Varför automatiska undertexter ser fel ut – och hur du åtgärdar varje problem

Du körde transkriberingen, och träffsäkerheten är uppriktigt imponerande – varje ord är rätt. Sedan spelar du upp videon med undertexterna på, och något är obestridligen fel. Textväggar tynger bilden. Block blinkar förbi innan du är klar med dem. Rader bryts mitt i en fras. Det ser inte ut som television; det ser ut som en utskrift.

Ingenting har krånglat. Råa automatiska undertexter är korrekt text segmenterad av pausdetektering – efter var talaren andades, inte efter hur meningar fungerar eller hur ögon läser. Resultatet är en bestämd, förutsägbar uppsättning strukturproblem, samma sju i nästan varje råfil.

Den här artikeln namnger dem en och en, med före/efter-exempel – råversionen överst, samma parti efter en Enhance-körning under. När du väl ser problemen kan du inte sluta se dem – och att åtgärda dem slutar vara mystiskt.

Problem 1 – Tankar krossade till fragment

Pausdetektering klipper där rösten klippte, så en mening anländer som föräldralösa bitar:

RÅ – två block:

00:02:14,100 → 00:02:16,250
Och det fanns en mätning
00:02:16,300 → 00:02:18,400
som hela teamet återkom till gång på gång.

Inget av blocken betyder något ensamt; tittaren håller en halv tanke medan skärmen byter. Lösningen är att återförena det som grammatiken binder samman:

FÖRBÄTTRAD – ett block, två rader:

00:02:14,100 → 00:02:18,400
Och det fanns en mätning
som hela teamet återkom till gång på gång.

En fullständig tanke, på skärmen i 4,3 sekunder, i bekväma ~16 tecken per sekund. Samma ord – strukturen bar dem annorlunda.

Problem 2 – Block som försvinner innan du har läst dem

Baksidan av fragmenteringen: bitar så korta att de knappt registreras. Ett block som visas i 0,88 sekunder:

RÅ – två block:

00:03:00,900 → 00:03:02,550
Frågan är enkel.
00:03:02,600 → 00:03:03,480
Varför spelar det någon roll?

Under en sekunds visningstid – blinka, och det är ett subliminalt budskap, inte en undertext. Förbättrad slås de två korta meningarna ihop till ett lugnt block, och visningstiden sträcks in i pausen som följer:

FÖRBÄTTRAD – ett block:

00:03:00,900 → 00:03:05,700
Frågan är enkel.
Varför spelar det någon roll?

Problem 3 – Ingen luft mellan blocken

Tittar du noga på tidkoderna i råfiler hittar du block som stöter direkt mot varandra – ett slutar 00:04:11,240 och nästa börjar 00:04:11,240. Noll mellanrum. När texten byts utan ett synligt avbrott registrerar ögat ofta inte att en ny undertext har dykt upp – läsaren tappar sin plats i text hon aldrig såg ändras.

RÅ – noll mellanrum, och en svans på 1,4 sekunder:

00:04:08,900 → 00:04:11,240
Sensorerna hade gått hela vintern
00:04:11,240 → 00:04:12,600
utan ett enda fel.

FÖRBÄTTRAD – hopslagen:

00:04:08,900 → 00:04:12,900
Sensorerna hade gått hela vintern
utan ett enda fel.

Där efterföljande block står kvar sida vid sida lägger Enhance in branschstandardens mikropaus (100 ms) mellan varje par – du ser det i exemplen längre ner. Det låter obetydligt. På skärmen är det skillnaden mellan text som flyter och text som hackar – och precis den sortens detalj leveransspecifikationer faktiskt kontrollerar.

Problem 4 – Rader som bryts där andetaget föll, inte där meningen pausar

Rå segmentering delar regelbundet mitt i en fras – skiljer ett verb från sitt objekt, ett subjekt från sin bisats:

RÅ – två block, noll mellanrum, delat mitt i satsen:

00:05:31,800 → 00:05:34,050
tanken att en så liten förändring kunde förskjuta
00:05:34,050 → 00:05:36,700
hela smältsäsongen med nästan en månad.

Förbättrad bryts samma parti om på de punkter där meningen själv pausar – med radbrytningar inuti blocken placerade efter betydelse i stället för teckenräkning, och 100 ms mellan blocken:

FÖRBÄTTRAD:

00:05:31,800 → 00:05:34,300
tanken att en så liten förändring
kunde förskjuta hela smältsäsongen -
00:05:34,400 → 00:05:36,900
- med nästan en månad.

Lägg märke till bindestrecken – mer om dem i problem 6.

Problem 5 – Läshastigheter ingen människa läser i

Den tysta mördaren, eftersom du inte ser den i filen – bara känner den vid uppspelning:

RÅ – en rad, 81 tecken, 2,45 sekunder:

00:06:44,200 → 00:06:46,650
Det data visade var att isen tunnades ut snabbare än någon modell hade förutsagt.

Det är ungefär 33 tecken per sekund – runt det dubbla mot det bekväma taket, på en enda rad långt bortom varje radlängdsgräns. Tittare upplever inte detta som «snabba undertexter»; de upplever det som att inte ha läst dem – och för publiken med ljudet av är det själva innehållet som försvinner.

FÖRBÄTTRAD – visningstid förlängd, raden bruten vid den naturliga pausen:

00:06:44,200 → 00:06:48,900
Det data visade var att isen
tunnades ut snabbare än någon modell hade förutsagt.

Samma 81 tecken, nu i ~17 per sekund. Läshastighet är den standard råfiler missar hårdast – och den som tar längst tid att fixa för hand, eftersom varje överträdelse innebär att räkna om tidkoder.

Problem 6 – Konventionerna råa undertexter aldrig har hört talas om

En del av det som får sändningsfärdiga undertexter att se professionella ut är inte felkorrigering alls – det är hantverkskonventioner som en taligenkännare inte har något begrepp om. Det tydligaste exemplet: fortsättningsbindestreck när en mening sträcker sig över flera block:

RÅ:

00:07:12,300 → 00:07:15,800
Hon har tillbringat elva vintrar på stationen och mätt det de flesta av oss aldrig ser
00:07:15,800 → 00:07:17,950
och hoppats att siffrorna har fel.

FÖRBÄTTRAD:

00:07:12,300 → 00:07:15,900
Hon har tillbringat elva vintrar på stationen
och mätt det de flesta av oss aldrig ser -
00:07:16,000 → 00:07:18,300
- och hoppats att siffrorna har fel.

Bindestrecket efter och före talar om för tittaren, innan hon läst ett ord: den här tanken fortsätter / det här fortsätter en tanke. Det är undertexternas motsvarighet till typografiskt hyfs – osynligt när det finns, omisskännligt frånvarande när det saknas. Råversionen har det aldrig; den förbättrade filen sätter in det överallt där en mening korsar en blockgräns.

Problem 7 – Två röster, ett block, ingen varning

I intervjuer och samtal överlappar människor och svarar snabbt – och pausdetektering packar glatt in båda rösterna i ett enda block, hopkörda som om en person sagt alltihop:

RÅ – två röster, ingen antydan om att någon bytte:

00:08:41,000 → 00:08:44,900
Skulle du åka tillbaka nästa säsong? Jag har redan biljetterna.

Läst kallt är det här en person som tänker högt. Sändningskonventionen är replikstrecket: varje röst får sin egen rad, och varje rad öppnar med ett streck som signalerar utbytet:

FÖRBÄTTRAD – en rad per röst, ett streck före varje:

00:08:41,000 → 00:08:44,900
- Skulle du åka tillbaka nästa säsong?
- Jag har redan biljetterna.

Notera skillnaden mot problem 6: fortsättningsbindestreck (efter och före) betyder att samma röst fortsätter över två block; replikstreck (ett i början av varje rad) betyder att två röster delar det här blocket. Två konventioner, två placeringar, två olika besked till läsaren – och råa undertexter känner till ingen av dem.

En förutsättning värd att känna till: Enhance kan bara markera talarbytet om transkriptionen vet att det fanns ett. Aktivera talarigenkänning när du laddar upp filen och väljer inställningarna för råtranskriptionen – det är den som identifierar vem som sa vad, och det är den som replikstrecksformateringen bygger på. (Så fungerar transkribering med talarseparation.)

Hur det här ser ut i stor skala

Varje exempel ovan spänner över några sekunder – men problemen kommer inte ett i taget. En och en halv minut intervjumaterial rymmer lätt 25 råa block eller fler, och efter förbättring landar samma sträcka på omkring 18: varje tidkod omräknad, varje mellanrum insatt, varje rad ombruten. Sträck sedan ut räkningen till ett 45 minuter långt avsnitt – hundratals block, vart och ett med samma handfull bedömningar och beräkningar. Det är det verkliga skälet till att råa undertexter så ofta publiceras ostädade: inte okunskap, utan den rena aritmetiken i manuellt arbete.

En sak Enhance medvetet inte gör som standard: skriva om. Struktur och formulering är separata beslut, styrda av en inställning med tre lägen. På None/Verbatim – standardvalet – överlever talade utfyllnadsord körningen orörda:

ORDAGRANT (standard) – omstrukturerat, formuleringen intakt:

00:08:03,500 → 00:08:07,200
Och, du vet, det är den delen
modellerna fortfarande inte kan förklara.

Byt till något av de två komprimerande lägena – Smart, eller Aggressive för hårdare komprimering – och Enhance utelämnar utfyllnadsord som en del av körningen:

KOMPRIMERAT (Smart):

00:08:03,500 → 00:08:07,200
Det är den delen
modellerna fortfarande inte kan förklara.

Din text skrivs bara om när du har bett om det – hela genomgången av inställningarna finns i Enhance-guiden.

Lösningen, i praktiken

Varje problem på den här sidan är mekaniskt – hittbart efter regel, åtgärdbart efter regel. Det är precis därför en Enhance-körning löser alla sju genom en hel fil på en gång: delar och slår ihop block, räknar om tidkoder, lägger in mellanrum, bryter om rader, tämjer läshastigheten, tillämpar konventionerna. Ditt jobb blir genomläsningen – de tio procent som är omdöme.

Var det här hör hemma i den större bilden: strukturering är steg 2 i det kompletta arbetsflödet för undertextning – efter transkribering, före redigering och översättning. Och vilken stil du ska strukturera mot beror på vart videon ska: tv-lugn eller flödessnabb.

Se det på ditt eget material

Genomgångna exempel övertygar; före och efter på din egen video avgör. Gratisplanen ger dig full tillgång till redigeraren och tillräcklig månadsvolym för att köra Enhance på dina egna råa undertexter och jämföra resultatet sida vid sida. Betalplanerna utökar volym, exportkvalitet och samarbete; detaljerna finns på prissidan.

Ladda upp en video och kör jämförelsen →

Vanliga frågor

Mina undertexter är korrekta – spelar de här problemen verkligen någon roll? Träffsäkerhet och läsbarhet är två olika egenskaper. En fil kan vara ordagrant perfekt och ändå svika tittarna på segmentering, hastighet och timing – just de egenskaper professionella standarder faktiskt handlar om, och de som tillgänglighetskraven tyst förutsätter.

Varför producerar alla verktyg för automatisk textning samma problem? För att de alla segmenterar efter pausdetektering – det är taligenkänningens naturliga utdata. Problemen är inte en brist i ett enskilt verktyg; de är vad «rå» betyder. Klyftan går mellan igenkänning (löst) och struktur (arbetet som återstår).

Kan jag åtgärda de här problemen manuellt i stället? Absolut – varje lösning på den här sidan kan göras för hand i vilken undertextredigerare som helst, och standarderna att sikta mot finns i vår kvalitetsguide. Begränsningen är aritmetik: hundratals block per timme video, med flera beslut i varje. Enhance finns för att arbetet är regelbaserat nog att automatisera, inte för att det är omöjligt för hand.

Ändras det som sades när strukturen åtgärdas? Inte om du inte ber om det. På standardinställningen None/Verbatim ordnar Enhance om hur orden sitter på skärmen – delning, timing, mellanrum, radbrytningar – utan att röra själva orden. Väljer du Smart eller Aggressive komprimering i inställningarna utelämnas utfyllnadsord som en del av körningen; valet är alltid ditt.