تولیدکننده زیرنویس رایگان

مثال عملی

یک مصاحبهٔ ۴:۳۰ به نام interview.mp4 را بیندازید. تراشهٔ فایل نام، اندازه و ۴:۳۰ را نشان می‌دهد و یک پخش‌کنندهٔ کوچک ظاهر می‌شود. در صفحهٔ فارسی «زبان گفتاری» از فارسی شروع می‌شود، «زیرنویس به زبان» از «زبان اصلی» و «طول زیرنویس» از «استاندارد (تلویزیون)»، با این راهنما: «حداکثر دو خط ۴۲ نویسه‌ای، مانند زیرنویس تلویزیون و سرویس‌های پخش آنلاین.» وقتی مرورگر مدل دقیق را روی پردازنده اجرا می‌کند، صفحه می‌گوید «مدت ۴:۳۰. روی یک لپ‌تاپ معمولی این کار حدود ۵:۱۵ طول می‌کشد؛ تلفن‌ها کندتر هستند.» «تولید زیرنویس» را بزنید. نوار «آماده‌سازی صدا...» را نشان می‌دهد، بعد «دانلود مدل گفتار...» (فقط بار اول)، بعد «در حال پیاده‌سازی...» با شمارش معکوس «حدود ۲:۱۰ باقی مانده»، بعد «در حال ساخت زیرنویس‌ها...». فهرست عنوان «زیرنویس‌ها (58)» دارد. روی یک زمان کلیک کنید تا به آنجا بروید، روی متن کلیک کنید تا اصلاحش کنید، بعد «دانلود SRT» را بزنید. نام فایل interview.srt است.

کدام تنظیمات را استفاده کنید و محدودیت‌ها

• وقتی زبان گفتار را می‌دانید، نامش را مشخص کنید. منوی «زبان گفتاری» از زبان صفحه‌ای که می‌خوانید شروع می‌شود، اگر مدل گفتار آن را بشناسد، پس در این صفحه از فارسی شروع می‌شود. ویدیویی به زبان دیگر باید زبان خودش را انتخاب کند، یا «تشخیص خودکار» را. نام بردن از زبان انتخاب امن‌تری است، چون تشخیص ممکن است بخش‌های آرام را اشتباه برچسب بزند. اگر «زیرنویس به زبان» را روی «انگلیسی (ترجمه‌شده)» بگذارید، منو به‌جای آن از «تشخیص خودکار» شروع می‌شود، چون کسی که به انگلیسی ترجمه می‌کند احتمالاً انگلیسی نمی‌شنود.
• طول زیرنویس را با جایی که ویدیو پخش می‌شود هماهنگ کنید. «طول زیرنویس» گزینه‌های «کوتاه (شبکه‌های اجتماعی)»، «استاندارد (تلویزیون)» و «بلند (جملات کامل)» را دارد. کوتاه هر بار یک خط کوتاه تا ۳ ثانیه نشان می‌دهد، برای ویدیوهای عمودی موبایل. استاندارد تا دو خط ۴۲ نویسه‌ای را اجازه می‌دهد. بلند برای هر زیرنویس یک یا دو جملهٔ کامل می‌دهد که برای سخنرانی‌ها و گفتگوها مناسب است. پس از ظاهر شدن زیرنویس‌ها، همین منو بالای فهرست قرار دارد. تغییر آن فهرست را از تشخیص انجام‌شده بازسازی می‌کند، پس چیزی دوباره شنیده نمی‌شود، اما ویرایش‌های شما را جایگزین می‌کند.
• «بیشتر» را باز کنید تا دقیق یا سریع را انتخاب کنید و نام‌ها را فهرست کنید. «دقت» گزینه‌های «دقیق» (مدل پایهٔ Whisper) و «سریع» (مدل کوچک‌تر tiny) را دارد. با مدل روی پردازنده، دانلودها ۷۷٫۱ MB و ۴۲٫۷ MB هستند، و تخمین پیش‌فرض ابزار برای سریع نصف زمان به‌ازای هر دقیقه صدا است. تلفن‌ها با سریع شروع می‌کنند و دستگاه‌های دیگر با دقیق. «نام‌ها یا کلمات خاص» فهرستی جداشده با ویرگول مانند «کایلا، ناتان، روتوروا» را می‌پذیرد. پس از تشخیص، کلمهٔ شنیده‌شدهٔ ۴ تا ۶ حرفی که یک حرف با نامی از فهرست فرق دارد، یا ۷ حرفی و بیشتر با دو حرف فرق، طوری بازنویسی می‌شود که با آن بخواند. نمی‌تواند تعداد اشتباه کلمات را اصلاح کند، پس باز هم نام‌ها را بررسی کنید.
• خروجی انگلیسی را انتخاب کنید، یا بعداً ترجمه کنید. «زیرنویس به زبان» گزینه‌های «زبان اصلی» و «انگلیسی (ترجمه‌شده)» را دارد. دومی مدل گفتار را وادار می‌کند هنگام شنیدن به انگلیسی ترجمه کند، بدون دانلود اضافی، و روی تلفن‌ها هم کار می‌کند. برای زبان‌های پرگویش مانند اسپانیایی، فرانسوی، آلمانی، پرتغالی و ایتالیایی مناسب است و برای بقیه خشن‌تر است؛ سریع به‌طور محسوسی بدتر از دقیق ترجمه می‌کند. انتخاب به‌صورت #to=en در نشانی صفحه نگه داشته می‌شود و فایل‌های ترجمه‌شده مانند talk.en.srt نام‌گذاری می‌شوند. مرورگرهای دارای مترجم داخلی، مانند Chrome اخیر روی رایانه، زیر زیرنویس‌ها منوی «ترجمهٔ زیرنویس‌ها به» و دکمهٔ «ترجمه» را هم نشان می‌دهند.
• بر اساس طول فایل و دستگاهتان برنامه‌ریزی کنید. رایانه تا ۵:۰۰:۰۰ از یک فایل و تلفن تا ۱:۳۰:۰۰ را زیرنویس می‌کند؛ فایل بلندتر «این فایل ۶:۱۰:۰۰ طول دارد. این دستگاه می‌تواند ۵:۰۰:۰۰ اول آن را زیرنویس کند؛ برای ادامه، ابتدا فایل را به بخش‌های کوچک‌تر تقسیم کنید.» را نشان می‌دهد. نخستین تخمین زمان فرض می‌کند تلفن ۳٫۵ برابر کندتر از رایانه است، بعد از یک اجرای طولانی‌تر ابزار سرعت واقعی دستگاه شما را به خاطر می‌سپارد. پیش از نخستین دانلود، تلفن «روی تلفن این کار کند خواهد بود - چند دقیقه صبر کنید و این زبانه را باز نگه دارید.» را نشان می‌دهد. «لغو» اجرا را متوقف می‌کند و زیرنویس‌های ساخته‌شده تا آن‌جا را نگه می‌دارد.
• فهرست را ویرایش کنید، بعد SRT، VTT یا ویدیوی دارای زیرنویس ثابت را ذخیره کنید. روی زمان یک زیرنویس کلیک کنید تا از همان‌جا پخش شود، روی متنش کلیک کنید تا ویرایش شود و ✕ را بزنید تا حذف شود. یادداشتی خط‌هایی را می‌شمارد که «به نظر خطای تشخیص می‌رسیدند» و کنار گذاشته شدند. «دانلود SRT» و «دانلود VTT» فایل‌های متنی ذخیره می‌کنند. «دانلود ویدیو با زیرنویس» آن‌ها را در یک MP4 با H.264 و صدای AAC با ۱۶۰ kbps می‌کشد، با نامی مانند interview_captions.mp4؛ «موقعیت»، «اندازه» و «کادر پشت متن» ظاهر را تغییر می‌دهند و پیش‌نمایش با آن‌ها یکی است. فایل‌های صوتی فقط SRT و VTT می‌گیرند. دکمهٔ ثابت‌سازی برای فایل بیش از حدود ۲ GB، ۱ GB روی رایانه‌ای که ۴ GB حافظه یا کمتر گزارش می‌کند، یا ۴۰۰ MB روی تلفن غیرفعال است.

مشکلات رایج و راه حل آن‌ها

پیام «مدل گفتار قابل دانلود نبود. اتصال خود را بررسی کرده و دوباره تلاش کنید.» نمایش داده می‌شود و «تلاش دوباره» فوراً شکست می‌خورد.

دانلود مدل شکست خورده یا در میانه متوقف شده است. اتصال خود را بررسی کنید و «تلاش دوباره» را بزنید. در اتصال کند یا ناپایدار، زیر «بیشتر» گزینهٔ «سریع» را انتخاب کنید که دانلود کوچک‌تری است (۴۲٫۷ MB روی پردازنده). پر بودن حافظهٔ مرورگر پیام خودش را دارد: «فضای ذخیره‌سازی مرورگر شما پر است و به همین دلیل مدل ذخیره نشد.» اگر فضای خالی کمتر از ۱٫۲ برابر اندازهٔ مدل باشد (۹۲٫۵ MB برای دقیق روی پردازنده، ۵۱٫۲ MB برای سریع)، ابزار پیش از دانلود متوقف می‌شود. روی دستگاه فضا آزاد کنید، یا در تنظیمات مرورگر داده‌های ذخیره‌شدهٔ سایت‌هایی را که لازم ندارید پاک کنید، بعد دوباره تلاش کنید، یا «سریع» را انتخاب کنید که فضای کمتری می‌خواهد.

پیام «هیچ گفتاری در این فایل یافت نشد. اگر افرادی در آن صحبت می‌کنند، زبان آن‌ها را انتخاب کرده و دوباره تلاش کنید.» نمایش داده می‌شود.

تشخیص بعد از آن‌که ابزار خط‌هایی را که شبیه خطای تشخیص بودند حذف کرد، چیزی باقی نگذاشت؛ مانند تکرارها، متن روی موسیقی یا سکوت، و خط‌های پراکنده‌ای مثل «از تماشای شما سپاسگزاریم». فایل فقط‌موسیقی یا ساکت این‌طور تمام می‌شود. اگر کسی واقعاً صحبت می‌کند، علت معمول زبان است: منو از زبان صفحه شروع می‌شود، نه از تشخیص، پس ویدیوی فرانسوی نیاز دارد «فرانسوی» یا «تشخیص خودکار» انتخاب شود. آن را تغییر دهید و دوباره «تولید زیرنویس» را بزنید.

پیام «زیرنویس‌گذاری ناموفق بود. تنظیم دقت سریع یا یک فایل کوتاه‌تر را امتحان کنید.» نمایش داده می‌شود، یا در میانه کار، «زیرنویس‌گذاری در 12:40 به دلیل یک خطا متوقف شد. زیرنویس‌های تولید شده تا اینجا در زیر آمده‌اند.»

چیزی پس از بارگیری مدل شکست خورده است، مثلاً حافظهٔ دستگاه تمام شده یا worker ساکت مانده است. به هر پنجرهٔ صدا حدود ۲ دقیقه فرصت داده می‌شود تا نشانهٔ حیات بدهد (۵ دقیقه برای نخستین پنجره که موتور را راه می‌اندازد) و worker از دست‌رفته یک بار دوباره امتحان می‌شود. سریع اوج حافظهٔ اعلام‌شدهٔ پایین‌تری دارد، ۱۹۰ MB در برابر ۳۲۰ MB برای دقیق. آن را زیر «بیشتر» انتخاب کنید، فایل کوتاه‌تری امتحان کنید یا زبانه‌ها را ببندید. با پیام دوم، زیرنویس‌های ساخته‌شده تا آن‌جا نگه داشته می‌شوند، پس هنوز می‌توانید آن‌ها را دانلود کنید.

پیام «فونت ویدیو نمی‌تواند این کاراکترها را رسم کند: 日本語. به جای آن SRT یا VTT را دانلود کنید و بگذارید پخش‌کننده آن‌ها را نشان دهد.» نمایش داده می‌شود.

ثابت‌سازی از سه فونت ارائه‌شده از این سایت استفاده می‌کند که متن لاتین، یونانی، سیریلیک، ویتنامی، عربی و عبری را پوشش می‌دهند. نویسه‌های خط‌های دیگر، مانند ژاپنی یا دوانگری، خالی می‌ماندند، پس دکمهٔ ثابت‌سازی پیش از هر کاری غیرفعال می‌شود. «دانلود SRT» و «دانلود VTT» هم‌چنان کار می‌کنند و پخش‌کنندهٔ رسانه زیرنویس را با فونت‌های خودش می‌کشد. اگر خود فونت‌ها بارگیری نشوند، «فونت‌های زیرنویس بارگیری نشدند. اتصال خود را بررسی کرده و دوباره تلاش کنید.» را می‌بینید.

پیام «این فایل قابل خواندن نبود. ابتدا آن را به MP4 یا MP3 تبدیل کنید.» نمایش داده می‌شود، یا «این فایل فاقد ترک صوتی است، بنابراین چیزی برای زیرنویس کردن وجود ندارد.»

ابزار نخستین بخش صدا را پیش از درخواست مدل رمزگشایی می‌کند، پس فایل ناخواندنی هیچ دانلود مدلی هزینه نمی‌برد. پیام اول یعنی رمزگشا نتوانسته صدا را بخواند: فایل را به MP4 یا MP3 تبدیل کنید و دوباره اضافه کنید. پیام دوم یعنی فایل صدا ندارد. اگر رمزگشا حافظه کم بیاورد، به‌جای آن «حافظه مرورگر هنگام پردازش این فایل تمام شد — این فایل برای این دستگاه بیش از حد بزرگ است. یک کلیپ کوتاه‌تر، فایلی کوچک‌تر یا یک رایانه رومیزی را امتحان کنید.» را می‌بینید.

مقایسه آن

این ابزار گفتار را روی دستگاه شما با Whisper (base یا tiny) به زیرنویس زمان‌دار تبدیل می‌کند، سپس SRT، VTT یا یک MP4 با زیرنویس ثابت ذخیره می‌کند. یک فهرست متنی دارد، نه خط زمانی موج؛ «نیاز به تنظیم زمان‌بندی دارید؟ در ویرایشگر زیرنویس باز کنید» SRT را در زبانهٔ جدید به آنجا می‌فرستد. برای رونوشت ساده، صوت به متن مناسب‌تر است. نشان نمی‌دهد چه کسی صحبت می‌کند و ظاهر ثابت‌شده فقط موقعیت، اندازه و کادری پشت متن سفید دارد. چون در مرورگر اجرا می‌شود، چیزی آپلود نمی‌شود، اما از سرور کندتر است: تخمین پیش‌فرض روی رایانه تقریباً به اندازهٔ طول ویدیو برای دقیق و نصف آن برای سریع است، به‌علاوهٔ ۴۵ ثانیه برای شروع. تشخیص اشتباه می‌کند، پس زیرنویس‌ها را پیش از انتشار بخوانید.