उपशीर्षक, डबिंग आणि ऑडिओव्हिज्युअल भाषांतर

नफा:

• उपशीर्षकांचे तांत्रिक नियम (रेषा, वर्ण, CPS) लागू करून अर्थ जपून ठेवण्याची क्षमता
• ASR सह ट्रान्सक्रिप्शन आणि स्वयंचलित टाइमकोडिंग वेगवान करताना आवाजाद्वारे योग्य नाव आणि नंबर त्रुटी सत्यापित करण्याची क्षमता
• डबिंगमध्ये दृश्य संदर्भ, टोनल फरक आणि लिप सिंक लक्षात घेऊन कृत्रिम बुद्धिमत्तेच्या मर्यादा व्यवस्थापित करण्याची क्षमता

चित्रपट, टीव्ही मालिका, कॉर्पोरेट व्हिडिओ किंवा ऑनलाइन कोर्स भाषांतरित करणे हे साध्या मजकुराच्या भाषांतरापेक्षा पूर्णपणे भिन्न आहे: वेळ, वाचनाचा वेग, स्क्रीनवरील प्रतिमा, आवाज आणि पात्रांच्या ओठांची हालचाल ही देखील मर्यादा आहेत. या युनिटमध्ये, तुम्ही दृकश्राव्य भाषांतर (सबटायटलिंग, डबिंग, व्हॉइस-ओव्हर), सबटायटलिंगचे तांत्रिक नियम, एआय-समर्थित ट्रान्सक्रिप्शन आणि टाइम कोडिंग आणि या क्षेत्रातील गुणवत्तेचे नुकसान शिकाल. "मजकूराचे भाषांतर" करण्यापेक्षा "प्रेक्षकांच्या डोळ्यांना आणि कानाला बसेल" अशा दृकश्राव्य भाषांतर तज्ञाप्रमाणे काम करणे हा हेतू आहे.

मूलभूत संकल्पना

ऑडिओव्हिज्युअल ट्रान्सलेशन (एव्हीटी) हे ऑडिओ आणि व्हिडिओ असलेल्या सामग्रीचे भाषांतर आहे; मुख्य फॉर्म सबटायटलिंग, डबिंग आणि ऑडिओ वर्णन आहेत. उपशीर्षक म्हणजे स्क्रीनवर लिखित स्वरूपात भाषणाचे प्रतिबिंब. डबिंग म्हणजे टार्गेट भाषेत मूळ आवाजाचे रि-डबिंग. व्हॉईस-ओव्हर म्हणजे जेव्हा मूळ आवाज म्यूट केला जातो आणि त्यावर भाषांतर वाचले जाते (डॉक्युमेंटरीमध्ये सामान्य).

सबटायटलिंगच्या दोन गंभीर तांत्रिक संज्ञा: CPS (कॅरेक्टर्स प्रति सेकंद) सबटायटलिंगची गती मर्यादित करते जेणेकरून दर्शक ते आरामात वाचू शकतील; साधारणपणे स्वीकृत वरची मर्यादा प्रति सेकंद सुमारे 17 वर्ण आहे (मुलांच्या सामग्रीसाठी कमी). टाइमकोड ही स्टार्ट-एंड वेळ आहे जी स्क्रीनवर उपशीर्षक केव्हा दिसेल आणि अदृश्य होईल हे सूचित करते (जसे की 00:01:23,400).

हे कठीण का आहे? कारण त्याचा अर्थ सबटायटल्समध्ये समर्पक अनुवाद. दोन ओळी, प्रति ओळ ~42 वर्ण, किमान ~1 सेकंद आणि कमाल ~6 सेकंद स्क्रीन वेळ आणि CPS मर्यादा — तुम्हाला अर्थ आणि टोन राखताना या सर्वांचे पालन करणे आवश्यक आहे. म्हणूनच उपशीर्षक भाषांतर हे सहसा संकुचित आणि पुनर्वापराचा विषय असतो, शब्द-शब्द अनुवादाचा नाही.

टीप: उपशीर्षकांमध्ये "प्रत्येक शब्दाचे भाषांतर करणे" हे प्रतिक्षेप टाळा. दर्शक प्रतिमा पाहतो आणि वाचतो; खूप मोठी उपशीर्षके वाचली जाऊ शकत नाहीत. अर्थ टिकवून ठेवणारी सर्वात लहान नैसर्गिक अभिव्यक्ती शोधणे हे कॅप्शनरचे खरे प्रभुत्व आहे.

दृकश्राव्य भाषांतरात AI ची भूमिका

AI या क्षेत्रात लक्षणीयरीत्या अनेक पायऱ्या वाढवते:

1. ट्रान्सक्रिप्शन: ASR (ऑटोमॅटिक स्पीच रेकग्निशन) सह, आवाज आपोआप लिप्यंतरण होतो. हे काही मिनिटांत सबटायटलचा कच्चा स्रोत काढते.
2. स्वयंचलित वेळ कोडिंग: साधने संभाषण विभागांमध्ये विभागतात आणि मसुदा वेळ कोड तयार करतात.
3. भाषांतर मसुदा: उतारा मजकूर अनुवादित आहे.
4. CPS/लांबी नियंत्रण: एआय कोणते उपशीर्षक वाचन गती ओलांडते हे चिन्हांकित करू शकते आणि लहान करणे सुचवू शकते.

पण सावध रहा: आवाज, उच्चार, आच्छादित भाषण, योग्य नावे आणि तांत्रिक संज्ञांवर ASR चुका; "ऑडिओ वर्णन" प्रदान करू शकत नाही; कोण बोलतंय ते गोंधळून जाऊ शकते. एआय भाषांतर प्रतिमा पाहत नाही - स्क्रीनवर दर्शविलेल्या ऑब्जेक्टला "ते" कधी म्हटले जाते हे कळू शकत नाही. म्हणून, मानव दृश्य संदर्भ आणि उलगडा अचूकता सत्यापित करतो.

खबरदारी: ASR आउटपुट "डीकोड" आहे असा विचार करणे ही सर्वात सामान्य चूक आहे. ASR वारंवार चुका करते, विशेषतः योग्य नावे, संख्या, ब्रँड नावे आणि तांत्रिक संज्ञांमध्ये; चुकीचे लिप्यंतरण भाषांतर आणि उपशीर्षकांवर वाहून जाते. ऑडिओ ऐकून गंभीर क्षेत्रे पडताळण्याची खात्री करा.

उपशीर्षक स्वरूप नियम

सामान्य नियम (प्लॅटफॉर्मनुसार बदलतात):

• प्रति ओळ ~37-42 वर्ण, कमाल 2 ओळी.
• कालावधी: ~1-6 सेकंद; अतिशय लहान "फ्लॅश" उपशीर्षके टाळा.
• CPS ~17 (प्रौढ सामग्री) पेक्षा जास्त नसावे.
• जिथे अर्थ असेल तिथे वाक्य खंडित करा (ओळीच्या शेवटी "आणि" किंवा "पण" सोडू नका).
• शक्य असल्यास, सीन कट (शॉट बदल) वगळू नका.
• शपथ, गाणी, स्क्रीन रायटिंग यासारख्या आयटमसाठी प्लॅटफॉर्म नियमांचे पालन करा.

तीन लहान प्रकरणे

केस 1 — ASR + पोस्ट-एडिटची गती 60% वाढली. एका टीमने प्रथम ASR सह 45-मिनिटांच्या माहितीपटाचे लिप्यंतरण केले आणि वेळ-कोड केले, नंतर त्याचे भाषांतर केले आणि पोस्ट-संपादित केले. लिप्यंतरण + सुरवातीपासून वेळ कोडिंगच्या तुलनेत वेळ 60% कमी झाला. परंतु सर्व योग्य नावे आणि संख्या ध्वनी तुलना करून दुरुस्त केल्या गेल्या.

केस 2 - CPS चेक जतन केलेली वाचनीयता. उपशीर्षकांसह निर्देशात्मक व्हिडिओचे पहिले भाषांतर अचूक होते, परंतु CPS ची सरासरी 24 होती — प्रेक्षक टिकू शकले नाहीत. AI-शक्तीच्या एका फेरीने उपशीर्षके 30% ने लहान केली, CPS 16 पर्यंत कमी केली; अर्थ जपला गेला, वाचनीयता आली.

केस 3 - व्हिज्युअल संदर्भ त्रुटी. ASR-आधारित भाषांतरात, एका वर्णाने स्क्रीनवरील एका चिन्हाकडे निर्देश केला आणि "ते वाचा" असे म्हटले; एआयने "ते वाचा" असे भाषांतरित केले, परंतु चिन्हावरील मजकूर अनुवादित केला गेला नाही, त्यामुळे दर्शक काय वाचायचे ते पाहू शकले नाहीत. कॅप्शनरने स्क्रीन कॅप्शनसाठी स्वतंत्र मथळा जोडला; ज्या व्यक्तीने प्रतिमा पाहिली त्याने फरक केला.

चार कॉपी करण्यायोग्य टेम्पलेट्स

1) ट्रान्सक्रिप्शन (ASR) पडताळणी यादी:

खाली व्हिडिओचे स्वयंचलित प्रतिलेखन आहे. ट्रान्सक्रिप्शनमध्ये संभाव्य त्रुटी चिन्हांकित करा: योग्य नावे, ब्रँड नावे, संख्या, तांत्रिक संज्ञा, अस्पष्ट/अपूर्ण वाक्ये. "व्हॉईसद्वारे सत्यापित करा" म्हणून त्यांची यादी करा. भाषांतर करू नका. नक्कल करा: [...]

२) उपशीर्षक भाषांतर (CPS/लांबी मर्यादित):

खालील ट्रान्सक्रिप्शनचे भाषांतर [लक्ष्य भाषा] उपशीर्षकांमध्ये करा. प्रतिबंध: प्रत्येक उपशीर्षक कमाल 2 ओळी, ओळ ~42 वर्ण, CPS ~17 पेक्षा जास्त नसावी. अर्थ जतन करताना लहान करा आणि नैसर्गिक करा; शब्दानुसार भाषांतर करू नका. वेळ कोड जतन करा. ट्रान्सक्रिप्शन + वेळ कोड: [...]

3) CPS/वाचनीयता तपासणी:

खालीलपैकी प्रत्येक उपशीर्षकासाठी कालावधी आणि वर्ण संख्येवर आधारित अंदाजे CPS ची गणना करा. 17 पेक्षा जास्त चिन्हांकित करा आणि अर्थ टिकवून ठेवणारा छोटा पर्याय सुचवा. उपशीर्षके (मजकूर | कालावधी सेकंद): [...]

4) स्क्रीन मजकूर / दृश्य संदर्भ तपासणी:

खालील संवादामध्ये, प्रतिमेचा संदर्भ देऊ शकतील अशा ठिकाणांना चिन्हांकित करा (स्क्रीन मजकूर, टोकदार वस्तू, चिन्ह). दर्शक प्रतिमा पाहू शकत नाहीत असे गृहीत धरून यासाठी अतिरिक्त उपशीर्षके/स्पष्टीकरण आवश्यक आहेत का ते सांगा. संवाद: [...]

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत: "या उपशीर्षकांचे भाषांतर करा." (कोणतीही लांबी, CPS, रेषा नियम नाहीत; आउटपुट स्क्रीनवर बसणार नाही, वाचता येणार नाही.)

Güçlü: "या संवादाचा उतारा तुर्की उपशीर्षकांमध्ये अनुवादित करा. प्रत्येक उपशीर्षक जास्तीत जास्त 2 ओळी, प्रति ओळीत 42 वर्ण असणे आवश्यक आहे; वाचनाच्या गतीसाठी आवश्यक असेल तेव्हा अर्थ जतन करताना ते लहान करा. नैसर्गिक तुर्कीमध्ये बोलली जाणारी भाषा द्या, अपभाषा मऊ करा. टाइम कोडला स्पर्श करू नका."

फरक: मजबूत प्रॉम्प्ट उपशीर्षक (रेखा, वर्ण, CPS, टोन) च्या तांत्रिक मर्यादा देते; आउटपुट प्रत्यक्षात वापरण्यायोग्य उपशीर्षकांपर्यंत पोहोचते.

AVT स्वरूप तुलना चार्ट

स्वरूप

काय करते

AI योगदान

मानवी गंभीर मुद्दा

उपशीर्षक

भाषणाचे प्रतिलेखन करतो

ASR, भाषांतर, CPS

तंदुरुस्त, दृश्य संदर्भ

डबिंग

लक्ष्य भाषेत व्हॉइसओवर

भाषांतराचा मसुदा

ओठ सिंक, अभिनय

आवाज

वरील भाषांतर वाचा

अनुवाद, वेळ

नैसर्गिक प्रवाह, स्वर

ऑडिओ वर्णन

ध्वनीसह प्रतिमेचे वर्णन करते

मसुदा मजकूर

व्हिज्युअल व्याख्या (मानवी)

सामान्य चुका

• ASR उतारा सत्यापित न करता त्याचे भाषांतर करणे. योग्य नाव/संख्या त्रुटी सबटायटलमध्ये नेल्या जातात.
• शब्दाद्वारे शब्दाचे भाषांतर करणे आणि CPS च्या आसपास जाणे. प्रेक्षक वाचू शकत नाहीत; तंदुरुस्त करणे आवश्यक आहे.
• दृश्य संदर्भाकडे दुर्लक्ष करणे. स्क्रीन मजकूर आणि टोकदार वस्तू अनुवादित नसतात.
• रेषेचे विभाजन करणे निरर्थक बनवणे. ते वाचनीयता बिघडवते.
• टोन/रजिस्टर सपाट करणे. पात्रांच्या बोलीभाषा आणि अपशब्द नाहीसे होतात.

डबिंग आणि ओठ सिंक

सबटायटलिंगची मर्यादा वाचनाची गती आहे, तर डबिंगची मर्यादा वेळ आणि ओठ आहे. व्हॉइस-ओव्हर ट्रान्सलेशनमध्ये सिंकचे तीन वेगळे प्रकार आहेत: लिप-सिंक — जिथे भाषांतर अक्षराच्या तोंडाच्या हालचालीशी जुळते, विशेषत: क्लोज-अप्समधील खुले स्वर; isochrony — मूळ ओळीइतकीच लांबीची भाषांतर ओळ, फार लहान किंवा फार लांब नाही; जेश्चर सिंक्रोनी — वर्णाच्या हाताच्या आणि हाताच्या हालचालींशी जे बोलले जाते ते जुळवणे. म्हणूनच डबिंग अनुवादक अनेकदा "आकर्षक" ओळ लिहितो जी अर्थ टिकवून ठेवते परंतु पूर्णपणे भिन्न शब्दांसह; शब्द निष्ठा येथे उपशीर्षक पेक्षा कमी आहे.

AI कच्चा अनुवाद मसुदा आणि डबिंगसाठी वेळेची चेतावणी देऊ शकते ("ही ओळ मूळपेक्षा 40% लांब आहे, ती लहान करा"). नवीन तंत्रज्ञान अगदी ध्वनी क्लोन करू शकतात आणि स्वयंचलित डबिंग तयार करू शकतात; पण अभिनय, भावना, पात्राचा श्वासोच्छ्वास आणि लिप-सिंकिंग हे अजूनही मानवी अनुवादक आणि आवाज अभिनेत्याचे काम आहे. स्वयंचलित डबिंग एक बाह्यरेखा प्रदान करते; कलात्मक आणि समकालिक निर्णय हा मनुष्याचा आहे. याव्यतिरिक्त, ज्या व्यक्तीचा आवाज क्लोन केलेला आहे त्याची संमती ही एक महत्त्वाची नैतिक आणि कायदेशीर समस्या आहे.

सारांशात

दृकश्राव्य भाषांतर ही दर्शकाच्या डोळ्यांच्या आणि कानाच्या मर्यादेत मजकूर बसवण्याची कला आहे: सबटायटलिंगमध्ये रेषा/वर्ण/सीपीएस सीमा, डबिंगमध्ये ओठ-समक्रमण, दृश्य संदर्भ हे या सर्वांमध्ये निर्णायक घटक आहेत. AI ट्रान्सक्रिप्शन, टाइमकोडिंग, भाषांतर मसुदा आणि ASR सह CPS तपासण्याला गती देते; परंतु एएसआर योग्य नावे आणि आवाजात चुकीचे आहे, ते प्रतिमा पाहू शकत नाही आणि फिट-टोनचे निर्णय मानव घेतात. मास्टर सबटायटर शब्दासाठी शब्द अनुवादित करत नाही; सर्वात लहान, सर्वात नैसर्गिक अभिव्यक्ती शोधते जी अर्थ संरक्षित करते.

अर्ज कार्य

एक छोटी (2-3 मिनिटांची) व्हिडिओ क्लिप निवडा. ASR टूलसह लिप्यंतरण करा आणि "ट्रान्सक्रिप्शन पडताळणी" टेम्पलेटसह ऑडिओसह धोकादायक क्षेत्रांची तुलना करा आणि दुरुस्त करा. नंतर "सबटायटल ट्रान्सलेशन" टेम्प्लेटसह CPS ~17 कंस्ट्रेंटसह भाषांतर करा आणि "CPS कंट्रोल" सह मर्यादा ओलांडणारी उपशीर्षके लहान करा. स्क्रीन मजकूर किंवा चिन्ह असल्यास, "दृश्य संदर्भ तपासणी" लागू करा.

चेकलिस्ट

• मी विशिष्ट नाव/नंबरसाठी आवाजाद्वारे ASR डिक्रिप्शन सत्यापित केले.
• मी उपशीर्षके ओळ/वर्ण/सीपीएस नियमांमध्ये बसवली आहेत.
• [ ] मी ते लहान केले आणि त्याचे नैसर्गिकीकरण केले, शब्दाऐवजी शब्द नाही, अर्थ जपला.
• [ ] मी दृश्य संदर्भ (ऑनस्क्रीन मजकूर, चिन्ह) विचारात घेतले.
• स्वर आणि वर्णातील फरक जपण्यासाठी मी ते भाषांतरित केले आहे.