Jak podłożyć głos do krótkiego filmu: lektor wygenerowany w rytmie obrazu

Przy podkładaniu lektora do krótkiego filmu najczęstszym problemem nie jest brak głosu, lecz rozjazd dźwięku z obrazem: lektor czyta jeszcze poprzednie zdanie, a obraz pokazuje już następne ujęcie; albo kadr zatrzymuje się na zbliżeniu produktu, a lektor skończył dawno temu. Właściwa kolejność jest odwrotna: najpierw zobacz, jak film jest zmontowany, a dopiero potem zdecyduj, co i jak długo mówi każdy fragment lektora. Zamiana tekstu na mowę w PixMind zamieni każdy fragment scenariusza w MP3, ale to, czy lektor będzie współgrał z obrazem, zależy od pracy podziału wykonanej przed napisaniem pierwszego słowa.

Otwórz zamianę tekstu na mowę, trzymaj zmontowany film pod ręką, generuj i pobieraj każdy fragment lektora osobno, a potem przenieś je do edytora wideo.

Najważniejsze punkty

• Najpierw podziel lektora według segmentów obrazu, potem pisz tekst; każdy fragment niesie jedno zadanie informacyjne, a jego długość wymusza obraz.
• Limit znaków pojedynczej generacji: 100 znaków bez zalogowania i w darmowym planie, 10000 znaków w płatnym abonamencie; strona zachowuje naraz tylko jeden wynik, więc generuj i pobieraj fragment po fragmencie.
• Czas trwania definiuje wygenerowany plik: pasek odtwarzania pokazuje łączny czas każdego audio; zmierz najpierw jeden fragment, potem rozplanuj cały film — bez wzorów przeliczających znaki na sekundy.
• Wtopienie lektora w wideo to zewnętrzny etap montażu; napisy wykonaj po zatwierdzeniu ścieżki dźwiękowej, narzędziem wideo na tekst, na podstawie finalnej wersji filmu.

Najpierw podziel lektora według rytmu obrazu

Pierwszym działaniem przy podkładaniu głosu nie jest pisanie, lecz oglądanie obrazu. Obejrzyj zmontowany film dwa razy w całości: za pierwszym razem zapamiętuj kolejność ujęć, za drugim mów w myślach razem z obrazem i wyczuj, ile zdań zmieści każdy fragment — a potem rozbij film według funkcji ujęć.

Na przykładzie filmiku produktowego trwającego około 15 sekund, dzielonego na trzy fragmenty: wprowadzenie, prezentacja i zakończenie:

Czas każdego fragmentu wynika z samego obrazu — lektor musi zmieścić się w tym oknie, a nie obraz ma czekać na lektora. Gdy najpierw napiszesz długi tekst i próbujesz wepchnąć go w obraz, zwykle zostaje tylko forsowne przyspieszenie, które natychmiast psuje odbiór; przeczytanie 300-znakowego opisu produktu często trwa dłużej niż cały filmik.

Podział ma też praktyczny wymiar: pojedyncza generacja ma limit znaków — bez zalogowania i w darmowym planie maksymalnie 100 znaków na raz, w płatnym abonamencie limit rośnie do 10000 znaków. Fragmenty lektorskie wydzielone według scen są z reguły daleko poniżej limitu: jeden fragment, jeden plik — idealnie do generowania po kawałku.

Przerób scenariusz na mowę, którą da się słuchać

W krótkim filmie widz lektora słucha, a nie czyta. W praktyce pisarskiej największy wpływ na efekt mają dwie rzeczy.

Po pierwsze, usuń informacje, które obraz już przekazuje. Jeżeli obraz właśnie pokazuje zakręcanie pokrywki, lektor nie musi mówić „teraz zakręcamy pokrywkę”; gdy kamera dała zbliżenie efektu, lektor nie powtarza „widać, że efekt jest bardzo drobny”. Lektor mówi tylko to, czego obraz nie powie: nazwę, zastosowanie, powód stojący za daną czynnością.

Po drugie, jedno zdanie — jeden punkt, a pauzami steruj interpunkcją. Przecinek to krótkie zatrzymanie, kropka to oddech; krótkie zdania łatwiej trafiają w cięcia montażowe niż długie i dają słuchaczowi czas na przyswojenie.

Przykład na fragmencie prezentacji. Wersja pierwsza: „Ten produkt obsługuje się prosto, wystarczą trzy kroki: najpierw włóż owoce do kubka, następnie mocno zakręć pokrywkę, na koniec naciśnij przycisk startu i po kilkudziesięciu sekundach ciesz się świeżym sokiem.” Wersja przerobiona: „Trzy kroki. Owoce do środka. Pokrywka na mocno. Start. Kilka sekund i świeży sok gotowy.” Przeróbka usuwa ozdobniki, dodaje pauzy, a każde zdanie trafia dokładnie w jedno ujęcie czynności.

Przy okazji zapisz liczby i oznaczenia modeli tak, jak chcesz je usłyszeć. Jeśli „3 kroki” mają brzmieć jako „trzy kroki”, napisz to słownie; to, czy odczytanie liter i cyfr w oznaczeniu modelu brzmi naturalnie, rozstrzyga wygenerowany plik.

Wybierz odpowiedni głos po odsłuchaniu

Nie ma jednej dobrej odpowiedzi co do głosu: ten sam fragment scenariusza w innym głosie zmienia charakter całego filmu. Metoda wyboru jest prosta: na tym samym fragmencie scenariusza — najlepiej zdaniu otwierającym — wygeneruj wersje w dwóch głosach i zdecyduj po odsłuchaniu.

Porównując, patrz na dwie rzeczy. Pierwsza to styl treści: prezentacje produktu zwykle dobrze znoszą jasny, zwinny głos, a treści objaśniające lepiej brzmią w spokojnym, opanowanym tonie. Druga to zrozumiałość: słuchaj uważnie nazwy produktu, liczb i miejsc z łączeniem głosek — to, który głos nie połyka sylab i nie mówi niewyraźnie, jest ważniejsze niż to, który brzmi ładniej.

Okno głosów pozwala filtrować według silnika i języka, a po najechaniu kursorem na głos od razu odtworzysz próbkę; próbka pozwala ocenić tylko charakter głosu — ostatecznie decyduje wygenerowany plik z Twojego scenariusza. Nie zakładaj z góry, że jeden silnik wygrywa w każdym zadaniu; przetestuj jeden–dwa, a wybór zajmie kilka minut.

Dopasuj tekst i tempo na podstawie zmierzonego czasu

O tym, czy długość lektora pasuje, nie da się zdecydować na oko; działające podejście to zmierzyć najpierw jeden fragment, a potem rozplanować cały film.

Po wygenerowaniu fragmentu otwierającego pasek odtwarzania pokaże łączny czas tego audio; kliknięcie pobrania daje plik MP3 o nazwie zaczynającej się od pixmind-tts- i z datownikiem — sprawdź go jeszcze raz w lokalnym odtwarzaczu lub na ścieżce montażowej. Zapisz czas trwania wszystkich trzech fragmentów i zestaw je z czasami obrazu z tabeli scen:

1. Lektor dłuższy niż obraz: najpierw skróć tekst. Usunięcie ozdobników i powtórzeń, bez których można się obejść, działa skuteczniej niż zmiana tempa — ucinasz balast, nie zrozumiałość.
2. Brakuje odrobiny: dopiero teraz lekko zmień tempo. Zakres tempa zależy od silnika: suwak silnika Microsoft to -100% do +100% (domyślnie 0), silnik Volcano 0.8x do 2.0x (domyślnie 1.0x), MiniMax 0.5x do 2.0x (domyślnie 1.0x). Zmieniaj małymi krokami i po każdej zmianie generuj oraz odsłuchuj od nowa.
3. Lektor krótszy niż obraz: nie musisz rozciągać go do końca. Sekunda–dwie obrazu bez lektora często działa lepiej niż zdanie klejące się do zdania.

Nie podajemy tu wzoru na „ile znaków to ile sekund”, bo takie wzory są z natury zawodne: różne głosy mają różną bazową prędkość, a pauzy od interpunkcji i sposób czytania liczb zmieniają rzeczywisty czas; to samo zdanie w dwóch głosach może wyraźnie różnić się długością. Zamiast uczyć się wzoru, zmierz fragment otwierający i przyjmij jego rzeczywisty czas za punkt odniesienia.

Przy generowaniu po fragmentach pilnuj spójności: wszystkie części lektora w jednym filmie twórz tym samym głosem i tymi samymi parametrami, żeby rytm był płynny. Zmiana silnika przywraca tempo i głośność do wartości domyślnych, więc zanotuj nastawy przed przełączeniem; strona trzyma naraz jeden wynik — wygeneruj fragment, pobierz, dopiero wtedy rób następny.

Wstaw lektora do edytora i dodaj napisy

MP3 stanie się gotowym filmem dopiero w edytorze wideo; ten krok wykonujesz poza PixMind, w dowolnym programie, według uniwersalnego przebiegu:

1. Utwórz projekt i zaimportuj obraz oraz trzy pliki MP3 z lektorem.
2. Zgodnie z tabelą scen dopasuj każdy fragment lektora do odpowiedniego obrazu; w miejscach cięć zostaw mały odstęp, żeby dźwięk nie został ucięty na przejściu.
3. Odsłuchaj całość od początku i sprawdź, czy głośność i rytm łączą się spójnie między fragmentami.
4. Po zatwierdzeniu wyeksportuj gotowy film.

Napisy rób dopiero po tym kroku i zawsze względem finalnej ścieżki dźwiękowej. Użycie tekstu scenariusza wprost jako napisów rozjeżdża się z ostatecznym dźwiękiem: po skrótach i zmianach tempa początek i koniec każdego zdania już się przesunęły. Właściwe podejście: przekaż film ze zmontowanym lektorem narzędziu Wideo na SRT, wygeneruj plik napisów z czasami z samego gotowego filmu, a potem wróć do edytora i sprawdź nazwy własne oraz podział na linie.

Częste pytania

Lektor za długi: najpierw tempo czy tekst?

Najpierw tekst. Usunięcie ozdobników i informacji, które obraz już przekazuje, w większości przypadków wystarcza; tempo koryguj tylko lekko i dopiero wtedy, gdy nie ma już co ciąć — zbyt mocne przyspieszenie pospiesza artykulację i rozmywa akcenty. Po zmianie wygeneruj ponownie i sprawdź efekt po czasie na pasku odtwarzania.

Generować całość naraz czy po fragmentach?

Dziel według segmentów obrazu. Długi tekst w całości ogranicza limit znaków pojedynczej generacji — bez zalogowania i w darmowym planie 100 znaków, a nadmiar nie zostanie wygenerowany; strona i tak zachowuje naraz tylko jeden wynik, więc długi scenariusz trzeba by dzielić i pobierać częściami. Podział według scen mieści się w limicie i od razu przypisuje każdemu fragmentowi czas obrazu, a w poprawkach ruszasz tylko ten fragment, który sprawia problem.

Na którym etapie robić napisy po wygenerowaniu lektora?

Po zatwierdzeniu lektora i wtopieniu ścieżki w film. Kody czasowe napisów muszą iść za ostatecznym dźwiękiem, więc generuj je narzędziem Wideo na SRT z gotowego, połączonego filmu, a nie z tekstu scenariusza sprzed generowania. Po otrzymaniu pliku napisów wróć do edytora i zweryfikuj nazwy własne oraz podział zdań.

Zacznij od jednego zdania lektora na otwarcie

Nie czekaj na kompletny scenariusz. Otwórz zmontowany film i napisz tylko fragment otwierający: jedno zdanie, które mówi, co to jest i dla kogo. Wklej go do zamiany tekstu na mowę, wygeneruj, odsłuchaj, sprawdź czas. Jeśli pierwszy fragment się broni, pozostałe to już tylko powtarzanie tego samego cyklu.

Otwórz zamianę tekstu na mowę.