زیرنویس خودکار فارسی با هوش مصنوعی: راهنمای کامل ساخت، ترجمه و چسباندن زیرنویس به ویدیو (۱۴۰۵)

زیرنویس خودکار فارسی را با هوش مصنوعی بسازید: از گفتار به متن تا فایل SRT، ترجمه و چسباندن زیرنویس روی ویدیو، قدم‌به‌قدم و همراه با رفع خطاها.

زیرنویس خودکار فارسی با هوش مصنوعی: راهنمای کامل ساخت، ترجمه و چسباندن زیرنویس به ویدیو (۱۴۰۵)

زیرنویس خودکار فارسی یعنی گفتار ویدیوی شما به متن تبدیل شود و آن متن روی زمان درست بنشیند. مسیر پایه چهار گام دارد: گفتار به متن، اصلاح متن، ساخت فایل SRT و در آخر چسباندن زیرنویس به ویدیو. در این راهنما هر چهار گام، ترجمه‌ی زیرنویس و خطاهای رایج را می‌بینید.

اگر می‌خواهید همین حالا شروع کنید، فایل صدا یا ویدیوی خودتان را در گفتار به متن هوش‌نو بارگذاری کنید و متن را بگیرید؛ بقیه‌ی مسیر در ادامه آمده است.

برای انجام عملیِ همین کار می‌توانی از ترجمه زیرنویس به فارسی در هوش نو استفاده کنی.

زیرنویس خودکار چطور کار می‌کند؟

زیرنویس خودکار ترکیب سه کار پشت سر هم است: شناسایی گفتار، نوشتن متن و چیدن متن روی زمان. هر کدام جداگانه خطا دارند و اگر بدانید خطا از کدام مرحله می‌آید، رفعش ساده‌تر می‌شود.

گام اول: تبدیل گفتار به متن

مدل هوش مصنوعی صدا را به تکه‌های ریز می‌شکند، الگوی هر تکه را با واژه‌هایی که یاد گرفته مقایسه می‌کند و محتمل‌ترین کلمه را می‌نویسد. اگر با این ایده آشنا نیستید، مقاله‌ی هوش مصنوعی چیست مبنای کار را به زبان ساده توضیح می‌دهد. نتیجه‌ی این گام یک متن پیوسته است که هنوز به صحنه‌های ویدیو وصل نیست.

گام دوم: زمان‌بندی

زیرنویس بدون زمان فقط یک متن است. هر خط زیرنویس باید بداند از چه ثانیه‌ای روی تصویر بیاید و در چه ثانیه‌ای برود. بعضی ابزارها زمان هر کلمه یا هر جمله را همراه متن می‌دهند و بعضی فقط متن خام تحویل می‌دهند. این تفاوت مهم است، چون خروجی بدون زمان را باید جداگانه روی ویدیو هم‌زمان کرد.

گام سوم: تقسیم به خط‌های خوانا

یک جمله‌ی بلند را نمی‌شود یک‌جا روی صفحه گذاشت. زیرنویس خوب معمولا حداکثر دو خط دارد، هر خط حدود چهل نویسه است و هر بلوک بین یک تا هفت ثانیه روی تصویر می‌ماند. این‌ها قاعده‌ی سرانگشتی‌اند، نه قانون؛ اگر ویدیوی شما سریع‌تر یا کندتر حرف می‌زند، کمی جابه‌جایشان کنید.

مراحل کار زیرنویس خودکار از موج صدا تا متن و خط زمان
زیرنویس خودکار یعنی تبدیل صدا به متن و نشاندن متن روی زمان درست

زیرنویس باز و زیرنویس بسته

زیرنویسی که روی خود تصویر سوخته و همیشه دیده می‌شود «هاردساب» نام دارد. زیرنویسی که در فایل جداگانه یا کنار تصویر ذخیره می‌شود و بیننده می‌تواند خاموشش کند «سافت‌ساب» است. در بخش چسباندن زیرنویس، هر دو را با هم مقایسه می‌کنیم.

چرا زیرنویس خودکار فارسی سخت‌تر از انگلیسی است؟

زیرنویس خودکار فارسی بیشتر از انگلیسی اشتباه می‌کند، چون فارسی هم از نظر املا و هم از نظر نمایش مشکل‌های خاص خودش را دارد. کیفیت داده‌ی آموزشی هم برای فارسی معمولا کمتر از زبان‌های پرمنبع است. پس انتظار اصلاح دستی را از اول داشته باشید.

نیم‌فاصله و املای یکدست

مدل‌ها اغلب «می شود» و «می‌شود» را قاطی می‌نویسند یا «ها» را به کلمه می‌چسبانند. این خطا معنا را عوض نمی‌کند، ولی ظاهر زیرنویس را نامرتب می‌کند. اصلاح املا کار مناسبی برای چت است و در بخش ویرایش، پرامپت آماده‌اش را می‌بینید.

اعداد و علامت‌ها

گاهی عدد را حروفی می‌نویسد، گاهی با رقم لاتین و گاهی با رقم فارسی. فکر کنید در ویدیو گفته شده «سیصد و پنجاه هزار تومان»؛ بهتر است یکی از دو شکل را از اول انتخاب کنید و در همه‌ی خطوط همان را نگه دارید.

لهجه، سرعت و نویز

گفتار محاوره‌ای مثل «میرم»، «نمیدونم» و «اینجوری» برای مدل سخت‌تر از فارسی کتابی است. لهجه‌ی غلیظ، موسیقی پس‌زمینه و چند نفر که روی هم حرف می‌زنند دقت را بیشتر پایین می‌آورند. بهترین کار این است که پیش از تبدیل، صدا را تمیز کنید؛ ابزارش را در گام‌های بعد معرفی می‌کنم.

راست‌به‌چپ و جابه‌جاشدن علامت‌ها

در بعضی ویرایشگرها و پخش‌کننده‌ها، نقطه، علامت سؤال یا گیومه به ابتدای خط می‌پرد، یا کلمه‌های لاتین وسط جمله ترتیب را به‌هم می‌ریزند. این خطا از مدل نیست؛ از نحوه‌ی نمایش متن در برنامه است. اگر چنین دیدید، در بخش خطاهای رایج راه‌حلش آمده است.

سه راه ساخت زیرنویس گذاری خودکار: ابزار آنلاین، اپ موبایل و نرم‌افزار تدوین

برای زیرنویس گذاری خودکار سه راه اصلی دارید: ابزار آنلاین، اپ موبایل و نرم‌افزار تدوین. هیچ‌کدام برنده‌ی همیشگی نیست و انتخاب به طول ویدیو، جایی که منتشرش می‌کنید و میزان دقتی که می‌خواهید بستگی دارد.

ابزار آنلاین بدون نصب کار می‌کند و برای ویدیوهای کوتاه و متوسط مناسب است. اپ موبایل وقتی می‌چسبد که ویدیو را همان‌جا فیلم گرفته‌اید و می‌خواهید فوری منتشرش کنید. نرم‌افزار تدوین وقتی لازم می‌شود که علاوه بر زیرنویس، روی رنگ، فونت و جای متن هم کنترل می‌خواهید. اگر دنبال کارهای دیگری هستید که بدون نصب انجام می‌شود، هوش مصنوعی آنلاین فارسی بدون نصب فهرست مفیدی دارد.

سه راه ساخت زیرنویس خودکار ویدیو: ابزار آنلاین، موبایل و نرم‌افزار تدوین
ابزار آنلاین، اپ موبایل و نرم‌افزار تدوین؛ سه راه رایج برای زیرنویس
راهمناسب براینقطه‌ی قوتمحدودیتزمان‌بندی
ابزار آنلاینویدیوی کوتاه تا متوسطبدون نصب، سریعسقف حجم و زمان فایلبسته به ابزار
اپ موبایلکلیپ‌های شبکه‌های اجتماعیهمه‌چیز در یک جاپشتیبانی فارسی را باید خودتان بسنجیدمعمولا خودکار
نرم‌افزار تدوینپروژه‌ی حرفه‌ای و فیلمکنترل کامل ظاهریادگیری بیشتر، گاهی هزینهدر خود نرم‌افزار
Whisper روی کامپیوتر خودتانویدیوی طولانی و پروژه‌ی تکرارشوندهرایگان و متن‌بازنیاز به نصب و سخت‌افزار مناسبفایل SRT می‌سازد
گفتار به متن هوش‌نو + چت (سرویس خودمان)متن تمیز و ویرایش‌شدهفارسی، بدون اشتراک اجباریفایل زیرنویس را باید با گام‌های همین راهنما بسازیددر ویرایشگر تنظیم می‌شود

نتیجه‌ی جدول: اگر ویدیوی کوتاه دارید و فقط می‌خواهید متن درست دربیاید، ابزار آنلاین یا مسیر گفتار به متن کافی است. اگر ویدیوی طولانی یا فیلم دارید، Whisper و یک ویرایشگر مثل Subtitle Edit صرفه‌ی بیشتری دارند. برای کلیپ سریع شبکه‌های اجتماعی، همان اپ تدوین موبایل راحت‌تر است.

ساخت زیرنویس فارسی با هوش مصنوعی در هوش‌نو، گام‌به‌گام

ساخت زیرنویس فارسی با هوش مصنوعی در هوش مصنوعی ایرانی هوش‌نو با ترکیب دو ابزار انجام می‌شود: گفتار به متن برای گرفتن متن و چت برای اصلاح و قالب‌بندی. هوش‌نو ابزار مستقلی به اسم «زیرنویس» ندارد و زمان‌بندی نهایی را در یک ویرایشگر انجام می‌دهید. هزینه‌ی هر کار پیش از شروع در خود ابزار نشان داده می‌شود.

پیش از شروع: صدا را آماده کنید

اگر صدای ویدیو موسیقی یا سروصدای زیاد دارد، اول با جداسازی صدا و حذف نویز آن را تمیز کنید. صدای تمیز بیشترین اثر را روی دقت دارد، حتی بیشتر از انتخاب ابزار. اگر فایل ویدیو حجیم است، فقط صدایش را جدا کنید؛ فایل صدا خیلی کوچک‌تر است و آپلودش سریع‌تر انجام می‌شود.

گام‌ها

  1. فایل را آماده کنید. صدای ویدیو را جدا کنید و مطمئن شوید حجم فایل از سقف ابزار (در گفتار به متن هوش‌نو تا ۲۵ مگابایت) بیشتر نیست. نتیجه: یک فایل صوتی کوچک و تمیز.
  2. وارد صفحه‌ی گفتار به متن شوید. زبان را فارسی بگذارید و فایل را بارگذاری کنید. نتیجه: ابزار کار تبدیل را شروع می‌کند.
  3. متن را بخوانید. خروجی را یک‌بار از اول تا آخر با صدای ویدیو مقایسه کنید و غلط‌های بزرگ را علامت بزنید. نتیجه: می‌دانید چه چیزهایی باید اصلاح شود.
  4. متن را برای چت بفرستید. اصلاح املا، نیم‌فاصله و نقطه‌گذاری را به چت بسپارید. نتیجه: متنی یکدست و بدون غلط‌های ریز.
  5. متن را به خط‌های کوتاه تقسیم کنید. از چت بخواهید هر جمله را به خط‌های حداکثر چهل نویسه بشکند. نتیجه: فهرستی از خط‌های آماده‌ی زیرنویس.
  6. زمان‌بندی را انجام دهید. اگر خروجی گفتار به متن زمان داشت، همان را به چت بدهید. اگر نداشت، فایل را در ویرایشگری مثل Subtitle Edit باز کنید و زمان هر خط را روی موج صدا تنظیم کنید. نتیجه: فایل SRT کامل.
  7. زیرنویس را روی ویدیو امتحان کنید. فایل را در پخش‌کننده یا ویرایشگر اضافه کنید و چند نقطه‌ی مختلف را ببینید. نتیجه: مطمئن می‌شوید خط‌ها دیر یا زود نمی‌آیند.

اگر ابزار شما فقط متن بدهد و زمان ندهد، این کاستی را پنهان نکنید. بهتر است همان‌جا از مسیر ویرایشگر استفاده کنید؛ بیشتر زمانی که صرف می‌شود، صرف همین هم‌زمان‌سازی است.

تبدیل فایل صدای ویدیو به متن در گفتار به متن برای زیرنویس خودکار
اول صدا را به متن تبدیل کنید، بعد سراغ تقسیم و زمان‌بندی بروید

ویرایش و غلط‌گیری متن زیرنویس با چت

برای ویرایش زیرنویس، چت بهترین دستیار است، چون هم املا را درست می‌کند و هم خط‌ها را کوتاه می‌کند. هوش‌نو برای چت یک بخش دارد که روزانه کمی رایگان است و با تأیید موبایل کار می‌کند؛ از چت با هوش مصنوعی به فارسی می‌توانید همین کار را انجام دهید.

اشتباه رایج این است که کل متن را بدون دستور روشن بدهید و بگویید «درستش کن». چت در این حالت ممکن است جمله‌ها را بازنویسی کند و معنا را عوض کند. دستور باید دقیق باشد و بگوید چه چیزی را تغییر ندهد. اگر نوشتن دستور برایتان تازگی دارد، راهنمای پرامپت نویسی چیست کمک می‌کند.

پرامپت غلط‌گیری بدون تغییر معنا

متن زیر یک متن زیرنویس فارسی است که از گفتار پیاده شده. فقط املا، نیم‌فاصله و نقطه‌گذاری را درست کن. کلمه‌ها را عوض نکن، جمله‌ای را حذف یا اضافه نکن و محاوره را کتابی نکن. اگر جایی را متوجه نشدی، آن را با علامت [؟] مشخص کن.

مناسب برای: بار اول، وقتی هنوز اصلاح معنایی لازم نیست. علامت [؟] کمک می‌کند سراغ همان جاها بروید و با گوش دادن تصمیم بگیرید.

پرامپت شکستن به خط‌های زیرنویس

متن زیر را به خط‌های زیرنویس تقسیم کن. هر بلوک حداکثر دو خط باشد و هر خط حدود ۴۰ نویسه. در جای طبیعی مکث بشکن، نه وسط عبارت. بدون هیچ توضیح اضافه، فقط خط‌ها را زیر هم بنویس.

مناسب برای: آماده کردن متن پیش از زمان‌بندی. بعد از آن، هر بلوک را در ویرایشگر روی زمان درست می‌نشانید.

پرامپت یکدست کردن اعداد و نام‌ها

در متن زیر همه‌ی اعداد را با ارقام فارسی بنویس. نام «هوش‌نو» همیشه با یک شکل نوشته شود. اگر نام خاص دیدی که املایش مطمئن نیست، کنار آن [بررسی شود] بگذار.

مناسب برای: ویدیوهای آموزشی و تبلیغاتی که نام برند و عدد زیاد دارند.

چه چیزی را به چت نسپارید

چت زمان را نمی‌داند، مگر خودتان زمان را همراه متن بدهید. پس از او نخواهید زمان‌ها را «حدس بزند». اگر ساخت زمان را خواستید، حتما زمان واقعی را از ویرایشگر یا ابزار گفتار به متن بگیرید و فقط قالب‌بندی را به چت بسپارید.

فایل SRT چیست و چطور ساخته می‌شود؟ (آموزش ساخت زیرنویس با هوش مصنوعی در Subtitle Edit)

فایل SRT ساده‌ترین قالب زیرنویس است و برای ساختنش به یک فایل متنی و ویرایشگر نیاز دارید. این قالب تقریبا با همه‌ی پخش‌کننده‌ها، یوتیوب و بیشتر نرم‌افزارهای تدوین کار می‌کند. هر بلوک شماره‌ای دارد، یک خط زمان شروع و پایان و بعد خود متن.

نمونه‌ی ساختار با متن ساختگی را ببینید؛ دقت کنید که در زمان، بین ثانیه و میلی‌ثانیه ویرگول است، نه نقطه.

1

00:00:01,000 --> 00:00:03,200

سلام، امروز می‌خواهیم زیرنویس بسازیم.

2

00:00:03,400 --> 00:00:06,000

اول صدا را به متن تبدیل می‌کنیم.

ساخت SRT با Subtitle Edit

Subtitle Edit یک برنامه‌ی رایگان برای ویندوز است و برای زیرنویس‌نویسی نسخه‌ای تخصصی است. آموزش ساخت زیرنویس با هوش مصنوعی در Subtitle Edit تقریبا همین است: ویدیو را باز می‌کنید، متن آماده را بلوک‌بلوک وارد می‌کنید و بلوک‌ها را روی موج صدا می‌کشید. نسخه‌ها و منوها ممکن است فرق کنند، پس نام دقیق گزینه‌ها را در نسخه‌ی خودتان ببینید.

  1. برنامه را نصب کنید و ویدیو را باز کنید. نتیجه: موج صدا زیر تصویر دیده می‌شود.
  2. یک زیرنویس تازه بسازید و متن اصلاح‌شده را بلوک‌به‌بلوک وارد کنید. نتیجه: فهرست بلوک‌ها پر می‌شود.
  3. شروع و پایان هر بلوک را روی موج صدا تنظیم کنید. نتیجه: هر خط با شروع جمله هم‌زمان می‌شود.
  4. کدگذاری را UTF-8 بگذارید و فایل را با پسوند srt ذخیره کنید. نتیجه: فارسی بدون علامت‌های عجیب نمایش داده می‌شود.

اگر برنامه‌ی شما قابلیت تشخیص خودکار گفتار دارد و آن را روشن کردید، باز هم متن را با چت و گوش خودتان وارسی کنید. هیچ تشخیص خودکاری بی‌نیاز از وارسی نیست.

ساخت فایل SRT با تقسیم متن به بلوک‌های کوتاه و زمان‌بندی شده
فایل SRT در واقع فهرستی از بلوک‌های کوتاه متن با زمان شروع و پایان است

ساخت زیرنویس فیلم با هوش مصنوعی

برای ساخت زیرنویس فیلم با هوش مصنوعی، فیلم طولانی را یک‌جا ندهید. فایل را به بخش‌های بیست تا سی دقیقه‌ای تقسیم کنید، هر بخش را جدا تبدیل کنید و در پایان فایل‌های SRT را به هم بچسبانید. از تقسیم‌شدن، هم سقف حجم فایل اذیتتان نمی‌کند و هم یک خطا کل کار را خراب نمی‌کند.

چسباندن زیرنویس روی ویدیو: هاردساب و سافت‌ساب

برای چسباندن زیرنویس دو راه دارید: سوزاندن روی تصویر (هاردساب) یا اضافه کردن به‌عنوان یک مسیر جدا (سافت‌ساب). اگر ویدیو را در شبکه‌های اجتماعی منتشر می‌کنید و مطمئن نیستید پلتفرم فایل زیرنویس را می‌پذیرد، هاردساب انتخاب امن‌تری است.

ویژگیهاردسابسافت‌ساب
دیده‌شدنهمیشه روی تصویربیننده می‌تواند خاموش کند
تغییر بعد از ساختممکن نیست، باید دوباره بسازیدبا تعویض فایل SRT انجام می‌شود
سازگاری با پلتفرم‌هاهمه‌جا کار می‌کندبسته به پلتفرم و پخش‌کننده
چند زبانه‌بودنیک زبانچند فایل زیرنویس کنار هم
مناسب برایکلیپ کوتاه شبکه‌های اجتماعیفیلم، آموزش و یوتیوب

نتیجه‌ی جدول: برای کلیپ کوتاه هاردساب، برای محتوای طولانی و چندزبانه سافت‌ساب. اگر هر دو را نیاز دارید، یک نسخه‌ی هاردساب برای شبکه‌های اجتماعی و یک نسخه‌ی سافت‌ساب برای آرشیو بسازید.

چسباندن با نرم‌افزار تدوین

در بیشتر برنامه‌های تدوین، فایل SRT را به‌عنوان زیرنویس وارد می‌کنید، فونت و اندازه را تنظیم می‌کنید و ویدیو را خروجی می‌گیرید. نکته‌ی مهم فونت است: فونتی که حروف فارسی را پشتیبانی نکند، به جای متن مربعی یا علامت سؤال نشان می‌دهد. پیش از خروجی نهایی، یک نمونه‌ی ده‌ثانیه‌ای بگیرید و ببینید.

زیرنویس خودکار ویدیو برای اینستاگرام، یوتیوب و فیلم

هر پلتفرم قاعده‌ی خودش را دارد، پس زیرنویس خودکار ویدیو را باید با مقصد آن هماهنگ کنید. قاعده‌ی کلی این است: برای کلیپ‌های عمودی کوتاه هاردساب، برای محتوای طولانی یوتیوب و فیلم SRT جدا.

اینستاگرام: ریلز و استوری

در ریلز بیشتر مخاطبان بدون صدا تماشا می‌کنند، پس زیرنویس خوانا اهمیت زیادی دارد. بهتر است زیرنویس را داخل کادر امن بگذارید، یعنی نه خیلی بالا و نه چسبیده به لبه‌ی پایین، چون دکمه‌ها و کپشن روی آن می‌افتند. اگر دنبال نوشتن متن زیر پست هستید، کپشن اینستاگرام ایده‌های بسیار دارد. توجه کنید که قابلیت زیرنویس خودکار خود اینستاگرام برای فارسی را باید خودتان در اپ امتحان کنید؛ اگر نتیجه‌اش خوب نبود، هاردساب بسازید.

یوتیوب

یوتیوب اجازه می‌دهد فایل زیرنویس را جدا بارگذاری کنید. با این روش فایل SRT اصلاح‌شده‌ی خودتان را می‌گذارید و از زیرنویس تولیدشده‌ی خود یوتیوب بی‌نیاز می‌شوید. برای بیننده هم مفید است، چون می‌تواند زبان را عوض کند. اگر چند زبان دارید، برای هر زبان یک فایل جدا بسازید.

فیلم و ویدیوی طولانی

برای فیلم یا آموزش طولانی از سافت‌ساب استفاده کنید. فایل SRT را با نام ویدیو و پسوند مناسب، مثلا نام فیلم و کد زبان، کنار ویدیو نگه دارید تا پخش‌کننده‌ها خودکار پیدایش کنند. اگر در حال ساخت ویدیو از صفر هستید، ابزارهای ساخت ویدیو با هوش مصنوعی را هم بررسی کنید.

زیرنویس چسبیده روی ویدیوی عمودی اینستاگرام و فیلم افقی
زیرنویس چسبیده روی تصویر در گوشی و صفحه‌ی بزرگ هر دو دیده می‌شود

ترجمه‌ی زیرنویس به فارسی

ترجمه‌ی زیرنویس با هوش مصنوعی ممکن است، به شرط اینکه زمان‌ها دست‌نخورده بمانند. فقط متن هر بلوک را ترجمه کنید و شماره و زمان را عوض نکنید. بهترین نتیجه وقتی می‌آید که پرامپت دقیق باشد و ترجمه را بلوک‌به‌بلوک، نه یک‌جا، انجام دهید.

پرامپت ترجمه با حفظ زمان

فایل SRT زیر انگلیسی است. فقط متن هر بلوک را به فارسی روان و محاوره‌ی مودبانه ترجمه کن. شماره‌ی بلوک‌ها و خط زمان را دقیقا همان‌طور که هست نگه دار. هر بلوک حداکثر دو خط باشد و هر خط حدود ۴۰ نویسه. نام‌های خاص را ترجمه نکن.

مناسب برای: فیلم‌ها و آموزش‌های خارجی. بعد از ترجمه، یک بار با صدای ویدیو مقایسه کنید؛ ترجمه‌ی ماشینی در اصطلاح‌ها و طنز بیشتر لغزش دارد.

ترجمه‌ی خطی یا آزاد

ترجمه‌ی خط‌به‌خط وفادارتر است ولی گاهی خشک می‌شود. ترجمه‌ی آزادتر روان‌تر است، اما ممکن است جمله‌ای طولانی‌تر از زمان خودش شود. برای زیرنویس، معمولا ترجمه‌ی کوتاه‌تر و روان‌تر بهتر است، چون بیننده فرصت کمی برای خواندن دارد. برای ابزارهای مخصوص ترجمه، فهرست بهترین هوش مصنوعی برای ترجمه را ببینید.

از زیرنویس تا دوبله

اگر ترجمه‌ی خوبی دارید، می‌شود از همان متن برای صدای فارسی استفاده کرد. در راهنمای دوبله با هوش مصنوعی این مسیر توضیح داده شده است. به یاد داشته باشید که صدای کسی را بدون اجازه‌اش تقلید نکنید.

مقایسه‌ی دقت ابزارهای زیرنویس خودکار روی یک نمونه‌ی فارسی

دقت ابزارهای زیرنویس به نوع صدا بستگی دارد، پس عددی که برای ویدیوی یک نفر درست است برای ویدیوی شما درست نیست. به‌جای اعتماد به درصدهای تبلیغاتی، بهتر است خودتان روی ویدیوی واقعی‌تان یک آزمون کوچک بگیرید. این کار ده دقیقه بیشتر وقت نمی‌گیرد.

آزمون ساده‌ی دقت

  1. یک بخش یک‌دقیقه‌ای از ویدیو را انتخاب کنید که صدایش شبیه کل ویدیو باشد. نتیجه: نمونه‌ای نماینده.
  2. همان یک دقیقه را خودتان با دقت تایپ کنید. نتیجه: متن مرجع.
  3. همان فایل را در هر ابزار بدهید و خروجی را ذخیره کنید. نتیجه: چند متن قابل مقایسه.
  4. تعداد کلمه‌های جایگزین‌شده، حذف‌شده و اضافه‌شده را نسبت به متن مرجع بشمارید. نتیجه: تعداد خطا برای هر ابزار.
  5. مجموع خطا را بر تعداد کلمه‌های متن مرجع تقسیم کنید. نتیجه: نرخ خطای کلمه (WER)؛ هر چه کمتر، بهتر.

برای مثال اگر متن مرجع صد کلمه دارد و در مجموع ده خطا شمردید، نرخ خطا ده درصد است. دقت باید این‌طور سنجیده شود، نه با نگاه کلی که «خوب بود».

معیارابزار آنلایناپ موبایلWhisperگفتار به متن + چت
زبان فارسیبسته به ابزاربسته به نسخهپشتیبانی می‌کندپشتیبانی می‌کند
سرعتبالابالابسته به سخت‌افزاربالا
غلط‌گیری بعدیدستیدستیدستیبا چت
خروجی SRTمعمولا داردمعمولا خودکارداردبا ویرایشگر
هزینهرایگان یا اشتراکیرایگان یا اشتراکیرایگان، با سخت‌افزار خودتانپیش از شروع در ابزار نشان داده می‌شود

نتیجه‌ی جدول: اینجا عدد دقت ننوشته‌ایم چون دقت به صدای شما بستگی دارد. با آزمون پنج‌مرحله‌ای بالا، برای ویدیوی خودتان عدد واقعی را در ده دقیقه به دست می‌آورید. در مقایسه‌ها، معمولا تفاوت اصلی در غلط‌های محاوره و اسم‌های خاص دیده می‌شود، نه در جمله‌های ساده.

خطاهای رایج زیرنویس خودکار و راه رفع آن‌ها

بیشتر مشکل‌های زیرنویس خودکار قابل رفع‌اند و علتشان مشخص است. جدول زیر رایج‌ترین‌هایشان را از ساده به سخت‌تر مرتب کرده است.

خطاعلت محتملراه رفع
حروف جدا از هم یا برعکسفونت یا ویرایشگر راست‌به‌چپ را پشتیبانی نمی‌کندفونت فارسی بگذارید یا در ویرایشگر دیگری وارد کنید
نقطه یا علامت سؤال اول خط می‌رودترتیب نمایش راست‌به‌چپعلامت را در جای درست بگذارید یا کاراکتر جهت‌دهی راست‌به‌چپ بعد از آخرین حرف اضافه کنید
علامت‌های عجیب به جای حروفکدگذاری فایل UTF-8 نیستفایل را با UTF-8 ذخیره کنید
زیرنویس دیر یا زود می‌آیدتأخیر ثابت یا بریده‌شدن ابتدای ویدیوهمه‌ی زمان‌ها را با یک مقدار جابه‌جا کنید
زمان کم‌کم عقب می‌افتدتفاوت نرخ فریم نسخه‌هاویدیوی اصلی را با فایل زیرنویس هم‌نسخه کنید
غلط‌های زیاد در متننویز، لهجه یا موسیقیپیش از تبدیل صدا را تمیز کنید و بخش‌های سخت را دستی بزنید
خط‌ها خیلی بلندندتقسیم نشده‌اندبا چت به خط‌های کوتاه بشکنید

نتیجه‌ی جدول: اگر مشکل فقط ظاهر است، سراغ فونت و کدگذاری بروید؛ اگر مشکل در معنا یا زمان است، سراغ متن و موج صدا بروید. هر دو را با یک نمونه‌ی ده‌ثانیه‌ای زود تشخیص می‌دهید.

اگر زیرنویس خودکار رایگان می‌خواهید

برای زیرنویس خودکار رایگان چند راه هست، ولی هر کدام قیدی دارد. Subtitle Edit و Whisper رایگان‌اند اما نصب و کمی صبر می‌خواهند. بعضی ابزارهای آنلاین و اپ‌ها بخش رایگان با سقف دقیقه یا واترمارک دارند و قیدشان را قبل از شروع بخوانید. اگر فقط متن یک ویدیوی کوتاه را می‌خواهید، ترکیب گفتار به متن و چت رایگان روزانه می‌تواند ارزان‌ترین شروع باشد.

اگر زیرنویس اتوماتیک فارسی را مدام باید اصلاح کنید

اگر زیرنویس اتوماتیک فارسی هر بار پر از غلط است، یک واژه‌نامه‌ی کوچک از نام‌ها و اصطلاح‌های ثابت کانالتان بسازید و هر بار در پرامپت به چت بدهید. با این کار نام برند و واژه‌های تخصصی همیشه یک شکل نوشته می‌شوند و کار اصلاح هر ویدیو کوتاه‌تر می‌شود.

اگر برای همان ویدیو صدای گوینده هم می‌سازید، راهنمای گویندگی فارسی با هوش مصنوعی نشان می‌دهد متن را چطور برای شنیدن آماده کنید.

بعد از ساخت صدا، برای ویدیو هم زیرنویس لازم می‌شود؛ درباره‌ی انتخاب صدا بخوانید: گوینده هوش مصنوعی برای ویدیو.

سؤالات متداول

زیرنویس خودکار فارسی رایگان هست؟

بله، تا حدی. بعضی راه‌ها مثل Subtitle Edit و Whisper رایگان‌اند، ولی نصب و تنظیم می‌خواهند. ابزارهای آنلاین و اپ‌ها معمولا بخش رایگان با سقف مدت یا قابلیت دارند. بهتر است پیش از شروع، محدودیت هر ابزار را بخوانید و ویدیوی کوتاه را اول امتحان کنید.

دقیق‌ترین ابزار زیرنویس خودکار فارسی کدام است؟

یک پاسخ ثابت وجود ندارد، چون دقت به صدا، لهجه و نویز بستگی دارد. بهترین کار این است که یک دقیقه از ویدیوی خودتان را به چند ابزار بدهید و نرخ خطای کلمه را محاسبه کنید. روش پنج‌مرحله‌ای آزمون در همین مقاله آمده است. هر چه صدا تمیزتر باشد، تفاوت بین ابزارها هم کمتر می‌شود.

چطور زیرنویس را روی ویدیو بچسبانم؟

با نرم‌افزار تدوین. در نرم‌افزار تدوین فایل SRT را وارد می‌کنید و موقع خروجی گرفتن زیرنویس را روی تصویر می‌سوزانید. اگر نمی‌خواهید زیرنویس سوخته شود، آن را سافت‌ساب ذخیره کنید تا بیننده بتواند خاموشش کند.

فایل SRT را چطور بسازم؟

متن را به بلوک‌های کوتاه تقسیم می‌کنید، برای هر بلوک شماره و زمان شروع و پایان می‌گذارید و فایل را با کدگذاری UTF-8 و پسوند srt ذخیره می‌کنید. ساده‌ترین راه، ویرایشگر رایگان Subtitle Edit است که بلوک‌ها را روی موج صدا می‌کشید و خودش فایل را می‌سازد. نمونه‌ی ساختار در همین مقاله آمده است.

زیرنویس خودکار لهجه‌ها را می‌فهمد؟

نه همیشه. گفتار کتابی و آرام را بهتر می‌فهمد و لهجه‌ی غلیظ، محاوره‌ی سریع و واژه‌های محلی را بیشتر اشتباه می‌نویسد. پاک‌کردن نویز، حرف‌زدن آرام‌تر و اصلاح بعدی با چت دقت را بالا می‌برد. اگر لهجه‌ی خاصی در ویدیو دارید، سراغ مرور دستی بروید.

زیرنویس زن خودکار چیست؟

«زیرنویس زن» عبارتی است که کاربران برای ابزار یا برنامه‌ای که زیرنویس تولید می‌کند به کار می‌برند. منظور همان برنامه‌ای است که به‌طور خودکار صدا را می‌شنود، متن را می‌سازد و روی ویدیو می‌گذارد. راه‌های ساخت آن را در بخش سه راه اصلی همین مقاله دیدید.

جمع‌بندی

زیرنویس خودکار فارسی چهار گام دارد: صدا را تمیز کنید، به متن تبدیل کنید، با چت غلط‌گیری و تقسیم کنید و در ویرایشگر زمان‌بندی کنید. بعد، بسته به مقصد، هاردساب یا سافت‌ساب بگیرید. هیچ ابزاری بی‌نیاز از وارسی نیست، پس بخشی از وقت را برای گوش‌دادن و اصلاح بگذارید. برای شروع، یک ویدیوی کوتاه را بردارید و کل مسیر را یک بار تا فایل SRT بروید؛ بعد از آن، برای ویدیوهای بلندتر هم همین روند را تکرار کنید. فهرست همه‌ی ابزارهای مرتبط را در ابزارهای هوش‌نو می‌بینید.

نویسنده نعیم حشم‌بان بنیان‌گذار و سردبیرِ هوش نو

نعیم حشم‌بان بنیان‌گذارِ هوش نو است و هر روز مدل‌های تازه‌ی هوش مصنوعی را امتحان می‌کند تا آموزش و بررسیِ ساده و دقیق به زبانِ فارسی بنویسد.