Słownik transkrypcji i napisów

Krótkie, praktyczne definicje pojęć, na które trafiasz, gdy transkrybujesz nagrania albo pracujesz z napisami — z przykładami i wyjaśnieniem, co każde z nich oznacza w praktyce.

Plik SRT: Plik SRT (SubRip Subtitle, .srt) to plik napisów w formacie zwykłego tekstu. Każdy napis to numerowany blok z czasem początku i końca oraz jedną lub dwiema liniami tekstu. Odtwarzacze i platformy wyświetlają tekst na wideo w tych momentach, a widz może napisy włączyć lub wyłączyć.
Plik VTT: Plik VTT (WebVTT, .vtt) to format napisów dla wideo w internecie. To zwykły tekst, jak SRT, ale zaczyna się od linii WEBVTT, zapisuje milisekundy po kropce i może zawierać style, pozycje oraz oznaczenia mówców, które rozumieją przeglądarki.
Napisy otwarte: Napisy otwarte (open captions) to napisy wypalone w samym wideo, jako część obrazu. Są zawsze widoczne, wyglądają tak samo w każdym odtwarzaczu i na każdej platformie i nie da się ich wyłączyć — w przeciwieństwie do napisów zamkniętych (closed captions), czyli osobnej ścieżki, którą widz może włączyć lub wyłączyć.
Napisy SDH: SDH (Subtitles for the Deaf and Hard of Hearing) to napisy dla osób niesłyszących i niedosłyszących. Oprócz dialogów podają, kto mówi poza kadrem, i opisują istotne dźwięki — [trzask drzwi], [wibruje telefon], [napięta muzyka] — tak, by wideo było zrozumiałe bez dźwięku. Serwisy streamingowe oznaczają je na przykład jako angielski [SDH].
Diaryzacja mówców: Diaryzacja mówców (speaker diarization) to etap rozpoznawania mowy, który ustala, kto mówił i kiedy. Dzieli nagranie na fragmenty według głosów i oznacza je jako Mówca 1, Mówca 2 itd., dzięki czemu transkrypcja wywiadu czy spotkania pokazuje wypowiedzi każdej osoby zamiast jednego bloku tekstu.
Transkrypcja dosłowna: Transkrypcja dosłowna (verbatim) zapisuje mowę dokładnie tak, jak została wypowiedziana: każde yyy i eee, powtórzone słowa, urwane początki zdań, zająknięcia, a często też dźwięki niewerbalne, takie jak [śmiech]. Jej przeciwieństwo, transkrypcja oczyszczona (clean verbatim), zachowuje słowa i sens wypowiedzi, ale usuwa wtrącenia i potknięcia, żeby tekst czytał się płynnie.
Kod czasowy: Kod czasowy (timecode) to oznaczenie każdej klatki wideo w zapisie godziny:minuty:sekundy:klatki — 01:02:03:12 to klatka 12 trzeciej sekundy. Montażyści używają go, by znaleźć ten sam moment w każdej kopii projektu. Pliki napisów zwykle liczą czas w milisekundach, i tu zaczynają się pomyłki.
Napisy wymuszone: Napisy wymuszone (forced subtitles) pojawiają się nawet wtedy, gdy widz wyłączył napisy. Obejmują tylko to, co widz znający język filmu i tak by przegapił: dialogi w innym języku, szyldy, listy i tekst na ekranie. Serwisy streamingowe nazywają je napisami forced narrative.
Zasady transkrypcji: Zasady transkrypcji (konwencje transkrypcji) to uzgodnione reguły zamiany mowy na tekst: jak oznaczać mówców, pauzy, nakładające się wypowiedzi, akcent, śmiech i słowa, których nie da się zrozumieć. Badanie lub projekt wybiera jeden zestaw zasad i stosuje go do każdej transkrypcji, żeby transkrypcje przygotowane przez różne osoby dało się porównywać.
Scenariusz do dubbingu: Scenariusz do dubbingu to przetłumaczone dialogi filmu lub wideo, przepisane tak, by każdą kwestię dało się wypowiedzieć w czasie, jaki oryginalna kwestia zajmuje na ekranie. Zawiera każdą kwestię z postacią, która ją mówi, oraz kodami czasowymi początku i końca. Zaadaptowany tekst czytają w studiu aktorzy albo głos AI.
Dubbing: Dubbing to zastąpienie mowy w filmie, serialu lub wideo nowo nagraną wypowiedzią, zwykle tłumaczeniem na inny język, tak by widzowie słyszeli historię we własnym języku zamiast czytać napisy. Nowe kwestie są zgrane z obrazem, a muzyka i efekty dźwiękowe oryginału zostają.
Lektor (voice-over): Lektor, czyli tłumaczenie w formie voice-over, to przetłumaczona wypowiedź nałożona na oryginalne audio, które pozostaje słyszalne ciszej pod spodem. W przeciwieństwie do dubbingu nie próbuje zastąpić oryginalnych głosów ani dopasować się do ruchu warg: widzowie słyszą, że tłumaczy ktoś inny.
Klonowanie głosu: Klonowanie głosu to tworzenie syntetycznego głosu, który brzmi jak konkretna, prawdziwa osoba, na podstawie nagrań jej mowy. Klon może potem wypowiadać nowe zdania, których ta osoba nigdy nie nagrała, także w innych językach – dzięki temu narzędzia do dubbingu zachowują w tłumaczeniu własny głos mówcy.