ساخت زیرنویس فارسی برای ویدیو با هوش مصنوعی
بخش بزرگی از مخاطب، ویدیو را بیصدا میبیند. این راهنما نشان میدهد چطور در چند دقیقه زیرنویس فارسی بسازید و کجای کار حتماً باید دستی اصلاح شود.
ویدیویی که در فید اینستاگرام یا لینکدین بالا میآید، اغلب بیصدا شروع میشود. کاربر در مترو است، سر کار است، یا صرفاً حوصلهی روشنکردن صدا را ندارد. اگر در سه ثانیهی اول چیزی برای خواندن نباشد، رد میکند.
این یک نکتهی بازاریابی نیست، یک واقعیت فنی است: زیرنویس، ویدیوی شما را از حالت «باید صدا را روشن کنم» درمیآورد. و برای محتوای فارسی، این کاری است که تا چند سال پیش ساعتها وقت میبرد و حالا چند دقیقه.
در ادامه مسیر کامل را میبینید — از صوت تا فایل نهایی — همراه با جاهایی که ابزار خطا میکند و باید دستی اصلاح شود.
سه مرحلهای که همیشه تکرار میشود
هر ابزاری که استفاده کنید، فرایند یکی است:
- استخراج متن از صدا. مدل تشخیص گفتار، صوت را به متن تبدیل میکند و به هر بخش زمان میدهد.
- زمانبندی و شکستن خط. متن به بلوکهای کوتاه تقسیم میشود که هرکدام چند ثانیه روی صفحه میمانند.
- بازخوانی انسانی. این مرحله حذفشدنی نیست. اسمهای خاص، اعداد و اصطلاحات همیشه اصلاح میخواهند.
مرحلهی اول و دوم خودکار است. مرحلهی سوم برای یک ویدیوی بیستدقیقهای معمولاً ده تا پانزده دقیقه وقت میبرد. اگر کسی ادعا کرد این مرحله لازم نیست، هنوز خروجی فارسی را با دقت نخوانده است. مبنای فنی این کار همان چیزی است که در تبدیل گفتار به متن شرح دادهایم.
فایل SRT و ساختارش
خروجی استاندارد زیرنویس، فایلی با پسوند srt است. ساختارش آنقدر ساده است که با دفترچهیادداشت هم میشود اصلاحش کرد:
1
00:00:02,400 --> 00:00:05,100
سلام. امروز میخواهیم دربارهی
تنظیم نور در عکاسی حرف بزنیم.
2
00:00:05,300 --> 00:00:08,000
اولین چیزی که باید بدانید،
جهت تابش نور است.سه بخش هر بلوک: شماره، بازهی زمانی، متن. ویرایش دستی همینجا انجام میشود. اگر بلوکی زودتر یا دیرتر ظاهر میشود، عدد زمانش را عوض کنید.
قاعدههای خط که رعایت نمیشوند
بیشتر زیرنویسهای فارسی که در شبکههای اجتماعی میبینید یک ایراد مشترک دارند: خطها بلندند و سریع رد میشوند. سه قاعدهی ساده این را حل میکند.
| مورد | مقدار پیشنهادی | چرا |
|---|---|---|
| تعداد خط هر بلوک | حداکثر ۲ | سه خط، تصویر را میپوشاند |
| طول هر خط | حدود ۴۰ کاراکتر | در یک نگاه خوانده شود |
| مدت نمایش | دستکم ۱ ثانیه | کمتر از آن، چشم نمیرسد |
| محل شکستن جمله | سر مرز معنایی | وسط ترکیب اضافه نشکنید |
نکتهی آخر مهمترین است و ابزارها معمولاً رعایتش نمیکنند. «کتابهای» را نباید بین دو بلوک نصف کرد؛ خواننده مکث میکند و رشته را از دست میدهد.
خطاهای مخصوص فارسی
متن فارسی چند دام مشخص دارد که هر بار تکرار میشوند:
- اسم خاص: نام آدمها، برندها و شهرهای کمشنیده تقریباً همیشه اشتباه نوشته میشوند.
- عدد: «هزار و دویست» گاهی به شکل متنی میماند و گاهی به رقم تبدیل میشود؛ یکدست کنید.
- نیمفاصله: خروجی اغلب «می شود» میدهد بهجای «میشود». این را با جستوجو و جایگزینی یکجا درست کنید.
- کلمات انگلیسی: اصطلاحات فنی معمولاً فارسینویسی میشوند و شکل عجیبی پیدا میکنند.
قبل از شروع، فهرست اسمهای خاص و اصطلاحات تخصصی ویدیو را بنویسید و همراه متن به ابزار بدهید: «این واژهها را دقیقاً به همین شکل بنویس». همین یک کار، بخش بزرگی از اصلاح دستی را حذف میکند.
زیرنویس ترجمهشده
اگر میخواهید ویدیوی انگلیسی را برای مخاطب فارسی زیرنویس کنید، دو مرحلهای پیش بروید: اول متن انگلیسی را دربیاورید، بعد ترجمه کنید. ترجمهی مستقیم از صوت، خطاهای دو مرحله را روی هم انباشته میکند.
موقع ترجمه، طول جمله را هم قید کنید — فارسی معمولاً بلندتر از انگلیسی درمیآید و اگر مقید نشود، خطها از قاعدهی چهل کاراکتر بیرون میزنند. نکتههای بیشتر دربارهی حفظ لحن در راهنمای ترجمه با هوش مصنوعی آمده است.
چسبیده یا جدا؟
دو حالت وجود دارد و انتخاب به پلتفرم بستگی دارد. زیرنویس چسبیده بخشی از تصویر میشود و همهجا دیده میشود، ولی دیگر قابل خاموشکردن و ویرایش نیست. زیرنویس جدا فایل مستقل است، قابل جستوجو میماند و کاربر کنترلش را دارد.
برای ریلز و ویدیوی کوتاه اینستاگرام، چسبیده. برای یوتیوب و پلتفرم آموزشی، جدا. اگر محتوای شبکههای اجتماعی میسازید، بقیهی ملاحظات را در راهنمای محتوای اینستاگرام جمع کردهایم.
بازاستفاده از متن استخراجشده
متنی که برای زیرنویس درآوردهاید، فقط زیرنویس نیست. همان فایل میتواند به مقالهی وبلاگ، خلاصهی چند بولتی، یا سه بریدهی کوتاه برای معرفی ویدیو تبدیل شود. اگر ویدیوی بلند میسازید، این کمهزینهترین راه ساخت محتوای جانبی است — کافی است متن را در نارنگی بگذارید و قالب خروجی را مشخص کنید.
برای ویدیوهای بعدی هم که از ابتدا میسازید، توصیههای راهنمای ساخت ویدیو را ببینید. مشخصات کامل قالب SRT و قالبهای مشابه در مستندات WebVTT در W3C آمده است.
جمعبندی
زیرنویس دیگر کار پرزحمتی نیست، ولی هنوز کار بیزحمتی هم نیست. بخش خودکارش چند دقیقه است؛ بخشی که کیفیت را میسازد، همان بازخوانی است که اغلب حذف میشود.
یک بار فهرست واژههای تکراری خودتان را بسازید، قاعدهی دو خط و چهل کاراکتر را رعایت کنید، و خروجی را قبل از انتشار یک بار بیصدا ببینید. اگر خودتان بدون صدا متوجه ویدیو شدید، مخاطب هم میشود.
برای ادامه، این مقالهها را ببینید:
