ویڈیو کے لیے سب ٹائٹلز تیار کرنا پہلے کافی پریشان کن کام تھا۔
مشکل نہیں، بس بہت محنت طلب تھا۔
آپ ویڈیو ریکارڈ کر لیتے ہیں اور اس میں سب ٹائٹلز شامل کرنا چاہتے ہیں۔ پہلے آواز کو متن میں تبدیل کرنا پڑتا ہے۔ کوئی بھی ٹول استعمال کریں، نتیجے میں متن ایک ہی لمبے پیراگراف کی صورت میں ملتا ہے، نہ رموزِ اوقاف ہوتے ہیں، نہ جملوں کی تقسیم۔
پھر آپ کو دستی طور پر سب کچھ درست کرنا پڑتا ہے: کہاں جملہ ختم ہونا چاہیے، کہاں نئی سطر شروع ہونی چاہیے، اور کن مقامات پر غلط شناخت کیے گئے ناموں کو درست کرنا ہے۔
اگر اسے دوسری زبانوں میں بھی ترجمہ کرنا ہو تو کام مزید مشکل ہو جاتا ہے۔ ہر جملے کا الگ ترجمہ کرنے کے بعد اسے ٹائم لائن کے ساتھ بھی ہم آہنگ کرنا پڑتا ہے۔
دس منٹ کی ویڈیو کے صرف سب ٹائٹلز تیار کرنے میں بھی ایک یا دو گھنٹے لگ سکتے ہیں۔
بعد میں مجھے ایک اوپن سورس ٹول ملا، اور وہ مفت بھی ہے۔
اس کا کام بہت سادہ ہے: ویڈیو اس میں ڈالیں، زبان منتخب کریں اور شروع کرنے پر کلک کریں۔
اس کے بعد باقی تمام کام یہ خود کر دیتا ہے۔
آواز کی شناخت، ذہین جملہ بندی، غلط املا کی اصلاح، پیشہ ورانہ اصطلاحات کو یکساں رکھنا، دوسری زبانوں میں ترجمہ اور سب ٹائٹل فائل تیار کرنا۔
سب کچھ خودکار۔
رفتار بھی کافی تیز ہے۔ 14 منٹ کی ویڈیو تقریباً 4 منٹ میں تیار ہو جاتی ہے۔
لاگت بھی بہت کم ہے، سرکاری معلومات کے مطابق ایک سینٹ سے بھی کم۔
اس کی آواز کی شناخت Whisper استعمال کرتی ہے، جس کی درستگی 95 فیصد سے زیادہ ہے۔ چینی، انگریزی، جاپانی، کوریائی، فرانسیسی اور جرمن سمیت 99 زبانوں کی شناخت کی جا سکتی ہے۔
جملوں کی تقسیم بڑے لسانی ماڈل کے ذریعے کی جاتی ہے۔ یہ صرف وقفے کے دورانیے کے مطابق متن نہیں کاٹتا، بلکہ مفہوم سمجھنے کے بعد جملے تقسیم کرتا ہے۔ اس لیے حاصل ہونے والے سب ٹائٹلز "میں آج ایک بہت مزے دار جگہ گیا" جیسے مربوط جملے ہوتے ہیں، نہ کہ "میں آج ایک بہت مزے دار جگہ گیا" کو بےترتیب ٹکڑوں میں تقسیم کیا ہوا متن۔
یہ عام شناختی غلطیوں کو بھی خودکار طور پر درست کرتا ہے۔ مثال کے طور پر بعض پیشہ ورانہ اصطلاحات یا کم معروف افراد کے نام آواز کی شناخت کے دوران غلط آ سکتے ہیں، لیکن یہ جملے تقسیم کرتے وقت انہیں درست کرنے میں بھی مدد کرتا ہے۔
اگر آپ کو کثیر لسانی سب ٹائٹلز درکار ہوں تو یہ 37 زبانوں میں ترجمے کی سہولت فراہم کرتا ہے۔ ترجمہ بھی بڑے لسانی ماڈل کے ذریعے کیا جاتا ہے، اس لیے یہ مشینی ترجمے جیسا سخت اور بےربط محسوس نہیں ہوتا بلکہ سیاق و سباق کے مطابق کیا جاتا ہے اور پڑھنے میں کافی رواں لگتا ہے۔
آؤٹ پٹ فارمیٹس SRT، ASS اور VTT کو سپورٹ کرتے ہیں۔ عام سب ٹائٹل فارمیٹس تقریباً سبھی شامل ہیں۔
ایک اور تفصیل بھی مجھے اچھی لگی۔ اس میں سب ٹائٹلز کے لیے کئی طرز کے ٹیمپلیٹس موجود ہیں، جیسے معلوماتی، خبروں اور اینیمے کے انداز۔ اگر آپ ویڈیوز کے لیے اکثر مختلف اقسام کی ظاہری شکل چاہتے ہیں تو براہِ راست ٹیمپلیٹ استعمال کر سکتے ہیں، خود انداز ترتیب دینے کی ضرورت نہیں۔ خاص طور پر اینیمے طرز کے سب ٹائٹلز میں آؤٹ لائن اور شیڈو والا جاپانی انداز ہے، جو اینیمے سے متعلق مواد بنانے والے فوراً استعمال کر سکتے ہیں۔
یہ مکمل طور پر مقامی طور پر چلتا ہے۔ آپ کی ویڈیو کسی سرور پر اپ لوڈ نہیں ہوتی، تمام کارروائی آپ کے اپنے کمپیوٹر پر مکمل ہوتی ہے۔ ڈیٹا کی رازداری کے بارے میں فکر کرنے کی ضرورت نہیں۔ بہت سے آن لائن سب ٹائٹل ٹولز میں ویڈیو اپ لوڈ کرنا پڑتی ہے، اور بعض لوگوں کو یہی بات ناگوار لگتی ہے کہ اصل ویڈیو کسی اور کے سرور پر بھیجنی پڑتی ہے۔ اس ٹول میں ایسا نہیں ہوتا؛ فائل مقامی طور پر تیار ہو کر مقامی طور پر ہی محفوظ ہوتی ہے۔
ہارڈویئر کی ضروریات بھی زیادہ نہیں ہیں۔ مہنگے گرافکس کارڈ کی ضرورت نہیں، CPU کے ساتھ بھی یہ چل جاتا ہے۔ الگ گرافکس کارڈ ہو تو رفتار زیادہ ہو گی، لیکن صرف CPU پر بھی یہ معمول کے مطابق کام کرتا ہے۔ میں نے خود ایک عام لیپ ٹاپ پر آزمایا ہے؛ دس منٹ کی ویڈیو کا نتیجہ تقریباً چھ یا سات منٹ میں مل گیا، جو بالکل قابلِ قبول ہے۔
اس میں بیچ پروسیسنگ موڈ بھی موجود ہے۔ آپ ایک ساتھ کئی ویڈیوز ڈال دیں، یہ قطار بنا کر خودکار طور پر سب کو پروسیس کر دے گا۔ مکمل ہونے کے بعد سب ٹائٹل فائلیں ایک ساتھ برآمد کی جا سکتی ہیں۔ سیریز کی صورت میں مواد بنانے والوں کے لیے یہ سہولت بہت سے دہرائے جانے والے کام بچا دیتی ہے۔
مختصر ویڈیوز، آن لائن کورسز یا کثیر لسانی مواد بنانے والوں کے لیے یہ موزوں ہے۔ اگر آپ بھی اکثر سب ٹائٹلز کے ساتھ کام کرتے ہیں تو اسے تلاش کر کے دیکھیں۔ یہ مفت اور اوپن سورس ہے، کوئی خرچ نہیں؛ پہلا مقام GitHub ہے اور دوسرا اس کی سرکاری ویب سائٹ۔
اوپن سورس لنک: github.com/WEIFENG2333/VideoCaptioner