субтитрыAIраспознавание речи

Как добавить субтитры к видео автоматически: полное руководство

Как работает распознавание речи, чем отличаются SRT, VTT и ASS, когда нужны вшитые субтитры, как разбивать строки и что обязательно проверять руками.

5 мин чтения
Содержание
  1. Как работает автоматическое распознавание
  2. От чего зависит точность
  3. Форматы файлов субтитров
  4. Вшитые или отключаемые
  5. Разбивка на строки
  6. Оформление
  7. Что проверять перед публикацией
  8. Когда автоматика не подходит

Субтитры перестали быть функцией доступности и стали условием просмотра. Значительная часть коротких видео смотрится без звука — в транспорте, на работе, поздно вечером. Видео без субтитров в такой ситуации просто пролистывают.

Набирать тайм-коды вручную — часы работы на каждый ролик. Поэтому субтитры почти всегда делают автоматически, через распознавание речи. Ниже — как это устроено, где ошибается и что нужно проверять самому.

Как работает автоматическое распознавание

Система получает аудиодорожку, преобразует её в текст и расставляет временные метки. Результат бывает двух видов, и разница важна:

  • Пословные метки (word-level) — время начала и конца известно для каждого слова. Позволяет делать покадровое появление и подсветку отдельных слов.
  • Пофразовые метки (segment-level) — время известно для целой реплики. Достаточно для классических субтитров, но не даёт эффекта «слова в ритм речи».

Для коротких вертикальных видео нужны пословные: именно на них строится характерная динамичная подача.

От чего зависит точность

Качество распознавания определяется в первую очередь звуком, а не моделью:

  • Микрофон. Петличка или конденсаторный микрофон дают заметно лучший результат, чем встроенный в камеру или ноутбук.
  • Перекрёстная речь. Когда двое говорят одновременно, точность падает резко. Если есть возможность писать отдельные дорожки — пишите.
  • Фоновая музыка. Особенно с вокалом: система пытается распознать и его.
  • Реверберация. Запись в пустой комнате с голыми стенами распознаётся хуже, чем в помещении с мягкой мебелью.
  • Темп и дикция. Быстрая невнятная речь теряет окончания.

Улучшить звук на записи дешевле, чем потом править текст.

Особенности русского языка

На русском стабильно ошибаются одни и те же категории:

  • Имена собственные. Фамилии, названия компаний, топонимы. Ошибка в имени гостя выглядит небрежно и бьёт по доверию.
  • Англицизмы и профессиональный жаргон. Термины записываются на слух и часто превращаются в похожие по звучанию русские слова.
  • Числа. Могут записываться и цифрами, и прописью, непоследовательно.
  • Омонимы и падежи. Без контекста система выбирает частотный вариант.

Вывод практический: автоматический текст нужно бегло вычитывать, уделяя внимание именно этим местам, а не всему подряд.

Галлюцинации на тишине

Отдельная особенность нейросетевого распознавания: на участках тишины, шума или музыки модель может «дорисовать» текст, которого не было. Часто это фразы из обучающих данных — подписи к видео, названия студий, благодарности за просмотр.

Выглядит это как внезапная посторонняя фраза в субтитрах на пустом месте. Проверяйте участки, где никто не говорит: именно там появляется такой мусор.

Форматы файлов субтитров

Форматов много, реально используются три.

SRT

Самый простой и распространённый. Содержит номер реплики, время начала и конца и текст. Оформления не поддерживает: ни шрифта, ни цвета, ни положения на экране. Годится как универсальный обменный формат — его принимают почти все площадки и редакторы.

WebVTT

Веб-стандарт, развитие SRT. Помимо текста умеет задавать положение реплики на экране и поддерживает ограниченное оформление. Используется для субтитров в браузерном плеере.

ASS/SSA

Формат с полноценным оформлением: шрифты, цвета, обводка, тень, точное позиционирование, анимация и покараоке-подсветка отдельных слов. Именно на нём строятся эффектные субтитры для коротких видео. Используется как промежуточный формат при вшивании текста в картинку.

Вшитые или отключаемые

Принципиальная развилка.

Отключаемые (softsub) — отдельный файл рядом с видео. Зритель может включить или выключить, площадка может показать их своим шрифтом. Плюс: доступность и возможность нескольких языков. Минус: вы не контролируете, как они выглядят и покажут ли их вообще.

Вшитые (hardsub) — текст впечатан в кадр и является частью изображения. Выключить нельзя. Зато выглядят одинаково везде и показываются всегда.

Для коротких вертикальных видео практически всегда нужны вшитые. Причины две: автоматические субтитры площадок непредсказуемы по качеству и виду, а характерное покадровое оформление отдельным файлом вообще не передать. Для длинных горизонтальных видео разумнее отключаемые — их можно исправить без перезаливки.

Разбивка на строки

Здесь короткие видео принципиально отличаются от классических субтитров.

Классические субтитры к фильмам и длинным роликам: не более двух строк, порядка 35–42 символов в строке, скорость чтения около 15–17 символов в секунду. Реплика держится на экране достаточно, чтобы её спокойно прочитать.

Короткие вертикальные видео: 2–4 слова на экране, смена в ритм речи. Читать здесь не нужно — текст воспринимается целиком, как подпись, и служит опорой для взгляда. Длинная строка в таком формате выглядит чужеродно и не читается на ходу.

Практическое правило: если фраза не умещается в 3–4 слова, разбивайте по смысловым группам, а не по ширине экрана. Разрыв между предлогом и словом или между подлежащим и сказуемым читается плохо.

Оформление

Субтитры лежат поверх меняющейся картинки, поэтому читаемость важнее стиля:

  • Шрифт — плотный гротеск без засечек. Тонкие начертания и декоративные шрифты теряются на видео.
  • Обводка или тень — обязательны. Без них белый текст исчезнет на светлом кадре.
  • Размер — такой, чтобы читалось на экране телефона в ленте, а не на мониторе при монтаже.
  • Подсветка ключевого слова — работает как акцент, но только если выделяется действительно главное слово, а не каждое второе.
  • Регистр — сплошные заглавные читаются медленнее; уместны для коротких акцентов, но не для всего текста.

Безопасные зоны

Интерфейс площадок перекрывает края кадра: снизу обычно описание и кнопки, справа — панель действий. Субтитры, поставленные в самый низ, окажутся под элементами интерфейса. Держите текст в средней части кадра, с отступом от нижнего края. Конкретные размеры зон отличаются между площадками и меняются — проверяйте на реальной публикации, а не в редакторе.

Что проверять перед публикацией

  1. Имена собственные и термины — самая частая категория ошибок.
  2. Участки тишины — нет ли дорисованного текста.
  3. Числа — везде ли записаны одинаково.
  4. Синхронизацию в начале и конце — накопленное смещение заметнее всего там.
  5. Читаемость на самом светлом и самом тёмном кадре ролика.
  6. Положение относительно интерфейса площадки.

Эта проверка занимает пару минут и снимает почти все проблемы автоматического распознавания. Полная ручная вычитка обычно не окупается: выгода автоматических субтитров именно в том, что правится небольшая доля текста.

Когда автоматика не подходит

Есть случаи, где ручная работа остаётся необходимой: юридические и медицинские материалы, где цена ошибки высока; записи с сильным акцентом или диалектом; многоязычные разговоры с переключением языка внутри фразы. Во всех остальных ситуациях автоматическое распознавание с быстрой вычиткой даёт результат, неотличимый от ручного, за несоизмеримо меньшее время.

Нейросеть для нарезки

Нарежьте длинное видео на клипы автоматически

Загрузите подкаст, стрим или вебинар — КРОУ CLIPS найдёт сильные моменты и сделает вертикальные клипы с субтитрами.

  • Оценка виральности каждого клипа
  • Субтитры с распознаванием русской речи
  • Без водяных знаков, 10 минут бесплатно
Нарезать бесплатно Тарифы

Читайте также

субтитрыAI-субтитры против ручной расшифровки: что точнее и быстрее3 мин чтениятранскрибацияТранскрибация видео в текст нейросетью: как сделать онлайн3 мин чтенияраспознавание речиКак работает распознавание речи для субтитров на русском3 мин чтения