Bahasa Bulgaria Tidak Wujud untuk Kebanyakan Alat Sarikata, Jadi Saya Membina Satu yang Menyokong 98 Bahasa

Menu lungsur ialah perkara pertama yang anda lihat apabila memuat naik video ke mana-mana alat sarikata. Senarai panjang bahasa, disusun secara abjad, kadang-kadang dengan bendera di sebelahnya. Bahasa Inggeris sentiasa ada, biasanya di bahagian atas. Bahasa Sepanyol, Perancis, Jerman, Portugis. Semuanya hadir dan dipertanggungjawabkan. Tatal lebih jauh dan anda mungkin menemui Cina, Jepun, Korea. Terus tatal. Arab. Hindi, kadang-kadang. Dan kemudian senarai berakhir, atau bahasa yang anda benar-benar perlukan hanya tidak ada di sana. Bulgaria. Tidak dalam senarai. Bukan sebagai pilihan, bukan sebagai ciri beta, bahkan bukan sebagai penyertaan yang tidak disokong dengan label amaran. Ia hanya tidak wujud dalam alam semesta produk.

Ini bukan kekecewaan yang kecil. Apabila bahasa hilang sepenuhnya, alat itu bukanlah berguna sebahagiannya. Ia sama sekali tidak berguna. Tidak ada jalan penyelamat yang menghasilkan hasil yang boleh diterima. Audio masuk, dan sama ada alat menolaknya sepenuhnya atau ia cuba memprosesnya sebagai sesuatu yang lain. Hasilnya ialah sampah, setiap kali.

Pengalaman menjadi pencipta kandungan yang bahasa utama jatuh di luar jalur sempit bahasa "menarik dari segi komersial" adalah adaptasi yang berterusan. Ini bermakna belajar bekerja di sekitar alat dan bukannya dengannya. Ini bermakna menerima bahawa kebanyakan perisian hanya tidak dibangun dengan anda dalam fikiran, dan bahawa ciri-ciri yang dipasarkan sebagai "global" atau "berbilang bahasa" benar-benar bermaksud "kami menyokong sepuluh bahasa yang membuat kami paling banyak wang".

Jalan Keluar Rusia dan Mengapa Ia Gagal

Apabila Bulgaria tidak berada dalam senarai, Rusia menjadi jalan keluar lalai. Kedua-dua bahasa berkongsi abjad Sirilik, dan perkataan tertentu mempunyai akar yang serupa. Di atas kertas, ia kelihatan seperti penghampiran yang munasabah. Dalam praktik, ia adalah bencana yang mewujudkan lebih banyak kerja daripada melakukan semuanya dengan tangan dari awal.

Transkripsi Rusia yang digunakan pada audio Bulgaria menghasilkan sesuatu yang kelihatan hampir betul pada pandangan pertama. Watak Sirilik muncul di skrin, perkataan mempunyai bentuk Slavik yang samar-samar, dan mungkin satu daripada tiga sebenarnya betul. Tetapi "hampir betul" dalam sarikata bermaksud sama sekali salah. Penonton membaca sarikata yang ketepatan 60% tidak mendapat 60% daripada mesej. Mereka mendapat kekeliruan, gangguan, dan kesan bahawa pencipta tidak cukup peduli untuk menyemak kandungan mereka sendiri.

Proses penyuntingan yang berikutnya ialah di mana masa sebenar hilang. Video lima minit mungkin menghasilkan 180 hingga 220 segmen sarikata individu. Apabila bahasa transkripsi salah, setiap segmen ini perlu dibuka, dibaca, dibandingkan dengan audio sebenar, dan ditaip semula sepenuhnya. Bukan diperbetulkan, tetapi ditaip semula sepenuhnya, kerana transkripsi Rusia sering menyerupai asli Bulgaria sedemikian sehingga lebih cepat untuk memadamkan teks dan bermula dari awal daripada cuba membaikinya watak demi watak. Dua jam penyuntingan manual untuk video lima minit bukanlah perkara luar biasa. Untuk seseorang yang menjalankan banyak saluran YouTube dengan jadual muat naik biasa, aritmetik itu hanya tidak bertahan.

Masalah yang sama ini meluas jauh melampaui Bulgaria. Pencipta Hindi menghadapinya apabila dialek serantau mereka diratakan menjadi transkripsi Hindi generik yang kehilangan setengah daripada kosa kata. Pencipta Thai berhadapan dengan kesilapan interpretasi nada yang mengubah setiap kalimat kedua menjadi omong kosong. Vietnam, Serbia, Tagalog, Swahili. Senarai bahasa yang diabaikan atau didekati dengan buruk oleh alat sarikata utama adalah panjang, dan pencipta yang bercakap bahasa itu telah senyap menyerap beban kerja tambahan selama bertahun-tahun.

Mengapa Jurang Bahasa Wujud Pada Tempat Pertama

Alat sarikata ialah perniagaan, dan perniagaan memperuntukkan sumber pengembangan di mana pendapatan itu berada. Pasar berbahasa Inggeris mewakili bahagian terbesar pelanggan pembayar untuk hampir setiap produk SaaS dalam ruang penciptaan video. Bahasa Sepanyol dan Portugis meliputi kebanyakan Amerika Latin. Bahasa Perancis menambah bahagian Eropah dan Afrika. Jerman, Jepun, Korea. Masing-masing membuka pasaran dengan kuasa beli yang signifikan. Produk yang menyokong sepuluh atau dua belas bahasa ini dapat menuntut untuk melayani majoriti pangkalan pelanggan berpotensinya, dan dari perspektif semata-mata kewangan, tuntutan itu dapat dipertahankan.

Menambah bahasa baru pada sistem transkripsi bukanlah remeh. Ia memerlukan data latihan, ujian kualiti, penyelenggaraan berterusan, dan dokumentasi sokongan. Untuk bahasa yang dituturkan oleh tujuh juta orang, seperti Bulgaria, pengiraan kos-ke-hasil jarang sekali membenarkan pelaburan apabila jam jurutera yang sama boleh pergi ke arah meningkatkan ketepatan transkripsi Inggeris dari 95% kepada 97%, yang mempengaruhi jutaan pengguna pembayar.

Hasilnya ialah pasaran di mana lima belas atau dua puluh bahasa teratas menerima sokongan yang sangat baik, tiga puluh seterusnya mendapat liputan yang boleh diterima, dan semuanya yang lain sama ada hilang atau dilaksanakan dengan sangat buruk sehingga ia tidak boleh disenaraikan sebagai ciri sama sekali. Ini bukan berniat jahat. Ia adalah hasil yang dapat diramalkan daripada membina produk yang dioptimalkan untuk khalayak terbesar yang mungkin dan bukannya liputan yang paling luas. Tetapi memahami mengapa ia berlaku tidak menjadikan ia kurang mengecewakan apabila anda adalah orang yang menatap menu lungsur yang tidak termasuk bahasa anda.

Penjana sarikata di YEB dibangun dengan set keutamaan yang berbeza. Daripada bermula dengan bahasa paling berharga dari segi komersial dan bekerja ke luar, enjin transkripsi dipilih khusus untuk keluasannya sokongan bahasa. Sembilan puluh lapan bahasa dari awal, bukan sebagai aspirasi peta jalan, tetapi sebagai keperluan peluncuran. Bulgaria, Serbia, Hindi, Thai, Vietnam, Tagalog, dan puluhan orang lain yang jarang muncul dalam senarai ciri pesaing semua ditangani secara asli, dengan saluran transkripsi yang sama dan piawaian kualiti yang sama seperti Inggeris atau Sepanyol.

Apakah Maksud Sokongan Bahasa yang Betul Sebenarnya dalam Amalan

Menyokong bahasa tidak hanya bermakna menerima audio dalam bahasa itu dan mengembalikan beberapa teks. Ini bermakna enjin transkripsi memahami struktur fonetik, kosa kata biasa, kadar dan irama ucapan semula jadi dalam bahasa itu. Ini bermakna apabila penutur Bulgaria merakam video, hasil tidak perlu membetulkan tangan luar daripada nama diri atau istilah teknis yang kadang-kadang sistem transkripsi mungkin tersandung.

Di YEB Captions, memuat naik video berbahasa Bulgaria berfungsi dengan cara yang sama seperti memuat naik yang berbahasa Inggeris. Bahasa dipilih daripada senarai penuh 98 pilihan, audio diproses, dan transkripsi kembali sebagai segmen sarikata yang dipancarkan dengan betul dalam Bulgaria. Tiada penghampiran Rusia, tiada pentaipan semula tangan, tiada sesi penyuntingan dua jam untuk video lima minit. Segmen masih boleh disunting secara individu jika diperlukan, seperti perkataan yang disalah dengar di sini atau nama yang memerlukan pembetulan di sana, tetapi ketepatan garis dasar menjadikan pengeditan yang diukur dalam minit dan bukannya jam.

Perkara yang sama berlaku untuk terjemahan sarikata. Kandungan yang pada asalnya ditranskripsi dalam Bulgaria boleh diterjemahkan ke dalam mana-mana bahasa lain yang disokong sebelum menjana. Video muzik dengan lirik Bulgaria boleh diterbitkan dengan sarikata Inggeris, Sepanyol, atau Jepun tanpa melalui aliran kerja terjemahan yang berasingan. Bagi pencipta yang menerbitkan kandungan yang ditujukan kepada khalayak antarabangsa, ini menghapuskan seluruh lapisan kerja tangan yang sebelumnya memerlukan sama ada mengupah penterjemah atau menghabiskan malam dengan kamus dan banyak kesabaran.

Perkara itu bukan bahawa YEB Captions adalah satu-satunya alat di dunia yang menyokong Bulgaria. Segelintir alat menawarkannya dalam beberapa bentuk. Perkara itu ialah sokongan yang betul, di mana kualiti transkripsi benar-benar boleh diguna tanpa pembetulan tangan yang luas, tetap jarang untuk bahasa di luar aliran utama, dan jurang antara "disenaraikan sebagai disokong" dan "sebenarnya berfungsi dengan baik" selalunya sangat besar.

Masalah yang Lebih Luas Membina Alat untuk Semua Orang

Ada andaian yang tertanam dalam kebanyakan pengembangan perisian yang "semua orang" bermaksud "semua orang yang bercakap bahasa utama". Halaman ciri mengatakan "global" dan "berbilang bahasa" sementara senarai bahasa sebenar menceritakan cerita yang jauh lebih sempit. Ini tidak terhad kepada alat sarikata. Perkhidmatan penterjemahan mesin, pembantu suara, sistem OCR, dan enjin carian semuanya mempamerkan corak sokongan mendalam untuk sebilangan kecil bahasa dan sokongan cetek atau tidak wujud untuk yang lain.

Apa yang membuat alat sarikata sangat ketara ialah sifat kegagalan. Apabila pembantu suara salah memahami arahan, pengguna boleh mengulanginya atau menaip sebagai gantinya. Apabila alat sarikata menghasilkan teks sampah, teks itu berakhir membakar menjadi video yang diterbitkan kepada ratusan atau ribuan penonton. Kesalahan itu kekal, awam, dan terus menerus terikat pada reputasi profesional pencipta. Mendapatkannya salah bukan hanya kekecewaan; ia adalah kegagalan kualiti yang terlihat yang penonton perhatikan serta-merta.

Pencipta yang bercakap bahasa yang kurang dilayani telah membangunkan semua jenis jalan penyelamat selama bertahun-tahun. Ada yang merekod video mereka dalam bahasa Inggeris bahkan apabila khalayak mereka bercakap sesuatu yang lain. Ada yang melangkau sarikata sepenuhnya dan menerima angka keterlibatan yang lebih rendah. Ada yang menggunakan bahasa yang paling hampir tersedia dan kemudian menghabiskan jam untuk membaiki hasil, menyerap kos buruh yang pesaing berbahasa Inggeris mereka hanya tidak perlu berurusan. Tiada seorang pun daripada ini adalah penyelesaian nyata. Mereka adalah kompromi yang dipaksa oleh pasaran yang memutuskan bahasa tertentu tidak layak disokong dengan betul.

Membina captions.yeb.to dengan 98 bahasa sebahagiannya adalah respons kepada kecewa spesifik ini dan sebahagiannya pengakuan bahawa segmen pasaran yang kurang dilayani jauh lebih besar daripada yang dilihat kebanyakan syarikat. Tujuh juta penutur Bulgaria adalah angka kecil berbanding dengan Inggeris atau Mandarin. Tetapi tambahkan semua bahasa yang jatuh ke dalam kategori "tidak menarik dari segi komersial", termasuk Serbian, Thai, Vietnam, penutur Tagalog, penutur Swahili, dan anda bercakap tentang ratusan juta orang yang telah dilayani dengan buruk oleh alat sarikata selama bertahun-tahun. Itu bukan ceruk. Itu adalah pasaran yang belum pun ditangani, dan landskap aplikasi sarikata perlahan-lahan mula mencerminkan kenyataan itu.