Bulharština neexistuje pro většinu nástrojů pro titulky, takže jsem vytvořil jeden, který podporuje 98 jazyků

Rozbalovací nabídka je první věc, kterou vidíte při nahrání videa do jakéhokoli nástroje pro titulky. Dlouhý seznam jazyků, seřazený abecedně, někdy s vlajkami vedle nich. Angličtina je vždy tam, obvykle nahoře. Španělština, francouzština, němčina, portugalština. Všechny přítomny. Posuňte se dále a můžete najít čínštinu, japonštinu, korejštinu. Pokračujte v posouvání. Arabština. Hindština, někdy. A pak se seznam skončí, nebo jazyk, který ve skutečnosti potřebujete, tam prostě není. Bulharština. Není v seznamu. Není to možnost, není to beta funkce, není to ani nepodporovaná položka s upozorňujícím štítkem. V univerzu produktu prostě neexistuje.

Toto není malá nepohodlnost. Když jazyk chybí zcela, nástroj není částečně užitečný. Je zcela nepoužitelný. Neexistuje žádné řešení, které by přineslo přijatelné výsledky. Zvuk jde dovnitř a buď nástroj to zcela odmítne, nebo se to pokusí zpracovat jako něco jiného. Výstup je smetí, pokaždé.

Zkušenost být tvůrcem obsahu, jehož primární jazyk padá mimo úzkou skupinu "komerčně zajímavých" jazyků, je zkušenost neustálé adaptace. Znamená to učit se pracovat se nástroji spíše než s nimi. Znamená to přijmout, že větší část softwaru nebyla prostě vytvořena s ohledem na vás, a že funkce propagované jako "globální" nebo "vícejazyčné" skutečně znamená "podporujeme deset jazyků, které nám vydělávají nejvíce peněz."

Ruská obcházka a proč selhává

Když je bulharština mimo seznam, ruština se stane výchozím řešením. Oba jazyky sdílejí cyrilici a určitá slova mají podobné kořeny. Na papíře to vypadá jako rozumné přiblížení. V praxi je to katastrofa, která vytváří více práce než dělat vše ručně od nuly.

Ruská transkripcí aplikovaná na bulharský zvuk vytváří něco, co se na první pohled zdá téměř správné. Cyrilické znaky se objevují na obrazovce, slova mají matně slovanský tvar a možná je jeden ze tří ve skutečnosti správný. Ale "téměř správný" v titulcích znamená úplně špatný. Divák čtoucí titulky, které jsou z 60% přesné, nedostane 60% zprávy. Dostanou zmatek, rozptylování a dojem, že tvůrce se nepostaral dost na to, aby si svůj vlastní obsah přečetl.

Editační proces, který následuje, je tam, kde se ztrácí opravdu hodně času. Video o délce pěti minut může vytvořit 180 až 220 individuálních segmentů titulků. Když je transkripcí jazyk špatný, každý jeden z těchto segmentů musí být otevřen, přečten, porovnán se skutečným zvukem a ručně přepsán. Nikoli opravován, ale přepsán úplně, protože ruská transkripcí často má tak málo podobnosti s bulharským originálem, že je rychlejší smazat text a začít znovu než se pokoušet jej opravovat znak po znaku. Dvě hodiny ruční editace pro video o délce pěti minut není neobvyklé. Pro někoho provozujícího více YouTube kanálů s pravidelnými plány nahrávání se tato aritmetika prostě nevyplácí.

Tento přesný problém se rozšiřuje daleko mimo bulharštinu. Tvůrci hindských obsahu čelí situaci, kdy je jejich místní dialekt zploštěn do generické hindské transkripcí, která chybí polovinu slovníku. Tvůrci z Thajska se potýkají s chybami v tónovém výkladu, které přeměňují každou druhou větu v nesmysl. Vietnamština, srbština, tagalogština, svahilština. Seznam jazyků, které jsou buď ignorovány, nebo špatně aproximovány hlavními nástroji pro titulky, je dlouhý a tvůrci, kteří tyto jazyky mluví, tiše absorbují dodatečné pracovní zatížení již roky.

Proč mezera v jazyce vůbec existuje

Nástroje pro titulky jsou obchody a obchody přidělují vývojové zdroje tam, kde je příjem. Anglicko mluvící trhy představují největší podíl platících zákazníků pro téměř každý SaaS produkt v prostoru pro vytváření videí. Španělština a portugalština pokrývají většinu Latinské Ameriky. Francouzština přidává části Evropy a Afriky. Němčina, japonština, korejština. Každý jeden otevírá trh se značnou kupní silou. Produkt, který podporuje těchto deset nebo dvanáct jazyků, si může nárokovat sloužení většině svých potenciálních zákazníků a z čistě finančního hlediska je toto tvrzení obhájitelné.

Přidání nového jazyka do transkripcího systému není triviální. Vyžaduje trénovací data, testování kvality, průběžnou údržbu a dokumentaci podpory. Pro jazyk mluvený sedmi miliony lidí, jako je bulharština, se výpočet nákladů na příjmy zřídka ospravedlňuje, když stejné inženýrské hodiny mohly jít na zlepšení přesnosti anglické transkripcí z 95% na 97%, což ovlivňuje miliony platících uživatelů.

Výsledkem je trh, kde prvních patnáct nebo dvacet jazyků dostává vynikající podporu, dalších třicet dostane přijatelné pokrytí a vše ostatní buď chybí, nebo je tak špatně implementováno, že by vůbec nemělo být uvedeno jako funkce. Toto není zlomyslné. Je to předvídatelný výsledek vytváření produktů, které optimalizují na největší možné publikum spíše než na nejširší možné pokrytí. Ale pochopení toho, proč se to děje, neodstraňuje frustraci, když koukáte na rozbalovací nabídku, která neobsahuje váš jazyk.

Generátor titulků na YEB byl vytvořen s jinou sadou priorit. Místo toho, aby se začínalo s nejkomerčně cennými jazyky a postupovalo se ven, byl engine transkripce vybrán speciálně pro jeho rozsah podpory jazyka. Devadesát osm jazyků od začátku, ne jako cíl map, ale jako požadavek spuštění. Bulharština, srbština, hindština, thajština, vietnamština, tagalogština a desítky dalších, která se zřídka objevují v seznamech funkcí konkurentů, se všechny zpracovávají nativně, se stejným transkripcím kanálem a stejnými standardy kvality jako angličtina nebo španělština.

Co skutečně znamená správná jazyková podpora v praxi

Podpora jazyka neznamená pouze přijetí zvuku v tomto jazyce a vrácení nějakého textu. Znamená to, že engine transkripce rozumí fonetické struktuře, běžnému slovníku, kadenci a rytmu přirozeného řeči v tomto jazyce. Znamená to, že když bulharský mluvčí natočí video, výstup nemusí být ručně opraven dál než příležitostný vlastní název nebo technický výraz, na kterém by se mohl zarazit jakýkoli transkripcím systém.

Na YEB Captions funguje nahrání videa v bulharštině přesně stejně jako nahrání anglického. Jazyk se vybere ze celého seznamu 98 možností, zvuk se zpracuje a transkripcí se vrátí jako správně načasované segmenty titulků v bulharštině. Žádné ruské přiblížení, žádné ručné přepisování, žádné dvouhodinové editační relace pro video o délce pěti minut. Segmenty lze stále upravovat jednotlivě, pokud je to potřeba, například špatně slyšené slovo tady nebo jméno, které potřebuje opravu tam, ale základní přesnost činí tyto edity měřeny v minutách spíše než v hodinách.

Totéž platí pro překlad titulků. Obsah původně přepsaný v bulharštině lze přeložit do kteréhokoli z ostatních podporovaných jazyků před vykreslením. Hudební video s bulharskými texty lze publikovat s anglickými, španělskými nebo japonskými titulky bez procházení samostatným překladatelským pracovním postupem. Pro tvůrce, kteří vydávají obsah určený mezinárodním divácům, to eliminuje celou vrstvu ruční práce, která dříve vyžadovala buď najímání překladatele, nebo strávení večera se slovníkem a spoustou trpělivosti.

Smyslem není, že YEB Captions je jediný nástroj na světě, který podporuje bulharštinu. Několik nástrojů ji nabízí v nějaké podobě. Smyslem je, že správná podpora, kdy je kvalita transkripcí skutečně použitelná bez rozsáhlé ruční opravy, zůstává vzácná pro jazyky mimo hlavní proud a mezera mezi "uvedeno jako podporované" a "skutečně funguje dobře" je často obrovská.

Širší problém vytváření nástrojů pro všechny

V mnoha vývojech softwaru je zapevněn předpoklad, že "všichni" znamená "všichni, kdo mluví hlavním jazykem." Stránky funkcí říkají "globální" a "vícejazyčné", zatímco skutečný seznam jazyků vypráví mnohem užší příběh. To není omezeno na nástroje pro titulky. Služby strojového překladu, hlasové asistenty, systémy OCR a vyhledávače všichni vykazují stejný vzor hlubokého podpory pro malý počet jazyků a mělkého nebo neexistujícího podpory pro zbytek.

Co dělá nástroje pro titulky obzvláště viditelné, je povaha selhání. Když hlasový asistent špatně pochopí příkaz, uživatel jej může opakovat nebo místo toho psát. Když nástroj pro titulky vytvoří smetí textu, tento text skončí vypálený do videa, které se zveřejní stovkám nebo tisícům diváků. Chyba je trvalá, veřejná a přímo spojená s profesionální reputací tvůrce. Špatně to udělat není jen nepohodlí; je to viditelné selhání kvality, které si diváci hned všimnou.

Tvůrci, kteří mluví nedostatečně sloužícími jazyky, v průběhu let vyvinuli nejrůznější způsoby, jak to obejít. Někteří natáčejí svá videa v angličtině, i když jejich publikum mluví něčím jiným. Někteří titulky zcela přeskakují a přijímají nižší počty zapojení. Někteří používají nejbližší dostupný jazyk a pak stráví hodiny opravou výstupu, absorbují pracovní náklady, které jejich anglicky mluvící konkurenti prostě nemusí řešit. Žádné z nich nejsou skutečná řešení. Jsou to kompromisy vynucené trhem, který rozhodl, že určité jazyky nestojí za řádnou podporu.

Vytváření captions.yeb.to se 98 jazyky bylo částečně odpovědí na tuto konkrétní frustraci a částečně uznáním, že nedostatečně sloužící segment trhu je mnohem větší, než si většina společností myslí. Sedm milionů bulharských mluvčích je malé číslo ve srovnání s angličtinou nebo mandařštinou. Ale když sečtete všechny jazyky, které padají do kategorie "komerčně zajímavý", včetně Srbů, Thajců, Vietnamců, mluvčích Tagalogštiny, mluvčích Svahilštiny, mluvíte o stovkách milionů lidí, které byly nástroje pro titulky špatně sloužit léta. To není niche. To je trh, který prostě nebyl obsloužen a krajina aplikací caption je pomalu začíná odrážet.