收益：
- 能够通过应用字幕的技术规则（行、字符、CPS）来适应，同时保留含义
- 能够通过语音验证正确的姓名和号码错误，同时使用 ASR 加速转录和自动时间编码
- 能够通过在配音中考虑视觉背景、音调差异和口型同步来管理人工智能的局限性
翻译电影、电视剧、企业视频或在线课程与翻译纯文本有很大不同：时间、阅读速度、屏幕图像、声音和人物的嘴唇运动也是限制因素。在本单元中，您将学习视听翻译（字幕、配音、画外音）、字幕的技术规则、人工智能支持的转录和时间编码，以及该领域的质量陷阱。目的是像视听翻译专家一样“适合观众的眼睛和耳朵”，而不是“翻译文本”。
基本概念
视听翻译（AVT）是对包含音频和视频的内容进行翻译；主要形式有字幕、配音和口述。字幕是将演讲以书面形式反映在屏幕上。配音是将原声用目标语言重新配音。画外音是指将原始声音静音并朗读翻译内容（常见于纪录片中）。
字幕的两个关键技术术语：CPS（每秒字符数）限制字幕的速度，以便观众可以舒适地阅读；普遍接受的上限约为每秒 17 个字符（儿童内容的上限较低）。时间码是指示字幕何时在屏幕上出现和消失的开始结束时间（例如 00:01:23,400）。
为什么很难呢？因为这意味着翻译成字幕。两行、每行约 42 个字符、最少约 1 秒、最多约 6 秒的屏幕时间以及 CPS 限制 — 您需要遵守所有这些，同时保持含义和语气。这就是为什么字幕翻译通常是压缩和改写，而不是逐字翻译。
提示：避免字幕中“翻译每个单词”的条件反射。观看者既观看又阅读图像；字幕太长看不懂。找到保留意义的最短自然表达是字幕作者的真正掌握。
人工智能在视听翻译中的作用
人工智能显着加快了该领域的几个步骤：
- 转录：通过 ASR（自动语音识别），可以自动转录语音。这会在几分钟内提取字幕的原始来源。
- 自动时间编码：工具将对话分成多个片段并生成草稿时间代码。
- 翻译草稿：翻译成绩单文本。
- CPS/长度控制：AI可以标记哪个字幕超过阅读速度并建议缩短。
但要注意：ASR 在噪音、口音、重叠语音、专有名称和技术术语方面会出错；无法提供“音频描述”；谁在说话可能会感到困惑。人工智能翻译看不到图像——它无法知道屏幕上显示的物体何时被称为“那个”。因此，人类验证视觉上下文和解读准确性。
注意：最常见的错误是认为 ASR 输出已“解码”。 ASR 经常犯错误，特别是在专有名称、数字、品牌名称和技术术语方面；错误的转录会影响到翻译和字幕。请务必通过收听音频来验证关键区域。
字幕格式规则
通用规则（因平台而异）：
- 每行约 37-42 个字符，最多 2 行。
- 持续时间：~1-6 秒；避免使用非常短的“闪光”字幕。
- CPS 不超过 ~17（成人内容）。
- 在有意义的地方断开句子（不要在行尾留下“and”或“but”）。
- 如果可能，不要跳过场景切换（镜头切换）。
- 脏话、歌曲、编剧等项目请遵守平台规则。
三个迷你箱子
案例 1 — ASR + 后期编辑速度加快 60%。一个团队首先使用 ASR 转录和时间编码了一部 45 分钟的纪录片，然后对其进行翻译和后期编辑。与从头开始转录+编码的时间相比，时间减少了60%。但所有专有名称和数字都通过声音比较得到纠正。
案例 2 — CPS 检查保存的可读性。带字幕的教学视频的第一个翻译是准确的，但 CPS 平均为 24 - 观众跟不上。一轮AI缩短字幕，字幕缩短30%，CPS降至16；意义得以保留，可读性得以提高。
情况 3 — 视觉上下文错误。在基于 ASR 的翻译中，一个角色指向屏幕上的一个标志并说“读那个”； AI将其翻译为“阅读它”，但标牌上的文字并未翻译，因此观看者看不到要阅读的内容。字幕师为屏幕字幕添加了单独的字幕；看到图像的人弥补了差异。
四个可复制模板
1）转录（ASR）验证清单：
以下是视频的自动转录。标记转录中可能存在的错误：专有名称、品牌名称、数字、技术术语、歧义/不完整的句子。将它们列为“通过语音验证”。不要翻译。抄写：[...]
2) 字幕翻译（CPS/长度有限）：
将以下转录翻译成[目标语言]字幕。约束：每个字幕不得超过 2 行，行约 42 个字符，CPS 不超过约 17。缩短并自然化，同时保留含义；不要逐字翻译。保留时间代码。转录+时间码：[...]
3) CPS/可读性检查：
根据以下每个字幕的持续时间和字符数计算近似 CPS。标记任何超过 17 的内容，并建议保留其含义的较短替代方案。字幕（文本 | 持续时间秒）：[...]
4) 屏幕文本/视觉上下文检查：
在下面的对话中，标记可能涉及图像的地方（屏幕文本、指向的物体、标志）。假设观众看不到图像，请说明是否需要额外的字幕/解释。对话：[...]
弱提示/强提示
弱：“翻译这些字幕。” （没有长度、CPS、行规则；输出不适合屏幕，不可读。）
Güçlü：“将此对话记录翻译成土耳其语字幕。每个字幕不得超过 2 行，每行 42 个字符；为了阅读速度，必要时缩短字幕，同时保留含义。以自然的土耳其语提供口语，软化俚语。不要触及时间代码。”
区别：强提示给出了字幕的技术限制（台词、字符、CPS、语气）；输出实际上接近可用的字幕。
AVT格式比较表
格式
什么是
人工智能贡献
人类临界点
副标题
转录演讲内容
ASR、翻译、CPS
适合、视觉环境
配音
目标语言配音
翻译稿
口形同步、表演
画外音
阅读上面的翻译
翻译、时间安排
自然流畅、音调
音频描述
用声音描述图像
案文草稿
视觉解释（人类）
常见错误
- 翻译 ASR 记录而不验证它。正确的姓名/号码错误会转移到副标题中。
- 逐字翻译并绕过 CPS。观众无法阅读；必须进行配合。
- 忽略视觉背景。屏幕文本和指向的对象保持未翻译。
- 使线路分割毫无意义。它破坏了可读性。
- 使音调/音域变得平坦。人物的方言和俚语消失了。
配音和口型同步
字幕的限制是阅读速度，配音的限制是时间和嘴唇。画外音翻译中存在三种不同的同步类型： 口型同步 — 翻译与角色的嘴巴运动相匹配，尤其是特写镜头中的开元音；等时性——翻译线与原始线的长度相同，既不太短也不太长；手势同步——将所说内容与角色的手和手臂动作相匹配。这就是为什么配音译者经常会写出“朗朗上口”的台词，保留原意，但用词却完全不同；这里的文字保真度甚至低于字幕。
AI可以提供原始译稿和配音时间警告（“这句台词比原来长了40%，缩短一下”）。新技术甚至可以克隆声音并产生自动配音；但表演、情感、微调角色的呼吸和口型同步仍然是人工翻译和配音演员的工作。自动配音提供大纲；艺术性和同步性的决定是人类的。此外，声音被克隆者的同意是一个重要的道德和法律问题。
综上所述
视听翻译是在观众的眼睛和耳朵的限制内调整文本的艺术：字幕中的台词/字符/CPS 边界、配音中的口型同步、视觉上下文是所有这些的决定因素。 AI 通过 ASR 加速转录、时间编码、翻译起草和 CPS 检查；但 ASR 在专有名称和噪声方面存在错误，它看不到图像，而且适应色调的决定是由人类做出的。主字幕不会逐字翻译；找到保留意思的最短、最自然的表达方式。
应用任务
选择一个简短的（2-3 分钟）视频剪辑。使用 ASR 工具进行转录，并使用“转录验证”模板与音频进行比较并纠正风险区域。然后使用“字幕翻译”模板以 CPS ~17 约束进行翻译，并使用“CPS 控制”缩短超出限制的字幕。如果有屏幕文本或标志，请应用“视觉上下文检查”。
清单
- [ ] 我通过语音验证了特定姓名/号码的 ASR 解密。
- [ ] 我使字幕符合台词/字符/CPS 规则。
- [ ] 我对其进行了缩短和自然化，而不是逐字逐句地保留其含义。
- [ ] 我考虑了视觉环境（屏幕上的文本、标志）。
- [ ] 我翻译它是为了保留语气和性格上的差异。