زیرنویس خودکار چیست و چگونه برای ویدئو زیرنویس بسازیم؟

ساخت زیرنویس به روش دستی می‌تواند زمان زیادی بگیرد. باید تمام ویدئو را گوش کنید، جمله‌ها را بنویسید، زمان شروع و پایان هر بخش را مشخص کنید و بعد متن را با تصویر هماهنگ سازید. برای یک ویدئوی طولانی، این فرایند ممکن است چندین ساعت زمان ببرد.

ابزارهای زیرنویس خودکار بخش زیادی از این کار را با استفاده از فناوری تشخیص گفتار انجام می‌دهند. فایل ویدئویی را دریافت می‌کنند، گفتار آن را به متن تبدیل می‌کنند و هر بخش از متن را به زمان مربوط در ویدئو متصل می‌سازند.

خروجی خودکار معمولاً نقطه شروع مناسبی است، اما به‌ندرت باید بدون بازبینی منتشر شود. نام اشخاص، اعداد، واژه‌های تخصصی، بخش‌های دارای نویز و صحبت هم‌زمان گویندگان ممکن است اشتباه تشخیص داده شوند.

در این راهنما بررسی می‌کنیم که زیرنویس خودکار چگونه کار می‌کند، چطور برای ویدئو زیرنویس بسازیم و قبل از انتشار چه مواردی را باید اصلاح کنیم.

برای ویدئوی خود زیرنویس فارسی بسازید

فایل ویدئویی را در سابچین بارگذاری کنید، متن گفتار را دریافت کنید و زیرنویس را برای انتشار آماده سازید.

ساخت زیرنویس فارسی با سابچین

زیرنویس خودکار چیست؟

زیرنویس خودکار متنی زمان‌بندی‌شده است که با کمک فناوری تشخیص گفتار از صدای یک فایل صوتی یا ویدئویی تولید می‌شود.

در این فرایند، سامانه:

• صدای ویدئو را استخراج می‌کند؛
• بخش‌های دارای گفتار را تشخیص می‌دهد؛
• گفتار را به متن تبدیل می‌کند؛
• متن را به قطعه‌های کوتاه تقسیم می‌کند؛
• برای هر قطعه زمان شروع و پایان تعیین می‌کند؛
• نتیجه را در ویرایشگر یا فایل زیرنویس نمایش می‌دهد.

خروجی می‌تواند به‌صورت یک فایل جداگانه مانند SRT یا VTT باشد، یا مستقیماً روی تصویر ویدئو قرار گیرد.

اگر هنوز درباره ضرورت استفاده از زیرنویس تردید دارید، ابتدا مقاله چرا باید به ویدئو زیرنویس اضافه کنیم؟ را بخوانید.

زیرنویس خودکار چگونه کار می‌کند؟

فرایند ساخت زیرنویس خودکار معمولاً بر پایه دو فناوری اصلی انجام می‌شود:

تشخیص گفتار

مدل تشخیص گفتار، صدای گوینده را تحلیل و کلمات احتمالی را شناسایی می‌کند. این همان فناوری‌ای است که در سرویس‌های تبدیل صوت به متن نیز استفاده می‌شود.

کیفیت نتیجه به عواملی مانند این موارد بستگی دارد:

• وضوح صدای گوینده
• میزان نویز محیط
• زبان و لهجه
• سرعت گفتار
• تعداد گویندگان
• صحبت هم‌زمان افراد
• وجود موسیقی پس‌زمینه
• اصطلاحات تخصصی

برای آشنایی بیشتر با این مرحله، مقاله «تبدیل فایل صوتی به متن فارسی» پس از انتشار مقاله نهم در دسترس قرار می‌گیرد.

زمان‌بندی متن

پس از شناسایی کلمات، سامانه باید مشخص کند هر جمله در چه زمانی نمایش داده شود.

زمان‌بندی مناسب باید با شروع و پایان گفتار هماهنگ باشد. اگر زیرنویس خیلی زود ظاهر شود، ممکن است بخشی از صحبت را پیش از بیان آن آشکار کند. اگر دیر نمایش داده شود، ارتباط متن و صدا از بین می‌رود.

قطعه‌بندی جمله‌ها

متن گفتار معمولاً نمی‌تواند به‌شکل یک پاراگراف بلند روی ویدئو نمایش داده شود. سامانه آن را به بخش‌های کوتاه‌تر تقسیم می‌کند تا خواندن متن هم‌زمان با تماشای تصویر امکان‌پذیر باشد.

تقسیم خودکار همیشه طبیعی نیست. گاهی جمله در محل نامناسب شکسته می‌شود یا یک واژه به خط بعد منتقل می‌شود. به همین دلیل، قطعه‌بندی نیز باید بازبینی شود.

تفاوت زیرنویس خودکار با تبدیل صوت به متن چیست؟

این دو فرایند از فناوری مشابهی استفاده می‌کنند، اما خروجی آن‌ها یکسان نیست.

در تبدیل صوت به متن، هدف اصلی استخراج محتوای گفتاری است. خروجی می‌تواند یک متن پیوسته، مصاحبه مکتوب یا متن جلسه باشد.

در تولید زیرنویس، علاوه بر متن، زمان نمایش هر بخش نیز اهمیت دارد. زیرنویس باید با ویدئو هماهنگ، کوتاه و قابل خواندن باشد.

برای مثال، خروجی تبدیل صوت به متن ممکن است چنین باشد:

امروز می‌خواهیم درباره روش‌های تولید محتوا برای شبکه‌های اجتماعی صحبت کنیم و چند نمونه کاربردی را بررسی کنیم.

اما همان جمله در زیرنویس ممکن است به چند بخش تقسیم شود:

00:00:03,200 --> 00:00:06,100
امروز می‌خواهیم درباره روش‌های تولید محتوا

00:00:06,100 --> 00:00:09,400
برای شبکه‌های اجتماعی صحبت کنیم

00:00:09,400 --> 00:00:12,000
و چند نمونه کاربردی را بررسی کنیم.

بنابراین، تولید زیرنویس شامل دو مرحله اصلی است:

• تبدیل گفتار به متن
• تبدیل متن به قطعه‌های زمان‌بندی‌شده

چگونه برای ویدئو زیرنویس خودکار بسازیم؟

۱. فایل ویدئو را آماده کنید

پیش از بارگذاری، نسخه‌ای را انتخاب کنید که بهترین کیفیت صدا را دارد.

اگر چند نسخه از ویدئو در اختیار دارید، فایلی را استفاده کنید که:

• صدای گوینده واضح‌تر است؛
• فشرده‌سازی کمتری دارد؛
• موسیقی روی صدای گوینده غالب نیست؛
• قطع و وصل یا افت صدا ندارد؛
• بخش‌های اضافی آن حذف شده‌اند.

کیفیت تصویری بالا برای تشخیص گفتار ضروری نیست، اما کیفیت صوت اهمیت زیادی دارد.

۲. فایل را در ابزار تولید زیرنویس بارگذاری کنید

وارد بخش ساخت زیرنویس سابچین شوید و فایل خود را بارگذاری کنید.

پیش از بارگذاری فایل‌های محرمانه یا سازمانی، سیاست حریم خصوصی، نحوه نگهداری فایل و امکان حذف اطلاعات را بررسی کنید.

۳. زبان گفتار را انتخاب کنید

انتخاب زبان صحیح به مدل کمک می‌کند واژه‌ها را دقیق‌تر تشخیص دهد.

اگر بیشتر ویدئو فارسی است، زبان فارسی را انتخاب کنید؛ حتی اگر در بخشی از ویدئو چند واژه یا نام انگلیسی وجود دارد.

در ویدئوهای چندزبانه، ممکن است لازم باشد:

• زبان غالب را انتخاب کنید؛
• ویدئو را به چند بخش تقسیم کنید؛
• یا متن خروجی را با دقت بیشتری بازبینی کنید.

۴. زیرنویس اولیه را تولید کنید

سامانه صدای ویدئو را پردازش می‌کند و متن زمان‌بندی‌شده می‌سازد.

زمان پردازش ممکن است به این موارد وابسته باشد:

• مدت ویدئو
• حجم فایل
• کیفیت صدا
• تعداد گویندگان
• ظرفیت پردازش سرویس

بعد از پایان پردازش، ویدئو و متن زیرنویس در کنار یکدیگر نمایش داده می‌شوند.

۵. متن را با صدای اصلی تطبیق دهید

مهم‌ترین مرحله، بازبینی متن است. ویدئو را پخش کنید و زیرنویس را با گفتار مقایسه کنید.

این موارد را با دقت بیشتری بررسی کنید:

• نام افراد
• نام شرکت‌ها و محصولات
• اعداد و درصدها
• تاریخ و ساعت
• نشانی‌ها
• اصطلاحات تخصصی
• واژه‌های خارجی
• جمله‌های منفی
• بخش‌های دارای نویز
• صحبت هم‌زمان افراد

اشتباه در یک واژه ساده مانند «نیست» می‌تواند معنای جمله را کاملاً تغییر دهد.

۶. نشانه‌گذاری و نگارش را اصلاح کنید

گفتار طبیعی معمولاً شامل مکث، تکرار، جمله‌های نیمه‌کاره و کلمات پرکننده است. متن خام تشخیص گفتار ممکن است بدون علائم نگارشی مناسب تولید شود.

برای خوانایی بهتر:

• نقطه و ویرگول را اصلاح کنید؛
• سؤال‌ها را با علامت مناسب مشخص کنید؛
• نیم‌فاصله و شکل درست کلمات فارسی را رعایت کنید؛
• تکرارهای غیرضروری را در صورت مجازبودن حذف کنید؛
• لحن و معنای گوینده را تغییر ندهید.

در محتوای رسمی یا مستند، بهتر است متن تا حد امکان به گفتار اصلی وفادار بماند. در ویدئوهای کوتاه شبکه‌های اجتماعی می‌توان برخی مکث‌ها یا تکرارهای غیرمعنادار را برای خوانایی بهتر حذف کرد.

۷. زمان‌بندی زیرنویس را بررسی کنید

هر قطعه باید تقریباً هم‌زمان با بیان جمله ظاهر شود و پس از پایان گفتار ناپدید گردد.

این مشکلات را اصلاح کنید:

• زیرنویس پیش از شروع جمله ظاهر می‌شود؛
• متن پس از پایان گفتار مدت زیادی باقی می‌ماند؛
• دو زیرنویس روی یکدیگر می‌افتند؛
• قطعه‌ای آن‌قدر کوتاه است که فرصت خواندن وجود ندارد؛
• مکث طبیعی میان جمله‌ها رعایت نشده است.

در بخش‌هایی که سرعت گفتار زیاد است، ممکن است لازم باشد متن را خلاصه‌تر یا قطعه‌ها را بهتر تقسیم کنید، بدون اینکه معنای اصلی حذف شود.

۸. خطوط زیرنویس را درست تقسیم کنید

شکستن خط باید بر اساس ساختار معنایی جمله انجام شود.

نمونه نامناسب:

برای تولید محتوای بهتر باید مخاطب خود را
به‌درستی
بشناسید.

نمونه بهتر:

برای تولید محتوای بهتر،
باید مخاطب خود را به‌درستی بشناسید.

بهتر است:

• صفت از اسم جدا نشود؛
• فعل تا حد امکان کنار اجزای مرتبط جمله بماند؛
• نام و نام خانوادگی در دو خط جدا قرار نگیرند؛
• حروف اضافه به‌تنهایی در پایان خط نمانند؛
• هر قطعه فقط یک واحد معنایی مشخص داشته باشد.

۹. گویندگان و صداهای مهم را مشخص کنید

اگر چند نفر در ویدئو صحبت می‌کنند و هویت آن‌ها از تصویر مشخص نیست، نام یا نقش گوینده را ذکر کنید:

مجری: موضوع جلسه امروز چیست؟

مدیر محصول: درباره نسخه جدید صحبت می‌کنیم.

برای کپشن دسترس‌پذیر، صداهای غیرگفتاری مهم نیز باید توصیف شوند:

• [موسیقی آرام]
• [صدای زنگ تلفن]
• [تشویق حضار]

لازم نیست همه صداهای محیط نوشته شوند؛ فقط صداهایی که برای درک محتوا یا فضای صحنه اهمیت دارند.

۱۰. ظاهر زیرنویس را تنظیم کنید

در زیرنویس باز، متن مستقیماً روی ویدئو نمایش داده می‌شود. بنابراین طراحی آن بخشی از تجربه بصری محتواست.

موارد مهم عبارت‌اند از:

• فونت خوانا
• اندازه متناسب
• کنتراست کافی
• فاصله مناسب از لبه تصویر
• پس‌زمینه یا سایه
• پرهیز از پوشاندن چهره و اطلاعات مهم
• سازگاری با صفحه موبایل

ظاهر جذاب نباید خوانایی را قربانی کند. انیمیشن‌های زیاد، تغییر مداوم رنگ یا فونت‌های تزئینی می‌توانند تمرکز مخاطب را کاهش دهند.

برای انتخاب بهتر، مقاله بهترین فونت فارسی برای زیرنویس ویدئو را بخوانید.

۱۱. قالب خروجی را انتخاب کنید

بعد از اصلاح متن و زمان‌بندی، باید مشخص کنید زیرنویس چگونه منتشر شود.

فایل SRT

SRT یکی از رایج‌ترین فرمت‌های زیرنویس است. این فایل شامل شماره قطعه، زمان شروع و پایان و متن است.

مزایا:

• ساختار ساده
• پشتیبانی گسترده
• امکان ویرایش با ابزارهای متنی
• مناسب یوتیوب و بسیاری از پخش‌کننده‌ها

محدودیت:

• امکانات ظاهری آن محدود است.

فایل VTT

WebVTT قالبی مناسب برای پخش‌کننده‌های وب است و می‌تواند امکانات بیشتری برای نمایش و موقعیت متن فراهم کند.

برای وب‌سایت‌هایی که از ویدئوی HTML5 استفاده می‌کنند، VTT معمولاً انتخاب مناسبی است.

زیرنویس چسبیده به ویدئو

در این روش، زیرنویس مستقیماً داخل تصویر ویدئو قرار می‌گیرد و قابل خاموش‌کردن نیست.

مزایا:

• روی بیشتر پلتفرم‌ها نمایش داده می‌شود؛
• ظاهر آن تحت کنترل تولیدکننده است؛
• برای شبکه‌های اجتماعی مناسب است.

محدودیت‌ها:

• مخاطب نمی‌تواند آن را غیرفعال کند؛
• اصلاح زیرنویس نیازمند خروجی‌گرفتن دوباره ویدئو است؛
• امکان ارائه چند زبان به‌سادگی وجود ندارد.

تفاوت این روش‌ها را در مقاله انواع زیرنویس چیست؟ کامل‌تر توضیح داده‌ایم.

۱۲. نسخه نهایی را آزمایش کنید

پیش از انتشار، ویدئو را حداقل یک‌بار از ابتدا تا انتها همراه زیرنویس ببینید.

آن را روی چند اندازه صفحه بررسی کنید:

• موبایل
• لپ‌تاپ
• نمایشگر بزرگ
• حالت تمام‌صفحه
• پخش‌کننده مقصد

همچنین ویدئو را یک‌بار بدون صدا ببینید. اگر پیام اصلی در حالت بی‌صدا قابل فهم نیست، احتمالاً بخشی از متن یا اطلاعات صوتی مهم جا افتاده است.

آیا زیرنویس خودکار دقیق است؟

دقت زیرنویس خودکار عدد ثابتی ندارد و به شرایط فایل بستگی دارد.

نتیجه معمولاً در این شرایط بهتر است:

• یک گوینده واضح صحبت می‌کند؛
• میکروفون به گوینده نزدیک است؛
• نویز پس‌زمینه کم است؛
• گفتار با سرعت طبیعی انجام می‌شود؛
• افراد هم‌زمان صحبت نمی‌کنند؛
• واژه‌های بسیار تخصصی کم هستند.

نتیجه ممکن است در این شرایط ضعیف‌تر شود:

• چند نفر هم‌زمان صحبت می‌کنند؛
• موسیقی بلند روی گفتار قرار دارد؛
• صدا از فاصله زیاد ضبط شده است؛
• کیفیت تماس اینترنتی پایین است؛
• گوینده بسیار سریع یا نامفهوم صحبت می‌کند؛
• متن شامل نام‌های خاص و اصطلاحات تخصصی متعدد است.

بنابراین بهتر است زیرنویس خودکار را پیش‌نویس زمان‌بندی‌شده در نظر بگیرید، نه نسخه نهایی بدون نیاز به بررسی.

چگونه دقت زیرنویس خودکار را افزایش دهیم؟

صدای تمیز ضبط کنید

بهترین زمان برای بهبود زیرنویس، پیش از ضبط ویدئو است. میکروفون مناسب و محیط آرام، نتیجه را بسیار بهتر می‌کنند.

موسیقی را از گفتار جدا نگه دارید

اگر امکان دارد، فایل صدای گوینده و موسیقی را روی ترک‌های جداگانه نگه دارید. برای تولید زیرنویس می‌توان نسخه‌ای با موسیقی کمتر یا بدون موسیقی استفاده کرد.

واژه‌های تخصصی را از قبل آماده کنید

فهرستی از نام افراد، برندها و اصطلاحات تخصصی تهیه کنید تا هنگام ویرایش سریع‌تر آن‌ها را پیدا و اصلاح کنید.

ویدئوهای طولانی را بخش‌بندی کنید

پردازش و بازبینی چند بخش کوتاه معمولاً ساده‌تر از یک فایل بسیار طولانی است.

یک مرحله بازبینی نهایی داشته باشید

فردی که با موضوع ویدئو آشناست، می‌تواند خطاهایی را تشخیص دهد که برای ویراستار عمومی واضح نیستند.

زیرنویس خودکار برای چه محتواهایی مناسب است؟

ویدئوهای شبکه‌های اجتماعی

برای اینستاگرام، لینکدین، یوتیوب شورتس و پلتفرم‌های مشابه، زیرنویس باز معمولاً کاربردی است، زیرا متن همیشه روی تصویر دیده می‌شود.

دوره‌های آموزشی

زیرنویس به دانشجو کمک می‌کند اصطلاحات را دنبال کند، بخش‌های نامفهوم را دوباره مرور کند و محتوای آموزشی را در محیط‌های مختلف ببیند.

مصاحبه و پادکست ویدئویی

در محتوای گفت‌وگومحور، زیرنویس می‌تواند نام گویندگان را مشخص و دنبال‌کردن بحث را ساده‌تر کند.

وبینار و ارائه سازمانی

زیرنویس، محتوای ارائه را دسترس‌پذیرتر می‌کند و می‌تواند پایه تولید متن، خلاصه یا محتوای تکمیلی باشد.

ویدئوی تبلیغاتی

در ویدئوهای کوتاه تبلیغاتی، زیرنویس کمک می‌کند پیام حتی بدون صدا منتقل شود. متن باید کوتاه، دقیق و هماهنگ با ریتم تدوین باشد.

تفاوت زیرنویس خودکار و زیرنویس دستی

• سرعت تولید اولیه: زیرنویس خودکار بالا است؛ زیرنویس دستی پایین است.
• هزینه اولیه: زیرنویس خودکار معمولاً کمتر است؛ زیرنویس دستی معمولاً بیشتر است.
• زمان‌بندی اولیه: در زیرنویس خودکار خودکار انجام می‌شود؛ در زیرنویس دستی دستی انجام می‌شود.
• نیاز به بازبینی: زیرنویس خودکار معمولاً نیاز به بازبینی دارد؛ زیرنویس دستی وابسته به کیفیت کار است.
• فایل‌های طولانی: زیرنویس خودکار مناسب‌تر است؛ زیرنویس دستی بسیار زمان‌بر است.
• اصطلاحات تخصصی: زیرنویس خودکار مستعد خطا است؛ زیرنویس دستی وابسته به تخصص فرد است.
• مقیاس‌پذیری: زیرنویس خودکار بالا است؛ زیرنویس دستی محدودتر است.
• کنترل نهایی: زیرنویس خودکار نیازمند ویرایش است؛ زیرنویس دستی کنترل بالاتری دارد.

در بسیاری از پروژه‌ها، روش ترکیبی بهترین نتیجه را می‌دهد:

• تولید خودکار متن و زمان‌بندی
• بازبینی و اصلاح انسانی
• کنترل نهایی روی ویدئو

اشتباهات رایج در تولید زیرنویس خودکار

انتشار بدون بازبینی

حتی یک خطای کوچک در نام، عدد یا جمله منفی می‌تواند اعتبار محتوا را کاهش دهد.

انتخاب زبان اشتباه

اگر زبان فایل درست مشخص نشود، مدل ممکن است کلمات را با الگوی زبانی نامناسب تحلیل کند.

استفاده از متن‌های طولانی

زیرنویس باید هم‌زمان با تصویر خوانده شود. نمایش پاراگراف‌های بلند تجربه تماشا را مختل می‌کند.

نادیده‌گرفتن زمان‌بندی

متن درست با زمان‌بندی اشتباه همچنان زیرنویس نامناسبی است.

فونت کوچک یا تزئینی

ظاهر جذاب نباید مانع خواندن سریع متن شود.

پوشاندن اطلاعات تصویر

در ویدئوهای آموزشی و شبکه‌های اجتماعی، پایین تصویر ممکن است محل نمایش دکمه‌ها، نام کاربری یا توضیحات باشد.

استفاده از یک خروجی برای همه پلتفرم‌ها

ممکن است نسخه مناسب یوتیوب برای اینستاگرام مناسب نباشد. محل نمایش، اندازه متن و نسبت تصویر باید متناسب با پلتفرم بررسی شود.

جمع‌بندی

زیرنویس خودکار فرایند تولید متن و زمان‌بندی ویدئو را سریع‌تر می‌کند. به‌جای نوشتن دستی همه جمله‌ها، می‌توانید یک نسخه اولیه از متن و زمان نمایش آن دریافت کنید و زمان خود را روی اصلاح و کنترل کیفیت بگذارید.

بااین‌حال، زیرنویس خودکار نباید بدون بازبینی منتشر شود. کیفیت صدا، نویز، تعداد گویندگان و اصطلاحات تخصصی می‌توانند بر نتیجه اثر بگذارند. متن، نشانه‌گذاری، زمان‌بندی، تقسیم خطوط و ظاهر زیرنویس باید پیش از انتشار بررسی شوند.

فرایند مناسب معمولاً چنین است:

• بارگذاری ویدئو
• انتخاب زبان
• تولید زیرنویس خودکار
• اصلاح متن
• تنظیم زمان‌بندی
• بررسی خوانایی
• انتخاب فرمت خروجی
• آزمایش نسخه نهایی

زیرنویس ویدئوی خود را آماده کنید

ویدئو را در سابچین بارگذاری کنید و فرایند استخراج متن و تولید زیرنویس فارسی را شروع کنید.

ساخت زیرنویس خودکار برای ویدئو