyrir skjátextann; Sá sem sá myndina gerði muninn.
Fjögur afritanleg sniðmát
1) Staðfestingarlisti um uppskrift (ASR):
Hér að neðan er sjálfvirk uppskrift af myndbandi. Merktu við hugsanlegar villur í umrituninni: eiginnöfn, vöruheiti, númer, tæknileg hugtök, óljósar/ófullkomnar setningar. Skráðu þetta sem "staðfesta með rödd." Ekki þýða. Umrita: [...]
2) Þýðing texta (CPS/lengd takmörkuð):
Þýddu eftirfarandi uppskrift yfir á [markmáls] texta. ÞAKMING: hver texti verður að vera hámark 2 línur, línu ~42 stafir, CPS má ekki fara yfir ~17. STYTTU og náttúrulega um leið og merkingin varðveitt; ekki þýða orð fyrir orð. Geymdu tímakóða. Uppskrift + tímakóðar: [...]
3) CPS/læsileikaathugun:
Reiknaðu áætlaða CPS út frá lengd og stafafjölda fyrir hvern af eftirfarandi texta. Merktu við eitthvað sem fer yfir 17 og leggðu til styttri valkost sem varðveitir merkinguna. Texti (texti | lengd sekúndur): [...]
4) Athugun á skjátexta / sjónrænu samhengi:
Í eftirfarandi umræðu skaltu merkja við þá staði sem gætu átt við myndina (skjátexti, oddhvass hlutur, skilti). Segðu hvort frekari texta/skýringar þurfi fyrir þetta, að því gefnu að áhorfandinn geti ekki séð myndina. Samtal: [...]
Veik kvaðning / Sterk kvaðning
Veik: "Þýddu þessa texta." (Engin lengd, CPS, línureglur; úttak passar ekki á skjáinn, ólæsilegt.)
Güçlü: "Þýddu þessa samræðuafrit yfir á tyrkneska texta. Hver texti verður að hámarki að vera 2 línur, 42 stafir í hverri línu; styttu hann um leið og þú varðveitir merkinguna þegar þörf er á lestrarhraða. Gefðu talað tungumálið á náttúrulega tyrknesku, mildaðu slangurið. Ekki snerta tímakóðana."
Mismunur: sterk hvetja gefur tæknilegar skorður undirtitilsins (lína, karakter, CPS, tónn); úttakið nálgast í raun nothæfan texta.
AVT snið samanburðartöflu
sniði
Hvað gerir
AI framlag
mannlegur gagnrýni punktur
undirtitill
Skrifar upp ræðuna
ASR, þýðing, CPS
Passa, sjónrænt samhengi
talsetningu
Talsetning á markmáli
Þýðingardrög
lip sync, leiklist
talsetningu
Lestu þýðingu hér að ofan
Þýðing, tímasetning
Náttúrulegt flæði, tónn
Hljóðlýsing
Lýsir myndinni með hljóði
drög að texta
Sjóntúlkun (mannleg)
Algeng mistök
- Þýðir ASR afritið án þess að staðfesta það. Villur í eiginnafni/númeri eru færðar yfir á textann.
- Þýða orð fyrir orð og komast í kringum CPS. Áhorfendur geta ekki lesið; passa þarf.
- Hunsa sjónrænt samhengi. Skjátexti og oddhvassir hlutir eru óþýddir.
- Að gera línuskiptingu tilgangslausa. Það spillir læsileikanum.
- Að fletja út tón/register. Mállýskur og slangur persónanna hverfa.
Talsetning og lip sync
Þó að þvingun texta er lestrarhraði, er þvingun talsetningar tími og varir. Það eru þrjár mismunandi gerðir af samstillingu í talsetningu: lip-sync — þar sem þýðingin passar við munnhreyfingu persónunnar, sérstaklega opnum sérhljóðum í nærmyndum; ísóchrony — þýðingarlínan er jafn löng og upprunalega línan, hvorki of stutt né of löng; látbragðssamstilling — samsvarar því sem sagt er við handa- og handleggshreyfingar persónunnar. Þess vegna skrifar talsetningarþýðandinn oft "grípandi" línu sem varðveitir merkinguna en með allt öðrum orðum; Orðatryggð er jafnvel minni en undirtitill hér.
Gervigreind getur veitt hrá þýðingardrög og tímaviðvörun fyrir talsetningu ("þessi lína er 40% lengri en upprunalega, styttu hana"). Ný tækni getur jafnvel klónað hljóð og framleitt sjálfvirka talsetningu; en leiklist, tilfinningar, fínstilla öndun persónunnar og varasamstillingu eru samt verk mannlegs þýðanda og raddleikara. Sjálfvirk talsetning gefur útlínur; Hin listræna og samstillta ákvörðun er mannsins. Auk þess er samþykki þess sem rödd hans er klónuð mikilvægt siðferðilegt og lagalegt mál.
Í stuttu máli
Hljóð- og myndþýðing er listin að passa texta innan takmarkana auga og eyra áhorfandans: línu/persóna/CPS mörk í textun, varasamstilling í talsetningu, sjónrænt samhengi ræður úrslitum í þeim öllum. Gervigreind flýtir fyrir umritun, tímakóðun, þýðingauppkasti og CPS eftirliti með ASR; En ASR hefur rangt fyrir sér í eiginnöfnum og hávaða, það getur ekki séð myndina og ákvarðanir um passatóna eru teknar af manneskjunni. Aðaltextarinn þýðir ekki orð fyrir orð; finnur stystu, eðlilegustu tjáningu sem varðveitir merkinguna.
Umsóknarverkefni
Veldu stutt (2-3 mínútna) myndskeið. Skrifaðu upp með ASR tóli og berðu saman og leiðréttu áhættusvæði með hljóðinu með „umritunarstaðfestingu“ sniðmáti. Þýddu síðan með CPS ~17 takmörkuninni með "textaþýðingu" sniðmátinu og styttu textana sem fara yfir mörkin með "CPS stjórn". Ef það er skjátexti eða skilti skaltu nota "sjónræn samhengisathugun".
gátlisti
- [ ] Ég staðfesti ASR dulkóðunina með rödd fyrir tiltekið nafn/númer.
- [ ] Ég lét textann passa innan línu/persóna/CPS reglna.
- [ ] Ég stytti og gerði það náttúrulega, ekki orð fyrir orð, og varðveitti merkinguna.
- [ ] Ég tók sjónrænt samhengi (texta á skjánum, merki) með í reikninginn.
- [ ] Ég þýddi það til að varðveita muninn á tóni og karakter.