Tłumaczenie mowy w jednym kroku
Typowy sposób tłumaczenia wideo to dwuetapowy proces: najpierw transkrypcja mowy w jej własnym języku, potem przepuszczenie tekstu przez tłumacza maszynowego. Każdy etap dokłada własne błędy, a drugi widzi tylko słowa, a nie to, jak zostały wypowiedziane.
To narzędzie idzie krótszą drogą. Whisper, model mowy, na którym się opiera, był trenowany nie tylko do transkrypcji, ale też do tworzenia tekstu angielskiego bezpośrednio z nagrań w innych językach; około 125 000 godzin jego danych treningowych to właśnie takie pary mowy nieanglojęzycznej z angielskim tekstem. W trybie tłumaczenia słucha nagrania i pisze po angielsku, bez pośredniej transkrypcji w języku oryginału.
Daje to kilka praktycznych korzyści:
- Tajmingi pozostają przypisane do angielskiego tekstu. Każdy przetłumaczony fragment zachowuje czas początku i końca wypowiedzi, z której pochodzi, więc wynik SRT i VTT pokrywa się z wideo.
- Błędy się nie kumulują. W procesie dwuetapowym źle usłyszane słowo zamienia się w pewnie brzmiące, błędne tłumaczenie; tutaj model pracuje na samym dźwięku, więc nie ma wadliwej transkrypcji, na której mógłby budować tłumacz.
- Jedno zadanie, jedno czekanie. Z jednego przesłanego pliku dostajesz angielski tekst lub napisy.
Ceną jest to, że język docelowy jest stały: Whisper tłumaczy wyłącznie na angielski.
Dobre zastosowania i słabe punkty
Narzędzie dobrze sprawdza się do rozumienia treści i prostych publikacji:
- Śledzenie wystąpienia na konferencji, wykładu lub wywiadu nagranego w języku, którego nie znasz.
- Dodanie angielskich napisów do krótkiego klipu dla międzynarodowej publiczności.
- Zrozumienie ogólnego sensu wiadomości głosowej, materiału informacyjnego lub nagrania od klienta, zanim zdecydujesz, czy potrzebny jest profesjonalny tłumacz.
Warto wiedzieć, z czym ma trudności:
- Nazwy własne i terminy. Imiona, nazwy miejsc i produktów mogą zostać przetłumaczone dosłownie albo zapisane z błędem. Sprawdź je przed publikacją.
- Idiomy i humor. Utarte wyrażenia bywają oddawane słowo w słowo.
- Mowa w kilku językach. Gdy mówcy zmieniają język w połowie zdania, fragmenty mogą zostać nieprzetłumaczone lub pominięte.
- Sporadyczne nieprzetłumaczone fragmenty. Od czasu do czasu jakiś fragment pozostaje w języku oryginału. Jawne wybranie języka mówionego zamiast pozostawienia autowykrywania sprawia, że zdarza się to rzadziej.
- Nagrania już po angielsku. Są po prostu transkrybowane, więc nie ma sensu przetwarzać ich tutaj; użyj zamiast tego transkrypcji.
Wybór formatu wyniku
Dostępne są trzy formaty, a po zakończeniu zadania angielski tekst pojawia się też na stronie, gotowy do skopiowania:
- TXT umieszcza każdą przetłumaczoną frazę w osobnym wierszu, bez tajmingów. Najlepszy do czytania, notatek, cytatów i wklejania do dokumentu.
- SRT to bezpieczny wybór dla napisów: przyjmują go edytory wideo, odtwarzacze na komputery i większość formularzy wysyłania.
- VTT służy do wideo HTML5 na stronie internetowej, gdzie element
<track>przyjmuje wyłącznie VTT.
Aby wyświetlić angielskie napisy, dodaj SRT jako ścieżkę napisów w edytorze lub odtwarzaczu albo trzymaj go obok wideo pod tą samą nazwą pliku. Jeśli napisy okażą się przesunięte o sekundę czy dwie albo później będziesz potrzebować innego formatu, konwerter napisów przesunie tajmingi i zamieni SRT na VTT lub odwrotnie.
Przygotowanie pliku
Przyjmowane są zarówno pliki wideo, jak i audio: MP4, MOV, MKV i WebM oraz MP3, WAV i M4A. Wykorzystywany jest tylko dźwięk, więc duże wideo można zastąpić jego ścieżką audio, aby przyspieszyć wysyłanie. 300-megabajtowe nagranie ekranu jako MP3 zajmuje zwykle 10–15 MB, a tłumaczenie wychodzi takie samo.
Rozpoznawanie trwa mniej więcej tyle, ile samo nagranie, a darmowy limit liczony jest w minutach dźwięku, a nie w megabajtach. Jeśli nagranie jest dłuższe niż Twój limit, podziel je w naturalnych pauzach i tłumacz części po kolei, aby żadne zdanie nie zostało przecięte na granicy.
Przetwarzanie odbywa się na naszych serwerach, bo model jest zdecydowanie za duży, by działać w karcie przeglądarki. Przesłany plik jest usuwany, gdy tylko wynik jest gotowy, a sam wynik wygasa automatycznie w ciągu mniej więcej godziny, więc pobierz go lub skopiuj od razu.