Jak stworzyć wielojęzyczny lektor do jednego wideo produktowego

Najczęstszy sposób, w jaki lokalizacja wideo produktowego kończy się klapą, to wrzucenie chińskiego skryptu do automatycznego tłumaczenia i od razu do generowania: wersja angielska wychodzi kilka sekund dłuższa niż obraz, hiszpańska czyta numer modelu jak losowy ciąg znaków, a ton żadnej nie brzmi jak ta sama marka. Źródło problemu nie leży w syntezie mowy, lecz w potraktowaniu czterech zadań jako jednego. Ścieżki lektorskie w wielu językach do jednego wideo to cztery osobne prace: najpierw uporządkowanie skryptu źródłowego nadającego się do lokalizacji, potem naturalna wersja mówiona dla każdego języka, następnie osobny dobór głosu do każdego języka, a na końcu dopasowanie obrazu do zmierzonych czasów ścieżek. Zamiana tekstu na mowę w PixMind odpowiada za jedno ogniwo: zamienia finalny tekst każdego języka na MP3; tłumaczenie i korekta kończą się przed wejściem do narzędzia.

Otwórz zamianę tekstu na mowę, wklejaj finalny tekst każdego języka fragment po fragmencie, generuj i pobieraj kolejno.

Najważniejsze punkty

• Cztery działania wykonujesz osobno: porządkowanie skryptu źródłowego, naturalna wersja mówiona każdego języka, dobór głosu według języka, dopasowanie obrazu do zmierzonych czasów.
• Zamiana tekstu na mowę czyta wyłącznie wpisany tekst i nie tłumaczy; finalne wersje językowe powstają w procesie tłumaczenia i korekty poza narzędziem.
• Głosy dobierasz osobno dla każdego języka, z pierwszeństwem poprawnej wymowy i zgodności z tonem marki; różne języki nie muszą mieć tego samego głosu.
• Strona utrzymuje tylko jeden wynik naraz; pobrany MP3 ma nazwę zaczynającą się od pixmind-tts-, więc od razu zmień ją według języka i wersji oraz zarchiwizuj plik.

Najpierw uporządkuj skrypt źródłowy pod lokalizację

Skrypt źródłowy to nie „chińskie dialogi”, lecz matka wszystkich wersji językowych: porządkujesz go raz, a tłumaczenie, korekta i lektor startują z tego samego materiału — wtedy poprawek na końcu jest najmniej.

Sercem porządkowania jest podział na kolumny: rozdziel „tekst do tłumaczenia” i „sformułowania marki, które mają pozostać stałe”. Nazwa produktu, model, slogan i firma należą do drugiej grupy — najpierw ustal ich zapis w każdej wersji językowej: oryginał, transkrypcję czy lokalne odwzorowanie — i według tej decyzji traktuj wszystkie fragmenty. Kombinacje liter i cyfr w oznaczeniach modeli trzeba zapisać na sztywno: ten sam model wpisujesz identycznie w każdej wersji, żeby różne głosy nie improwizowały i nie czytały go na kilka sposobów.

Tekst do tłumaczenia dziel na ujęcia. Lektor w wideo produktowym jest z natury krótki, a po podziale na otwarcie, prezentację i zakończenie każdy fragment odpowiada jednemu oknu obrazu — to zarazem szkielet późniejszego generowania i napisów. Jedno generowanie ma limit znaków — bez logowania i w darmowym planie 100 znaków, w płatnym 10000 — a fragmenty cięte według ujęć zwykle daleko mu do granicy.

Uporządkowany skrypt źródłowy to tabela, w której każdy wiersz zawiera treść ujęcia, czas obrazu, stałe sformułowania i tekst do tłumaczenia. Ta sama tabela jest bazą do korekty tłumaczeń i produkcji napisów.

Przygotuj naturalną, mówioną wersję dla każdego języka

Najpierw wyraźna granica: strona zamiany tekstu na mowę obrabia tylko tekst, który wpiszesz, i nie przetłumaczy go za Ciebie. Wersja każdego języka przechodzi tłumaczenie i korektę we własnym procesie przygotowania tekstu, a do narzędzia trafia dopiero finalna wersja.

Tłumaczenie dosłowne zwykle nie nadaje się do użytku wprost. Przykład angielskiej wersji otwarcia produktu:

• Wersja dosłowna: „This cup can complete the juicing of fruit within thirty seconds, and it is also very easy to clean.”
• Wersja mówiona: „Fresh juice in thirty seconds. Cleanup? Just rinse it.”

Wersja dosłowna jest gramatycznie poprawna, ale powstawała słowo w słowo z długiego chińskiego zdania — czytana jednym tchem, bez pauz, bez brzmienia reklamy w języku ojczystym. Wersja mówiona zamienia ją w dwa krótkie zdania z pytaniem tworzącym pauzę, dzięki czemu rytm łatwiej trafia w obraz. Każdy język musi przejść ten krok: osoba władająca nim płynnie przerabia dosłowny szkic na „tekst, który się mówi”, przy okazji porządkując odczytywanie liczb, przeliczanie jednostek i zwroty grzecznościowe.

Zatwierdzony po korekcie tekst wystarczy wkleić w pole i generować — narzędzie nie pełni już roli edytora. Podział pracy jest jasny: problemy z treścią wracają do procesu korekty, a w narzędziu regulujesz wyłącznie wymowę i czas.

Osobno dobierz głos do każdego języka

Każdy język wybierasz osobno z katalogu głosów — nie ma zestawu, który obsłuży wszystkie języki naraz. Otwórz okno „wybierz głos”, najpierw przełącz silnik u góry, potem filtrem „język” zawęź do docelowego — opcje językowe pochodzą z katalogu bieżącego silnika i zmieniają się wraz z nim. Najechanie na kartę głosu odtwarza próbkę.

W scenariuszu wielojęzycznym obowiązują trzy kryteria. Po pierwsze, akcent ma pasować do rynku: hiszpański latynoamerykański i hiszpański z Hiszpanii brzmią inaczej — pamiętaj o tym przy filtrowaniu i odsłuchu. Po drugie, słuchaj przede wszystkim wymowy nazwy produktu, modelu i liczb; testowanie zdaniem z nazwą produktu jest bardziej miarodajne niż sama próbka. Po trzecie, ton marki ma być spójny między językami: jeśli wersja chińska jest energiczna, angielska niech nie dostanie niskiego, powolnego głosu.

Różne języki nie muszą mieć tego samego lektora. Chińska wersja kobieca i angielska męska to zupełnie normalne połączenie, byle ton każdego języka wskazywał tę samą markę. Pogoń za „dokładnie tym samym głosem” we wszystkich językach łatwo odbija się na jakości wymowy — to nie jest standard wielojęzycznego lektora.

Gdy ustalisz głos dla języka, zapisz: silnik i nazwę głosu. Wszystkie fragmenty w tym języku powstają z tego jednego głosu, bez zmian po drodze.

Rozwiąż różnice długości między językami

To samo zdanie lektorskie ma w poszczególnych językach naturalnie różną długość: w jednym zamknie się w pięciu sekundach, w innym potrzebuje siedmiu. Okno obrazu pozostaje jedno, więc długości się rozjeżdżają — to największa różnica między lektorem wielojęzycznym a jednojęzycznym.

Kolejność działań: najpierw pomiar, potem korekta skryptu, dopiero na końcu tempo mowy:

1. Wygeneruj fragmenty dla każdego języka i zapisz czasy z odtwarzacza; każdy fragment każdego języka wraz z czasem obrazu wprowadź do tabeli skryptu źródłowego.
2. Gdy wersja językowa wychodzi dłuższa od obrazu, najpierw popraw skrypt: usuń ozdobniki, których można nie usłyszeć, rozbij długie zdania i steruj pauzami interpunkcją. Skracanie treści zdejmuje zbędny balast — żadna istotna informacja nie wypada — i działa skuteczniej niż zmiana tempa.
3. Gdy po maksymalnym skróceniu skryptu brakuje jeszcze odrobiny, sięgnij po tempo mowy i dopasuj delikatnie. Zakres suwaka tempa zależy od silnika, a przy zmianie silnika parametry wracają do domyślnych — głosy różnych języków zwykle pochodzą z różnych silników, więc ustalone tempo zapisuj w tabeli skryptu i odtwarzaj przy generowaniu kolejnych fragmentów.

Czerwona linia: kluczowe akcje prezentacji produktu nie ustępują pod presją czasu. Sceny odkręcania pokrywki, naciskania przycisku czy zbliżenia na gotowy produkt — raczej skróć lektor i zostaw naturalne tempo, niż zmuszaj do „połykania” sylab czy wycinania ujęć. Jeśli zdanie naprawdę się nie mieści, przełóż je do następnego ujęcia; będzie naturalniej niż wciskanie go na siłę.

Strona trzyma tylko jeden wynik naraz, więc przy wielu językach i fragmentach właściwa metoda brzmi: generuj po kolei, pobieraj po kolei, zapisuj po kolei — nie licz na wszystkie ścieżki za jednym zamachem.

Wyeksportuj ścieżki i uporządkuj wersje plików

MP3 z przycisku pobierania ma nazwę zaczynającą się od pixmind-tts- i znacznik czasu generowania. Po pobraniu wielu języków i fragmentów znacznik nie powie Ci, która ścieżka jest którą, dlatego od razu zmieniaj nazwy według języka i wersji, na przykład:

• Ścieżki: product-demo_zh_opening_v2.mp3, product-demo_en_opening_v2.mp3
• Napisy: product-demo_zh_v2.srt, product-demo_en_v2.srt

Reguła nazewnictwa działa, byle była stała: projekt, kod języka, fragment, numer wersji — wystarczy, że cały zespół trzyma się jednej konwencji.

Połączenie ścieżek z obrazem robisz w zewnętrznym programie montażowym — dowolnym — powtarzając dla każdego języka ten sam zestaw kroków:

1. Dla każdego języka zduplikuj oś czasu (lub utwórz nowy projekt) i zaimportuj obraz oraz wszystkie ścieżki tego języka.
2. Według tabeli skryptu źródłowego wyrównaj każdy fragment lektora z obrazem, ze szczególną uwagą, czy lektor nie nachodzi na kluczowe akcje.
3. Przesłuchaj całość jednym ciągiem i po sprawdzeniu głośności oraz płynności rytmu wyeksportuj gotowe wideo w tej wersji językowej.

Napisy powstają osobno dla każdego języka i zawsze na podstawie realnego dźwięku finalnego montażu w danym języku, a nie ze skryptu źródłowego — tłumaczenie było zmieniane, pauzy regulowane, tempo dopasowywane, więc stara oś czasu dawno się rozjechała. Skorzystaj z wideo na SRT, aby wygenerować napisy z każdej wersji językowej z osobna, a otrzymane pliki wróć jeszcze raz przeglądnąć w programie montażowym pod kątem nazw własnych i podziału zdań.

Częste pytania

Czy narzędzie automatycznie przetłumaczy wpisany skrypt?

Nie. Zamiana tekstu na mowę czyta wyłącznie wpisany tekst; wersje językowe przygotowujesz w procesie tłumaczenia i korekty poza narzędziem, a finalny tekst wklejasz dopiero do generowania. W narzędziu regulujesz głos, tempo i głośność — treść pozostaje nietknięta.

Czy różne języki mogą mieć dokładnie ten sam głos?

Nie muszą, a zwykle nie da się przy tym zachować jednocześnie najlepszej wymowy i tonu. Głosy wybierasz osobno dla każdego języka, lista języków pochodzi z katalogu każdego silnika i użycie różnych głosów dla różnych języków jest normalne. Kryterium to poprawna wymowa i spójny ton marki, nie wrażenie „tej samej osoby”.

Co robić, gdy przetłumaczony lektor nie mieści się w czasie ujęcia?

Postępuj po kolei: najpierw usuń ozdobniki ze skryptu i wyreguluj pauzy; jeśli brakuje odrobiny, uzupełnij delikatnie tempem mowy; gdy nadal się nie mieści, przełóż zdanie do następnego ujęcia albo lekko dostosuj rytm obrazu w tej wersji językowej. Kluczowych akcji prezentacji produktu nie tniesz dla zyskania czasu.

Zacznij od otwarcia w dwóch językach

Nie musisz od razu obrabiać całego filmu. Wybierz fragment otwarcia: uporządkuj stałe sformułowania i tekst do tłumaczenia, przygotuj naturalne wersje mówione w dwóch językach, dobierz głosy dla każdego z nich, wygeneruj po jednej ścieżce i porównaj ich zmierzone czasy z oknem obrazu. Gdy ten fragment przejdzie pomyślnie, reszta ujęć i języków to już tylko powtarzanie tego samego cyklu.

Otwórz zamianę tekstu na mowę.