ভিডিওতে সাবটাইটেল যোগ করা আগে বেশ ঝামেলার কাজ ছিল।
কঠিন নয়, বরং সময়সাপেক্ষ।
আপনি একটি ভিডিও রেকর্ড করেছেন এবং তাতে সাবটাইটেল যোগ করতে চান। প্রথমে কথাকে লেখায় রূপান্তর করতে হবে। যে টুলই ব্যবহার করুন না কেন, রূপান্তরের পর সাধারণত সব লেখা একটানা থাকে; কোনো যতিচিহ্ন বা বাক্যবিভাজন থাকে না।
এরপর হাতে ঠিক করতে হয়—কোথায় বাক্য ভাঙবে, কোথায় লাইন বদলাবে, কোন ব্যক্তির নাম ভুল শনাক্ত হলে তা সংশোধন করতে হবে।
এর সঙ্গে অন্য ভাষায় অনুবাদ করতে হলে ঝামেলা আরও বাড়ে। একেকটি বাক্য ধরে অনুবাদ করার পর আবার টাইমলাইনের সঙ্গে মিলিয়ে নিতে হয়।
দশ মিনিটের একটি ভিডিওতে শুধু সাবটাইটেল তৈরিতেই এক থেকে দুই ঘণ্টা লেগে যেতে পারে।
পরে আমি একটি ওপেন সোর্স টুলের সন্ধান পেলাম, তাও আবার বিনামূল্যের।
এটি খুব সহজভাবে কাজ করে: ভিডিওটি টেনে আনুন, ভাষা নির্বাচন করুন এবং শুরুতে ক্লিক করুন।
এরপর বাকি সব কাজ এটি নিজেই করে দেয়।
ভয়েস শনাক্তকরণ, স্মার্ট বাক্যবিভাজন, বানান সংশোধন, পেশাদার পরিভাষা একীভূত করা, অন্য ভাষায় অনুবাদ এবং সাবটাইটেল ফাইল তৈরি।
সবই স্বয়ংক্রিয়ভাবে।
এটি বেশ দ্রুতও। ১৪ মিনিটের একটি ভিডিও প্রায় ৪ মিনিটেই প্রক্রিয়া শেষ করে।
খরচও খুব কম; নির্মাতাদের দাবি, ১ সেন্টেরও কম।
এর ভয়েস শনাক্তকরণে Whisper ব্যবহার করা হয়, যার নির্ভুলতা ৯৫ শতাংশের বেশি। চীনা, ইংরেজি, জাপানি, কোরিয়ান, ফরাসি, জার্মানসহ ৯৯টি ভাষা শনাক্ত করতে পারে।
বাক্যবিভাজনের জন্য এটি বড় ভাষা মডেল ব্যবহার করে। শুধু বিরতির সময় দেখে ভাগ করে না, বরং অর্থ বুঝে বাক্য ভাগ করে। তাই তৈরি হওয়া সাবটাইটেল এমন নয় যে "আমি আজ গিয়েছি একটি খুব মজার জায়গায়", বরং হবে "আমি আজ একটি খুব মজার জায়গায় গিয়েছি"।
সাধারণ শনাক্তকরণ-ভুলও এটি স্বয়ংক্রিয়ভাবে সংশোধন করে। কিছু পেশাদার পরিভাষা বা বিরল ব্যক্তিনামের ক্ষেত্রে সরাসরি ভয়েস শনাক্তকরণ ভুল করতে পারে; বাক্য ভাগ করার সময় এটি সেগুলোও সংশোধন করে।
বহুভাষিক সাবটাইটেল প্রয়োজন হলে এটি ৩৭টি ভাষায় অনুবাদ করতে পারে। অনুবাদও বড় ভাষা মডেলের মাধ্যমে করা হয়। তাই যান্ত্রিক অনুবাদের মতো কাঠখোট্টা নয়; প্রসঙ্গ বিবেচনা করে অনুবাদ করায় পড়তে অনেক বেশি স্বাভাবিক লাগে।
আউটপুট হিসেবে SRT, ASS এবং VTT ফরম্যাট সমর্থিত। প্রচলিত প্রায় সব সাবটাইটেল ফরম্যাটই এতে রয়েছে।
আরেকটি সূক্ষ্ম বিষয় আমার বেশ ভালো লেগেছে। এতে কয়েকটি সাবটাইটেল স্টাইল টেমপ্লেট রয়েছে—জনপ্রিয় বিজ্ঞান, সংবাদ এবং অ্যানিমে স্টাইল। ভিডিওতে নিয়মিত বিভিন্ন ধরনের চেহারা দরকার হলে সরাসরি টেমপ্লেট ব্যবহার করতে পারেন, নিজে স্টাইল ঠিক করার দরকার নেই। বিশেষ করে অ্যানিমে স্টাইলের সাবটাইটেলে আউটলাইন ও ছায়াযুক্ত জাপানি নকশা রয়েছে, অ্যানিমে-ভিত্তিক কনটেন্টে তা সরাসরি ব্যবহার করা যায়।
এটি সম্পূর্ণ স্থানীয়ভাবে চলে। আপনার ভিডিও কোনো সার্ভারে আপলোড করার প্রয়োজন নেই; সব প্রক্রিয়াকরণ নিজের কম্পিউটারেই সম্পন্ন হয়। ডেটার গোপনীয়তা নিয়েও চিন্তা করতে হয় না। অনেক অনলাইন সাবটাইটেল টুলে ভিডিও আপলোড করতে হয়, আর কিছু মানুষের আপত্তির কারণ হলো মূল ভিডিওটি অন্যের সার্ভারে পাঠাতে হয়। এখানে তা দরকার নেই; স্থানীয়ভাবে প্রক্রিয়া শেষ হলে ফাইলও স্থানীয়ভাবেই পাওয়া যায়।
হার্ডওয়্যারের চাহিদাও বেশি নয়। দামি গ্রাফিক্স কার্ডের প্রয়োজন নেই, CPU থাকলেই চলে। আলাদা GPU থাকলে দ্রুততর হবে, তবে শুধু CPU দিয়েও স্বাভাবিকভাবে কাজ করা যায়। আমি নিজে একটি সাধারণ ল্যাপটপে পরীক্ষা করেছি; ১০ মিনিটের একটি ভিডিওতে ফল পেতে প্রায় ৬ থেকে ৭ মিনিট লেগেছে, যা পুরোপুরি গ্রহণযোগ্য।
এতে ব্যাচ প্রসেসিং মোডও রয়েছে। একসঙ্গে একাধিক ভিডিও টেনে আনলে এটি সারিবদ্ধভাবে স্বয়ংক্রিয় প্রক্রিয়াকরণ করবে। কাজ শেষ হলে একসঙ্গে সাবটাইটেল ফাইল রপ্তানি করা যায়। ধারাবাহিক কনটেন্ট তৈরি করেন এমনদের জন্য এই সুবিধাটি অনেক পুনরাবৃত্তিমূলক কাজ কমায়।
স্বল্পদৈর্ঘ্যের ভিডিও, অনলাইন কোর্স বা বহুভাষিক কনটেন্ট তৈরি করেন—সবার জন্যই এটি উপযোগী। আপনিও যদি নিয়মিত সাবটাইটেল নিয়ে কাজ করেন, একবার খুঁজে দেখতে পারেন। বিনামূল্যের ওপেন সোর্স, কোনো খরচ নেই। প্রথমটি GitHub, দ্বিতীয়টি অফিসিয়াল ওয়েবসাইট।
ওপেন সোর্স ঠিকানা: github.com/WEIFENG2333/VideoCaptioner