Automatyczne napisy do wideo po polsku - jak uzyskać dobrą jakość

· 6 min czytania

Automatyczna transkrypcja polskiego jest dziś na tyle dobra, że przy przyzwoitym nagraniu poprawki sprowadzają się do kilku nazwisk. Przy złym nagraniu - do przepisania połowy.

Różnica leży prawie wyłącznie po stronie materiału źródłowego, a nie narzędzia. To dobra wiadomość, bo materiał źródłowy jest pod Twoją kontrolą.

Dlaczego polski jest trudniejszy

Kilka cech języka realnie utrudnia zadanie modelom rozpoznawania mowy:

Fleksja. Jedno słowo ma kilkanaście form. Model musi wybrać właściwą, co przy niewyraźnej końcówce jest zgadywaniem - a końcówki są dokładnie tym, co najłatwiej zgubić w pogłosie.

Zbitki spółgłoskowe. Sekwencje typu „wszczęcie", „przestępstwo", „zwierzchnictwo" są trudniejsze akustycznie niż typowe sylaby angielskie. Przy szybkiej mowie zlewają się w jeden dźwięk.

Swobodny szyk zdania. Model przewiduje następne słowo na podstawie kontekstu. W języku o sztywnym szyku to przewidywanie jest łatwiejsze; w polskim kolejność jest mniej przewidywalna, więc kontekst pomaga słabiej.

Mniej danych treningowych niż dla angielskiego - choć ta różnica z każdym rokiem się zmniejsza i dziś jest znacznie mniejszym problemem niż pięć lat temu.

Nic z tego nie oznacza, że polskie napisy wychodzą źle. Oznacza tylko, że margines błędu przy słabym dźwięku jest większy niż w angielskim. Przy dobrym dźwięku różnica jest nieistotna.

Co realnie wpływa na jakość

Uporządkowane od najważniejszego. Kolejność ma znaczenie, bo czynnik pierwszy przeważa nad wszystkimi pozostałymi razem wziętymi.

1. Odległość mikrofonu od mówiącego

To czynnik numer jeden i różnica jest ogromna. Mikrofon krawatowy albo pojemnościowy przy rozmówcy bije każde inne ulepszenie, jakie możesz wprowadzić.

Mikrofon wbudowany w kamerę stojącą trzy metry dalej rejestruje głos zmieszany z odbiciami od ścian i wszystkim, co dzieje się w pomieszczeniu. To najczęstsza przyczyna złych napisów i jednocześnie najłatwiejsza do usunięcia.

2. Pogłos

Duże, puste pomieszczenie z twardymi ścianami rozmywa spółgłoski. Ta sama osoba, ten sam mikrofon, inne pomieszczenie - i zauważalnie inna jakość transkrypcji.

Pogłos jest szczególnie zdradliwy, bo przy słuchaniu na żywo mózg go kompensuje i nagranie wydaje się w porządku. Model nie kompensuje.

3. Mówienie jednocześnie

Nakładające się głosy są najtrudniejsze do rozdzielenia. Paradoksalnie to właśnie te fragmenty bywają najciekawsze w debatach - moment, w którym ktoś komuś przerywa, to często najmocniejszy materiał w całym nagraniu.

4. Szum tła

Klimatyzacja, ruch uliczny, gwar sali. Stały, równomierny szum jest mniej szkodliwy niż dźwięki nieregularne - model radzi sobie z tłem, które się nie zmienia, znacznie lepiej niż z przypadkowym hałasem.

5. Terminologia branżowa i nazwy własne

Model nie zna nazwy Twojej firmy ani nazwiska gościa. To najczęstsze i najbardziej widoczne błędy - i jedyne z tej listy, które da się naprawić po fakcie w kilkanaście sekund.

Czego na liście nie ma

Rozdzielczości obrazu, oświetlenia, jakości kamery i tego, czy nagrywasz na telefon czy na sprzęt za kilkanaście tysięcy. Napisy powstają z dźwięku. Kamera za dziesięć tysięcy z marnym mikrofonem da gorsze napisy niż telefon z mikrofonem krawatowym za dwieście złotych.

Co da się naprawić po nagraniu, a czego nie

Da się: literówki, nazwy własne, interpunkcję, podział na frazy, długość wyświetlania napisu. To wszystko jest edycją tekstu i zajmuje sekundy.

Nie da się: fragmentów, w których model nie zrozumiał, co padło, bo dźwięk był nieczytelny. Tu poprawka oznacza przesłuchanie fragmentu i przepisanie go ręcznie. Przy pojedynczych zdaniach to minuta pracy. Przy całym nagraniu - dzień.

Dlatego dwadzieścia minut poświęcone na ustawienie dźwięku przed nagraniem oszczędza godziny po nim. To najlepiej zwracająca się inwestycja w całym procesie.

Przygotowanie dźwięku w kilka minut

Lista rzeczy, które realnie robią różnicę, uporządkowana od najtańszej:

Przybliż mikrofon. Nawet zwykły mikrofon bliżej mówiącego bije dobry mikrofon daleko.

Wybierz mniejsze pomieszczenie. Albo takie z zasłonami, dywanem, książkami - czymkolwiek, co pochłania odbicia. Nagranie w pustej sali konferencyjnej to najgorszy możliwy wybór.

Wyłącz źródła stałego szumu. Klimatyzacja, wentylator w komputerze, otwarte okno na ruchliwą ulicę.

Poproś o powtarzanie pytań z sali. Przy wydarzeniach z publicznością to jedno zdanie prowadzącego ratuje całe późniejsze fragmenty.

Nagrywaj osobne ścieżki, jeśli możesz. Każdy rozmówca na własnej ścieżce to najczystszy możliwy materiał do transkrypcji.

Zrób trzydziestosekundowy test przed właściwym nagraniem i posłuchaj go w słuchawkach. Większość problemów z dźwiękiem słychać od razu - pod warunkiem, że ktoś posłucha.

Checklista przed publikacją

Nie ma sensu czytać całej transkrypcji słowo po słowie. Sprawdź trzy rzeczy:

  1. Nazwiska i nazwy własne. Tu jest większość błędów i to one najbardziej rzucają się w oczy widzowi.
  2. Liczby. Pomylona liczba zmienia sens zdania, a nie tylko go szpeci.
  3. Pierwsze zdanie klipu. Musi działać jako hook w wersji czytanej, bo część widzów nie włączy dźwięku.

Jeśli masz dziesięć klipów i pięć minut, lepiej sprawdzić te trzy rzeczy we wszystkich dziesięciu niż całość w jednym.

Jak napisy wyglądają, też ma znaczenie

Poprawny tekst w złym miejscu jest bezużyteczny. Dolna część pionowego kadru na TikToku i w Reels jest zasłonięta przez interfejs, więc napis umieszczony za nisko po prostu nie istnieje.

Bezpieczna strefa to okolice środka kadru, nieco poniżej linii oczu, a tekst potrzebuje wyraźnego kontrastu - cienia, obrysu albo plakietki pod spodem. Rozwijamy to w tekście o napisach i zasięgach.

Praktyka: jak to wygląda w Wyroluj.pl

Transkrypcja powstaje raz, dla całego nagrania, i służy do dwóch rzeczy naraz: do wyboru fragmentów wartych wycięcia i do wygenerowania napisów. Dzięki temu tekst na ekranie zawsze zgadza się z tym, na podstawie czego klip został wybrany.

Razem z gotowymi rolkami dostajesz link do podglądu, w którym widzisz pełny tekst każdego klipu, możesz go poprawić i wyrenderować rolkę ponownie. Napisy są wypalone w obrazie, więc wyglądają tak samo na każdej platformie, niezależnie od ustawień widza.

Jak wygląda typowy zestaw błędów

Pomaga wiedzieć, czego się spodziewać. Przy przyzwoitym nagraniu godzinnego wywiadu błędy w transkrypcji rozkładają się mniej więcej tak:

Nazwiska i nazwy własne - zdecydowana większość. Model dopasuje je do najbliższego znanego słowa. Nazwisko zamienia się w rzeczownik pospolity, nazwa firmy w coś, co brzmi podobnie.

Terminy branżowe - drugie miejsce. Im bardziej specjalistyczne słownictwo, tym częściej. Dotyczy to zwłaszcza skrótowców i anglicyzmów wymawianych po polsku.

Liczby i jednostki - rzadziej, ale kosztowniej. Sam zapis („czterdzieści" zamiast „40") to kwestia stylu, ale pomylona wartość zmienia sens.

Końcówki fleksyjne - sporadycznie. Zwykle nie zmieniają sensu i widz ich nie zauważa przy szybkim czytaniu.

Całe niezrozumiane fragmenty - tylko przy złym dźwięku. Jeśli występują, to jest sygnał, że problem jest w nagraniu, nie w transkrypcji.

Ta hierarchia jest stabilna i z niej wynika checklista poniżej: sprawdzasz to, co najczęściej się psuje, i pomijasz resztę.

Trzy sytuacje, w których warto obniżyć oczekiwania

Nagranie telefonem w dużej sali. Kombinacja odległego mikrofonu i pogłosu to najgorszy możliwy zestaw. Transkrypcja będzie miała dziury, a napisy trzeba będzie miejscami przepisać ręcznie.

Rozmowa, w której ludzie się przekrzykują. Nakładające się głosy są nierozdzielalne nawet dla człowieka słuchającego uważnie. Model zwróci coś, ale nie będzie to wierne.

Silny akcent regionalny albo obcy. Model radzi sobie z polszczyzną standardową; im dalej od niej, tym więcej pomyłek. Nie znaczy to, że się nie da - znaczy, że korekta zajmie więcej czasu.

W żadnym z tych przypadków nie warto rezygnować z automatycznej transkrypcji. Warto tylko zaplanować dłuższy przegląd przed publikacją.

Podsumowanie

Jakość automatycznych napisów po polsku zależy przede wszystkim od jednej rzeczy: jak blisko mówiącego stał mikrofon. Wszystko inne - model, narzędzie, ustawienia - ma wpływ o rząd wielkości mniejszy.

Jeśli masz przed sobą jedno nagranie i dwadzieścia minut na przygotowanie, wydaj je na dźwięk, nie na oświetlenie. Zwróci się przy każdym klipie, jaki z tego nagrania powstanie.

Zrób to na swoim nagraniu

Wyroluj.pl bierze Twoje długie wideo i oddaje kilkanaście pionowych rolek z napisami. 4,99 zł za zlecenie plus 10 groszy za minutę materiału, bez abonamentu.

Wygeneruj rolki

Powiązane wpisy