Субтитры для видео нейросетью: распознавание, тайминг и формат SRT

Короткий ответ: субтитры к ролику на 10 минут собираются за 10-20 минут. Речь в текст переводит нейросеть — бесплатно это делают YouTube Studio, CapCut и локальный Whisper, на чистой записи они ошибаются примерно в одном слове из двадцати. Руками остаётся вычитка имён, терминов и цифр и разбивка длинных реплик на строки до 42 знаков.

Из чего состоят субтитры: распознавание речи, разбивка на реплики и тайминг

Работа делится на три части, и нейросеть закрывает только первую.

1. Распознавание речи. Модель превращает звук в текст и ставит тайм-коды с точностью до десятых долей секунды. Десятиминутный ролик обрабатывается за 1-2 минуты.
2. Разбивка на реплики. Сплошной текст режется на куски по 1-7 секунд так, чтобы фраза не рвалась посередине. Автоматика режет по паузам, а паузы в живой речи стоят не там, где кончается мысль.
3. Вычитка и подгонка. Правятся имена, названия, цифры и знаки препинания, границы реплик сдвигаются под монтажные склейки.

Отсюда распределение времени: распознавание — 1-2 минуты, всё остальное — 8-15 минут. Выигрыш не в скорости распознавания, а в том, что текст не приходится набирать: печать часа речи с клавиатуры занимает 4-6 часов.

Чем сделать субтитры бесплатно: YouTube Studio, CapCut, Whisper и Subtitle Edit

У Whisper есть размеры моделей: маленькая работает на любом ноутбуке, но чаще путает окончания и термины, большая точнее и требует видеокарты. Практическое правило — для роликов с одним говорящим и чистым звуком хватает средней модели, для интервью и записей с шумом берут самую большую, какую тянет машина.

Чем SRT отличается от VTT и ASS: три формата и когда какой нужен

Внутри SRT всё устроено просто, и файл правится в блокноте.

Вшитые субтитры или отдельный файл: что принимает каждая площадка

• YouTube, горизонтальные ролики. Отдельный файл. Его текст индексируется поиском, зритель включает субтитры кнопкой, к одному ролику подключается несколько языков.
• Shorts, Reels, TikTok. Вшитые. Ленту листают без звука, и текст должен быть виден сразу, в вашем шрифте и в вашем месте кадра.
• Сайт и лендинг. Файл VTT рядом с видео. Плюс к доступности это ещё и текст на странице, который читают поисковые системы.
• Показ в зале, экран на стенде. Только вшитые: чужой ноутбук и чужой плеер подключить к вашему файлу не выйдет.
• Курс или вебинар в записи. Файл, если платформа его поддерживает: по нему делается поиск внутри урока.

Вшивать стоит в последнюю очередь. Пока субтитры лежат отдельным файлом, опечатку правят за десять секунд, после вшивания придётся пересобирать и перезаливать весь ролик.

Какие ошибки повторяются в русской расшифровке и как вычистить их за один проход

1. Имена и названия. Фамилии, названия компаний и городов коверкаются чаще всего, а именно они и несут смысл.
2. Термины и сокращения. УТП, ФСЗН, ЕРИП, СММ распознаются как случайные слова.
3. Цифры и суммы. Модель пишет то «тридцать два», то «32», и внутри одного ролика вперемешку.
4. Знаки препинания. Точки ставятся по паузам дыхания, а не по границам предложений.
5. Наложение реплик. Когда двое говорят одновременно, одна фраза просто пропадает.
6. Слова-паразиты. «Вот», «как бы», «короче» и повторы слов попадают в текст полностью и читаются тяжело.

Чистится это двумя приёмами. Первый — словарь-подсказка: в Whisper и в большинстве сервисов есть поле, куда до запуска вписывают 10-20 слов, которые встретятся в ролике — фамилии, бренды, термины. Второй — поиск и замена по готовому файлу: список типовых замен переиспользуется от ролика к ролику и экономит по 3-5 минут на каждом.

Как разбить текст на реплики: 42 знака в строке, две строки, 1-7 секунд

• Длина строки — до 42 знаков с пробелами. Для вертикального видео вдвое меньше: на узком экране длинная строка уезжает за края.
• Строк в реплике — максимум две. Три строки закрывают кадр и заставляют читать вместо того, чтобы смотреть.
• Время показа — от 1 до 7 секунд. Меньше секунды глаз не успевает, дольше семи зритель уже дочитал и висит на статичном тексте.
• Скорость чтения — около 15-17 знаков в секунду. Если реплика в 40 знаков висит секунду, её не прочитают.
• Границы переноса. Не разрывать предлог и слово, имя и фамилию, число и единицу измерения.
• Зазор между репликами — две-три десятых секунды, иначе текст мигает.
• Склейки. Реплика не должна перескакивать через монтажный стык, её обрезают по кадру.

В вертикальных роликах часто используют другой приём — слова появляются по одному или по два в такт речи. Это делается тем же файлом, только реплики нарезаны короче, а оформление задаётся в ASS или прямо в монтажной программе. Читается такой вариант легче, но на десятиминутный ролик это уже 400-600 реплик, и вычитка занимает вдвое больше.

Как перевести субтитры на английский или польский, не сломав тайминг

Готовый файл SRT отдают текстовой нейросети целиком с жёсткой инструкцией. Рабочая формулировка: «Переведи на английский только текстовые строки этого файла SRT. Номера реплик и тайм-коды не трогай, порядок блоков сохрани, пустые строки между блоками оставь. Строка не длиннее 42 знаков, в реплике не больше двух строк. Термины из списка переводи одинаково по всему файлу: [список из 10-15 терминов]. Ответ отдай одним файлом без пояснений».

Дальше две проверки. Первая — число блоков в исходнике и в переводе должно совпасть, это видно по последнему номеру. Вторая — длина строк: русский текст обычно на 10-20% длиннее английского, поэтому при переводе на русский строки надо ужимать, а при переводе с русского появляется запас. Английские субтитры к десятиминутному ролику проверяются за 5-7 минут, польские и литовские — дольше, там чаще ползут окончания.

Сколько стоит субтитрование часа видео в Беларуси и сколько занимает самому

Считать выгоду честнее не по одному ролику, а по потоку. Канал, который выкладывает восемь роликов в месяц, тратит на субтитры без нейросети примерно два рабочих дня, с нейросетью — три-четыре часа. Именно поэтому субтитры почти никогда не продаются отдельно: они входят в пакет по оформлению видео вместе с обложкой и нарезкой.

Где субтитры перестают быть мелкой правкой и становятся частью услуги по видео

Отдельная услуга «сделаю субтитры» стоит дёшево и заканчивается торгом за каждый рубль. Дороже стоит связка: расшифровка, субтитры, обложка, три вертикальные нарезки и текстовый пост из того же материала — за один заход по одной записи. Как собирать такие пакеты и сколько времени занимает каждый шаг, разбирается на странице курса для дизайнеров и видеомейкеров, а как встроить это в ведение соцсетей клиента — на странице для SMM-специалистов. Если непонятно, есть ли на такую работу спрос в вашем городе и с чего начать, для этого есть бесплатный разбор на 20-30 минут.

Частые вопросы

Как сделать субтитры к видео бесплатноЗагрузить ролик в YouTube Studio и через 10-60 минут скачать готовый файл SRT, собрать субтитры в CapCut прямо в проекте или запустить Whisper на своём компьютере. Все три способа бесплатны, вычитка текста в любом случае остаётся ручной.

Насколько точно нейросеть распознаёт русскую речьНа записи с петличкой в тихой комнате ошибка примерно одно слово из двадцати. На записи с телефона в кафе или при двух говорящих одновременно ошибок в три-пять раз больше, и вычитка занимает столько же, сколько сама расшифровка.

Чем SRT отличается от ASSSRT хранит только номер реплики, тайм-код и текст, оформление задаёт плеер или площадка. ASS хранит ещё шрифт, цвет, обводку и положение на экране, поэтому его берут, когда субтитры вшиваются в картинку с нужным видом.

Нужно ли вшивать субтитры в вертикальное видеоДа. Reels, Shorts и TikTok смотрят без звука, а собственные автотитры площадок включает не каждый зритель и выглядят они одинаково у всех. Вшитые субтитры видны всегда и оформляются под ваш канал.

Сколько стоит сделать субтитры к часу видео в БеларусиНа бирже субтитры к часу записи с вычиткой и таймингом стоят примерно от 100-150 BYN, к ролику на 10 минут - от 20-40 BYN. Перевод субтитров на другой язык считают отдельно, примерно от 15-35 BYN за 1800 знаков.