Как сделать мультиязычную озвучку одного продуктового видео

Самый частый провал локализации продуктового видео — прогнать исходный сценарий через машинный перевод и сразу сгенерировать озвучку: английская версия оказывается на несколько секунд длиннее картинки, испанская прочитывает модель как другой набор символов, и тон перестаёт походить на один бренд. Корень не в синтезе речи, а в том, что четыре дела слили в одно. Озвучка одного ролика на несколько языков — это четыре раздельные работы: сначала подготовить пригодный к локализации исходный сценарий, затем собрать разговорную версию для каждого языка, потом выбрать под каждый язык свой голос и наконец подогнать картинку под фактическую длительность дорожек. Текст в речь в PixMind закрывает одно звено этой цепочки: превращает финальный текст каждого языка в MP3; перевод и вычитка завершаются до входа в инструмент.

Открыть Текст в речь: вставляйте финальный текст каждого языка фрагмент за фрагментом, генерируйте и скачивайте по очереди.

Главное

• Четыре действия выполняются раздельно: подготовка исходного сценария, разговорная версия на каждый язык, выбор голоса по языку, подгонка картинки по фактической длительности дорожек.
• Текст в речь читает только введённый текст и не переводит; финальные версии каждого языка готовятся во внешнем процессе перевода и вычитки.
• Голоса выбираются отдельно для каждого языка: точность произношения и соответствие тону бренда важнее, единый голос на все языки не требуется.
• Страница хранит только один последний результат; скачанный MP3 начинается с pixmind-tts- — сразу переименуйте файл по языку и версии и разложите по архиву.

Сначала подготовьте исходный сценарий, пригодный для локализации

Исходный сценарий — не просто «реплики на исходном языке», а матрица всех языковых версий: подготовьте его один раз, и перевод, вычитка и озвучка пойдут от одного материала, а переделок станет меньше.

Главная операция подготовки — разбивка на колонки: отделите «переводимый текст» от «брендовых формулировок, которые должны оставаться неизменными». Названия продукта, модели, слоган, название компании — вторые: сначала зафиксируйте их написание в каждой языковой версии — оригинал, транслитерация или локализованное написание, — и дальше все фрагменты следуют этому решению. Буквенно-цифровые обозначения моделей важно записать жёстко: одна и та же модель вводится во всех версиях одинаково, иначе разные голоса прочитают её каждый по-своему.

Переводимый текст режется по кадрам. Закадровый текст продуктового ролика и так короткий; поделив его на зачин, демонстрацию и финал, вы привяжете каждый фрагмент к своему окну картинки — это же скелет для генерации и субтитров. У одной генерации есть лимит символов — без входа и в бесплатном тарифе 100 символов за раз, в платном — 10000, — и фрагменты, нарезанные по кадрам, обычно далеко ниже лимита.

Готовый исходный сценарий — таблица, каждая строка которой содержит содержание кадра, длительность картинки, фиксированные формулировки и переводимый текст. Она же служит основой для вычитки переводов и производства субтитров.

Подготовьте разговорную версию для каждого языка

Сразу обозначим границу: страница «Текст в речь» работает только с введённым текстом и не переводит за вас. Версию каждого языка завершайте в собственном процессе перевода и вычитки и только в финальном виде заносите в речевой инструмент.

Дословный перевод обычно не годится сразу. Пример английской версии зачина продуктового ролика:

• Дословно: «This cup can complete the juicing of fruit within thirty seconds, and it is also very easy to clean.»
• Разговорно: «Fresh juice in thirty seconds. Cleanup? Just rinse it.»

В дословной версии грамматика верна, но она перегнана из длинного предложения слово в слово, читается на одном дыхании без пауз и не звучит как реклама на родном языке. Разговорная версия — два коротких предложения с вопросом-паузой посередине, её ритм проще совместить с картинкой. Каждый язык должен пройти этот шаг: носитель превращает дословный перевод в «произнесённую речь», заодно обрабатывая чтение чисел, пересчёт единиц и привычные обращения.

Финальный текст после вычитки просто вставляется в поле и генерируется — инструмент правками текста больше не занимается. Разделение труда ясное: проблемы текста возвращаются в процесс вычитки, а внутри инструмента правятся только произношение и длительность.

Выберите голос отдельно под каждый язык

Голос для каждого языка выбирается в каталоге отдельно — универсального набора на все языки не существует. Откройте окно «Выбор голоса»: сначала переключите движок наверху, затем отфильтруйте целевой язык выпадающим списком «Язык» — пункты списка берутся из каталога текущего движка и меняются при его смене. Наведите курсор на карточку голоса, чтобы прослушать пример.

У мультиязычного сценария три критерия выбора. Первый — акцент под целевой рынок: испанский Латинской Америки и Испании звучит по-разному, учитывайте это при фильтрации и прослушивании. Второй — внимательно слушайте произношение названий продукта, моделей и чисел: пробуйте фразу с названием продукта, это надёжнее, чем просто демо. Третий — тон бренда согласован по языкам: если исходная версия бодрая, не берите для английской низкий и медленный голос.

Один и тот же говорящий на всех языках не обязателен. Женский голос в одной версии и мужской в другой — вполне допустимо, если тона всех языков указывают на один бренд. Гнаться за «совершенно одинаковым голосом» через все языки — значит жертвовать качеством произношения в каждом, а это и не стандарт мультиязычной озвучки.

Определив голос для языка, зафиксируйте: движок, имя голоса. Все фрагменты этого языка озвучиваются только этим голосом, без смен по ходу.

Обработайте разницу длины между языками

Длина перевода одной и той же реплики в разных языках естественным образом различается: на одном языке хватает пяти секунд, другому нужно семь. Окно картинки остаётся тем же, а дорожки получаются разной длины — это главное отличие мультиязычной озвучки от одноязычной.

Порядок работы: сначала замер, затем правка сценария и только потом скорость речи:

1. Сгенерируйте фрагменты по каждому языку и запишите длительность из плеера, внеся в таблицу исходного сценария каждый фрагмент каждого языка вместе с длительностью картинки.
2. Если версия языка длиннее картинки — сначала правьте сценарий: уберите необязательные украшения, разбейте длинные фразы, расставьте паузы пунктуацией. Сокращение текста снимает лишний груз — ни одно важное сведение при этом не выбрасывается — и работает лучше, чем подкрутка скорости.
3. Если после максимального сокращения всё ещё чуть-чуть не хватает — подстройте скорость речи небольшими шагами. Диапазон ползунка зависит от движка, а при смене движка параметры сбрасываются к значениям по умолчанию — голоса разных языков чаще всего берутся из разных движков, поэтому настроенную скорость записывайте в таблицу исходного сценария и восстанавливайте при генерации каждого фрагмента.

Красная линия: ключевые демонстрации не уступают хронометражу. Откручивание крышки, нажатие кнопки, крупный план готового результата — для таких кадров лучше выбросить реплику и оставить естественный темп, чем глотать слоги или резать демонстрацию. Если реплика никак не помещается — отправьте её в следующий кадр: это естественнее, чем втискивать силой.

Страница хранит только один последний результат, поэтому при многих языках и фрагментах правильно генерировать, скачивать и записывать по одному — получить все дорожки разом не выйдет.

Экспортируйте дорожки и разберите файлы версий

MP3, полученный кнопкой скачивания, получает имя, начинающееся с pixmind-tts-, с добавлением временного штампа генерации. После скачивания нескольких языков и фрагментов по штампам не разобрать, что где, — сразу переименуйте файлы по языку и версии, например:

• дорожки: product-demo_zh_opening_v2.mp3, product-demo_en_opening_v2.mp3
• субтитры: product-demo_zh_v2.srt, product-demo_en_v2.srt

Подойдёт любое постоянное правило именования: проект, код языка, фрагмент, номер версии — лишь бы вся команда договорилась об одном формате.

Сведение дорожек с видео выполняется во внешней монтажной программе, подойдёт любая; для каждого языка повторяется один и тот же цикл:

1. Для каждого языка скопируйте таймлайн (или создайте новый проект) и импортируйте картинку вместе со всеми дорожками этого языка.
2. По таблице исходного сценария выровняйте реплики по картинке, отдельно проверяя попадание реплик на ключевые действия.
3. Прослушайте версию целиком; когда громкость и стыки в порядке — экспортируйте готовый ролик этой языковой версии.

Субтитры делаются отдельно для каждого языка и по фактическому звуку финальных версий, а не по исходному сценарию: перевод менялся, паузы и скорость подгонялись, и тайминги давно разошлись. Генерируйте субтитры из готовых роликов каждого языка через Видео в SRT, а после получения файлов пройдите в монтаже имена собственные и разбивку фраз.

Часто задаваемые вопросы

Инструмент сам переведёт вставленный сценарий?

Нет. Текст в речь читает только введённый текст; языковые версии готовятся во внешнем процессе перевода и вычитки и вставляются в инструмент в финальном виде. Внутри инструмента настраиваются голос, скорость и громкость — сам текст не меняется.

Можно сохранить совершенно одинаковый голос на разных языках?

Не требуется и обычно не получается одновременно лучше всех по произношению и тону. Голоса выбираются по языкам, список языков берётся из каталогов каждого движка, и разные голоса для разных языков — норма. Критерий — точное произношение и единый тон бренда, а не «слышно одного и того же человека».

Переведённая реплика не помещается в длительность картинки — что делать?

Действуйте по порядку: сначала уберите украшения из сценария и поправьте паузы; если чуть-чуть не хватает — мягко доберите скоростью речи; всё равно не влезает — перенесите реплику в следующий кадр или слегка подправьте ритм картинки в этой языковой версии. Ключевые демонстрации продукта ради этого не урезаются.

Начните с зачина на двух языках

Не обязательно делать весь ролик сразу. Возьмите фрагмент зачина: зафиксируйте брендовые формулировки и переводимый текст, соберите разговорные версии на двух языках, выберите под каждый свой голос, сгенерируйте по дорожке и сравните их фактическую длительность с окном картинки. Пройдёт этот фрагмент — остальные фрагменты и языки лишь повторяют тот же цикл.

Открыть Текст в речь.