ਲਾਭ:
- ਉਪਸਿਰਲੇਖ (ਲਾਈਨ, ਅੱਖਰ, CPS) ਦੇ ਤਕਨੀਕੀ ਨਿਯਮਾਂ ਨੂੰ ਲਾਗੂ ਕਰਕੇ ਅਰਥ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੇ ਹੋਏ ਫਿੱਟ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ASR ਨਾਲ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਅਤੇ ਆਟੋਮੈਟਿਕ ਟਾਈਮਕੋਡਿੰਗ ਨੂੰ ਤੇਜ਼ ਕਰਦੇ ਹੋਏ ਆਵਾਜ਼ ਦੁਆਰਾ ਸਹੀ ਨਾਮ ਅਤੇ ਨੰਬਰ ਦੀਆਂ ਗਲਤੀਆਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਡਬਿੰਗ ਵਿੱਚ ਵਿਜ਼ੂਅਲ ਪ੍ਰਸੰਗ, ਧੁਨੀ ਦੇ ਅੰਤਰ ਅਤੇ ਲਿਪ ਸਿੰਕ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਨਕਲੀ ਬੁੱਧੀ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਕਿਸੇ ਮੂਵੀ, ਟੀਵੀ ਸੀਰੀਜ਼, ਕਾਰਪੋਰੇਟ ਵੀਡੀਓ ਜਾਂ ਔਨਲਾਈਨ ਕੋਰਸ ਦਾ ਅਨੁਵਾਦ ਕਰਨਾ ਸਾਦੇ ਪਾਠ ਦਾ ਅਨੁਵਾਦ ਕਰਨ ਨਾਲੋਂ ਬਿਲਕੁਲ ਵੱਖਰਾ ਹੈ: ਸਮਾਂ, ਪੜ੍ਹਨ ਦੀ ਗਤੀ, ਆਨ-ਸਕਰੀਨ ਚਿੱਤਰ, ਆਵਾਜ਼ ਅਤੇ ਅੱਖਰਾਂ ਦੀ ਹੋਠ ਦੀ ਗਤੀ ਵੀ ਪਾਬੰਦੀਆਂ ਹਨ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਆਡੀਓ-ਵਿਜ਼ੁਅਲ ਅਨੁਵਾਦ (ਸਬਟਾਈਟਲ, ਡਬਿੰਗ, ਵੌਇਸ-ਓਵਰ), ਉਪਸਿਰਲੇਖ ਦੇ ਤਕਨੀਕੀ ਨਿਯਮ, AI-ਸਹਾਇਕ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਅਤੇ ਟਾਈਮ ਕੋਡਿੰਗ, ਅਤੇ ਇਸ ਖੇਤਰ ਦੀਆਂ ਗੁਣਵੱਤਾ ਦੀਆਂ ਕਮੀਆਂ ਸਿੱਖੋਗੇ। ਉਦੇਸ਼ ਇੱਕ ਆਡੀਓਵਿਜ਼ੁਅਲ ਅਨੁਵਾਦ ਮਾਹਰ ਵਾਂਗ ਕੰਮ ਕਰਨਾ ਹੈ ਜੋ "ਪਾਠ ਦਾ ਅਨੁਵਾਦ" ਕਰਨ ਦੀ ਬਜਾਏ "ਦਰਸ਼ਕ ਦੀਆਂ ਅੱਖਾਂ ਅਤੇ ਕੰਨਾਂ ਨੂੰ ਫਿੱਟ ਕਰਦਾ ਹੈ"।
ਬੁਨਿਆਦੀ ਧਾਰਨਾਵਾਂ
ਆਡੀਓਵਿਜ਼ੁਅਲ ਅਨੁਵਾਦ (AVT) ਆਡੀਓ ਅਤੇ ਵੀਡੀਓ ਵਾਲੀ ਸਮੱਗਰੀ ਦਾ ਅਨੁਵਾਦ ਹੈ; ਮੁੱਖ ਰੂਪ ਉਪਸਿਰਲੇਖ, ਡਬਿੰਗ ਅਤੇ ਆਡੀਓ ਵਰਣਨ ਹਨ। ਉਪਸਿਰਲੇਖ ਸਕਰੀਨ ਉੱਤੇ ਲਿਖਤੀ ਰੂਪ ਵਿੱਚ ਭਾਸ਼ਣ ਦਾ ਪ੍ਰਤੀਬਿੰਬ ਹੈ। ਡਬਿੰਗ ਨਿਸ਼ਾਨਾ ਭਾਸ਼ਾ ਵਿੱਚ ਅਸਲੀ ਆਵਾਜ਼ ਦੀ ਮੁੜ-ਡਬਿੰਗ ਹੈ। ਵੌਇਸ-ਓਵਰ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਅਸਲ ਧੁਨੀ ਨੂੰ ਮਿਊਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਸ ਉੱਤੇ ਅਨੁਵਾਦ ਪੜ੍ਹਿਆ ਜਾਂਦਾ ਹੈ (ਡਾਕੂਮੈਂਟਰੀ ਵਿੱਚ ਆਮ)।
ਉਪਸਿਰਲੇਖ ਦੇ ਦੋ ਮਹੱਤਵਪੂਰਨ ਤਕਨੀਕੀ ਸ਼ਬਦ: CPS (ਅੱਖਰ ਪ੍ਰਤੀ ਸਕਿੰਟ) ਉਪਸਿਰਲੇਖ ਦੀ ਗਤੀ ਨੂੰ ਸੀਮਿਤ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਦਰਸ਼ਕ ਇਸਨੂੰ ਆਰਾਮ ਨਾਲ ਪੜ੍ਹ ਸਕੇ; ਆਮ ਤੌਰ 'ਤੇ ਸਵੀਕਾਰ ਕੀਤੀ ਗਈ ਉਪਰਲੀ ਸੀਮਾ ਲਗਭਗ 17 ਅੱਖਰ ਪ੍ਰਤੀ ਸਕਿੰਟ ਹੈ (ਬੱਚਿਆਂ ਦੀ ਸਮੱਗਰੀ ਲਈ ਘੱਟ)। ਟਾਈਮਕੋਡ ਸ਼ੁਰੂਆਤੀ-ਅੰਤ ਦਾ ਸਮਾਂ ਹੈ ਜੋ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਸਕ੍ਰੀਨ 'ਤੇ ਉਪਸਿਰਲੇਖ ਕਦੋਂ ਦਿਖਾਈ ਦੇਵੇਗਾ ਅਤੇ ਅਲੋਪ ਹੋਵੇਗਾ (ਜਿਵੇਂ ਕਿ 00:01:23,400)।
ਇਹ ਮੁਸ਼ਕਲ ਕਿਉਂ ਹੈ? ਕਿਉਂਕਿ ਇਸਦਾ ਅਰਥ ਹੈ ਉਪਸਿਰਲੇਖਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਫਿੱਟ ਕਰਨਾ। ਦੋ ਲਾਈਨਾਂ, ~ 42 ਅੱਖਰ ਪ੍ਰਤੀ ਲਾਈਨ, ਘੱਟੋ ਘੱਟ ~ 1 ਸਕਿੰਟ ਅਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ~ 6 ਸਕਿੰਟ ਸਕ੍ਰੀਨ ਸਮਾਂ, ਅਤੇ CPS ਸੀਮਾ — ਤੁਹਾਨੂੰ ਅਰਥ ਅਤੇ ਟੋਨ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹੋਏ ਇਹਨਾਂ ਸਾਰਿਆਂ ਦੀ ਪਾਲਣਾ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਇਸ ਲਈ ਉਪਸਿਰਲੇਖ ਅਨੁਵਾਦ ਅਕਸਰ ਸੰਕੁਚਨ ਅਤੇ ਦੁਹਰਾਉਣ ਦਾ ਮਾਮਲਾ ਹੁੰਦਾ ਹੈ, ਨਾ ਕਿ ਸ਼ਬਦ-ਲਈ-ਸ਼ਬਦ ਅਨੁਵਾਦ।
ਸੁਝਾਅ: ਉਪਸਿਰਲੇਖਾਂ ਵਿੱਚ "ਹਰ ਸ਼ਬਦ ਦਾ ਅਨੁਵਾਦ ਕਰਨਾ" ਦੇ ਪ੍ਰਤੀਬਿੰਬ ਤੋਂ ਬਚੋ। ਦਰਸ਼ਕ ਚਿੱਤਰ ਨੂੰ ਦੇਖਦਾ ਅਤੇ ਪੜ੍ਹਦਾ ਹੈ; ਬਹੁਤ ਲੰਬੇ ਉਪਸਿਰਲੇਖ ਪੜ੍ਹੇ ਨਹੀਂ ਜਾ ਸਕਦੇ। ਸਭ ਤੋਂ ਛੋਟਾ ਕੁਦਰਤੀ ਸਮੀਕਰਨ ਲੱਭਣਾ ਜੋ ਅਰਥ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ ਸੁਰਖੀਕਾਰ ਦੀ ਅਸਲ ਮੁਹਾਰਤ ਹੈ।
ਆਡੀਓਵਿਜ਼ੁਅਲ ਅਨੁਵਾਦ ਵਿੱਚ ਏਆਈ ਦੀ ਭੂਮਿਕਾ
AI ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਇਸ ਖੇਤਰ ਵਿੱਚ ਕਈ ਕਦਮਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ:
- ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ: ASR (ਆਟੋਮੈਟਿਕ ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ) ਦੇ ਨਾਲ, ਆਵਾਜ਼ ਆਟੋਮੈਟਿਕ ਹੀ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਹੋ ਜਾਂਦੀ ਹੈ। ਇਹ ਮਿੰਟਾਂ ਵਿੱਚ ਉਪਸਿਰਲੇਖ ਦੇ ਕੱਚੇ ਸਰੋਤ ਨੂੰ ਕੱਢ ਲੈਂਦਾ ਹੈ।
- ਆਟੋਮੈਟਿਕ ਟਾਈਮ ਕੋਡਿੰਗ: ਟੂਲ ਗੱਲਬਾਤ ਨੂੰ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਦੇ ਹਨ ਅਤੇ ਡਰਾਫਟ ਟਾਈਮ ਕੋਡ ਤਿਆਰ ਕਰਦੇ ਹਨ।
- ਅਨੁਵਾਦ ਦਾ ਖਰੜਾ: ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਟੈਕਸਟ ਦਾ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ।
- CPS/ਲੰਬਾਈ ਨਿਯੰਤਰਣ: AI ਇਹ ਚਿੰਨ੍ਹਿਤ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਉਪਸਿਰਲੇਖ ਪੜ੍ਹਨ ਦੀ ਗਤੀ ਤੋਂ ਵੱਧ ਹੈ ਅਤੇ ਛੋਟਾ ਕਰਨ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ।
ਪਰ ਸਾਵਧਾਨ ਰਹੋ: ਸ਼ੋਰ, ਲਹਿਜ਼ੇ, ਓਵਰਲੈਪਿੰਗ ਭਾਸ਼ਣ, ਸਹੀ ਨਾਮ ਅਤੇ ਤਕਨੀਕੀ ਸ਼ਬਦਾਂ 'ਤੇ ASR ਦੀਆਂ ਗਲਤੀਆਂ; "ਆਡੀਓ ਵੇਰਵਾ" ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰ ਸਕਦਾ; ਕੌਣ ਗੱਲ ਕਰ ਰਿਹਾ ਹੈ ਉਲਝਣ ਵਿੱਚ ਪੈ ਸਕਦਾ ਹੈ. AI ਅਨੁਵਾਦ ਚਿੱਤਰ ਨੂੰ ਨਹੀਂ ਦੇਖਦਾ - ਇਹ ਨਹੀਂ ਜਾਣ ਸਕਦਾ ਕਿ ਸਕ੍ਰੀਨ 'ਤੇ ਦਿਖਾਈ ਗਈ ਵਸਤੂ ਨੂੰ "ਉਹ" ਕਦੋਂ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਲਈ, ਮਨੁੱਖ ਵਿਜ਼ੂਅਲ ਪ੍ਰਸੰਗ ਅਤੇ ਸਮਝਣ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ।
ਸਾਵਧਾਨ: ਸਭ ਤੋਂ ਆਮ ਗਲਤੀ ਇਹ ਸੋਚਣਾ ਹੈ ਕਿ ASR ਆਉਟਪੁੱਟ "ਡੀਕੋਡ" ਹੈ। ASR ਅਕਸਰ ਗਲਤੀਆਂ ਕਰਦਾ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਸਹੀ ਨਾਮ, ਨੰਬਰ, ਬ੍ਰਾਂਡ ਨਾਮ ਅਤੇ ਤਕਨੀਕੀ ਸ਼ਬਦਾਂ ਵਿੱਚ; ਇੱਕ ਗਲਤ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਅਨੁਵਾਦ ਅਤੇ ਉਪਸਿਰਲੇਖ ਨੂੰ ਲੈ ਜਾਂਦਾ ਹੈ। ਆਡੀਓ ਨੂੰ ਸੁਣ ਕੇ ਨਾਜ਼ੁਕ ਖੇਤਰਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ।
ਉਪਸਿਰਲੇਖ ਫਾਰਮੈਟ ਨਿਯਮ
ਆਮ ਨਿਯਮ (ਪਲੇਟਫਾਰਮ ਅਨੁਸਾਰ ਬਦਲਦੇ ਹਨ):
- ਪ੍ਰਤੀ ਲਾਈਨ ~37-42 ਅੱਖਰ, ਅਧਿਕਤਮ 2 ਲਾਈਨਾਂ।
- ਮਿਆਦ: ~1-6 ਸਕਿੰਟ; ਬਹੁਤ ਛੋਟੇ "ਫਲੈਸ਼" ਉਪਸਿਰਲੇਖਾਂ ਤੋਂ ਬਚੋ।
- CPS ~17 (ਬਾਲਗ ਸਮੱਗਰੀ) ਤੋਂ ਵੱਧ ਨਹੀਂ ਹੋਣੀ ਚਾਹੀਦੀ।
- ਵਾਕ ਨੂੰ ਤੋੜੋ ਜਿੱਥੇ ਇਹ ਅਰਥ ਰੱਖਦਾ ਹੈ (ਲਾਈਨ ਦੇ ਅੰਤ ਵਿੱਚ "ਅਤੇ" ਜਾਂ "ਪਰ" ਨੂੰ ਨਾ ਛੱਡੋ)।
- ਜੇ ਸੰਭਵ ਹੋਵੇ, ਤਾਂ ਸੀਨ ਕੱਟ (ਸ਼ੌਟ ਬਦਲਾਵ) ਨੂੰ ਨਾ ਛੱਡੋ।
- ਸਹੁੰ ਚੁੱਕਣ, ਗੀਤ, ਸਕ੍ਰੀਨ ਰਾਈਟਿੰਗ ਵਰਗੀਆਂ ਚੀਜ਼ਾਂ ਲਈ ਪਲੇਟਫਾਰਮ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 — ASR + ਪੋਸਟ-ਐਡਿਟ ਵਿੱਚ 60% ਦਾ ਵਾਧਾ ਹੋਇਆ। ਇੱਕ ਟੀਮ ਨੇ ਪਹਿਲਾਂ ASR ਦੇ ਨਾਲ ਇੱਕ 45-ਮਿੰਟ ਦੀ ਦਸਤਾਵੇਜ਼ੀ ਨੂੰ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕੀਤਾ ਅਤੇ ਸਮਾਂ-ਕੋਡ ਕੀਤਾ, ਫਿਰ ਇਸਦਾ ਅਨੁਵਾਦ ਅਤੇ ਪੋਸਟ-ਸੰਪਾਦਨ ਕੀਤਾ। ਸਕ੍ਰੈਚ ਤੋਂ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ + ਟਾਈਮ ਕੋਡਿੰਗ ਦੇ ਮੁਕਾਬਲੇ ਸਮਾਂ 60% ਘਟਾਇਆ ਗਿਆ ਹੈ। ਪਰ ਸਾਰੇ ਸਹੀ ਨਾਮ ਅਤੇ ਸੰਖਿਆਵਾਂ ਨੂੰ ਆਵਾਜ਼ ਦੀ ਤੁਲਨਾ ਦੁਆਰਾ ਠੀਕ ਕੀਤਾ ਗਿਆ ਸੀ।
ਕੇਸ 2 — CPS ਚੈੱਕ ਸੁਰੱਖਿਅਤ ਪੜ੍ਹਨਯੋਗਤਾ। ਉਪਸਿਰਲੇਖਾਂ ਦੇ ਨਾਲ ਇੱਕ ਨਿਰਦੇਸ਼ਕ ਵੀਡੀਓ ਦਾ ਪਹਿਲਾ ਅਨੁਵਾਦ ਸਹੀ ਸੀ, ਪਰ CPS ਔਸਤ 24 ਸੀ — ਦਰਸ਼ਕ ਇਸ ਨੂੰ ਜਾਰੀ ਨਹੀਂ ਰੱਖ ਸਕੇ। AI-ਸੰਚਾਲਿਤ ਸ਼ਾਰਟਨਿੰਗ ਦੇ ਇੱਕ ਦੌਰ ਨੇ ਉਪਸਿਰਲੇਖਾਂ ਨੂੰ 30% ਤੱਕ ਛੋਟਾ ਕੀਤਾ, CPS ਨੂੰ 16 ਤੱਕ ਘਟਾ ਦਿੱਤਾ; ਅਰਥ ਬਚ ਗਏ, ਪੜ੍ਹਨਯੋਗਤਾ ਆ ਗਈ।
ਕੇਸ 3 - ਵਿਜ਼ੂਅਲ ਸੰਦਰਭ ਗਲਤੀ। ASR-ਅਧਾਰਿਤ ਅਨੁਵਾਦ ਵਿੱਚ, ਇੱਕ ਅੱਖਰ ਨੇ ਸਕਰੀਨ 'ਤੇ ਇੱਕ ਚਿੰਨ੍ਹ ਵੱਲ ਇਸ਼ਾਰਾ ਕੀਤਾ ਅਤੇ ਕਿਹਾ ਕਿ "ਉਹ ਪੜ੍ਹੋ"; AI ਨੇ ਇਸਦਾ ਅਨੁਵਾਦ "ਇਸ ਨੂੰ ਪੜ੍ਹੋ" ਵਜੋਂ ਕੀਤਾ, ਪਰ ਚਿੰਨ੍ਹ 'ਤੇ ਟੈਕਸਟ ਦਾ ਅਨੁਵਾਦ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ, ਇਸ ਲਈ ਦਰਸ਼ਕ ਇਹ ਨਹੀਂ ਦੇਖ ਸਕਦੇ ਸਨ ਕਿ ਕੀ ਪੜ੍ਹਨਾ ਹੈ। ਕੈਪਸ਼ਨਰ ਨੇ ਸਕ੍ਰੀਨ ਕੈਪਸ਼ਨ ਲਈ ਇੱਕ ਵੱਖਰਾ ਸੁਰਖੀ ਜੋੜਿਆ; ਜਿਸ ਵਿਅਕਤੀ ਨੇ ਚਿੱਤਰ ਨੂੰ ਦੇਖਿਆ ਉਸ ਨੇ ਫਰਕ ਬਣਾਇਆ.
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ (ASR) ਪੁਸ਼ਟੀਕਰਨ ਸੂਚੀ:
ਹੇਠਾਂ ਇੱਕ ਵੀਡੀਓ ਦਾ ਇੱਕ ਆਟੋਮੈਟਿਕ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਹੈ। ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਵਿੱਚ ਸੰਭਾਵਿਤ ਗਲਤੀਆਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ: ਸਹੀ ਨਾਮ, ਬ੍ਰਾਂਡ ਨਾਮ, ਨੰਬਰ, ਤਕਨੀਕੀ ਸ਼ਬਦ, ਅਸਪਸ਼ਟ/ਅਧੂਰੇ ਵਾਕ। ਇਹਨਾਂ ਨੂੰ "ਅਵਾਜ਼ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕਰੋ" ਵਜੋਂ ਸੂਚੀਬੱਧ ਕਰੋ। ਅਨੁਵਾਦ ਨਾ ਕਰੋ। ਪ੍ਰਤੀਲਿਪੀ: [...]
2) ਉਪਸਿਰਲੇਖ ਅਨੁਵਾਦ (CPS/ਲੰਬਾਈ ਸੀਮਤ):
ਹੇਠਾਂ ਦਿੱਤੀ ਪ੍ਰਤੀਲਿਪੀ ਦਾ ਅਨੁਵਾਦ [ਟਾਰਗੇਟ ਭਾਸ਼ਾ] ਉਪਸਿਰਲੇਖਾਂ ਵਿੱਚ ਕਰੋ। ਪਾਬੰਦੀ: ਹਰੇਕ ਉਪਸਿਰਲੇਖ ਵੱਧ ਤੋਂ ਵੱਧ 2 ਲਾਈਨਾਂ, ਲਾਈਨ ~42 ਅੱਖਰ, CPS ~17 ਤੋਂ ਵੱਧ ਨਹੀਂ ਹੋਣੀ ਚਾਹੀਦੀ। ਅਰਥ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੇ ਹੋਏ ਛੋਟਾ ਕਰੋ ਅਤੇ ਕੁਦਰਤੀ ਬਣਾਓ; ਸ਼ਬਦ ਦੁਆਰਾ ਸ਼ਬਦ ਦਾ ਅਨੁਵਾਦ ਨਾ ਕਰੋ। ਟਾਈਮ ਕੋਡ ਸੁਰੱਖਿਅਤ ਕਰੋ। ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ + ਟਾਈਮ ਕੋਡ: [...]
3) CPS/ਪੜ੍ਹਨਯੋਗਤਾ ਜਾਂਚ:
ਨਿਮਨਲਿਖਤ ਉਪਸਿਰਲੇਖਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਲਈ ਮਿਆਦ ਅਤੇ ਅੱਖਰ ਦੀ ਗਿਣਤੀ ਦੇ ਆਧਾਰ 'ਤੇ ਅੰਦਾਜ਼ਨ CPS ਦੀ ਗਣਨਾ ਕਰੋ। 17 ਤੋਂ ਵੱਧ ਕਿਸੇ ਵੀ 'ਤੇ ਨਿਸ਼ਾਨ ਲਗਾਓ ਅਤੇ ਇੱਕ ਛੋਟਾ ਵਿਕਲਪ ਸੁਝਾਓ ਜੋ ਅਰਥ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖੇ। ਉਪਸਿਰਲੇਖ (ਟੈਕਸਟ | ਮਿਆਦ ਸਕਿੰਟ): [...]
4) ਸਕ੍ਰੀਨ ਟੈਕਸਟ / ਵਿਜ਼ੂਅਲ ਸੰਦਰਭ ਜਾਂਚ:
ਹੇਠਾਂ ਦਿੱਤੇ ਸੰਵਾਦ ਵਿੱਚ, ਉਹਨਾਂ ਸਥਾਨਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ ਜੋ ਚਿੱਤਰ (ਸਕ੍ਰੀਨ ਟੈਕਸਟ, ਪੁਆਇੰਟਡ ਆਬਜੈਕਟ, ਚਿੰਨ੍ਹ) ਦਾ ਹਵਾਲਾ ਦੇ ਸਕਦੇ ਹਨ। ਕਹੋ ਕਿ ਕੀ ਇਹਨਾਂ ਲਈ ਵਾਧੂ ਉਪਸਿਰਲੇਖ/ਸਪਸ਼ਟੀਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਇਹ ਮੰਨਦੇ ਹੋਏ ਕਿ ਦਰਸ਼ਕ ਚਿੱਤਰ ਨੂੰ ਨਹੀਂ ਦੇਖ ਸਕਦਾ। ਸੰਵਾਦ: [...]
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ: "ਇਹਨਾਂ ਉਪਸਿਰਲੇਖਾਂ ਦਾ ਅਨੁਵਾਦ ਕਰੋ।" (ਕੋਈ ਲੰਬਾਈ, CPS, ਲਾਈਨ ਨਿਯਮ ਨਹੀਂ; ਆਉਟਪੁੱਟ ਸਕ੍ਰੀਨ 'ਤੇ ਫਿੱਟ ਨਹੀਂ ਹੋਵੇਗੀ, ਪੜ੍ਹਨਯੋਗ ਨਹੀਂ।)
Güçlü: "ਇਸ ਡਾਇਲਾਗ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਦਾ ਤੁਰਕੀ ਉਪਸਿਰਲੇਖਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰੋ। ਹਰੇਕ ਉਪਸਿਰਲੇਖ ਵਿੱਚ ਵੱਧ ਤੋਂ ਵੱਧ 2 ਲਾਈਨਾਂ, ਪ੍ਰਤੀ ਲਾਈਨ 42 ਅੱਖਰ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ; ਪੜ੍ਹਨ ਦੀ ਗਤੀ ਲਈ ਜ਼ਰੂਰੀ ਹੋਣ 'ਤੇ ਅਰਥ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੇ ਹੋਏ ਇਸਨੂੰ ਛੋਟਾ ਕਰੋ। ਕੁਦਰਤੀ ਤੁਰਕੀ ਵਿੱਚ ਬੋਲੀ ਜਾਣ ਵਾਲੀ ਭਾਸ਼ਾ ਦਿਓ, ਗਾਲੀ-ਗਲੋਚ ਨੂੰ ਨਰਮ ਕਰੋ। ਸਮੇਂ ਦੇ ਕੋਡਾਂ ਨੂੰ ਨਾ ਛੂਹੋ।"
ਅੰਤਰ: ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ ਉਪਸਿਰਲੇਖ (ਲਾਈਨ, ਅੱਖਰ, CPS, ਟੋਨ) ਦੀਆਂ ਤਕਨੀਕੀ ਰੁਕਾਵਟਾਂ ਦਿੰਦਾ ਹੈ; ਆਉਟਪੁੱਟ ਅਸਲ ਵਿੱਚ ਉਪਯੋਗੀ ਉਪਸਿਰਲੇਖਾਂ ਤੱਕ ਪਹੁੰਚਦੀ ਹੈ।
AVT ਫਾਰਮੈਟ ਤੁਲਨਾ ਚਾਰਟ
ਫਾਰਮੈਟ
ਕੀ ਕਰਦਾ ਹੈ
AI ਯੋਗਦਾਨ
ਮਨੁੱਖੀ ਨਾਜ਼ੁਕ ਬਿੰਦੂ
ਉਪਸਿਰਲੇਖ
ਭਾਸ਼ਣ ਦੀ ਪ੍ਰਤੀਲਿਪੀ
ASR, ਅਨੁਵਾਦ, CPS
ਫਿੱਟ, ਵਿਜ਼ੂਅਲ ਪ੍ਰਸੰਗ
ਡਬਿੰਗ
ਨਿਸ਼ਾਨਾ ਭਾਸ਼ਾ ਵਿੱਚ ਵੌਇਸਓਵਰ
ਅਨੁਵਾਦ ਦਾ ਖਰੜਾ
ਹੋਠ ਸਿੰਕ, ਅਦਾਕਾਰੀ
ਵੌਇਸ-ਓਵਰ
ਉਪਰੋਕਤ ਅਨੁਵਾਦ ਪੜ੍ਹੋ
ਅਨੁਵਾਦ, ਸਮਾਂ
ਕੁਦਰਤੀ ਵਹਾਅ, ਸੁਰ
ਆਡੀਓ ਵਰਣਨ
ਆਵਾਜ਼ ਨਾਲ ਚਿੱਤਰ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ
ਡਰਾਫਟ ਟੈਕਸਟ
ਵਿਜ਼ੂਅਲ ਵਿਆਖਿਆ (ਮਨੁੱਖੀ)
ਆਮ ਗਲਤੀਆਂ
- ਬਿਨਾਂ ਤਸਦੀਕ ਕੀਤੇ ASR ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਦਾ ਅਨੁਵਾਦ ਕਰਨਾ। ਸਹੀ ਨਾਮ/ਨੰਬਰ ਦੀਆਂ ਤਰੁੱਟੀਆਂ ਉਪਸਿਰਲੇਖ ਤੱਕ ਪਹੁੰਚਾਈਆਂ ਜਾਂਦੀਆਂ ਹਨ।
- ਸ਼ਬਦ ਦੁਆਰਾ ਸ਼ਬਦ ਦਾ ਅਨੁਵਾਦ ਕਰਨਾ ਅਤੇ CPS ਦੇ ਆਲੇ-ਦੁਆਲੇ ਜਾਣਾ। ਦਰਸ਼ਕ ਪੜ੍ਹ ਨਹੀਂ ਸਕਦੇ; ਫਿੱਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ.
- ਵਿਜ਼ੂਅਲ ਪ੍ਰਸੰਗ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। ਸਕ੍ਰੀਨ ਟੈਕਸਟ ਅਤੇ ਪੁਆਇੰਟਡ ਆਬਜੈਕਟ ਬਿਨਾਂ ਅਨੁਵਾਦ ਕੀਤੇ ਰਹਿੰਦੇ ਹਨ।
- ਲਾਈਨ ਵਿਭਾਜਨ ਨੂੰ ਵਿਅਰਥ ਬਣਾਉਣਾ। ਇਹ ਪੜ੍ਹਨਯੋਗਤਾ ਨੂੰ ਵਿਗਾੜਦਾ ਹੈ।
- ਟੋਨ/ਰਜਿਸਟਰ ਨੂੰ ਸਮਤਲ ਕਰਨਾ। ਪਾਤਰਾਂ ਦੀਆਂ ਬੋਲੀਆਂ ਅਤੇ ਬੋਲੀਆਂ ਅਲੋਪ ਹੋ ਜਾਂਦੀਆਂ ਹਨ।
ਡਬਿੰਗ ਅਤੇ ਲਿਪ ਸਿੰਕ
ਜਦੋਂ ਕਿ ਉਪਸਿਰਲੇਖ ਦੀ ਰੁਕਾਵਟ ਪੜ੍ਹਨ ਦੀ ਗਤੀ ਹੈ, ਡਬਿੰਗ ਦੀ ਪਾਬੰਦੀ ਸਮਾਂ ਅਤੇ ਬੁੱਲ੍ਹਾਂ ਦੀ ਹੈ। ਵੌਇਸ-ਓਵਰ ਅਨੁਵਾਦ ਵਿੱਚ ਸਿੰਕ ਦੀਆਂ ਤਿੰਨ ਵੱਖਰੀਆਂ ਕਿਸਮਾਂ ਹਨ: ਲਿਪ-ਸਿੰਕ — ਜਿੱਥੇ ਅਨੁਵਾਦ ਅੱਖਰ ਦੇ ਮੂੰਹ ਦੀ ਗਤੀ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਨਜ਼ਦੀਕੀ ਸ਼ਬਦਾਂ ਵਿੱਚ ਖੁੱਲ੍ਹੇ ਸਵਰ; isochrony - ਅਨੁਵਾਦ ਲਾਈਨ ਮੂਲ ਲਾਈਨ ਦੇ ਬਰਾਬਰ ਲੰਬਾਈ ਹੈ, ਨਾ ਤਾਂ ਬਹੁਤ ਛੋਟੀ ਅਤੇ ਨਾ ਹੀ ਬਹੁਤ ਲੰਬੀ; ਸੰਕੇਤ ਸਮਕਾਲੀ — ਅੱਖਰ ਦੇ ਹੱਥ ਅਤੇ ਬਾਂਹ ਦੀਆਂ ਹਰਕਤਾਂ ਨਾਲ ਜੋ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਉਸ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ। ਇਸ ਲਈ ਡਬਿੰਗ ਅਨੁਵਾਦਕ ਅਕਸਰ ਇੱਕ "ਆਕਰਸ਼ਕ" ਲਾਈਨ ਲਿਖਦਾ ਹੈ ਜੋ ਅਰਥ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ ਪਰ ਬਿਲਕੁਲ ਵੱਖਰੇ ਸ਼ਬਦਾਂ ਨਾਲ; ਸ਼ਬਦ ਦੀ ਵਫ਼ਾਦਾਰੀ ਇੱਥੇ ਉਪਸਿਰਲੇਖ ਤੋਂ ਵੀ ਘੱਟ ਹੈ।
AI ਇੱਕ ਕੱਚਾ ਅਨੁਵਾਦ ਡਰਾਫਟ ਅਤੇ ਡਬਿੰਗ ਲਈ ਇੱਕ ਸਮੇਂ ਦੀ ਚੇਤਾਵਨੀ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ ("ਇਹ ਲਾਈਨ ਅਸਲ ਨਾਲੋਂ 40% ਲੰਬੀ ਹੈ, ਇਸਨੂੰ ਛੋਟਾ ਕਰੋ")। ਨਵੀਆਂ ਤਕਨੀਕਾਂ ਆਵਾਜ਼ਾਂ ਦਾ ਕਲੋਨ ਵੀ ਕਰ ਸਕਦੀਆਂ ਹਨ ਅਤੇ ਆਟੋਮੈਟਿਕ ਡਬਿੰਗ ਪੈਦਾ ਕਰ ਸਕਦੀਆਂ ਹਨ; ਪਰ ਅਦਾਕਾਰੀ, ਜਜ਼ਬਾਤ, ਪਾਤਰ ਦੇ ਸਾਹਾਂ ਨੂੰ ਵਧੀਆ-ਟਿਊਨਿੰਗ ਅਤੇ ਲਿਪ-ਸਿੰਕ ਕਰਨਾ ਅਜੇ ਵੀ ਮਨੁੱਖੀ ਅਨੁਵਾਦਕ ਅਤੇ ਆਵਾਜ਼ ਅਭਿਨੇਤਾ ਦਾ ਕੰਮ ਹੈ। ਆਟੋਮੈਟਿਕ ਡਬਿੰਗ ਇੱਕ ਰੂਪਰੇਖਾ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ; ਕਲਾਤਮਕ ਅਤੇ ਸਮਕਾਲੀ ਫੈਸਲਾ ਮਨੁੱਖ ਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜਿਸ ਵਿਅਕਤੀ ਦੀ ਆਵਾਜ਼ ਕਲੋਨ ਕੀਤੀ ਗਈ ਹੈ ਉਸ ਦੀ ਸਹਿਮਤੀ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਨੈਤਿਕ ਅਤੇ ਕਾਨੂੰਨੀ ਮੁੱਦਾ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
ਆਡੀਓ ਵਿਜ਼ੁਅਲ ਅਨੁਵਾਦ ਦਰਸ਼ਕ ਦੀ ਅੱਖ ਅਤੇ ਕੰਨ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੇ ਅੰਦਰ ਟੈਕਸਟ ਨੂੰ ਫਿੱਟ ਕਰਨ ਦੀ ਕਲਾ ਹੈ: ਉਪਸਿਰਲੇਖ ਵਿੱਚ ਲਾਈਨ/ਅੱਖਰ/ਸੀਪੀਐਸ ਸੀਮਾਵਾਂ, ਡਬਿੰਗ ਵਿੱਚ ਲਿਪ-ਸਿੰਕਿੰਗ, ਵਿਜ਼ੂਅਲ ਪ੍ਰਸੰਗ ਇਹਨਾਂ ਸਾਰਿਆਂ ਵਿੱਚ ਨਿਰਣਾਇਕ ਕਾਰਕ ਹੈ। ਏਆਈ ਏਐਸਆਰ ਨਾਲ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ, ਟਾਈਮਕੋਡਿੰਗ, ਟ੍ਰਾਂਸਲੇਸ਼ਨ ਡਰਾਫਟਿੰਗ, ਅਤੇ ਸੀਪੀਐਸ ਜਾਂਚ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ; ਪਰ ASR ਸਹੀ ਨਾਵਾਂ ਅਤੇ ਸ਼ੋਰ ਵਿੱਚ ਗਲਤ ਹੈ, ਇਹ ਚਿੱਤਰ ਨੂੰ ਨਹੀਂ ਦੇਖ ਸਕਦਾ ਅਤੇ ਫਿੱਟ-ਟੋਨ ਫੈਸਲੇ ਮਨੁੱਖ ਦੁਆਰਾ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਮਾਸਟਰ ਉਪਸਿਰਲੇਖ ਸ਼ਬਦ ਲਈ ਸ਼ਬਦ ਦਾ ਅਨੁਵਾਦ ਨਹੀਂ ਕਰਦਾ; ਸਭ ਤੋਂ ਛੋਟਾ, ਸਭ ਤੋਂ ਕੁਦਰਤੀ ਸਮੀਕਰਨ ਲੱਭਦਾ ਹੈ ਜੋ ਅਰਥ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਛੋਟਾ (2-3 ਮਿੰਟ) ਵੀਡੀਓ ਕਲਿੱਪ ਚੁਣੋ। ਇੱਕ ASR ਟੂਲ ਨਾਲ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰੋ ਅਤੇ "ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਵੈਰੀਫਿਕੇਸ਼ਨ" ਟੈਮਪਲੇਟ ਨਾਲ ਆਡੀਓ ਦੇ ਨਾਲ ਜੋਖਮ ਭਰੇ ਖੇਤਰਾਂ ਦੀ ਤੁਲਨਾ ਕਰੋ ਅਤੇ ਸਹੀ ਕਰੋ। ਫਿਰ "ਉਪਸਿਰਲੇਖ ਅਨੁਵਾਦ" ਟੈਮਪਲੇਟ ਦੇ ਨਾਲ CPS ~17 ਸੀਮਾ ਨਾਲ ਅਨੁਵਾਦ ਕਰੋ ਅਤੇ "CPS ਨਿਯੰਤਰਣ" ਨਾਲ ਸੀਮਾ ਤੋਂ ਵੱਧ ਉਪਸਿਰਲੇਖਾਂ ਨੂੰ ਛੋਟਾ ਕਰੋ। ਜੇ ਕੋਈ ਸਕ੍ਰੀਨ ਟੈਕਸਟ ਜਾਂ ਚਿੰਨ੍ਹ ਹੈ, ਤਾਂ "ਵਿਜ਼ੂਅਲ ਸੰਦਰਭ ਜਾਂਚ" ਲਾਗੂ ਕਰੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਖਾਸ ਨਾਮ/ਨੰਬਰ ਲਈ ਆਵਾਜ਼ ਦੁਆਰਾ ASR ਡੀਕ੍ਰਿਪਸ਼ਨ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ ਉਪਸਿਰਲੇਖਾਂ ਨੂੰ ਲਾਈਨ/ਅੱਖਰ/CPS ਨਿਯਮਾਂ ਦੇ ਅੰਦਰ ਫਿੱਟ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਇਸਨੂੰ ਛੋਟਾ ਕੀਤਾ ਅਤੇ ਕੁਦਰਤੀ ਬਣਾਇਆ, ਨਾ ਕਿ ਸ਼ਬਦ ਲਈ ਸ਼ਬਦ, ਅਰਥ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੇ ਹੋਏ।
- [ ] ਮੈਂ ਵਿਜ਼ੂਅਲ ਸੰਦਰਭ (ਆਨਸਕ੍ਰੀਨ ਟੈਕਸਟ, ਸਾਈਨ) ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ।
- [ ] ਮੈਂ ਇਸਦਾ ਅਨੁਵਾਦ ਟੋਨ ਅਤੇ ਅੱਖਰ ਵਿੱਚ ਅੰਤਰ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਲਈ ਕੀਤਾ ਹੈ।