Bulgarsk eksisterer ikke for de fleste undertekst-verktøy, så jeg bygget en som støtter 98 språk

Rullegardinmenyen er det første du ser når du laster opp en video til et hvilket som helst undertekst-verktøy. En lang liste over språk, alfabetisk sortert, noen ganger med flagg ved siden av dem. Engelsk er alltid der, vanligvis øverst. Spansk, fransk, tysk, portugisisk. Alt på plass. Scroll videre og du kan finne kinesisk, japansk, koreansk. Fortsett å scrolle. Arabisk. Hindi, noen ganger. Og så tar listen slutt, eller språket du faktisk trenger er rett og slett ikke der. Bulgarsk. Ikke på listen. Ikke som et alternativ, ikke som en betafunksjon, ikke engang som en ustøttet oppføring med en advarselsetikett. Det eksisterer rett og slett ikke i produktets univers.

Dette er ikke bare en liten ulempe. Når språket mangler helt, er verktøyet ikke delvis nyttig. Det er helt ubrukelig. Det finnes ingen workaround som gir akseptable resultater. Lyden går inn, og enten avviser verktøyet det direkte eller det prøver å behandle det som noe annet. Resultatet er søppel, hver eneste gang.

Erfaringen av å være en innholdsprodusent hvis primærspråk faller utenfor det smale båndet av "kommersielt interessante" språk er en av konstant tilpasning. Det betyr å lære å arbeide rundt verktøy i stedet for med dem. Det betyr å akseptere at det meste av programvaren rett og slett ikke ble bygget med deg i tanker, og at funksjonene markedsført som "global" eller "flerspråklig" virkelig betyr "vi støtter de ti språkene som tjener oss mest."

Den russiske workaround og hvorfor den mislykkes

Når bulgarsk ikke er på listen, blir russisk standardworkaround. De to språkene deler det kyrilliske alfabetet, og enkelte ord har lignende røtter. På papiret ser det ut som en rimelig tilnærming. I praksis er det en katastrofe som skaper mer arbeid enn å gjøre alt for hånd fra bunnen av.

Russisk transkripsjonstilpasning av bulgarsk lyd produserer noe som ser nesten riktig ut ved første øyekast. De kyrilliske tegnene dukker opp på skjermen, ordene har en vagt slavisk form, og kanskje en av tre er faktisk korrekt. Men "nesten riktig" i undertekster betyr helt galt. En seer som leser undertekster som er 60% nøyaktige, får ikke 60% av meldingen. De får forvirring, distaksjon, og inntrykket av at skaperen ikke brydde seg nok til å korrekturlesing sitt eget innhold.

Redigeringsprosessen som følger er der det virkelige tidstapet oppstår. En fem-minutters video kan produsere 180 til 220 individuelle undertekstsegmenter. Når transkripsjonen er på feil språk, må hvert eneste segment åpnes, leses, sammenlignes mot det faktiske lyden, og skrives inn manuelt på nytt. Ikke korrigert, men skrevet inn på nytt, fordi den russiske transkripsjonene ofte ligner så lite på det bulgarsk originalen at det er raskere å slette teksten og begynne på nytt enn å prøve å reparere det tegn for tegn. To timer med manuell redigering for en fem-minutters video er ikke uvanlig. For noen som driver flere YouTube-kanaler med regelmessige opplastingsplaner, holder ikke den matematikken.

Dette nøyaktig samme problemet strekker seg langt utover bulgarsk. Hindi-skapere møter det når deres regionale dialekt blir flatet ut til en generisk Hindi-transkripsjonen som går glipp av halvparten av ordforrådet. Thai-skapere håndterer tonalske tolkningsfeil som gjør hver annen setning til nonsens. Vietnamesisk, serbisk, tagalog, swahili. Listen over språk som blir ignorert eller dårlig tilnærmet av mainstream undertekst-verktøy er lang, og skaperne som snakker disse språkene har stille absorbert den ekstra arbeidsbyrden i årevis.

Hvorfor språkgapet finnes på første plass

Undertekst-verktøy er virksomheter, og virksomheter fordeler utviklingsressurser der inntektene er. engelsktalende markeder representerer den største andelen av betalende kunder for nesten alle SaaS-produkter innen videoskapingsrommet. Spansk og portugisisk dekker det meste av Latin-Amerika. Fransk legger til deler av Europa og Afrika. tysk, japansk, koreansk. Hver åpner et marked med betydelig kjøpekraft. Et produkt som støtter disse ti eller tolv språkene kan hevde å tjene flertallet av sitt potensielle kundebase, og fra et rent økonomisk perspektiv er det kravet forsvarlig.

Å legge til et nytt språk i et transkripsjonsystem er ikke trivielt. Det krever treningsdata, kvalitetstesting, løpende vedlikehold og støttedokumentasjon. For et språk som snakkes av syv millioner mennesker, som bulgarsk, justerer kostnaden til inntekt-beregningen sjelden investeringen når de samme ingeniørtimene kunne gå til å forbedre engelsk transkripsjonnøyaktigheten fra 95% til 97%, som påvirker millioner av betalende brukere.

Resultatet er et marked der de øverste femten eller tjue språkene får utmerket støtte, de neste tretti får rimelig dekning, og alt annet mangler eller er så dårlig implementert at det ikke burde oppføres som en funksjon i det hele tatt. Dette er ikke ondsinnet. Det er det forutsigbare resultatet av å bygge produkter som optimaliserer for det største mulige publikummet snarere enn den bredeste mulige dekningen. Men å forstå hvorfor det skjer, gjør det ikke mindre frustrerende når du er den som stirrer på en rullegardinmeny som ikke inkluderer språket ditt.

Undertekstgeneratoren på YEB ble bygget med et annet sett med prioriteringer. I stedet for å starte med de mest kommersielt verdifulle språkene og arbeide utover, ble transkripsjsmotoren valgt spesifikt for dens bredde av språkstøtte. Nittåtte språk fra starten av, ikke som et veikart-aspirasjon, men som et lanseringskrav. Bulgarsk, serbisk, hindi, thai, vietnamesisk, tagalog, og dusinvis av andre som sjelden vises i konkurrentfunksjonslister, håndteres alle naturlig, med samme transkripsjonsrørledning og de samme kvalitetsstandardene som engelsk eller spansk.

Hva riktig språkstøtte faktisk betyr i praksis

Å støtte et språk betyr ikke bare å akseptere lyd på det språket og returnere noe tekst. Det betyr at transkripsjsmotoren forstår den fonetiske strukturen, det vanlige ordforrådet, takten og rytmen av naturlig tale på det språket. Det betyr at når en bulgarsktalende opptar en video, trenger resultatet ikke å bli manuelt korrigert utover av og til riktige navn eller tekniske termer som alle transkripsjssystemer kan snuble på.

På YEB Captions, er det å laste opp en bulgarsktalende video nøyaktig det samme som å laste opp en engelsk. Språket er valgt fra hele listen med 98 alternativer, lyden blir behandlet, og transkripsjonene kommer tilbake som riktig timede undertekstsegmenter på bulgarsk. Ingen russisk tilnærming, ingen manuell omskrivning, ingen to-timers redigeringsøkter for en fem-minutters video. Segmentene kan fortsatt redigeres enkeltvis hvis det er nødvendig, for eksempel et dårlig hørt ord her eller et navn som trenger korrigering der, men grunnlinjen nøyaktigheten gjør disse redaksjonene målt i minutter i stedet for timer.

Det samme gjelder for undertekstoversettelses. Innhold som opprinnelig ble transkribert på bulgarsk kan oversettes til noen av de andre støttede språkene før gjengivelse. En musikkvideo med bulgarsk tekster kan publiseres med engelsk, spansk eller japansk undertekster uten å gå gjennom en separat oversettingsarbeidsflyt. For skapere som publiserer innhold rettet mot internasjonale publikum, eliminerer dette hele laget av manuelt arbeid som tidligere krevde enten å ansette en oversetter eller å tilbringe en kveld med en ordbok og mye tålmodighet.

Pointen er ikke at YEB Captions er det eneste verktøyet i verden som støtter bulgarsk. En håndful verktøy tilbyr det i en eller annen form. Pointen er at riktig støtte, der transkripsjonnøyaktigheten virkelig er brukbar uten omfattende manuell korrigering, forblir sjelden for språk utenfor mainstream, og gapet mellom "oppført som støttet" og "faktisk fungerer bra" er ofte enormt.

Det bredere problemet med å bygge verktøy for alle

Det er en antagelse innebakt i det meste av programvareu tvikling at "alle" betyr "alle som snakker et hovdspråk." Funksjonssidene sier "global" og "flerspråklig" mens den faktiske språklisten forteller en mye smalere historie. Dette er ikke begrenset til undertekst-verktøy. Maskinoversettelsestjenester, stemmehjelper, OCR-systemer og søkemotorer viser alle det samme mønsteret av dyp støtte for et lite antall språk og grunn eller ikke-eksisterende støtte for resten.

Det som gjør undertekst-verktøy særlig merkbart er arten av feilen. Når en stemmehjelper misforstår en kommando, kan brukeren gjenta den eller skrive i stedet. Når et undertekst-verktøy produserer søppeltekst, ender den teksten opp brent inn i en video som blir publisert til hundrevis eller tusenvis av seere. Feilen er permanent, offentlig, og direkte forbundet med skaperens profesjonelle rykte. Å få det galt er ikke bare en ulempe; det er en synlig kvalitetsfeil som seere legger merke til umiddelbar.

Skapere som snakker underbetjente språk har utviklet allslags workarounds gjennom årene. Noen opptar videoene sine på engelsk selv når deres publikum snakker noe annet. Noen hopper over undertekster helt og aksepterer de lavere engasjementstallene. Noen bruker det nærmeste tilgjengelige språket og bruker deretter timer på å reparere resultatet, og absorber en arbeidskostnad som deres engelsktalende konkurrenter rett og slett ikke trenger å håndtere. Ingen av disse er reelle løsninger. De er kompromisser som ble tvunget av et marked som bestemte at visse språk ikke var verdt å støtte ordentlig.

Bygging av captions.yeb.to med 98 språk var delvis et svar på denne spesifikke frustrasjonen og delvis en erkjennelse av at det underbetjente segmentet av markedet er mye større enn de fleste selskaper ser ut til å tenke. Syv millioner bulgarsktalende mennesker er et lite tall sammenlignet med engelsk eller mandarin. Men legg opp alle språkene som faller inn i kategorien "ikke kommersielt interessant", inkludert serberne, thaierne, vietnameserne, tagalogtalene, swahilierne, og du snakker om hundrevis av millioner av mennesker som har vært dårlig betjent av undertekst-verktøy i årevis. Det er ikke en nisjemarked. Det er et marked som rett og slett ikke har blitt adressert, og landskapet av undertekstapper begynner langsomt å reflektere det virkeligheten.