Automatyczne wykrywanie i transkrypcja dialogów

Przed dubbingiem wideo trzeba wiedzieć, kto co mówi i kiedy. To najbardziej żmudny etap dubbingu: odsłuchiwanie każdej kwestii, przepisywanie jej, notowanie czasu. Wykonane ręcznie potrafi pochłonąć godziny przy kilku minutach materiału. Dobra wiadomość: automatyczna transkrypcja dialogów wykonuje dziś tę pracę automatycznie i dzieli ją dokładnie tam, gdzie będzie tego potrzebować taśma rytmiczna.

Wykrywać mowę, a nie tylko ją słyszeć

Transkrypcja to nie samo zamienianie dźwięku na tekst. Aby przygotować dubbing, dwie informacje liczą się tak samo jak same słowa:

• Gdzie każda kwestia się zaczyna i kończy. Silnik transkrypcji wykrywa segmenty mowy i ciszę między nimi. Każde zdanie dostaje punkt wejścia i wyjścia, z dokładnością do setnej sekundy.
• Język mówiony. Prawidłowe rozpoznanie języka źródłowego pozwala uniknąć klasycznego błędu (przepisania japońskiego tak, jakby to był inny język), który psuje wszystko, co dzieje się dalej.

Efektem nie jest ściana tekstu, lecz sekwencja kwestii już podzielonych i oznaczonych czasem. To dokładnie surowiec dla taśmy rytmicznej.

Od transkrypcji do taśmy rytmicznej

Surowa transkrypcja to tylko punkt wyjścia. To, co czyni ją użyteczną dla dubbingu, to, co dzieje się z nią dalej.

Każdy wykryty segment staje się linią tekstu przypiętą do swojego pierwotnego czasu. Nie trzeba już zgadywać, gdzie umieścić kwestię: pojawia się ona już ustawiona pod obrazem, w chwili, gdy postać mówi. Pozostaje tylko zaadaptować tekst (przetłumaczyć, skrócić, by zmieścił się w czasie, uszanować ruch ust), a potem go nagrać.

Innymi słowy, automatyczna transkrypcja usuwa mechaniczną część pracy i zostawia część twórczą: adaptację i grę aktorską.

Poprawiać, zamiast wpisywać wszystko

Żaden silnik nie jest doskonały. Źle zapisana nazwa własna, nakładająca się kwestia, połknięte słowo: automatyczna transkrypcja czasem się myli. Ale poprawianie jest nieporównanie szybsze niż wpisywanie wszystkiego od zera.

Dobry nawyk: przeczytać transkrypcję ponownie, gdy już leży na taśmie rytmicznej, z uchem przy wideo. Od razu widać przesunięcie lub błąd, można poprawić tekst lub czas i ruszyć dalej. Gros pracy nad czasem, etap, który ręcznie trwa najdłużej, jest już zrobiony.

Dlaczego to zmienia sposób pracy

Bez automatycznej transkrypcji przygotowanie taśmy rytmicznej dla dziesięciu minut wideo potrafi zająć cały wieczór, zanim jeszcze powstanie pierwsze nagranie. Z nią start następuje od tekstu już podzielonego i otaśmowanego czasowo, a czas można poświęcić na to, co naprawdę się liczy: jakość adaptacji i interpretacji.

To także sprawia, że dubbing staje się wykonalny dla samotnego twórcy. To, co dawniej wymagało zespołu do detekcji i studia, mieści się dziś w przeglądarce.

Jak to zrobić w Voxdub

W Voxdub wykrywanie i transkrypcja dialogów są wbudowane w przebieg pracy: importuje się wideo, tekst zostaje wykryty, podzielony i otaśmowany czasowo, a następnie umieszczony na taśmie rytmicznej, gotowy do adaptacji i nagrania. Potem wystarczy poprawić to, co trzeba, zsynchronizować i nagrać ludzkie głosy. 7-dniowy okres próbny daje czas na przetestowanie metody na własnym wideo.

Najlepiej zacząć od krótkiego klipu i pozwolić transkrypcji wykonać pierwsze przejście: zaoszczędzony czas widać już przy pierwszej kwestii.