Sådan laver du flersprogede voiceovers til én og samme produktvideo

Den mest typiske fejl i lokalisering af produktvideoer er at maskinoversætte det kinesiske script og generere direkte: Den engelske version ender flere sekunder længere end billedet, den spanske oplæser produkttypen som en helt anden tegnrække, og tonefaldet ligner ikke længere det samme brand. Rodproblemet ligger ikke i talegenereringen, men i at behandle fire opgaver som én. Flersprogede lydspor til én produktvideo er faktisk fire adskilte arbejdsprocesser: forbered først et kildescript, der kan lokaliseres, lav derefter en mundret version på hvert sprog, vælg derefter stemmer pr. sprog, og tilpas til sidst billedet efter hver lydspors målte længde. PixMinds Tekst-til-tale dækker én af delene: Den færdige tekst på hvert sprog bliver til MP3; oversættelse og korrektur foregår, før teksten kommer ind i værktøjet.

Åbn Tekst-til-tale, indsæt den endelige tekst på hvert sprog afsnit for afsnit, og generér og download ét afsnit ad gangen.

Hovedpointer

• Udfør de fire trin hver for sig: forbered kildescriptet, lav mundrette versioner pr. sprog, vælg stemme pr. sprog og tilpas billedet efter målte længder.
• Tekst-til-tale læser kun den indsatte tekst op og oversætter ikke; den endelige tekst på hvert sprog gøres færdig i en oversættelses- og korrekturproces uden for værktøjet.
• Stemmerne vælges pr. sprog med korrekt udtale og passende brandtone som de vigtigste kriterier – de forskellige sprog behøver ikke være samme stemme.
• Siden gemmer kun ét resultat ad gangen; de downloadede MP3-filer starter med pixmind-tts- og bør omdøbes efter sprog og version og derefter arkiveres.

Forbered først et kildescript, der kan lokaliseres

Kildescriptet er ikke „de kinesiske replikker“, men ophavet til alle sprogversionerne: Forberedes det én gang ordentligt, kan oversættelse, korrektur og indtaling udgå fra det samme materiale, og omarbejde senere i forløbet bliver sjældnere.

Kernen i forberedelsen er at dele i kolonner: Skil den oversættelige tekst fra de brandudtryk, der skal være ens overalt. Produktnavne, typenumre, slogans og firmanavne hører til i den sidste gruppe – fastlæg først deres stavemåde i hver sprogversion: beholdes originalen, translittereres de, eller skrives de lokalt? Når det er besluttet, følger alle afsnit reglen. Bogstav-tal-kombinationer i typenumre skal skrives helt fast: Indtastes samme typenummer ens i alle sprogversioner, undgår du, at forskellige stemme improviserer og oplæser det på flere forskellige måder.

Den oversættelige tekst opdeles efter klip. Beretningen i en produktvideo er kort i forvejen, og opdeles den i åbning, demonstration og afslutning, svarer hvert afsnit præcist til ét billedvindue – det bliver også skelettet for den senere generering og undertekster. En enkelt generering har en tegngrænse: 100 tegn pr. gang uden login og på gratis pakke, 10.000 for betalte medlemmer – afsnittene fra en klipopdeling ligger typisk langt under grænsen.

Det forberedte kildescript er en tabel, hvor hver række indeholder klipindhold, billedlængde, faste udtryk og oversættelig tekst. Tabellen er samtidig grundlag for korrektur af oversættelserne og produktion af undertekster.

Lav en mundret version på hvert sprog

Sig først klart, hvor grænsen går: Siden for Tekst-til-tale behandler kun den tekst, du indsætter – den oversætter ikke for dig. Versionen på hvert sprog skal gennemføre oversættelse og korrektur i din egen tekstproces og først derefter ind i taleværktøjet som en færdig tekst.

En ordret oversættelse kan sjældent bruges direkte. Som eksempel den engelske version af en produktåbning:

• Ordret version: „This cup can complete the juicing of fruit within thirty seconds, and it is also very easy to clean.“
• Mundret version: „Fresh juice in thirty seconds. Cleanup? Just rinse it.“

Den ordrette version er grammatisk korrekt, men er oversat ord for ord fra et langt kinesisk afsnit: Den læses i én udånding uden pauser og lyder ikke som et reklamesprog fra en modersmålstaler. Den mundrette version bruger to korte sætninger med et spørgsmål, der skaber en pause – rytmen rammer billedet langt nemmere. Hvert sprog skal igennem dette trin: Lad en person, der behersker sproget, omskrive den ordrette oversættelse til „talt sprog“ og undervejs håndtere udtalen af tal, omregning af enheder og høflighedsvaner.

Den korrekturlæste sluttekst indsættes i tekstfeltet og genereres direkte – værktøjet tager sig ikke af tekstændringer. Arbejdsdelingen bliver dermed tydelig: Tekstproblemer rettes i korrekturprocessen; kun udtale- og længdeproblemer justeres i værktøjet.

Vælg stemme pr. sprog

Hvert sprog vælges separat i stemmekataloget – der findes ikke én stemme, der dækker alle sprog. Åbn dialogen „Vælg stemme“, skift først motor øverst, filtrér derefter mål­sproget med rullemenuen „Sprog“ – sprogvalgene kommer fra den aktuelle motors stemmekatalog og ændres, når motoren skiftes. Hold musen over et stemmekort for at høre en prøve direkte.

I flersprogede sammenhænge er der tre kriterier. For det første skal accenten passe til målmarkedet: Spansk fra Latinamerika og fra Spanien lyder forskelligt – læg mærke til det under filtrering og lytning. For det andet: Lyt især til udtalen af produktnavne, typenumre og tal; at afprøve en sætning med produktnavnet er mere pålideligt end kun at høre standardprøven. For det tredje skal brandtonen flugte på tværs af sprogene: Er den kinesiske version livlig, skal den engelske version ikke have en dyb og langsom stemme.

De forskellige sprog behøver ikke være samme taler. Kinesisk med kvindelig stemme og engelsk med mandlig er helt legitimt, så længe tonefaldet på alle sprog peger på det samme brand. At kræve „helt identisk stemme“ på tværs af sprog går ofte ud over udtalekvaliteten i de enkelte sprog – det har aldrig været standarden for flersproget indtaling.

Når stemmen på hvert sprog er valgt, noteres den: motor og stemmenavn. Alle afsnit på samme sprog bruger netop denne stemme uden skift undervejs.

Håndtér længdeforskelle mellem sprogene

Samme beretning oversættes naturligt til forskellige længder: På ét sprog er fem sekunder nok, på et andet tager det syv. Det samme billedvindue får dermed forskellig længde – det er den største forskel på flersproget og énsproget indtaling.

Rækkefølgen er: mål først, omskriv derefter scriptet, og justér talehastigheden til sidst:

1. Generér afsnittene sprog for sprog, notér den samlede længde vist i afspilningslinjen, og skriv hvert afsnit på hvert sprog sammen med billedlængden ind i kildescripttabellen.
2. Er en sprogversion længere end billedet, rettes scriptet først: Stryg pynt, der kan undværes, del lange sætninger op, og brug tegn til at styre pauserne. Det, der spares ved at redigere teksten, er overflødig ballast – alt det nødvendige bliver sagt – og det virker bedre end at justere talehastigheden.
3. Er scriptet skåret ned til minimummet, og der mangler stadig lidt, justeres talehastigheden let. Sliders omfanget af hastighedsindstillingen varierer mellem motorer, og skift af motor nulstiller parametrene til standard – stemmerne på de forskellige sprog kommer oftest fra forskellige motorer, så den indstillede hastighed noteres i kildescripttabellen og genoprettes afsnit for afsnit ved generering.

Bundlinjen er, at videoens centrale handlinger ikke viger for længden: For demonstrationsklip som at skrue låget på, trykke på knappen eller close-up af det færdige produkt gælder det, at man hellere stryger beretningen og lader talen være naturlig, end at ord sluges eller klippene beskæres. Kan en sætning slet ikke være der, lad den glide over i næste klip – det virker mere naturligt end at mase den ind.

Siden gemmer kun ét resultat ad gangen, så den rigtige fremgangsmåde med flere sprog og afsnit er at generére, downloade og notere ét afsnit ad gangen – regn ikke med at få alle lydspor på én gang.

Eksportér lydsporene og ryd op i versionsfilerne

Den MP3-fil, du henter med et klik på download, har et filnavn, der starter med pixmind-tts- efterfulgt af et tidsstempel for genereringen. Med flere sprog og mange afsnit kan tidsstemplet ikke skelne mellem dem, så omdøb straks efter sprog og version, for eksempel:

• Lydspor: product-demo_zh_opening_v2.mp3, product-demo_en_opening_v2.mp3
• Undertekster: product-demo_zh_v2.srt, product-demo_en_v2.srt

Enhver fast navneregel virker: projekt, sprogkode, afsnit, versionsnummer – teamet skal blot blive enige om én konvention.

Sammenfletning af lydspor og video sker i ekstern videoredigering, og hvilken software du bruger, er lige meget – gentag den samme proces for hvert sprog:

1. Kopiér tidslinjen for hvert sprog (eller opret et nyt projekt), og importér billedet og alle det pågældende sprogs lydspor.
2. Placér hvert beretningsafsnit på billedet efter kildescripttabellen, og kontrollér især, om beretningen rammer de centrale handlinger præcist.
3. Lyt hele vejen igennem én gang; når lyd og rytme hænger sammen, eksporteres den færdige video i den pågældende sprogversion.

Undertekster laves separat for hvert sprog – og ud fra den faktiske lyd i den færdige sprogversion, ikke ud fra kildescriptet: Oversættelsen er ændret, pauserne justeret og talehastigheden tilpasset, så tidslinjen for længst ikke matcher. Brug Video-til-SRT til at generere undertekster fra hver sprogversions færdige video, og gennemgå derefter navne og sætningsdeling i redigeringssoftwaren.

Ofte stillede spørgsmål

Oversætter værktøjet automatisk det script, jeg indsætter?

Nej. Tekst-til-tale læser kun den tekst, du indsætter, op. Sprogversionerne gøres færdig i en oversættelses- og korrekturproces uden for værktøjet og indsættes først derefter til generering. I værktøjet kan du justere stemme, talehastighed og lydstyrke – ikke selve teksten.

Kan de forskellige sprog have helt samme stemme?

Det er ikke nødvendigt, og det lykkes sjældent med både optimal udtale og tone på samme tid. Stemmer vælges pr. sprog; sprogrullemenuen bygger på hver motors eget stemmekatalog, så forskellige stemme til forskellige sprog er helt normalt. Kriterierne er korrekt udtale og ens brandtone – ikke „man kan høre, det er samme person“.

Hvad gør jeg, hvis den oversatte beretning ikke kan være inden for samme billedlængde?

Arbejd i rækkefølge: Stryg først pyntelementer i scriptet og justér pauserne; mangler der stadig lidt, udlignes det med en let justering af talehastigheden; kan det stadig ikke være, lader du sætningen glide over i næste klip eller finjusterer billedrytmen for den pågældende sprogversion. Produktets centrale demonstrationshandling skal ikke beskæres for at spare tid.

Start med åbningen på to sprogversioner

Du behøver ikke lave hele videoen på én gang. Vælg åbningsafsnittet: Forbered faste udtryk og oversættelig tekst, lav mundrette versioner på to sprog, vælg en stemme til hvert sprog, generér ét lydspor til hver, og sammenlign de to målte længder med billedvinduet. Når dette afsnit kører, er de resterende afsnit og sprog blot gentagelser af samme cyklus.

Åbn Tekst-til-tale.