Субтитры, транскрипты и аудиоописание для обучения

Это инженерные рекомендации, а не юридическая консультация. Детали подтверждайте у профильных юристов.

Кратко

Чтобы учебное видео было доступным и удобным, к нему нужны три текстовых и звуковых дополнения: субтитры (речь и неречевые звуки на экране), транскрипт (то же самое в виде текстового документа) и аудиоописание, которое в российской практике называют тифлокомментированием (голосовое описание того важного, что видно, но не слышно). Хорошая новость для бюджета: это не три отдельных проекта. Один точный файл субтитров почти бесплатно даёт транскрипт, а если речь в видео сама описывает визуальные детали, большая часть расходов на аудиоописание отпадает ещё до начала работ. Первое серьёзное решение – закрытые или открытые субтитры. Закрытые лежат в отдельном файле: учащийся их включает, перекрашивает, переключает язык, а поисковики их индексируют. Открытые навсегда впечатаны в картинку. Почти для любого курса лучше закрытые. Черновик субтитров в России делают российские сервисы распознавания речи (Yandex SpeechKit, SaluteSpeech), видеохостинги с автосубтитрами (Kinescope, Yandex Cloud Video) или open-source Whisper на своих серверах, но соответствия стандарту добиваются только ручной правкой. А глухим учащимся, для которых русский жестовый язык – первый, субтитров бывает мало: нужен сурдоперевод, и плеер должен уметь его показывать. Ниже – что производить и каким критериям WCAG это отвечает, как устроен процесс, сколько он стоит и какие форматы выбрать.

Зачем это читать

Если вы создаёте или запускаете продукт с учебным видео, именно на субтитрах, транскриптах и аудиоописании доступность из принципа превращается в статью расходов – с ценой, процессом и форматом файла. При правильно выстроенном процессе одна расшифровка становится основой для субтитров, транскрипта, поиска по видео и переводных субтитров. При неправильном вы заплатите за одни и те же слова четырежды или выпустите «субтитры», которые не пройдут проверку и подведут глухого учащегося. Статья для директора по обучению, основателя EdTech-проекта, методиста или продакт-менеджера, который уже знает, что субтитры нужны, и теперь должен понять, что именно производить, насколько качественно, во что это обойдётся и что сказать инженеру. Это продолжение материала WCAG 2.1 AA и ГОСТ Р 52872-2019 для учебного видео, где разобраны нормы и проверка; здесь речь о том, как сделать результаты, которые эту проверку проходят.

Три результата, один источник текста

Прежде чем переходить к правилам и форматам, разведём три понятия: их постоянно путают, а от различий зависит, кому вы помогаете и сколько тратите.

Субтитры – текстовая версия всего, что есть в звуке: произнесённые слова, указание, кто их говорит, и значимые неречевые звуки («[аплодисменты]», «[сигнал ошибки]»). Они выводятся в плеере синхронно со звуком, чтобы тот, кто не слышит, получил всю информацию из аудио [1]. Транскрипт – те же слова в виде отдельного документа: его можно читать, искать по нему, пролистывать или вывести на брайлевский дисплей без всякого видео [2]. Аудиоописание (тифлокомментарий) работает в обратную сторону: это голосовое описание в паузах того важного, что можно только увидеть, – формулы на экране, диаграммы, на которую преподаватель молча указывает, текста, мелькнувшего без озвучивания. Так тот, кто не видит, всё равно получает эту информацию [3].

Всё это обходится недорого, потому что текст во многом общий. W3C, который разрабатывает стандарты веб-доступности, прямо говорит: в субтитрах и транскриптах один и тот же текст, поэтому одно можно получить из другого [1]. Точный файл субтитров почти бесплатно превращается в транскрипт, а если добавить краткое описание визуальных деталей, транскрипт станет описательным и пригодится слепоглухим учащимся [2]. Одна расшифровка даёт три результата: поэтому доступность, заложенная заранее, дешева, а доделанная в аврале – нет.

Нажмите, чтобы увеличить

Пара слов о номерах правил, которые встретятся дальше. Под «доступностью» обычно понимают соответствие Web Content Accessibility Guidelines (WCAG) – своду правил, который ведёт W3C. Отдельные правила называются критериями успеха, и у каждого есть уровень: A (минимум), AA (целевой) или AAA (желательный) [4]. В России на WCAG 2.1 построен национальный ГОСТ Р 52872-2019 с теми же уровнями [5]. Правила для учебного видео собраны в разделе 1.2 «Медиа, привязанные ко времени»; полная карта норм – в статье про WCAG и ГОСТ.

Субтитры для глухих – это не переводные субтитры

Сначала одно различие, на котором спотыкаются команды, работающие с несколькими языками. Субтитры для глухих и слабослышащих (captions) предполагают, что вы не слышите звук, поэтому включают метки говорящих и неречевые звуки. Переводные субтитры (subtitles) предполагают, что вы слышите, но не понимаете язык, поэтому переводят реплики и обычно опускают стук двери и «[вздыхает]» [1]. W3C упоминает, что в некоторых странах первые называют внутриязыковыми (intralingual), а вторые – межъязыковыми (interlingual) [1]. Субтитры для глухих – средство доступности, переводные сами по себе – нет. Курсу для глухих учащихся на русском нужны русские субтитры с метками говорящих; курсу для слышащих иностранных студентов – переводные, например английские; курсу для обоих – и то, и другое. Перевод – тема статей Автоматический перевод и многоязычные курсы и Многоязычная доставка учебного видео в больших масштабах; здесь говорим только о доступности.

Закрытые и открытые субтитры: первое настоящее решение

Субтитры бывают закрытыми или открытыми, и ошибка в выборе обходится дорого. Закрытые субтитры лежат в отдельном файле рядом с видео, и плеер накладывает их по запросу – поэтому у учащегося есть кнопка «CC», которой он их включает и выключает [1]. Открытые субтитры впечатаны в саму картинку: при экспорте они превращаются в пиксели, поэтому всегда видны, одинаковы для всех и не выключаются [1]. Слова те же, разница в том, остаётся текст данными или становится частью изображения.

Для обучающей платформы почти всегда лучше закрытые:

• Учащийся ими управляет. Включить или выключить, увеличить или уменьшить, переместить, перекрасить – закрытые субтитры подстраиваются под зрителя, открытые зафиксированы навсегда.
• Одно видео, много языков. К видео с закрытыми субтитрами можно приложить сразу русскую, английскую и описательную дорожки, и учащийся выберет нужную. Открытые впечатывают в картинку один язык, так что второй язык – это второй экспорт.
• Их читают поиск и учебные инструменты. Закрытые субтитры – настоящий текст: платформа индексирует их для поиска по видео, строит на них интерактивный транскрипт и ИИ-конспекты, их видят поисковики. Открытые субтитры – пиксели, их не прочитает ни одна программа.
• Правки дёшевы. Чтобы исправить опечатку или неверный термин в закрытых субтитрах, достаточно заменить маленький текстовый файл. В открытых придётся заново рендерить и загружать всё видео.

У открытых субтитров своя, узкая ниша: когда плеер или площадка не покажет отдельную дорожку надёжно или когда нужно гарантировать, что текст будет виден где угодно. Типичные случаи – ролики для соцсетей, скачанный файл, который откроют в неизвестном плеере, или старая корпоративная LMS, которая игнорирует дорожки субтитров. Отсюда правило: по умолчанию – закрытые субтитры для всего внутри платформы, открытые – только когда плееру нельзя доверить вывод дорожки. Некоторые платформы подстраховываются: хранят закрытые субтитры и для редких случаев предлагают экспорт с впечатанными субтитрами в один клик.

Нажмите, чтобы увеличить

Форматы файлов субтитров: WebVTT, SRT, TTML/IMSC

Для закрытых субтитров инженер спросит, в каком формате делать файл. Значимых форматов немного, и выбор зависит в основном от того, где воспроизводится видео.

Самый распространённый формат в вебе – WebVTT (Web Video Text Tracks). Это простой текстовый формат, который браузеры понимают сами через HTML5-элемент <track>; он поддерживает голоса говорящих, позиционирование и стили [1][6]. Старый универсальный формат – SRT (SubRip): его поддерживает почти любой инструмент и плеер, но кроме тайминга и текста он почти ничего не умеет – ни позиционирования, ни толком стилей [7]. Формат уровня вещания и стриминга – TTML и его профиль IMSC (Timed Text Markup Language / Internet Media Subtitles and Captions): XML-формат, ставший стандартом OTT-индустрии; именно IMSC передаётся внутри сегментов CMAF [6][7]. Встроенные вещательные субтитры (CEA-608/708, DVB-субтитры, телетекст) встречаются в основном при работе с телевизионным контентом.

Для большинства курсов ответ короткий: готовьте и храните субтитры в WebVTT, SRT держите для обмена, а конвертацию в IMSC оставьте стриминговому слою, если доставляете видео через адаптивный стриминг. W3C отмечает, что в WebVTT можно хранить и текст аудиоописания на отдельной дорожке [3]. Как эти дорожки упаковываются и доставляются вместе с видео, разобрано в статье Фора Софт Субтитры и мульти-аудио: WebVTT и IMSC.

Насколько точными должны быть субтитры? Порог 99%

«У нас есть субтитры» и «у нас есть качественные субтитры» – разные утверждения, и проверка заказчика разницу найдёт. Планку качества вы задаёте сами – в договоре с подрядчиком и при приёмке или в собственном процессе, – и задавать её нужно числом. Рабочий ориентир – точность 99%: на 1 500 слов это не более 15 ошибок, считая орфографию, пунктуацию, термины и метки говорящих. Пример: в лекции 7 000 слов, ошибок 70 – значит, верных слов 6 930; 6 930 ÷ 7 000 = 0,99, или 99%. Для внимательного рецензента это минимум, а не амбициозная цель.

При приёмке стоит проверять четыре параметра: точность, синхронность, полнота и размещение. Субтитры должны быть верными, идти в такт со звуком [1], охватывать всё от начала до конца, включая каждого говорящего, и не закрывать важное на экране – для этого есть средства позиционирования и стилей [1]. Для курса это значит: каждое слово верно, говорящие подписаны, стук в дверь и сигнал ошибки отмечены, строки не закрывают слайд, а тайминг позволяет успевать читать.

Планка нужна прежде всего из-за сырых автоматических субтитров. Распознавание речи даёт черновик, а не готовую дорожку, и W3C прямо пишет, что автосубтитров недостаточно, если их точность не подтверждена [1]. В его примере из кулинарного видео произнесённое «жарьте 4–5 минут» в автосубтитрах превращается в «жарьте 45 минут», а пропущенное «не» переворачивает смысл инструкции про духовку [1]. На терминах, именах и акцентах – а из них и состоят корпоративные и академические курсы – ошибок ещё больше. Автосубтитры – начало процесса, а не результат; соответствия добиваются правкой. Как ИИ готовит этот черновик, разобрано в статье Автоматические субтитры для учебного видео.

Транскрипт, который у вас почти готов

Здесь вложения в субтитры начинают окупаться: с точным файлом субтитров транскрипт почти готов. Базовый транскрипт – речь и неречевые звуки в виде простого текстового документа; слова в нём те же, что в субтитрах, поэтому большинство инструментов экспортирует его в один клик [2]. Он закрывает требование уровня A для аудиоуроков (1.2.1) и пригодится всем, кто предпочитает читать, а не слушать, в том числе учащимся с медленным интернетом, которые вовсе не смотрят видео [2].

Описательный транскрипт идёт на шаг дальше: в нём есть и важная визуальная информация – текст на экране, диаграмма, демонстрация без слов, – так что читатель, который не видит и не слышит видео, всё равно получает всё [2]. W3C показывает его в виде таблицы из двух колонок, звук в одной, изображение в другой, и отмечает, что его легко и недорого сделать из готовых субтитров и аудиоописания [2]. Сделайте субтитры, напишите описание – и описательный транскрипт соберётся из уже готовых материалов. Он полезен самому широкому кругу учащихся, а как медиаальтернатива уровня A может заменить отдельное аудиоописание для записанного видео [3].

Транскрипты окупаются и за пределами доступности. После индексации по ним работает поиск внутри видео, и учащийся может сразу перейти к моменту, где вводится термин. А интерактивный транскрипт рядом с плеером подсвечивает каждую фразу по мере произнесения и позволяет кликнуть на любую строку, чтобы перейти к ней, – пассивное видео превращается в материал, по которому удобно перемещаться и учиться [1][2]. Эта навигация – тема статьи Главы, транскрипты и поиск внутри видео.

Аудиоописание: когда нужно и как получить дешевле всего

Аудиоописания команды боятся: кажется, что для каждого видео придётся нанимать диктора. Обычно это не так. Вопрос узкий: есть ли в картинке информация, которой нет в звуке? Если в видео просто говорит человек и ничего важного молча не показывают, описание не нужно вовсе [3]. Оно требуется, только когда что-то значимое передаётся лишь изображением: непроговорённая формула, диаграмма, на которую указывает преподаватель, шаг, выполненный без слов, текст, появившийся без озвучивания.

WCAG поднимает планку в три ступени. На уровне A критерий 1.2.3 разрешает обойтись либо аудиоописанием, либо описательным транскриптом [3]. На уровне AA критерий 1.2.5 требует настоящего аудиоописания: голосового описания ключевых визуальных деталей в естественных паузах речи [3]. На уровне AAA критерий 1.2.7 добавляет расширенное аудиоописание для очень насыщенного визуально контента: если паузы слишком коротки, плеер ненадолго останавливает видео, чтобы вместить описание подлиннее, а затем продолжает [3]. Большинство курсов ориентируется на AA, поэтому главный здесь – 1.2.5.

W3C описывает четыре способа сделать описание, и по стоимости они сильно различаются [3]:

• Встроенное описание – текст изначально написан так, что описывает происходящее на экране («в левой верхней ячейке формула возвращает 42»). По оценке W3C, для большинства обучающих видео это обычно лучший вариант, и доплачивать за него не нужно: отдельная дорожка не требуется [3].
• Текстовое описание – описание с тайм-кодами в файле (опять же WebVTT), которое плеер или вспомогательные технологии озвучивают в паузах [3].
• Отдельная аудиодорожка – записанное описание, подмешанное в паузы с приглушением основного звука (так называемый ducking) [3].
• Отдельная версия видео с описанием – второй монтаж со встроенным описанием для контента, где иначе описание не уместить; самый дорогой вариант [3].

Главное для автора курса – то же, что и во всей статье: о доступности нужно думать до записи. Попросите преподавателей проговаривать то, что они показывают, и дорогой результат превратится в обычное хорошее преподавание. Как отмечает W3C, если о доступности подумать до съёмки, затраты и усилия заметно сокращаются [3].

Нажмите, чтобы увеличить

Сурдоперевод: когда субтитров мало

Есть и четвёртый результат, о котором англоязычные руководства обычно молчат, а российскому вузу забывать о нём нельзя. Для многих глухих людей первый язык – русский жестовый, а письменный русский – второй; 181-ФЗ признаёт русский жестовый язык языком общения при нарушениях слуха и речи [10], а 273-ФЗ прямо называет услуги сурдопереводчика среди специальных условий обучения лиц с ОВЗ [9]. В WCAG сурдоперевод записанного видео – критерий 1.2.6 уровня AAA [8]: он выходит за рамки обычной цели, но если у вас учатся глухие студенты, это не экзотика.

С инженерной точки зрения сурдоперевод – вторая синхронная видеодорожка, и обращаться с ней стоит так же, как с закрытыми субтитрами. В записанном курсе снимайте переводчика отдельно и показывайте его в переключаемом окне поверх плеера, привязанном к общей временной шкале, а не впечатывайте в каждое видео: тогда окно можно включить, переместить, увеличить или заменить без повторного рендера лекции. На живом занятии закрепите плитку переводчика в раскладке у всех, кому она нужна, и не давайте адаптивному битрейту превратить её в размытое пятно: руки и лицо переводчика – это и есть содержание, поэтому для его потока держите старший слой simulcast. В записи занятия раскладка с переводчиком должна сохраниться.

Производственный процесс и его стоимость

Процесс – один основной поток с ответвлениями. Сначала расшифровка: автоматическое распознавание речи быстро даёт первый черновик. В России для этого есть Yandex SpeechKit, в том числе в варианте для развёртывания в собственном контуре [11], SaluteSpeech от Сбера и open-source модели вроде Whisper на своих серверах; видеохостинги Kinescope и Yandex Cloud Video умеют делать автосубтитры сами [12][13]. Если в записи звучат голоса и имена учащихся – например, это запись живого занятия, – это персональные данные, и отправлять её в зарубежный облачный сервис распознавания нельзя: операции с ПДн граждан РФ с использованием баз данных за пределами РФ не допускаются [14].

Затем правка черновика до порога 99%: исправить термины, добавить метки говорящих, отметить неречевые звуки, настроить переносы и тайминг. Именно эта ручная работа превращает черновик в файл субтитров, соответствующий стандарту [1]. Потом проверка качества по точности, синхронности, полноте и размещению. И наконец публикация и повторное использование: готовый файл становится WebVTT-дорожкой в плеере, экспортируется в транскрипт, служит основой для переводных субтитров и поискового индекса [1][2]. Аудиоописание и сурдоперевод идут параллельно; аудиоописание для большинства курсов уже решено на этапе сценария.

Нажмите, чтобы увеличить

Теперь расчёт для реалистичного курса на 40 часов. Профессиональные субтитры, выверенные человеком, стоят ориентировочно 85–260 ₽ за минуту (пересчёт рыночных ставок по курсу; сверяйте с прайсом подрядчика). Считаем:

• 40 часов × 60 = 2 400 минут видео.
• 2 400 минут × 130 ₽ (усреднённая ставка) = 312 000 ₽ за субтитры, соответствующие стандарту, на весь курс.

Транскрипт – почти бесплатный экспорт из этих файлов, так что второй результат добавляет около 0 ₽ [2]. Аудиоописание – величина переменная. Если заказывать его как отдельную начитанную дорожку, стандартное описание обойдётся ориентировочно в 1 300–2 600 ₽ за минуту того видео, где оно нужно: если неописанные визуальные детали есть в 10% из 2 400 минут, это 240 × 1 700 ₽ = 408 000 ₽. Если же речь сама описывает визуальные детали, эта статья расходов стремится к 0 ₽ [3]. Итог: тот же курс стоит около 720 000 ₽, если описание заказывать, или около 312 000 ₽ (субтитры плюс бесплатный транскрипт), если преподаватели проговаривают то, что показывают. Сурдоперевод считайте отдельно: это работа переводчика и съёмка, а не правка текста. Дешевле всего доступность, заложенная заранее; дороже всего – доделанная в аврале, по срочным ставкам на всю библиотеку, когда на курс уже зачислен глухой студент. Версия этого расчёта для всей платформы – в статье Модель стоимости платформы обучения.

Есть и выгода, которую не видно, если думать только о соответствии. Обзор более чем ста эмпирических исследований показывает, что субтитры улучшают понимание видео, внимание к нему и запоминание, особенно у тех, кто смотрит на неродном языке [15]. Файл субтитров, сделанный для одного глухого учащегося, пригодится для поиска, переводных субтитров, ИИ-конспектов и просмотра без звука. Так что эти расходы редко идут только на доступность.

Частые ошибки

Эти ошибки всплывают на проверках и стоят сделок.

Выпускать сырые автосубтитры как соответствующие стандарту. Ошибка «4–5 минут / 45 минут» вполне реальна: распознавание искажает смысл именно на той технической лексике, из которой состоят курсы [1]. Автосубтитры хостинга или сервиса распознавания – черновик для правки, а не готовая дорожка.

Выбрать открытые субтитры, которые потом придётся менять. Впечатанные субтитры нельзя переключить, перевести, перекрасить, найти по ним что-то или исправить без повторного рендера всего видео. Команды выбирают открытые ради одного быстрого результата, а потом расплачиваются за все эти ограничения [1].

Путать субтитры для глухих и переводные. Переводные субтитры – не средство доступности: английская дорожка не делает русский курс доступным глухому русскоязычному учащемуся, которому нужны русские субтитры с метками говорящих и звуковыми пометами [1].

Не пользоваться бесплатным транскриптом. Многие команды старательно делают субтитры, но так и не экспортируют транскрипт, упуская результат уровня A, поисковый индекс и интерактивный транскрипт, которые при готовых субтитрах почти ничего не стоят [2].

Считать аудиоописание обязательной статьёй расходов. Большинству обучающих видео отдельное описание почти или совсем не нужно, если речь написана с учётом визуального ряда; закладывать диктора на каждое видео там, где хватило бы встроенного описания, – деньги на ветер [3].

Впечатывать сурдопереводчика в видео. Окно переводчика, вшитое в картинку, нельзя выключить, увеличить или заменить; держите его отдельной синхронной дорожкой.

Сделать субтитры к библиотеке и забыть про живые занятия. Субтитры к записям закрывают 1.2.2 (уровень A), а для живого вебинара или виртуального класса нужны субтитры в реальном времени по 1.2.4 (уровень AA). Это отдельный процесс: потоковое распознавание с редактором или стенографист в реальном времени; см. статью Виртуальный класс: что это и чем он отличается от встречи [1].

Где здесь Фора Софт

Фора Софт с 2005 года разрабатывает ПО для видеостриминга, видеосвязи на WebRTC и интерактивных плееров. В обучающих продуктах самое трудное в субтитрах, транскриптах и аудиоописании – редко сам текст, чаще конвейер и плеер, которые его доставляют. Выбор между разработкой и покупкой здесь вполне конкретен: готовый плеер бесплатно даёт WebVTT-дорожку и кнопку «CC», но почти не даёт управлять тем, как устроено обучение. Собственный плеер позволяет встроить интерактивный транскрипт, поиск по видео, переключение языковых дорожек, дорожки описания и окно сурдоперевода, но сделать всё это доступным – уже ваша задача. Мы помогаем командам определиться с этим выбором, затем строим процесс подготовки субтитров и транскриптов (на российских сервисах распознавания или on-prem) и плеер так, чтобы результат проходил проверку и работал как учебный инструмент, а не дорабатывался после запуска. Такие же медиаконвейеры мы делаем в продуктах для видеоконференций, OTT и телемедицины.

Главное

• У субтитров, транскрипта и описания общий текст: один файл субтитров почти бесплатно даёт транскрипт.
• По умолчанию – закрытые субтитры: их можно переключать, переводить, перекрашивать, по ним работает поиск. Открытые – просто пиксели в кадре.
• Готовьте в WebVTT, держите SRT для обмена, конвертируйте в IMSC для массового адаптивного стриминга.
• Планка – ~99% точности плюс синхронность, полнота и размещение; сырые автосубтитры её обычно не проходят.
• Черновик – российский сервис распознавания или on-prem; записи с голосами учащихся не отправляйте за рубеж.
• Большинству обучающих видео отдельное аудиоописание не нужно, если речь написана с учётом визуального ряда; сурдоперевод – отдельная синхронная дорожка.
• Закладывайте субтитры заранее (ориентировочно 85–260 ₽/мин): так дешевле, чем аварийная доработка.

Что читать дальше

• WCAG 2.1 AA и ГОСТ Р 52872-2019 для учебного видео
• Автоматические субтитры для учебного видео
• Главы, транскрипты и поиск внутри видео