बड़े पैमाने पर बहुभाषी वीडियो डबिंग के लिए Inside Descript का इंजीनियरिंग दृष्टिकोण
डिस्क्रिप्ट ने OpenAI रीजनिंग मॉडल्स को अपने AI एडिटिंग सूट के साथ जोड़कर एक बड़े पैमाने पर बहुभाषी डबिंग पाइपलाइन का निर्माण किया। पारंपरिक अनुवाद के विपरीत, तर्क मॉडल समय, स्वर और अर्थ में संतुलन रखते हैं, स्थानीयकृत ऑडियो का उत्पादन करते हैं जो मूल भाषण गति से मेल खाता है और मुहावरे, हास्य और इरादे को संरक्षित करता है - विशाल वीडियो पुस्तकालयों के स्वचालित स्थानीयकरण की अनुमति देता है जिन्हें कभी पेशेवर अनुवादकों और आवाज अभिनेताओं की आवश्यकता होती थी।
वीडियो और ऑडियो सामग्री के बड़े पुस्तकालयों पर बैठने वाली टीमों के लिए, अन्य भाषाओं में सब कुछ अनुवाद करना हमेशा असंभव लगता है। डबिंग केवल शब्दों का आदान-प्रदान नहीं है समय, स्वर और अर्थ सभी को यात्रा से बचना होगा। लोकप्रिय एआई संचालित संपादन सूट के पीछे की कंपनी डिस्क्रिप्ट ने OpenAI के रीजनिंग मॉडलों को अपनी स्वयं की डुबिंग पाइपलाइन के साथ जोड़कर इस चुनौती का सामना किया। परिणामः समय या अर्थ खोए बिना विशाल सामग्री लाइब्रेरी का स्वचालित स्थानीयकरण। इस लेख में, हम यह देखेंगे कि डेस्क्रिप्ट क्या बनाती है, क्यों तर्क मॉडल ने अंतर बनाया, और वैश्विक दर्शकों के लिए किसी भी सामग्री का उत्पादन करने वाले व्यक्ति के लिए इसका क्या मतलब है।
अनुवाद की अपेक्षा स्थानीयकरण अधिक कठिन क्यों है?
यदि आपने कभी कोई खराब डब किया गया वीडियो देखा है, तो आप पहले से ही समस्या को समझते हैं। एक शाब्दिक अनुवाद शब्द-दर-शब्द सटीक हो सकता है, लेकिन यह मूल वक्ता के विराम के लिए बहुत लंबा चल सकता है , एक मजाक को बकवास में समतल कर देता है, या पल की भावनात्मक रजिस्टर को याद करता है।
डेस्क्रिप्ट जैसी कंपनी के लिए, जो पाठ संपादन की तरह ही आसानी से ऑडियो और वीडियो को संपादित करने में मदद करती है, यह बहुत मायने रखता है। उनके उपयोगकर्ता एकल पॉडकास्टरों से लेकर प्रशिक्षण वीडियो, उत्पाद प्रदर्शनियों और विपणन सामग्री को पंप करने वाले उद्यमों तक हैं। जब वे उपयोगकर्ता स्पेनिश, जापानी, जर्मन या उससे आगे के दर्शकों तक पहुंचना चाहते थे, तो सरल मशीन अनुवाद इसे काटने वाला नहीं था। स्थानीयकृत सामग्री की आवश्यकता थीः
- मूल समय समायोजित करें, तो dubbed भाषण स्क्रीन पर कार्रवाई के साथ लाइनों
- अर्थ और इरादे को संरक्षित करें, केवल शब्दावली नहीं
- ध्वनि प्राकृतिक, मानो वक्ता ने मूल रूप से लक्ष्य भाषा में पंक्ति दी थी
इसे मैन्युअल रूप से करना, पंक्ति दर पंक्ति हजारों वीडियो के लिए बहुत महंगा और धीमा है. यह वह अंतराल है जिसे डेस्क्रिप्ट ने बंद करने का इरादा किया था।
जहां ओपनएआई रीजनिंग मॉडल आते हैं
डेस्क्रिप्ट की टीम ने ओपेनएआई के तर्क मॉडल का सहारा लिया मॉडलों के परिवार को उत्तर देने से पहले जटिल समस्याओं के माध्यम से काम करने के लिए डिज़ाइन किया गया है, न कि केवल अगले संभावित शब्द की भविष्यवाणी करना। यह अंतर डबिंग के लिए मायने रखता है।
पारंपरिक अनुवाद मॉडल स्रोत पाठ के प्रत्यक्ष प्रतिपादन का उत्पादन करते हैं। इसके विपरीत, तर्कशील मॉडल एक साथ कई बाधाओं को ध्यान में रख सकते हैं और उन सभी को संतुष्ट करने वाले समाधान की ओर काम कर सकते हैं। डबिंग संदर्भ में, इसका मतलब है कि मॉडल सिर्फ एक वाक्य का अनुवाद नहीं कर रहा है यह उपलब्ध बोलने के समय, वक्ता के स्वर, आसपास के वाक्यों के संदर्भ और लक्ष्य भाषा के प्राकृतिक वाक्यांशों के खिलाफ अनुवादित पंक्ति की लंबाई को जोड़ता है।
पहले अनुवाद को स्वीकार करने के बजाय, मॉडल विकल्पों पर विचार कर सकता है, उन्हें बाधाओं के खिलाफ जांच सकता है और आउटपुट को परिष्कृत करता है। डिस्क्रिप्ट के लिए व्यावहारिक परिणाम स्थानीय स्क्रिप्ट था जो पारंपरिक दृष्टिकोण की तुलना में मूल प्रदर्शन की लय से कहीं अधिक विश्वसनीय रूप से फिट होते हैं।
समय और अर्थ: दो चीज़ें जिन्हें जीवित रहना था
डेस्क्रिप्ट के दृष्टिकोण ने दो प्राथमिकताओं को सामने और केंद्र में रखा।
समय। डब किए गए ऑडियो को मूल के ताल से मेल खाना चाहिए। यदि कोई वक्ता अंग्रेजी में दो सेकंड के लिए रुकता है, तो स्थानीयकृत संस्करण को उस धड़कन को भरने के लिए कुछ यथार्थवादी की आवश्यकता होती है। तर्क मॉडल ने अनुवादों का उत्पादन करने में मदद की जिसकी लंबाई मूल भाषण के करीब रही, जिसने बदले में स्वचालित डुबिंग 89 जहां AI लक्ष्य भाषा में एक आवाज उत्पन्न करता है बहुत कम स्टिल्ट ध्वनि बनाई।
अर्थ। मुहावरे, हास्य और सांस्कृतिक संदर्भ वे हैं जहां भोले अनुवाद अलग हो जाते हैं। एक वाक्यांश जो अंग्रेजी में काम करता है वह पुर्तगाली में शाब्दिक रूप से अनुवादित होने पर भ्रामक हो सकता है। क्योंकि तर्क मॉडल संदर्भ और इरादे का वजन कर सकते थे, इसलिए विवरण सामग्री को स्थानीयकृत कर सकता था ताकि यह भूमि जिस तरह से रचनाकार का इरादा था, न कि केवल एक ही तथ्यों को संप्रेषित करना।
दोनों को एक साथ हल करके, डिस्क्रिप्ट ने कुछ अनलॉक किया जिसे पहले पेशेवर अनुवादकों और आवाज अभिनेताओं की टीमों की आवश्यकता थी: स्थानीयकरण जो स्केल करता है।
सामग्री रचनाकारों के लिए इसका क्या अर्थ है
यहाँ बड़ी कहानी एक कंपनी की इंजीनियरिंग जीत से परे है. यह सामग्री उत्पादन कहाँ जा रहा है का एक पूर्वावलोकन है।
रचनाकारों और व्यवसायों के लिए, वैश्विक होने का अर्थशास्त्र नाटकीय रूप से स्थानांतरित हो गया है। एक प्रशिक्षण पुस्तकालय, पॉडकास्ट संग्रह या YouTube बैक कैटलॉग जो कभी केवल अंग्रेजी बोलने वालों तक पहुंच सकता था अब पारंपरिक लागत और टर्नअराउंड समय के एक अंश के साथ कई भाषाओं में स्थानीयकृत किया जा सकता है। यह नए दर्शकों, नए राजस्व और किसी भी आकार की टीमों की नई पहुंच खोलता है।
यह AI उपकरणों के निर्माण में एक व्यापक पैटर्न का भी संकेत देता है। केवल पाठ उत्पन्न करने के लिए बड़े भाषा मॉडल का उपयोग करने के बजाय, कंपनियां विशेष पाइपलाइनों के अंदर "सोचने वाली परत" के रूप में तर्क मॉडलों का तेजी से उपयोग कर रही हैं निर्णय कॉल को संभालना जो मानव विशेषज्ञों की आवश्यकता होती थी, जबकि अधिक पारंपरिक उपकरण यांत्रिक चरणों को संभालते थे। डिस्क्रिप्ट का स्थानीयकरण वर्कफ़्लो एक अच्छा उदाहरण हैः तर्क मॉडल कठिन अनुवाद निर्णय लेता है, जबकि बाकी सिस्टम आवाज पीढ़ी, ऑडियो सिंक्रनाइज़ेशन और वितरण को संचालित करता है।
ध्यान रखने योग्य बातें
इस उदाहरण से प्रेरित किसी भी व्यक्ति के लिए कुछ सावधानियां ध्यान देने योग्य हैंः
- गुणवत्ता अभी भी भाषा जोड़ी के अनुसार भिन्न होती है। स्वचालित स्थानीयकरण व्यापक रूप से समर्थित भाषाओं के बीच सबसे अच्छा काम करता है; कम आम भाषाएं कमजोर परिणाम देख सकती हैं।
- मानव समीक्षा मूल्यवान बनी हुई है। ब्रांड-महत्वपूर्ण या संवेदनशील सामग्री के लिए, प्रकाशन से पहले एक देशी भाषी स्पॉट चेक अभी भी एक स्मार्ट कदम है।
- तर्कसंगत मॉडल गुणवत्ता के लिए गति का व्यापार करते हैं। क्योंकि वे उत्तर देने से पहले सोचते हैं, वे मानक मॉडल की तुलना में धीमे और अधिक महंगे हो सकते हैं - एक व्यापार जो बैच स्थानीयकरण के लिए समझ में आता है लेकिन वास्तविक समय उपयोग के लिए नहीं।
ले जाने के लिए
डेस्क्रिप्ट के काम से पता चलता है कि रीजनिंग मॉडल सिर्फ गणित की पहेलियों को हल करने के लिए एक जिज्ञासा नहीं हैं वे वास्तविक उत्पादन वर्कफ़्लो के लिए व्यावहारिक इंजन हैं जहां कई बाधाओं को एक साथ संतुलित किया जाना चाहिए। अपनी डबिंग तकनीक के साथ OpenAI की तर्क क्षमताओं को जोड़कर, Descript ने स्वचालित रूप से संपूर्ण सामग्री पुस्तकालयों का स्थानीयकरण करना संभव बना दिया, समय और अर्थ को संरक्षित करते हुए जो पहले स्थान पर देखने लायक सामग्री बनाते हैं। अंतरराष्ट्रीय दर्शकों को देखते हुए रचनाकारों के लिए, प्रवेश की बाधा कभी कम नहीं रही है।
Comments (0)