Автоматические субтитры для учебного видео

Кратко

Автоматические субтитры – текстовая версия речи в видео, которую создаёт программа распознавания речи, а не набирает человек. Для учебного видео они важны дважды: это основа доступности и заметная помощь в обучении. Проблема в точности: сырые машинные субтитры дают примерно 60–95% правильных слов, а ориентир для доступности – 99%, поэтому «автоматически» означает черновик, а не готовые субтитры. В статье разберём, как делаются субтитры, почему без проверки человеком не обойтись, сколько на самом деле стоит работа (с расчётом), какой формат файла выбрать и как узнать, включают ли учащиеся субтитры вообще. Отдельно поговорим о выборе между подрядчиком и собственным конвейером: как субтитровать библиотеку курсов без «мусорных субтитров», которые не помогают учащимся и не проходят проверку на доступность.

Почему это важно

Если вы отвечаете за обучение и развитие персонала, строите каталог курсов или руководите обучающим продуктом, субтитры уже нельзя откладывать на потом. Национальный стандарт доступности ГОСТ Р 52872-2019 построен на Web Content Accessibility Guidelines и требует субтитров для видео, закон об образовании обязывает создавать специальные условия для учащихся с ОВЗ, а заказчик, который вписал требования доступности в техническое задание, при приёмке проверит именно субтитры. Кроме того, субтитры включают и те, кто прекрасно слышит: три четверти студентов, которые ими пользуются, делают это, чтобы лучше сосредоточиться и запомнить материал. Так субтитры незаметно повышают завершаемость и понимание по всей аудитории. В статье – реальная картина точности, расчёт затрат и нужные стандарты: этого хватит, чтобы решить, как субтитровать курсы в больших объёмах, и поставить задачу инженерам и методистам, не полагаясь на демо вендоров. Статья продолжает обзор где ИИ встраивается в обучающий продукт.

Субтитры для глухих, обычные субтитры, транскрипт: три разные вещи

Сначала о терминах: их часто путают, а от разницы зависит, что именно вы обязаны дать учащемуся.

Субтитры для глухих и слабослышащих (в английском – closed captions) – экранный текст всего, что слышно: произнесённые слова, а также кто говорит и значимые звуки («[аплодисменты]», «[сигнал ошибки]»). Они рассчитаны на того, кто не слышит звук, поэтому передают и неречевую информацию. Обычные субтитры (subtitles) – более узкий вариант: только текст диалога, обычно для того, кто слышит, но не понимает язык. Транскрипт – полный текст видео одним документом, без привязки к воспроизведению. Он полезен для поиска, учёбы и беглого просмотра, но не заменяет субтитры во время просмотра.

Ещё одно различие определяет, как субтитры попадают на экран. Закрытые (отключаемые) субтитры учащийся может включать и выключать; они поставляются отдельным текстовым файлом, который плеер загружает по запросу. Открытые субтитры вшиты в само изображение, и выключить их нельзя. Для учебного видео по умолчанию выбирают закрытые: они гибкие, по ним работает поиск, их легко сделать многоязычными и отслеживать. Открытые нужны в основном для площадок, которые отбрасывают файлы субтитров (например, некоторые соцсети), а на собственной обучающей платформе такой проблемы почти не бывает.

Файл субтитров можно сравнить с суфлёрским текстом: плеер выводит его строка за строкой точно в такт с картинкой. Если файл сделан правильно, его покажет любой совместимый плеер; если плохо, ошибки увидит каждый учащийся.

Две причины делать субтитры: закон и обучение

Большинство команд добавляют субтитры, потому что обязаны. Сильные команды знают, что субтитры ещё и делают курс эффективнее. Чтобы правильно оценить вложения, учитывать нужно обе причины.

Первая причина – доступность. Нормы разберём в следующем разделе; если коротко, технический ориентир – ГОСТ Р 52872-2019 (построен на WCAG 2.1), образовательные организации обязаны создавать специальные условия для учащихся с ОВЗ, а с обещанием «добавим субтитры потом» срывается приёмка у заказчика, который вписал доступность в ТЗ.

Вторая причина – вовлечённость, и данные здесь убедительные. Ecampus Research Unit при Oregon State University опросил 2124 студента из 15 вузов: 71% учащихся без проблем со слухом хотя бы иногда включают субтитры, а 75% тех, кто ими пользуется, называют их помощью в учёбе – чтобы сосредоточиться, запомнить и разобрать речь при плохом звуке. Субтитры помогают тем, для кого язык курса не родной, разобраться в технической лекции, позволяют учиться в дороге без звука и закрепляют написание тех самых терминов, которым курс учит. Так что субтитры нужны не узкому меньшинству, а большей части аудитории.

Нажмите, чтобы увеличить

Нормативная база: WCAG, ГОСТ Р 52872-2019 и закон об образовании

Требования к субтитрам опираются на один технический стандарт и на нормы, которые делают доступность обязательной. Назовём их точно: расплывчатые формулировки здесь сбивают с толку всю команду разработки.

Технический стандарт – Web Content Accessibility Guidelines (WCAG) 2.1, уровень AA от World Wide Web Consortium (W3C). К субтитрам напрямую относятся два его критерия успешности. Критерий 1.2.2 «Субтитры (в записи)» – требование уровня A: субтитры для всего записанного звука в синхронизированных медиа, то есть для ваших видео по запросу. Критерий 1.2.4 «Субтитры (в прямом эфире)» – более строгое требование уровня AA: субтитры для всего звука в прямом эфире, то есть для живых занятий и вебинаров. Обычно целевой уровень – AA, поэтому исходите из того, что действуют оба критерия: субтитры нужны и записям, и живым занятиям.

В России WCAG 2.1 перенесён в национальный стандарт ГОСТ Р 52872-2019 (действует с 1 апреля 2020 года, уровни A/AA/AAA). Стандарт добровольный: обязательным он становится, когда на него ссылается нормативный акт или договор, например техническое задание заказчика. Закон об образовании (ст. 79 273-ФЗ) обязывает создавать специальные условия для обучающихся с ОВЗ и инвалидностью: адаптированные программы, специальные технические средства, услуги сурдопереводчика и тифлосурдопереводчика. Прямого требования субтитров в нём нет. Закон о социальной защите инвалидов (ст. 14 181-ФЗ) гарантирует инвалидам доступ к информации и упоминает внедрение системы субтитрирования или сурдоперевода телевизионных программ, кино- и видеофильмов, но конкретных обязанностей для онлайн-курсов не устанавливает. Сайты образовательных организаций регулирует приказ Рособрнадзора № 1493: его пункт о версии для слабовидящих утратил силу с 1 марта 2026 года, а требование, чтобы навигация и чтение текста работали при отключённой графике, осталось. На практике для вуза, колледжа или учебного центра субтитры – самый простой способ обеспечить специальные условия для глухих и слабослышащих в видеоконтенте, а для коммерческого продукта – требование, которое заказчик может вписать в ТЗ со ссылкой на ГОСТ.

Это инженерное руководство, а не юридическая консультация. Уточняйте детали у квалифицированного юриста под ваш продукт и заказчика.

Подробный разбор соответствия, аудиоописания и всего стека доступности – в статьях WCAG 2.1 AA и ГОСТ Р 52872-2019 для учебного видео и субтитры, транскрипты и аудиоописание для обучения.

Как делаются автоматические субтитры

Пройдём весь конвейер: машина отвечает только за его середину.

Всё начинается с аудио: плеер или энкодер передаёт речевую дорожку движку автоматического распознавания речи (ASR, automatic speech recognition). Движок превращает речь в текст с таймкодами: у каждой фразы есть начало и конец. Современные ASR-модели работают хорошо. Открытая модель Whisper, которую часто разворачивают на своих серверах, ошибается примерно в 2,7% слов на чистом студийном звуке; распознавание русской речи как сервис предлагают российские провайдеры – Yandex SpeechKit и SaluteSpeech. Устройство моделей (какой движок выбрать, чем потоковое распознавание отличается от пакетного, как справляться с акцентами и перебивающими друг друга говорящими) разобрано в курсе AI for Video Engineering: см. потоковый ASR в продакшене и, для живых занятий, живые субтитры с ASR на стороне SFU.

Результат ASR превращается в файл субтитров – список текстовых реплик с таймкодами в стандартном формате (о форматах ниже). На этом этапе у вас автоматические субтитры: черновик, быстрый и дешёвый, но с ошибками.

Дальше идёт шаг, который отличает готовый продукт от будущей проблемы: проверка человеком. Редактор читает субтитры, слушая звук, и исправляет то, что модель расслышала неверно: термин, число, пропущенное имя говорящего, пунктуацию, от которой меняется смысл. Такая проверка нужна любой ИИ-функции в обучении, а для субтитров именно на этом шаге и выполняется стандарт доступности.

Только потом файл попадает в ваш учебный плеер, где учащийся включает субтитры, выбирает язык, а плеер показывает реплики синхронно с видео.

Нажмите, чтобы увеличить

Проблема точности: почему «автоматически» – это не «готово»

Самое дорогое заблуждение в этой теме: «мы включили автоматические субтитры» не значит «у нашего видео есть субтитры». Всё упирается в точность, и разрыв здесь большой.

Главная метрика – доля ошибочных слов (WER, word error rate): число ошибок распознавания (замен, пропусков и лишних вставок), делённое на общее число произнесённых слов. WER 5% означает, что 95% слов совпадают с эталонным транскриптом. Чем меньше, тем лучше.

Планка для доступности высокая. Общепринятый в индустрии субтитрования ориентир – 99% точности: примерно одна ошибка на сто слов, причём оставшиеся ошибки не должны менять смысл. Сырые автосубтитры до неё не дотягивают: в независимых тестах автосубтитры крупной видеоплатформы давали от 60 до 95% точности на чистой речи, а необработанный ASR на сложном звуке – в среднем 60–70%. У Whisper WER 2,7% на безупречной студийной записи вырастает примерно до 8% на реальных записях и превышает 25% на малоресурсных языках и при сильном акценте.

Посчитаем, что это значит для одной лекции:

Лекция 60 минут, ~9000 произнесённых слов.

Автосубтитры при точности 92% (WER 8%):
  9000 слов × 8% ошибочных = 720 неверных слов в одном часе видео.

Цель: точность 99% (WER 1%):
  9000 слов × 1% ошибочных = 90 неверных слов – и ни одного, меняющего смысл.

720 ошибок против 90 – это разница между субтитрами, которые вводят в заблуждение, и субтитрами, которые соответствуют стандарту. К тому же ошибки скапливаются там, где они обходятся курсу дороже всего: в предметных терминах, названиях препаратов, идентификаторах в коде и числах, ради которых урок и существует. Хуже всего ASR распознаёт как раз самую важную лексику. Поэтому автосубтитры – черновик для правки, а не готовый результат для публикации.

Нажмите, чтобы увеличить

Расчёт: сколько стоит субтитровать библиотеку курсов

Теперь о деньгах: субтитрование – регулярная статья расходов, а не разовая.

Границы стоимости задают два способа производства. Только человек: подрядчик расшифровывает видео с нуля до точности 99%. Это стоит ориентировочно 85–260 ₽ за готовую минуту, срочная работа дороже; ставки сверяйте с прайсом подрядчика. ASR и проверка человеком: машина делает черновик, человек его правит. Облачное распознавание стоит порядка пары рублей за минуту, а времени редактора уходит лишь часть от полной расшифровки: править черновик с точностью 92% намного быстрее, чем набирать текст с нуля.

Сравним оба способа на библиотеке в 50 часов:

Библиотека: 50 часов = 3000 готовых минут.

Только человек:
  3000 мин × ≈130 ₽/мин  ≈ 390 тыс. ₽

ASR + проверка человеком:
  Проход ASR:  3000 мин × ≈1,7 ₽/мин ≈ 5 тыс. ₽
  Правка:      ~0,4 × 390 тыс. ₽     ≈ 156 тыс. ₽
  ----------------------------------------
  ≈ 161 тыс. ₽ итого

Гибридный способ обходится меньше чем в половину стоимости и хорошо масштабируется: чтобы обновить субтитры к переработанному модулю, достаточно дешёвого прогона ASR и короткой правки, а не новой расшифровки. Но экономия здесь не в «бесплатных автосубтитрах». Соответствие стандарту обеспечивает именно правка человеком, и отказ от неё – ложная экономия, из-за которой и появляются «мусорные субтитры». Полную картину затрат на создание и эксплуатацию см. в модели стоимости платформы обучения и покупать или разрабатывать ИИ-функции и сколько это стоит.

Нажмите, чтобы увеличить

Какой формат выбрать и где хранить субтитры

Субтитры поставляются отдельным текстовым файлом, который загружает плеер. Важных форматов три, и правильный выбор избавляет от типичных проблем при интеграции.

WebVTT (Web Video Text Tracks) – стандарт W3C, который браузер читает сам через HTML-элемент <track>. Его поддерживают все крупные HTML5-плееры, iOS, Android и плееры для потоков HLS и DASH, поэтому для учебного видео в вебе это выбор по умолчанию. Минимальная реплика выглядит так:

WEBVTT

00:00:04.000 --> 00:00:07.500
Стандарт упаковки курсов называется SCORM,
это транспортный контейнер для учебного контента.

SRT (SubRip) – более старый и простой формат: поддерживается широко, но почти без стилей и позиционирования, а несколько языков в одном файле аккуратно не хранит. Он годится для обмена, и ASR часто выдаёт результат именно в нём; для веба конвертируйте его в WebVTT. TTML / IMSC (профиль W3C Internet Media Subtitles and Captions) – XML-формат телевещательного уровня для OTT и премиального видео с полным контролем стилей и раскладки; он нужен, если его требует потоковая система, куда вы передаёте видео. Подробнее о доставке субтитров – в курсе Video Streaming: субтитры, мультиаудио, WebVTT и IMSC.

Для обучающей платформы разумно по умолчанию хранить исправленные субтитры в WebVTT, держать транскрипт для поиска и генерировать другие форматы по запросу.

Как узнать, включают ли учащиеся субтитры

Субтитры – не только формальное требование, которое выполнил и забыл. Их использование можно измерять, и здесь трекинг начинает приносить пользу.

Видеопрофиль Experience API (xAPI Video Profile) – стандарт сообщества для записи действий с видео в хранилище учебных записей (Learning Record Store, LRS). В нём есть два контекстных расширения как раз для субтитров: cc-subtitle-enabled – флаг true/false, включил ли учащийся субтитры, и cc-subtitle-lang – выбранный язык. Подключите их к трекингу плеера, и ваша аналитика обучения ответит на практические вопросы: какая доля учащихся смотрит с субтитрами, в каких курсах их включают особенно часто (нередко это признак плохого звука или плотного материала) и какие языки действительно нужны вашей аудитории. Последний ответ подсказывает, куда направить бюджет на перевод (см. автоматический перевод и многоязычные курсы). Так субтитры из статьи расходов превращаются в источник данных для продуктовых решений. Как события видео вообще попадают в трекинг, разобрано в статье трекинг видео через xAPI: видеопрофиль.

Частая ошибка: выпустить черновик

Чаще всего мы видим такую картину: команда включает автосубтитры, видит на экране текст и отмечает курс как доступный. На демо всё выглядит нормально, но реальной проверки курс не выдерживает. Глухой учащийся сталкивается с сотнями ошибок в час (около 700 при точности 92%), причём сильнее всего искажены технические термины, ради которых курс и создавался. Заказчик при приёмке проверяет выборку, находит субтитры с точностью ниже 99% и ошибками, меняющими смысл, и возвращает курс на доработку. Лечится это не ещё одним прогоном ASR, а той самой правкой человеком, которая должна была быть с самого начала. Опубликованный черновик – не субтитры, а их видимость, и отвечать за неё придётся так же, как за их отсутствие.

Купить или сделать самим: субтитрование в больших объёмах

Организовать субтитрование можно тремя способами; выбор зависит от объёма, языков и того, какую часть работы вы готовы доверить машине.

Купить услугу субтитрования. Подрядчик по расшифровке берёт ваше видео и возвращает файлы субтитров с точностью 99%; внутри у него часто тот же ASR с правкой. Видеоплатформы вроде Kinescope и Yandex Cloud Video делают автосубтитры прямо при загрузке, но это по-прежнему черновик для правки. Это самый быстрый путь к соответствию стандарту с оплатой за минуту, и для большинства команд – правильный первый шаг, особенно при нерегулярном объёме или строгих требованиях к точности. Подрядчик получает голоса преподавателей и учащихся, то есть персональные данные, поэтому нужны договор поручения и обработка в России.

Собрать процесс на ASR API с правкой. Черновик вы получаете через облачный API распознавания речи российского провайдера (Yandex SpeechKit, SaluteSpeech), а перед публикацией его проверяет человек – свой редактор или подрядчик. Этот вариант выгоден при большом стабильном объёме: субтитрование встраивается в процесс подготовки курсов, обновлённый модуль получает новые субтитры автоматически, а исправленные файлы и аналитика хранятся в вашей платформе. Зарубежные ASR-API для записей с голосами людей не подходят: персональные данные граждан РФ нельзя обрабатывать с использованием зарубежных баз данных (ч. 5 ст. 18 152-ФЗ).

Развернуть модель у себя. Вы запускаете открытую ASR-модель вроде Whisper или коробочную версию коммерческого движка (например, SpeechKit Hybrid) на своей инфраструктуре и полностью управляете процессом правки. Затраты на разработку и GPU растут, а стоимость минуты и риск утечки данных снижаются. Вариант для организаций, чей контент не должен покидать периметр, или для тех, у кого объём так велик, что поминутные тарифы становятся слишком дорогими.

То же в таблице, с отдельным столбцом о стандартах и трекинге: субтитры, которые не соответствуют стандартам и не отслеживаются, нельзя считать готовыми.

Нажмите, чтобы увеличить

Где здесь Фора Софт

Мы встраиваем субтитрование в обучающий продукт, а не ставим рядом отдельный отдел расшифровки. Фора Софт с 2005 года разрабатывает видеоконференции, стриминг, e-learning и ИИ-функции для видео. Когда клиенту нужны субтитры в больших объёмах, мы начинаем с выбора между подрядчиком и собственным решением: подрядчик быстрее всего выводит субтитры на уровень 99% и берёт оплату за минуту, а ASR API российского провайдера или своя модель в конвейере подготовки курсов требуют вложений в разработку заранее, зато исправленные файлы, языки и данные учащихся остаются в вашем контуре в России. Мы связываем черновик ASR, обязательную правку человеком, доставку WebVTT, живые субтитры для виртуального класса и xAPI-сигнал cc-subtitle-enabled на каждый просмотр, чтобы субтитры попадали в каталог как отслеживаемый ресурс, соответствующий ГОСТ Р 52872-2019 / WCAG, а не как невыправленный черновик. И прямо говорим, что соответствие стандарту обеспечивает именно правка человеком, а отказ от неё – самая дорогая экономия в доступности.

Ключевые выводы

• Автосубтитры – быстрый черновик; ориентира доступности 99% без правки человеком не достичь.
• Субтитры – и требование доступности, и помощь в обучении: 75% студентов, которые ими пользуются, называют их подспорьем в учёбе.
• К субтитрам относятся критерии WCAG 2.1 SC 1.2.2 (запись, уровень A) и 1.2.4 (эфир, AA); в России они вошли в ГОСТ Р 52872-2019.
• 273-ФЗ требует специальных условий для учащихся с ОВЗ, но прямо субтитры не называет; заказчик делает их обязательными через ТЗ.
• ASR с правкой обходится меньше чем в половину стоимости ручной расшифровки, и обновлять субтитры так дешевле.
• Для веба храните субтитры в WebVTT; их использование отслеживайте через xAPI Video Profile.

Что почитать дальше

• Автоматический перевод и многоязычные курсы
• WCAG 2.1 AA и ГОСТ Р 52872-2019 для учебного видео
• Трекинг видео через xAPI: видеопрофиль